CN111257905B - 一种基于单光子激光点云密度分割的切片自适应滤波算法 - Google Patents
一种基于单光子激光点云密度分割的切片自适应滤波算法 Download PDFInfo
- Publication number
- CN111257905B CN111257905B CN202010082134.8A CN202010082134A CN111257905B CN 111257905 B CN111257905 B CN 111257905B CN 202010082134 A CN202010082134 A CN 202010082134A CN 111257905 B CN111257905 B CN 111257905B
- Authority
- CN
- China
- Prior art keywords
- density
- data
- point cloud
- slice
- photon
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种基于单光子激光点云密度分割的切片自适应滤波算法,包括如下步骤:S1:在原始机载不同空间密度的光子点云上,根据一个基于激光扫描时间或激光器移动距离宽度以及最大光子高程为高度,构建一个空间区域扫描窗口;S2:扫描统计每一个空间区域扫描窗口内的点云密度,将整个数据空间划分为多个空间密度不同的空间区域;S3:基于不同空间密度区域的密度,构建各个划分区域间的密度关系,确定各个区域内的不同点云密度阈值,提取点云有效数据;S4:对点云有效数据进行整理分析,实现不同密度区域空间的切片分割自适应滤波。
Description
技术领域
本发明涉及模型算法技术领域,具体来说,涉及一种基于单光子激光点云密度分割的切片自适应滤波算法。
背景技术
单光子激光雷达是近年来发展出来的新型激光探测技术,相比传统的激光雷达,单光子激光雷达具有更高的脉冲发射重复频率,并采用极高灵敏高的接受器件,可以探测接受数百甚至数千光子的回波包络幅值探测转化为对单个光子的探测,因此具有距离远、高重频、高效率、轻量化等优势,同时克服了传统激光器体积大、质量大、可靠性低,以及脉冲能量和重复频率之间矛盾等问题。
单光子激光雷达在设计思想和数据处理方法上有较大区别。获取有效信号时,它不再专注于用高能量发射获取高信噪比的波形,而是注重利用有限的资源,充分利用回波信号中的每一个光子。通过改进数据处理的方法,在低信噪比的信号中也能做到有效信号的提取。基于单光子探测的激光测高技术已然成为一种激光探测技术未来发展趋势和方向。
当扫描探测目标区域存在不同地物目标或多种地物混合目标,以及探测环境变化,都会导致单光子激光点云数据随不同探测区域和不同地物类型产生空间密度的变化,即空间中的点云密度分布不均匀。当前,针对这种光子数据类型处理的算法都使用等间距切片分割,然后用同一阈值进行滤波。这种方法的滤波效果不佳,不同密度区域的滤波结果不一,如图3-4所示。针对效果不好的区域,为精确提取有效数据,将其滤波结果作为初始值进一步的后续处理,如空间密度滤波等算法,因此导致数量较大的激光点云的计算量将进一步大大增加。
针对上述单光子数据处理存在的问题,目前并未提出有效的解决方案。
发明内容
针对相关技术中的上述技术问题,本发明提出一种基于单光子激光点云密度分割的切片自适应滤波算法,能够克服现有技术的上述不足。
为实现上述技术目的,本发明的技术方案是这样实现的:
一种基于单光子激光点云密度分割的切片自适应滤波算法,包括如下步骤:
S1:在原始机载不同空间密度的光子点云上,根据一个基于激光扫描时间或激光器移动距离宽度以及最大光子高程为高度,构建一个空间区域扫描窗口;
S2:扫描统计每一个空间区域扫描窗口内的点云密度,将整个数据空间划分为多个空间密度不同的空间区域;
S3:基于不同空间密度区域的密度,构建各个划分区域间的密度关系,确定各个区域内的不同点云密度阈值,提取点云有效数据;
S4:对点云有效数据进行整理分析,实现不同密度区域空间的切片分割自适应滤波。
进一步的,对于所述步骤S1,构建空间区域扫描窗口的方法为,以单位距离为分割标准w,单光子激光雷达数据D在高程方向上的最大值H,构建一个w×H的窗口。
进一步的,对于所述步骤S2,包括如下步骤:
S21:以w为分割标准,对单光子激光雷达数据D沿着时间或传感器飞行距离轴上进行切片分割,共分割为n个切片单元;
S22:基于w×H的窗口,对分割的n个切片单元进行扫描卷积,统计每个切片中的激光点数N1~Nn;
S23:计算每个切片对应的空间密度值di:
