机载LiDAR测深点云SVB联合滤波算法

机载LiDAR测深(airborne LiDAR bathymetry, ALB)数据质量受海面破碎波浪、水体浮藻、鱼群及海底二次回波等多种因素影响。为剔除这些干扰产生的噪点,本文提出一种顾及水面、水体和水底(surface, volume, bottom, SVB)的联合滤波算法。针对水面噪点,通过构建双层布料模拟滤波模型分离水面点云;针对水体噪点,采用SOR(statistical outlier removal)滤波器剔除水体离群点;针对靠近地形主体的小尺度水底噪点,通过构建移动趋势面模型进行去噪平滑。为验证本文所提ALB滤波算法的性能,采用青岛胶州湾海域RIEGL VQ-840-G无人机载LiDAR测深数据进行验证,试验结果表明:SVB联合滤波算法对水面、水体、水底噪点一体化处理总体滤波精度和Kappa系数分别能够达到97.45%和0.947,在保证准确率的同时具有较高的效率。本文所提滤波算法可以较好地解决ALB点云滤波问题,能够为ALB测深数据点云滤波提供有效的解决方案。

基于海底回波增强的机载LiDAR测深水体旅行时提取算法

机载LiDAR测深(Airborne LiDAR Bathymetry, ALB)技术具有高精度、高效率、强机动性、水陆两用等优势,特别适合海岸带、海岛礁等浅水海域复杂地形的快速探测。激光穿透水体时能量将迅速衰减,导致部分海底回波难以有效提取,海底真实位置判别困难。为此,本文提出一种基于回波增强的机载LiDAR测深水体旅行时提取算法。通过Gold去卷积算法来恢复目标横截面形状,确定海底初始回波范围;随后采用双指数函数拟合水体后向散射有效范围,进而求取波形漫衰减系数Kd值;最后结合海底激光雷达方程,利用K_(d)值对海底初始回波范围内波形进行增强,并利用高斯函数分解增强后回波,确定海底位置参数,从而实现ALB波形的水体旅行时提取。利用青岛胶州湾RIEGL VQ-840-G ALB实验数据对本文算法的可行性进行验证,将本文算法与理查德森-露西(Richardson-Lucy,RL)去卷积模型、峰值探测模型进行了比对,结果表明本文算法与单波束同名点之间高程误差的均方根误差(Root Mean Square Error, RMSE)为18.5 cm,较上述两种算法分别降低了29.9%、41.4%。因此,本文算法具有可行性,能够满足ALB波形的水体旅行时高精度提取,可为机载LiDAR测深数据精细化处理提供一定技术支撑。

机载LiDAR测深在海洋测绘中应用的可行性分析

针对海洋测绘中遇到的环境恶劣、任务繁重等情况,分析了机载Li DAR测深应用到海洋测绘中的可行性。介绍机载Li DAR测深原理、优势、典型设备,针对系统最大穿透深度、最浅探测深度、测点密度及测深精度等关键技术指标进行分析。最终得出结论,机载Li DAR测深符合海洋测绘的需求,应用到海洋测绘中是切实可行的。

基于机载LiDAR测深水体波形的漫衰减系数提取方法

漫衰减系数是一个重要的海洋光学参数,能够为水体环境变化、水质分析以及水产养殖等方面提供基础性数据。针对目前船载实地测量效率与分辨率低、卫星遥感反演精度与分辨率较低的局限性,本文提出一种基于机载LiDAR测深水体波形的漫衰减系数提取方法。该方法首先通过分层异构模型的机载LiDAR波形分解算法得到水体散射回波,利用激光在水体中的衰减特性,构建漫衰减系数提取模型,最终获取大面积水域漫衰减系数的空间分布。采用西沙甘泉岛与江苏连云港两个航次的实测数据对所提算法进行了验证,本算法无需每个测深点的水底底部回波强度和深度即可反演得到漫衰减系数,并且在浑浊水域也可取得较好的效果,表明在中国近海利用机载LiDAR测深系统能够有效获取高精度的漫衰减系数。

