CN112986964A - 基于噪声邻域密度的光子计数激光点云自适应去噪方法 - Google Patents

Abstract

本发明公开了一种基于噪声邻域密度的光子计数激光点云自适应去噪方法，首先将点云投影到沿飞行方向和激光雷达测量视线方向的二维平面内；然后，计算每个点周围矩形搜索区域内所有点的最佳拟合直线，依据最佳拟合直线修改搜索区域为平行四边形，计算平行四边形搜索区域内的点数量，即邻域密度；对所有点的邻域密度进行直方图统计，然后采用高斯函数拟合第一个波峰，确定噪声点邻域密度的均值和标准差；最后，依据噪声点邻域密度的均值和方差确定噪声点邻域密度阈值并进行点云去噪。本发明可以自适应点云密度和目标形态，自适应确定去噪参数，适合在没有先验知识的情况下，大范围自适应点云去噪，具有较高的识别率和准确率。

Description

基于噪声邻域密度的光子计数激光点云自适应去噪方法

技术领域

本发明属于光子计数激光雷达点云数据处理技术领域，尤其涉及一种基于噪声邻域密度的光子计数激光点云自适应去噪方法。

背景技术

光子计数激光雷达是今年发展起来的新技术体制激光雷达，目前已经应用到星载对地遥感领域。光子计数激光雷达采用高重频微脉冲激光器发射激光脉冲，采用单光子探测器接收反射的回波脉冲，通过测量发射和接收脉冲的时间差，实现高精度测距。光子计数激光雷达相对传统线性体制激光雷达，所需激光器单脉冲能量小，适合多波束高重频探测，实现高空间分辨率探测。

光子计数激光雷达灵敏度达到单光子量级，造成其点云数据中包含大量噪声点。光子计数激光雷达目标处的信号点云密度大且集中，而噪声点比较分散，目标处沿轨方向点云密度比高度方向密度大。与成熟的机载激光雷达点云相比，点云特性明显不同因此，需要研究适合光子计数激光雷达点云的去噪方法。

针对光子计数激光雷达点云数据的去噪算法主要分为两类。一类是将点云栅格化为二维图像，采用图像处理算法进行去噪。该方法在栅格化过程中会造成有效信息丢失，并且不能充分利用点云的分布特征。另一类根据点云的分布特征，利用点云的局部统计特征进行去噪和分类，可以利用点云的分布特征，但在参数选取方面主要依赖经验，算法精度和适应性难以保障。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供一种基于噪声邻域密度的光子计数激光点云自适应去噪方法，旨在现有光子计数激光雷达点云数据去噪算法中点云栅格化所导致的信息缺失，点云局部统计特征去噪存在的依赖经验参数的问题。

为了解决上述技术问题，本发明公开了一种基于噪声邻域密度的光子计数激光点云自适应去噪方法，包括：

步骤1，将原始点云投影到二维平面，其中，二维平面的x方向为：沿轨飞行方向，y方向为：激光雷达测量视线方向；

步骤2，以原始点云中各点为中心，选取一矩形搜索区域，分别计算得到各点在周围矩形搜索区域内的最佳拟合直线；

步骤3，根据各点的最佳拟合直线，将矩形搜索区域修改为平行四边形搜索区域，并计算平行四边形搜索区域内点的数量，得到各点的邻域密度；

步骤4，对得到的所有点的邻域密度进行直方图统计，并通过高斯拟合得到噪声点邻域密度的均值μ和标准差σ；

步骤5，对噪声点邻域密度均值μ进行判断；其中，当噪声点邻域密度均值μ满足10≥μ≥5时，执行步骤6；当噪声点邻域密度均值μ不满足10≥μ≥5时，则对平行四边形搜索区域进行等比例缩放，返回执行步骤3，直至噪声点邻域密度均值μ满足10≥μ≥5；