进一步的,对于所述步骤S3,包括如下步骤:
S31:将n个空间密度值di构建一条随时间或距离变化的密度曲线,表示为随时间变化的函数f(t),从而将大量的数据抽稀,以及把数据进行降维,提高计算速度和效率;
S32:基于密度曲线计算一阶导曲线和二阶导曲线,通过均值低通滤波对一阶导曲线和二阶导曲线分别进行滤波平滑,然后探测提取密度曲线中所有局部极值点,并构建极值点对应的时间序列集合,分别表示为S1和S2:
S33:以时间为基础,将S1和S2数据序列进行合并为S序列集合:
然后把非独立的局部极值点剔除,用Snew表示新的数据集,并进行重新排序:
S34:对Snew数据序列中的每一个数据点进行如下判断,提取原始数据集中的不同密度区间,探测划分出不同空间密度区域,用Rg表示,其中g=1,...m:
S35:针对不同密度数据区域R1、R2、R3,在激光传感器扫描飞行方向按扫描分辨率大小进行纵向切割划分成多个切片,表示为Q1,Q2,....,Qn;在光子高程方向,用单位宽度的横向窗口从上至下进行扫描,横向移动窗口将每个纵向切片划分为多个矩形,统计每个矩阵区域中的光子点数,从而构建不同高程对应的光子数量序列集合,对于多个切片可获得相应序列集合V1,V2,...,Vn;
S36:每个序列集合构建拟合出一条随光子高度改变而变化的光子数的纵向曲线函数L(h),多个序列集合可构建出对应的曲线L1(h),L2(h),...,Ln(h),对每条空间曲线提取一系列局部极值,探测获取最大极值所对应的光子高程值hu;以光子高程值hu为中心,将其对应矩形内的光子数量作为波形振幅Amaxpho、半波宽σ为参数用高斯曲线拟合:
进一步的,对于所述步骤S4,当点云数据中的每个纵向切片区域中存在波形振幅值大于整个切片区域中统计横向切块光子数平均数T倍的高斯曲线时,对应原始数据有两种情况。
其中,原始数据的两种情况分别为,噪声光子数与有效光子数的聚集密度近似;原始数据中存在多种类别地物的有效光数据。
本发明的有益效果:本发明针对单光子激光雷达获取的带有大量噪音的空间点云数据,提出了一种单光子激光雷达的点云密度切片分割自适应滤波处理算法,可以有效地对空间点云分布不均匀和均匀等多种情况,自动进行不同密度点云空间识别,自适应选择空间切片阈值,实现自动、快速、高效的点云有效数据提取,剔除噪音点;可使用于光子数据密度均匀、光子数据密度不均匀以及均匀和不均匀的混合光子数据,且具有更好的自适应滤波效果和更高的探测精度;本发明可对航天和航空单光子激光雷达获取的日间和夜间中不同环境和多种混合目标物体的数据进行处理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的一种基于单光子激光点云密度分割的切片自适应滤波算法的不同空间点云密度边缘变换情况示意图;
图2是根据本发明实施例所述的一种基于单光子激光点云密度分割的切片自适应滤波算法的原始机载不同空间密度的光子点云示意图;
图3是根据背景技术所述的传统切片分割滤波方法的传统等间隔整体光子点云切片示意图;
图4是根据背景技术所述的传统切片分割滤波方法的等间隔整体光子点云切片滤波算法结果示意图;
图5是根据本发明实施例所述的一种基于单光子激光点云密度分割的切片自适应滤波算法的光子点云空间密度扫描窗口扫描探测示意图;
图6是根据本发明实施例所述的一种基于单光子激光点云密度分割的切片自适应滤波算法的不同空间密度的光子点云探测分区示意图;
图7是根据本发明实施例所述的一种基于单光子激光点云密度分割的切片自适应滤波算法的单光子激光点云密度分割的切片自适应滤波算法对不空密度区域光子数据进行滤波示意图;
图8是根据本发明实施例所述的一种基于单光子激光点云密度分割的切片自适应滤波算法的不同光子密度区域中不同切片中光子数量拟合曲线和有效光子提取示意图;
图9是根据本发明实施例所述的一种基于单光子激光点云密度分割的切片自适应滤波算法的单光子激光点云密度分割的切片自适应滤波提取的有效光子数据示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明实施例所述的一种基于单光子激光点云密度分割的切片自适应滤波算法,包括如下步骤:
S1:在原始机载不同空间密度的光子点云上,如图2所示,根据一个基于激光扫描时间或激光器移动距离宽度以及最大光子高程为高度,构建一个空间区域扫描窗口;
S2:扫描统计每一个空间区域扫描窗口内的点云密度,将整个数据空间划分为多个空间密度不同的空间区域;
S3:基于不同空间密度区域的密度,构建各个划分区域间的密度关系,确定各个区域内的不同点云密度阈值,提取点云有效数据;
