买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东科技大学

摘要：本发明属于激光雷达测量技术领域，具体公开一种基于星载激光雷达点云的水深反演方法。用于解决采用ICESat‑2点云高程数据结合卫星影像遥感反射率进行近海浅水水深测量的精度低的问题。所述水深反演方法包括：首先，获取ICESat‑2点云数据并进行预处理；然后，基于卷积神经网络模型联合点云的邻域空间特征和光谱特征对预处理后的ICESat‑2点云数据提取水下地形光子；最后，将水下地形光子代替原位测深点训练和构建星载激光雷达主被动融合水深反演模型，利用星载激光雷达主被动融合水深反演模型进行水深反演。本发明实现了水下地形光子的精细化提取，提高了近海浅水水深测量的精度。

主权项：1.一种基于星载激光雷达点云的水深反演方法，其特征在于，首先，获取ICESat-2点云数据并进行预处理；然后，基于卷积神经网络模型联合点云的邻域空间特征和光谱特征对预处理后的ICESat-2点云数据提取水下地形光子；结合点云的邻域空间特征利用空间密度差异及邻域位置关系对预处理后的点云数据进一步去噪，将预处理后的点云数据的任意光子均生成邻域空间特征张量，作为卷积神经网络模型的第一支输入，维度大小为128*128*3；邻域空间特征张量的生成方法包括：S1、以任意光子为中心建立矩形窗口，中心光子位于其周围四个网格的十字交织节点上，中心光子到矩形窗口的四个边界的距离相等，对每个矩形窗口在沿轨距离方向和高程方向设置网格分辨率划分网格；S2、计算网格内的光子数，输出表达为第一通道特征张量，若网格内没有光子，则对应网格内的光子数为0；S3、计算网格内光子高程相对于中心光子的网格协方差矩阵，求得的特征值和，然后计算用于表征紧凑程度的高程全方差，高程全方差填充对应网格作为第二通道特征张量，若网格内没有光子，则对应网格输出为0； ，，式中，为网格内的总光子数，为网格内第个光子高程值，为中心光子的高程值；S4、计算网格内光子沿轨距离相对于中心光子的网格协方差矩阵，求得的特征值和，然后计算用于表征紧凑程度的沿轨距离全方差，沿轨距离全方差填充对应网格作为第三通道特征张量，若网格内没有光子，则对应网格输出为0； ，，式中，为网格内第个光子对应的沿轨距离值，为中心光子的沿轨距离值；以任一光子匹配经预处理的WorldView-22m高分辨率卫星影像的像素格为中央单元，获取卫星影像上邻域内9*9的像素单元遥感反射率；将八个单波段的像元值作为八个通道光谱特征张量输出，每个通道光谱特征张量的尺寸为9*9，中央像元值为任一中心光子匹配卫星影像获得的单波段遥感反射率；八通道的光谱特征张量作为卷积神经网络模型的第二支输入，输入大小维度为9*9*8；卷积神经网络模型的训练及构建方法包括以下步骤：A1、对预处理后的点云数据的同一光子分别构建邻域空间特征张量和光谱特征张量，进而对预处理后的所有点云光子生成数据集，将数据集按照8：2的比例划分为训练集和验证集；A2、设置卷积神经网络模型结构：卷积神经网络模型为双分支网络，接受两个分支输入，卷积神经网络模型的结构分为输入特征提取层、特征融合层和预测分类层；输入特征提取层的一个分支以稠密连接网络为主体架构，接受维度大小为128*128*3的邻域空间特征张量，另一个分支嵌入ECA注意力机制模块，接受维度大小为9*9*8光谱特征张量；A3、导入训练集对卷积神经网络模型进行训练，将训练好的卷积神经网络模型应用到预处理后的点云数据，联合点云的邻域空间特征及光谱特征对预处理后的点云数据提取噪声光子、陆地光子、水面光子和水下地形光子；最后，将水下地形光子代替原位测深点训练和构建星载激光雷达主被动融合水深反演模型，利用星载激光雷达主被动融合水深反演模型进行水深反演。

全文数据：

权利要求：

百度查询： 山东科技大学 基于星载激光雷达点云的水深反演方法