步骤6，根据噪声点邻域密度的标准差σ，计算噪声判定阈值m_P，将邻域密度小于噪声判定阈值m_P的点作为噪声点。

在上述基于噪声邻域密度的光子计数激光点云自适应去噪方法中，将原始点云中的点投影到飞行方向和激光雷达测量视线方向组成的二维平面内，原始点云中的点在二维平面内的坐标为：(x_i，y_i)。

在上述基于噪声邻域密度的光子计数激光点云自适应去噪方法中，以原始点云中各点为中心，选取一矩形搜索区域，分别计算得到各点在周围矩形搜索区域内的最佳拟合直线，包括：

以当前点为中心，选取一矩形搜索区域；其中，矩形搜索区域的长×宽＝l×h；

确定选定l×h区域内所有的点；

对选定的l×h区域内所有的点，通过方程y＝ax+b进行直线拟合，解算得到斜率参数a和截距参数b；

将解算得到的斜率参数a和截距参数b代入方程y＝ax+b，得到当前点的最佳拟合直线；

通过以上步骤，分别得到原始点云中各点的最佳拟合直线。

在上述基于噪声邻域密度的光子计数激光点云自适应去噪方法中，平行四边形搜索区域满足如下关系：

平行四边形搜索区域的两条边与y方向平行，边长均为h，平行四边形搜索区域的另两条边与最佳拟合直线平行，且在x向的投影长度为l；

平行四边形搜索区域的面积与矩形搜索区域的面积相同。

在上述基于噪声邻域密度的光子计数激光点云自适应去噪方法中，对得到的所有点的邻域密度进行直方图统计，并通过高斯拟合得到噪声点邻域密度的均值μ和标准差σ，包括：

对得到的所有点的邻域密度进行直方图统计，得到邻域密度直方图；

通过高斯函数

拟合邻域密度直方图的第一个波峰，得到噪声点邻域密度的均值μ和标准差σ；其中，X表示邻域密度，Y表示邻域密度X出现的次数，a表示噪声点邻域密度峰值。

在上述基于噪声邻域密度的光子计数激光点云自适应去噪方法中，在对平行四边形搜索区域进行等比例缩放时，通过如下公式确定缩放系数m：

其中，μ₁为常数，取值满足：10≥μ₁≥5。

在上述基于噪声邻域密度的光子计数激光点云自适应去噪方法中，噪声判定阈值m_P的计算公式如下：

m_P＝μ+n*σ

其中，n为常数，取值满足：n≥3。

在上述基于噪声邻域密度的光子计数激光点云自适应去噪方法中，还包括：

将确定的噪声点从原始点云中剔除，得到信号点。

在上述基于噪声邻域密度的光子计数激光点云自适应去噪方法中，在选择初始参数时：h≥2τc，l≥10h。其中，τ表示光子计数激光雷达发射脉冲的半高全宽，c表示光速。

在上述基于噪声邻域密度的光子计数激光点云自适应去噪方法中，

平行四边形搜索区域的y向边长h用于表征噪声的积分时间t_j＝2h/c；

平行四边形搜索区域在x向的投影长度l用于表征飞行时间内的累计脉冲数n_s＝l/v*f；

其中，c表示光速，v表示飞行器飞行速度，f表示光子计数激光雷达测量频率。

本发明具有以下优点：

本发明公开了一种基于噪声邻域密度的光子计数激光点云自适应去噪方法，针对不同的地貌、地物和信噪比，本方法都保持了较高的识别率和准确率，具有很好的自适应性。搜索区域依据目标的形态自适应调整，可以充分利用信号点的邻域密度信息。搜索区域区域具有明确的物理含义，可以自适应确定噪声邻域密度参数用于去噪。本方法适合在没有先验知识的情况下，大范围自适应点云去噪，具有很好的去噪效果。

附图说明

图1是本发明实施例中一种基于噪声邻域密度的光子计数激光点云自适应去噪方法的步骤流程图；

图2是本发明实施例中一种典型建筑物光子计数激光点云数据的示意图；

图3是本发明实施例中一种依据目标形态自适应搜索区域的示意图；

图4是本发明实施例中一种所有点的邻域密度统计直方图；

图5是本发明实施例中一种高斯拟合确定噪声点邻域密度均值和方差的示意图；

图6是图2所示原始点云去噪后的信号点云的示意图；

图7是本发明实施例中一种不同场景激光点云数据处理结果示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明公开的实施方式作进一步详细描述。