S4:对点云有效数据进行整理分析,实现不同密度区域空间的切片分割自适应滤波。
在一具体实施例中,对于步骤S1,构建空间区域扫描窗口的方法为,以单位距离为分割标准w,单光子激光雷达数据D在高程方向上的最大值H,构建一个w×H的窗口。
优选的,分割标准w为1.5m,最大值H为300m。
在一具体实施例中,对于步骤S2,包括如下步骤:
S21:以w为分割标准,对单光子激光雷达数据D沿着时间或传感器飞行距离轴上进行切片分割,共分割为n个切片单元;
S22:基于w×H的窗口,对分割的n个切片单元进行扫描卷积,如图5所示,统计每个切片中的激光点数N1~Nn;
S23:计算每个切片对应的空间密度值di:
在一具体实施例中,对于步骤S3,包括如下步骤:
S31:将n个空间密度值di构建一条随时间或距离变化的密度曲线,表示为随时间变化的函数f(t),从而将大量的数据抽稀,以及把数据进行降维,提高计算速度和效率;
S32:基于密度曲线计算一阶导曲线和二阶导曲线,通过均值低通滤波对一阶导曲线和二阶导曲线分别进行滤波平滑,然后探测提取密度曲线中所有局部极值点,并构建极值点对应的时间序列集合,分别表示为S1和S2,密度曲线在不同情况下的一阶和二阶点云密度边缘变换情况如图1所示:
S33:以时间为基础,将S1和S2数据序列进行合并为S序列集合:
然后把非独立的局部极值点剔除,用Snew表示新的数据集,并进行重新排序:
S34:对Snew数据序列中的每一个数据点进行如下判断,提取原始数据集中的不同密度区间,探测划分出不同空间密度区域,如图6所示,用Rg表示,其中g=1,...m:
S35:针对不同密度数据区域R1、R2、R3,在激光传感器扫描飞行方向按扫描分辨率大小进行纵向切割划分成多个切片,表示为Q1,Q2,....,Qn;在光子高程方向,用单位宽度的横向窗口从上至下进行扫描,横向移动窗口将每个纵向切片划分为多个矩形,统计每个矩阵区域中的光子点数,从而构建不同高程对应的光子数量序列集合,对于多个切片可获得相应序列集合V1,V2,...,Vn,如图7所示;
S36:每个序列集合构建拟合出一条随光子高度改变而变化的光子数的纵向曲线函数L(h),多个序列集合可构建出对应的曲线L1(h),L2(h),...,Ln(h),对每条空间曲线提取一系列局部极值,探测获取最大极值所对应的光子高程值hu;以光子高程值hu为中心,将其对应矩形内的光子数量作为波形振幅Amaxpho、半波宽σ为参数用高斯曲线拟合,如图8所示:
在一具体实施例中,对于步骤S4,当点云数据中的每个纵向切片区域中存在波形振幅值大于整个切片区域中统计横向切块光子数平均数T倍的高斯曲线时,对应原始数据有两种情况。
优选的,不同区域中倍数T不同。
优选的,原始数据的两种情况分别为,噪声光子数与有效光子数的聚集密度近似;原始数据中存在多种类别地物的有效光数据。
优选的,原始数据的两种情况可通过目标地物对应的有效光子数据之间存在接连性进行判断剔除,即表示为不同切片中有效数据所在的矩形方块之间是邻接关系,非邻接关系的高斯曲线对应的矩形区域的光子为噪声。
优选的,基于原始数据的两种判断约束,提取出精度更高的有效光子数据,如图9所示。
为了方便理解本发明的上述技术方案,以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
根据本发明所述的一种基于单光子激光点云密度分割的切片自适应滤波算法,整个算法模型中包含不同空间密度区域识别和空间切片阈值自适应选择两个部分。不同空间密度区域识别是根据一个基于激光扫描时间或激光器移动距离宽度,以及最大光子高程为高度所构建的一个宽度较小的扫描窗口,通过扫描统计每一个空间区域窗口内的点云密度,将整个数据空间划分为空间点云密度大小不一的多个空间区域;空间切片阈值自适应选择部分基于不同空间密度区域的密度,构建各个划分区域间密度关系,确定各个区域内的不同点云密度阈值,实现不同密度区域空间的切片分割自适应滤波算法。
在具体使用时,首先在原始机载不同空间密度的光子点云上,根据一个基于激光扫描时间或激光器移动距离宽度以及最大光子高程为高度,构建一个空间区域扫描窗口;然后扫描统计每一个空间区域扫描窗口内的点云密度,将整个数据空间划分为多个空间密度不同的空间区域;再基于不同空间密度区域的密度,构建各个划分区域间的密度关系,确定各个区域内的不同点云密度阈值,提取点云有效数据;最后对点云有效数据进行整理分析,当每个切片区域中存在多个较大的高斯拟合曲线,且其对应的光子数量差值较小时,表示原始数据存在两种情况,一是噪声光子数与有效光子数的聚集密度近似;二是原始数据中存在多种类别地物的有效光数据。这两种情况可通过目标地物对应的有效光子数据之间存在接连性进行判断剔除,即表示为不同切片中有效数据所在的矩形方块之间是邻接关系,非邻接关系的高斯曲线对应的矩形区域的光子为噪声。基于这两种判断约束,可提取出精度更高的有效光子数据。至此,实了现不同密度区域空间的切片分割自适应滤波算法。
