单频机载激光测深海陆回波自动分类方法

海陆回波分类是机载激光测深中的一项波形预处理步骤,关系着后续信号检测和点云生成的精度。针对现有海陆回波分类方法不适用于单频机载激光测深系统且自动化程度不高的问题,本文提出一种单频机载激光测深海陆回波自动分类方法:首先,通过首末回波信号检测及点位计算获得回波的点云高程特征;然后,采用高程直方图拟合的方式确定平均水面位置,依据点云高程特征判定大部分回波的海陆属性,对余下的未定回波,仅保留其中的最强信号并统一处理为单信号回波,同时提取波形的信号特征和能量分布特征,依据点云高程特征的相似性自动建立训练样本集;最后,利用支持向量机分类器实现未定回波的分类。采用国产系统Mapper5000采集的实测数据进行试验,结果表明基于首末回波点云的初分类可快速、准确地对远离海陆交界处的回波进行分类,基于波形特征的未定回波分类可在自动建立的训练样本集支持下实现海陆交界处未定回波的高精度分类。与传统方法相比,本文方法无须近红外通道波形和人工样本的辅助就可以达到较高的分类精度,其中总体分类精度可达99.82%,海陆交界处分类精度可达91.59%。

利用多通道加权投票的机载绿激光海陆波形分类

为解决复杂海陆环境下机载绿激光海陆波形分类精度低的问题,本文提出了一种利用多通道加权投票的绿激光海陆波形分类方法,即多通道加权投票卷积神经网络(MWV-CNN)。首先,将绿激光深水和浅水通道采集的多通道波形经一个多通道输入模块分别输入到本文搭建的一维卷积神经网络(1D CNN)模块中;然后,各1D CNN模块对每个通道波形分别进行处理,获得各通道波形属于海洋和陆地类别的预测得分;最后,将各通道预测得分视为权值,利用一个多通道融合模块进行加权投票,确定波形最终类别。采用Optech CZMIL对中国连云港市沿海水域的实测数据进行实验验证,结果表明,MWV-CNN的总体分类精度、Kappa系数和总体精度标准差分别为99.45%、0.982和0.02%。与传统绿激光海陆波形分类方法相比,本文方法具有更好的分类精度和鲁棒性,为实现机载绿激光高精度海陆波形分类提供了一种新的有效途径。

机载激光测深技术及应用

经过近60年的发展,机载激光测深技术已经得到业务化应用,成为近岸浅水区域海陆一体化测绘的首选手段。回顾机载激光测深系统发展、数据处理方法、新技术使用和技术应用方面的进展,并对机载激光测深技术的未来发展趋势进行探讨。