本发明公开了一种基于噪声邻域密度的光子计数激光点云自适应去噪方法，可以自适应点云密度和目标形态，自适应确定去噪参数，实现在没有先验知识的情况下，大范围自适应点云去噪，对不同的地貌、地物和信噪比，保持了较高的识别率和准确率，具有很好的去噪效果。

如图1，在本实施例中，该基于噪声邻域密度的光子计数激光点云自适应去噪方法，包括：

步骤1，将原始点云投影到二维平面。

在本实施例中，光子计数激光雷达获取的原始点云包括每个点的飞行时刻t_i和三维坐标(x_oi，y_oi，z_oi)，其中，i为点的编号。

如图2，二维平面的x方向为：沿轨飞行方向，y方向为：激光雷达测量视线方向。将原始点云投影到二维平面，则点的新坐标可以表示为：(x_i，y_i)。其中，当垂直对地测量时，x_i＝(t_i-t₀)×v，y_i＝z_oi，其中，t₀为光子计数激光雷达开始工作时间，v为飞行器飞行速度。

步骤2，以原始点云中各点为中心，选取一矩形搜索区域，分别计算得到各点在周围矩形搜索区域内的最佳拟合直线。

在本实施例中，各点的最佳拟合直线的确定方式如下：

21)以当前点为中心，选取一矩形搜索区域。

如图3所示，矩形搜索区域的长×宽＝l×h。

22)确定选定l×h区域内所有的点。

优选的，在选择初始参数时：h≥2τc，l≥10h。其中，τ表示光子计数激光雷达发射脉冲的半高全宽，c表示光速。

23)对选定的l×h区域内所有的点，通过方程y＝ax+b进行直线拟合，解算得到斜率参数a和截距参数b，也就是当前点周围目标的特征方向。当测量目标为坡地时，斜率参数a即为坡地沿飞行方向的坡度。

24)将解算得到的斜率参数a和截距参数b代入方程y＝ax+b，得到当前点的最佳拟合直线；

通过以上步骤21)～24)，分别得到原始点云中各点的最佳拟合直线。

步骤3，根据各点的最佳拟合直线，将矩形搜索区域修改为平行四边形搜索区域，并计算平行四边形搜索区域内点的数量，得到各点的邻域密度。

在本实施例中，如图3所示，平行四边形搜索区域满足如下关系：

1)平行四边形搜索区域的两条边与y方向平行，边长均为h，平行四边形搜索区域的另两条边与最佳拟合直线平行，且在x向的投影长度为l。

2)平行四边形搜索区域的面积与矩形搜索区域的面积相同。

进一步的，平行四边形搜索区域的y向边长h用于表征噪声的积分时间t_j＝2h/c；平行四边形搜索区域在x向的投影长度l用于表征飞行时间内的累计脉冲数n_s＝l/v*f。其中，f表示光子计数激光雷达测量频率。

优选的，在计算平行四边形搜索区域内点的数量，得到各点的邻域密度时，有：

在判断某点(x_i，y_i)在对应的平行四边形搜索区域内有多少个点时，需要对其余点(x_ii，y_ii)进行遍历：首先判断x_ii是否位于区间[x_i-l/2，x_i+l/2]，如果在区间[x_i-l/2，x_i+l/2]，则对y_ii进行判断，将x_ii带入公式y＝ax+b，得到y_bj＝ax_ii+b，然后计算平行四边形搜索区域在x_ii处的边界[y_bj-h/2,y_bj+h/2]，当y_ii位于边界[y_bj-h/2,y_bj+h/2]内，则点(x_ii，y_ii)为点(x_i，y_i)的邻域点，否则点(x_ii，y_ii)不属于点(x_i，y_i)的邻域点；如果x_ii不在区间[x_i-l/2,x_i+l/2]，则点(x_ii，y_ii)不属于点(x_i，y_i)的邻域点。