综上所述,本发明针对单光子激光雷达获取的带有大量噪音的空间点云数据,提出了一种单光子激光雷达的点云密度切片分割自适应滤波处理算法,可以有效地对空间点云分布不均匀和均匀等多种情况,自动进行不同密度点云空间识别,自适应选择空间切片阈值,实现自动、快速、高效的点云有效数据提取,剔除噪音点;通过判断约束条件,可提取出精度更高的有效光子数据,且自适应滤波效果更好,探测精度更高。本发明可对航天和航空单光子激光雷达获取的日间和夜间中不同环境和多种混合目标物体的数据进行处理。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于单光子激光点云密度分割的切片自适应滤波算法,其特征在于,包括如下步骤:
S1:在原始机载不同空间密度的光子点云上,根据一个基于激光扫描时间或激光器移动距离为宽度以及最大光子高程为高度,以区域密度与区域高程关系进行构建一个空间区域扫描窗口,所述构建空间区域扫描窗口的方法为以单位距离为分割标准w,单光子激光雷达数据D在高程方向上的最大值H,构建一个w×H的窗口;
S2:扫描统计每一个空间区域扫描窗口内的点云密度,将整个数据空间划分为多个空间密度不同的空间区域;
S3:基于不同空间密度区域的密度,以区域密度与区域高程关系进行构建各个划分区域间的密度关系,确定各个区域内的不同点云密度阈值,提取点云有效数据;具体实现包括如下步骤:
S31:将n个空间密度值di构建一条随时间或距离变化的密度曲线,表示为随时间变化的函数f(t),从而将大量的数据抽稀,以及把数据进行降维,提高计算速度和效率;
S34:对Snew数据序列中的每一个数据点进行如下判断,提取原始数据集中的不同密度区间,探测划分出不同空间密度区域,用Rg表示,其中g=1,...m:
S35:针对不同密度数据区域R1、R2、R3,在激光传感器扫描飞行方向按扫描分辨率大小进行纵向切割划分成多个切片,表示为Q1,Q2,....,Qn;在光子高程方向,用单位宽度的横向窗口从上至下进行扫描,横向移动窗口将每个纵向切片划分为多个矩形,统计每个矩阵区域中的光子点数,从而构建不同高程对应的光子数量序列集合,对于多个切片可获得相应序列集合V1,V2,...,Vn;
S36:每个序列集合构建拟合出一条随光子高度改变而变化的光子数的纵向曲线函数L(h),多个序列集合可构建出对应的曲线L1(h),L2(h),...,Ln(h),对每条空间曲线提取一系列局部极值,探测获取最大极值所对应的光子高程值hu;以光子高程值hu为中心,将其对应矩形内的光子数量作为波形振幅Amaxpho、半波宽σ为参数用高斯曲线拟合:
S4:对点云有效数据进行整理分析,实现不同密度区域空间的切片分割自适应滤波。
3.根据权利要求1所述的一种基于单光子激光点云密度分割的切片自适应滤波算法,其特征在于,对于所述步骤S4,当点云数据中的每个纵向切片区域中存在波形振幅值大于整个切片区域中统计横向切块光子数平均数T倍的高斯曲线时,对应原始数据有两种情况,所述两种情况分别为:噪声光子数与有效光子数的聚集密度近似和原始数据中存在多种类别地物的有效光数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010082134.8A CN111257905B (zh) | 2020-02-07 | 2020-02-07 | 一种基于单光子激光点云密度分割的切片自适应滤波算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010082134.8A CN111257905B (zh) | 2020-02-07 | 2020-02-07 | 一种基于单光子激光点云密度分割的切片自适应滤波算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111257905A CN111257905A (zh) | 2020-06-09 |
CN111257905B true CN111257905B (zh) | 2022-03-04 |
Family