顾及特征优选的机载LiDAR测深海底点云底质分类

基于机载LiDAR测深ALB(Airborne LiDAR Bathymetry)技术的海底底质分类能够为浅海水域的海洋资源开发利用、海洋环境保护、海洋工程建设等提供基础数据,对海洋活动与海洋科学研究具有重要意义。针对ALB海底底质分类存在的特征冗余问题,本文提出了一种顾及波形和地形特征优选的底质分类算法。在提取波形和地形特征的基础上,构建Relief-F特征优选模型,通过计算各特征在底质分类中的贡献率,实现多元特征优选;然后,利用随机森林RF(Random Forest)、支持向量机SVM(Support Vector Machine)、BP神经网络BPNN(Back Propagation Neural Network)3种分类器进行监督分类,提取珊瑚礁、砾石、砂、植被、海岸带5类底质。为验证所提分类方法的有效性,利用西沙甘泉岛实测ALB数据进行实验,结果表明:利用Relief-F算法进行特征优选后,RF、SVM与BPNN的分类精度分别提高了1.1%、1.1%和2.7%;其中,随机森林底质分类具有更高的分类精度,其总体分类精度OA(Overall Accuracy)和Kappa系数分别达到了95.36%和0.94。本文研究成果能够为海洋工程等领域的海底底质分类需求提供有效的技术支撑。

机载LiDAR测深中海底地形坡度的影响及改正

机载LiDAR测深ALB(Airborne LiDAR Bathymetry)是测量沿海地区地形图和水深图的最有效的技术之一,其通常是利用ALB海面和海底反射回波的峰值位置来计算水深值。然而,当绿色(532 nm)激光光束到达海底时,光斑范围内的具有坡度的海底地形会导致海底反射回波波形展宽、峰值位置偏移等现象,从而产生海底位置的不确定性,进而直接影响海底地形测量的准确性。为了减小这种影响,本文提出了一种机载LiDAR测深的海底地形坡度影响改正方法。通过考虑ALB激光光斑内海底地形的连续性,基于ALB激光光斑范围内局部地形参数模型FTPM(Footprint-scale Topography Parameters Model)构建ALB海底反射回波模型,通过定量分析不同水深、不同海底地形坡度所引起的海底反射回波峰值位置变化,以确定海底地形坡度对ALB测深的影响规律,进而构建ALB测深误差方程针对性地改正海底地形坡度引起的测深误差。本文采用中国南海甘泉岛附近海域所测ALB和多波束测深数据对所提方法进行了验证。结果表明,海底地形坡度影响改正后,平均绝对误差MAE(Mean Absolute Error)和中误差RMSE(Root Mean Square Error)分别减小到9.4 cm和12.3 cm,较改正前分别降低了35.6%和33.5%,对ALB测深数据处理具有参考意义。

基于广义高斯模型的机载测深LiDAR波形拟合算法

针对传统LiDAR测深波形拟合算法受噪声干扰严重、对微弱回波信号及复杂波形拟合不准确的问题,提出一种基于广义高斯模型的波形拟合算法。首先通过计算滤波前后尾段波形的差异估计波形的噪声;然后利用广义高斯模型提取海面与海底反射信号分量,并对剩余信号进行迭代拟合;最后利用LM算法对参数进行优化,并对优化后的参数进行约束,避免冗余分量。采用南海实测数据进行验证,该算法拟合微弱回波及复杂波形能力强,不论在浅水(回波发生叠加)还是深水,其拟合精度均优于传统算法,具有良好的鲁棒性。

基于高斯与小波的机载测深LiDAR波形分解算法

波形分解是机载测深LiDAR数据处理的关键环节,为水深计算、底质类型反演和水体浑浊度分析等提供基础信息。针对传统测深LiDAR波形分解算法受噪声干扰严重、对微弱及叠加信号分解不准确的问题,提出一种新的波形分解算法。对原始波形经小波滤波后,计算滤波前后尾段波形的差异,估计回波信号的噪声;利用高斯模型,从原始波形数据中不断分解出经LM算法优化参数后的波形分量,直到剩余波形中最大峰值与优化后的参数小于一定阈值。通过南海实测数据进行验证,实验结果表明:该算法分解弱回波能力强,不论在浅水(回波发生叠加)还是深水,其分解精度均优于传统算法。