步骤4，对得到的所有点的邻域密度进行直方图统计，并通过高斯拟合得到噪声点邻域密度的均值μ和标准差σ。

在本实施例中，噪声点邻域密度的均值μ和标准差σ的具体解算流程如下：

41)对得到的所有点的邻域密度进行直方图统计，统计所有邻域密度出现的次数，得到邻域密度直方图。

如图4所示，横坐标为邻域密度，纵坐标为该邻域密度出现的次数。由于搜索区域两个方向分别对应噪声积分时间和累计脉冲次数，因此，噪声点的邻域密度统计直方图具有明显的正态分布特征。光子计数激光雷达点云中的噪声点邻域密度比信号点小，并且具有明显的正态分布特征，直方图中的第一个波峰即为噪声点邻域密度统计分布特征。

42)通过高斯函数

拟合邻域密度直方图的第一个波峰，得到噪声点邻域密度的均值μ和标准差σ。

如图5所示，X表示邻域密度，Y表示邻域密度X出现的次数，a表示噪声点邻域密度峰值。

步骤5，对噪声点邻域密度均值μ进行判断。

在本实施例中，当噪声点邻域密度均值μ满足10≥μ≥5时，执行步骤6；当噪声点邻域密度均值μ不满足10≥μ≥5时，则对平行四边形搜索区域进行等比例缩放，返回执行步骤3，直至噪声点邻域密度均值μ满足10≥μ≥5。

优选的，在对平行四边形搜索区域进行等比例缩放时，通过如下公式确定缩放系数m：

其中，μ₁为常数，取值满足：10≥μ₁≥5。

步骤6，根据噪声点邻域密度的标准差σ，计算噪声判定阈值m_P，将邻域密度小于噪声判定阈值m_P的点作为噪声点。

在本实施例中，噪声判定阈值m_P的计算公式如下：

m_P＝μ+n*σ

其中，n为常数，为了保证最大限度的剔除噪声，n的取值满足：n≥3。可以根据不同的应用场景和需要，调整n的取值，平衡识别率和准确率。

步骤7，将确定的噪声点从原始点云中剔除，得到信号点。

在本实施例中，依据噪声判定阈值m_P，遍历所有的点，剔除邻域密度小于m_P的噪声点，其余即信号点，实现光子计数激光点云的去噪。图2所示点云去噪后的结果如图6所示。

在本实施例中，可以采用识别率和准确率评估去噪效果，识别率R定义为所有信号点中被算法正确识别的比例，准确率P定义为被识别为信号点中识别正确的比例：

其中，T_P表示正确识别为信号点的数量，F_N表示误判为噪声点的信号点数量，F_P表示误识别为信号点的噪声点的数量。

采用本发明所述的基于噪声邻域密度的光子计数激光点云自适应去噪方法对机载飞行试验获取的光子计数激光点云数据进行了去噪处理，选取的数据片段如表1所示，包括了冰盖、海面、植被和陆地等典型地貌和地物。对选取的激光点云数据进行了处理，结果如表2所示，给出了各数据片段的去噪效果评价参数，识别率及准确率。序号6、8、3和9数据点云的去噪结果分别如图7(a)、7(b)、7(c)和7(d)所示。

表1，MABEL点云数据

表2，MABEL点云数据处理参数及结果评价

可见，针对不同的地貌、地物和信噪比，本发明所述的方法都保持了较高的识别率和准确率，具有很好的自适应性。搜索区域依据目标的形态自适应调整，可以充分利用信号点的邻域密度信息。搜索区域区域具有明确的物理含义，可以自适应确定噪声邻域密度参数用于去噪。本方法适合在没有先验知识的情况下，大范围自适应点云去噪，具有很好的去噪效果。

本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。

Claims (10)