ID=70949223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010082134.8A Active CN111257905B (zh) | 2020-02-07 | 2020-02-07 | 一种基于单光子激光点云密度分割的切片自适应滤波算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111257905B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112946689A (zh) * | 2021-03-08 | 2021-06-11 | 苏州岭纬智能科技有限公司 | 一体化激光雷达***及其检测方法 |
CN113589319A (zh) * | 2021-10-08 | 2021-11-02 | 中南大学 | 一种迭代极小值激光雷达点云滤波方法 |
CN116910458B (zh) * | 2023-09-14 | 2024-01-09 | 自然资源部第一海洋研究所 | 基于改进密度峰值聚类的星载激光雷达数据去噪方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930509A (zh) * | 2012-09-18 | 2013-02-13 | 广州建通测绘技术开发有限公司 | 一种机载激光点云数据的智能化滤波方法 |
WO2017051209A1 (en) * | 2015-09-24 | 2017-03-30 | Airbus Group Sas | Method and system for enhanced joint target discovery and detection in high resolution radar through matched illumination |
CN107103336A (zh) * | 2017-04-28 | 2017-08-29 | 温州职业技术学院 | 一种基于密度峰值的混合属性数据聚类方法 |
CN108196538A (zh) * | 2017-12-25 | 2018-06-22 | 河北农业大学 | 基于三维点云模型的田间农业机器人自主导航***及方法 |
CN109345638A (zh) * | 2018-09-21 | 2019-02-15 | 东华理工大学 | 一种基于Snake模型多基元融合的点云滤波方法 |
CN109459760A (zh) * | 2018-11-13 | 2019-03-12 | 西安理工大学 | 一种激光雷达观测数据处理方法及装置 |
CN109799494A (zh) * | 2017-11-17 | 2019-05-24 | 中国林业科学研究院资源信息研究所 | 一种星载光子计数激光雷达数据快速去噪滤波方法 |
CN110208767A (zh) * | 2019-06-05 | 2019-09-06 | 哈尔滨工程大学 | 一种基于拟合相关系数的雷达目标快速检测方法 |
CN110501716A (zh) * | 2019-07-29 | 2019-11-26 | 武汉大学 | 基于单光子激光雷达背景噪声率的地表分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408604A (zh) * | 2016-09-22 | 2017-02-15 | 北京数字绿土科技有限公司 | 一种点云数据的滤波方法及装置 |
-
2020
- 2020-02-07 CN CN202010082134.8A patent/CN111257905B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930509A (zh) * | 2012-09-18 | 2013-02-13 | 广州建通测绘技术开发有限公司 | 一种机载激光点云数据的智能化滤波方法 |
WO2017051209A1 (en) * | 2015-09-24 | 2017-03-30 | Airbus Group Sas | Method and system for enhanced joint target discovery and detection in high resolution radar through matched illumination |
CN107103336A (zh) * | 2017-04-28 | 2017-08-29 | 温州职业技术学院 | 一种基于密度峰值的混合属性数据聚类方法 |
CN109799494A (zh) * | 2017-11-17 | 2019-05-24 | 中国林业科学研究院资源信息研究所 | 一种星载光子计数激光雷达数据快速去噪滤波方法 |