1.一种基于噪声邻域密度的光子计数激光点云自适应去噪方法，其特征在于，包括：

步骤1，将原始点云投影到二维平面，其中，二维平面的x方向为：沿轨飞行方向，y方向为：激光雷达测量视线方向；

步骤2，以原始点云中各点为中心，选取一矩形搜索区域，分别计算得到各点在周围矩形搜索区域内的最佳拟合直线；

步骤3，根据各点的最佳拟合直线，将矩形搜索区域修改为平行四边形搜索区域，并计算平行四边形搜索区域内点的数量，得到各点的邻域密度；

步骤4，对得到的所有点的邻域密度进行直方图统计，并通过高斯拟合得到噪声点邻域密度的均值μ和标准差σ；

步骤5，对噪声点邻域密度均值μ进行判断；其中，当噪声点邻域密度均值μ满足10≥μ≥5时，执行步骤6；当噪声点邻域密度均值μ不满足10≥μ≥5时，则对平行四边形搜索区域进行等比例缩放，返回执行步骤3，直至噪声点邻域密度均值μ满足10≥μ≥5；

步骤6，根据噪声点邻域密度的标准差σ，计算噪声判定阈值m_P，将邻域密度小于噪声判定阈值m_P的点作为噪声点。

2.根据权利要求1所述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，其特征在于，将原始点云中的点投影到飞行方向和激光雷达测量视线方向组成的二维平面内，原始点云中的点在二维平面内的坐标为：(x_i，y_i)。

3.根据权利要求1所述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，其特征在于，以原始点云中各点为中心，选取一矩形搜索区域，分别计算得到各点在周围矩形搜索区域内的最佳拟合直线，包括：

以当前点为中心，选取一矩形搜索区域；其中，矩形搜索区域的长×宽＝l×h；

确定选定l×h区域内所有的点；

对选定的l×h区域内所有的点，通过方程y＝ax+b进行直线拟合，解算得到斜率参数a和截距参数b；

将解算得到的斜率参数a和截距参数b代入方程y＝ax+b，得到当前点的最佳拟合直线；

通过以上步骤，分别得到原始点云中各点的最佳拟合直线。

4.根据权利要求3所述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，其特征在于，平行四边形搜索区域满足如下关系：

平行四边形搜索区域的两条边与y方向平行，边长均为h，平行四边形搜索区域的另两条边与最佳拟合直线平行，且在x向的投影长度为l；

平行四边形搜索区域的面积与矩形搜索区域的面积相同。

5.根据权利要求1所述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，其特征在于，对得到的所有点的邻域密度进行直方图统计，并通过高斯拟合得到噪声点邻域密度的均值μ和标准差σ，包括：

对得到的所有点的邻域密度进行直方图统计，得到邻域密度直方图；

通过高斯函数

拟合邻域密度直方图的第一个波峰，得到噪声点邻域密度的均值μ和标准差σ；其中，X表示邻域密度，Y表示邻域密度X出现的次数，a表示噪声点邻域密度峰值。

6.根据权利要求1所述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，其特征在于，在对平行四边形搜索区域进行等比例缩放时，通过如下公式确定缩放系数m：

其中，μ₁为常数，取值满足：10≥μ₁≥5。

7.根据权利要求1所述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，其特征在于，噪声判定阈值m_P的计算公式如下：

m_P＝μ+n*σ

其中，n为常数，取值满足：n≥3。

8.根据权利要求1所述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，其特征在于，还包括：

将确定的噪声点从原始点云中剔除，得到信号点。

9.根据权利要求3所述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，其特征在于，在选择初始参数时：h≥2τc，l≥10h。其中，τ表示光子计数激光雷达发射脉冲的半高全宽，c表示光速。

10.根据权利要求3所述的基于噪声邻域密度的光子计数激光点云自适应去噪方法，其特征在于，

平行四边形搜索区域的y向边长h用于表征噪声的积分时间t_j＝2h/c；

平行四边形搜索区域在x向的投影长度l用于表征飞行时间内的累计脉冲数n_s＝l/v*f；

其中，c表示光速，v表示飞行器飞行速度，f表示光子计数激光雷达测量频率。

Images