CN108196538A (zh) * | 2017-12-25 | 2018-06-22 | 河北农业大学 | 基于三维点云模型的田间农业机器人自主导航***及方法 |
CN109345638A (zh) * | 2018-09-21 | 2019-02-15 | 东华理工大学 | 一种基于Snake模型多基元融合的点云滤波方法 |
CN109459760A (zh) * | 2018-11-13 | 2019-03-12 | 西安理工大学 | 一种激光雷达观测数据处理方法及装置 |
CN110208767A (zh) * | 2019-06-05 | 2019-09-06 | 哈尔滨工程大学 | 一种基于拟合相关系数的雷达目标快速检测方法 |
CN110501716A (zh) * | 2019-07-29 | 2019-11-26 | 武汉大学 | 基于单光子激光雷达背景噪声率的地表分类方法 |
Non-Patent Citations (1)
Title |
---|
结合统计滤波与密度聚类的矿山地面点云提取算法;杨鹏等;《激光与光电子学进展》;20200131;第57卷(第2期);021107-1-021107-13 * |
Also Published As
Publication number | Publication date |
---|---|
CN111257905A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111257905B (zh) | 一种基于单光子激光点云密度分割的切片自适应滤波算法 | |
CN111934652B (zh) | 一种面向水深提取的光子计数激光雷达自适应滤波算法 | |
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN109799494B (zh) | 一种星载光子计数激光雷达数据快速去噪滤波方法 | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN105488770A (zh) | 一种面向对象的机载激光雷达点云滤波方法 | |
CN111665517B (zh) | 一种基于密度统计的单光子激光测高数据去噪方法及装置 | |
KR20120125900A (ko) | 이중편파 레이더를 이용한 기상 및 비기상 에코 분류 방법 | |
CN103487788B (zh) | 一种序列脉冲信号快速自动提取方法 | |
CN102982534B (zh) | 基于弦线切线法的Canny边缘检测双阈值获取方法 | |
CN102676633A (zh) | 一种菌落自动计数方法 | |
CN103294792B (zh) | 基于语义信息和极化分解的极化sar地物分类方法 | |
CN107423734B (zh) | 一种sar图像海洋目标快速检测方法与装置 | |
KR101255736B1 (ko) | 단일편파 레이더를 이용한 기상 및 비기상 에코 분류 방법 | |
CN101587189B (zh) | 用于合成孔径雷达图像的纹理基元特征提取方法 | |
CN106383998A (zh) | 一种基于地面激光雷达扫描的树木胸径自动计算方法 | |
CN112986964B (zh) | 基于噪声邻域密度的光子计数激光点云自适应去噪方法 | |
Wang et al. | An adaptive ellipsoid searching filter for airborne single-photon lidar | |
CN101482969A (zh) | 基于同质点计算的sar图像去斑方法 | |
CN113281716A (zh) | 一种光子计数激光雷达数据去噪方法 | |
CN109828275B (zh) | 一种零度层亮带的识别方法和*** | |
CN112327265A (zh) | 一种基于语义分割网络的分治检测方法 | |
CN110412609B (zh) | 一种多脉冲激光雷达目标检测方法 | |
CN112989940A (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
CN107977968A (zh) | 基于建筑物阴影信息挖掘的建筑物分层检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |