機載激光測深雷達回波的特征提取與分類.pdf

1、機載激光測深雷達(Airborne Bathymetric LiDAR)有效地解決了淺海水下地形測量的難點問題，同時也為海島礁、岸線及周邊水域地理要素的準確表達提供了恰當?shù)氖侄?。近些年來該項技術已引起業(yè)界的廣泛關注，國內(nèi)外對系統(tǒng)集成、數(shù)據(jù)處理的研究也取得了一些進展。機載LiDAR海底分類可以有效識別并快速提取沿岸淺水區(qū)域的底質(zhì)類型，精確、快速的底質(zhì)分類對海底地形探測及海洋環(huán)境監(jiān)測均具有重要意義，但其有關波形參數(shù)提取及應用的一些關鍵技術還

2、不夠完善。為此，本文圍繞機載激光測深雷達回波的特征提取與分類，在優(yōu)選的海島礁沿岸水上、下底質(zhì)類型中開展具體研究工作。
　　本文主要從波形擬合與回波特征提取、分類器設計與分類精度評價等方面，對南海西沙群島某測深區(qū)域的機載激光測深雷達回波進行解析處理。取得的主要成果和創(chuàng)新點如下：
　　⑴系統(tǒng)闡述了波形擬合的主要過程，給出了回波特征提取的關鍵技術，在此基礎上，得到了用于分類的樣本數(shù)據(jù)。對原始波形信號進行濾波去噪、高斯平滑，得到預處

3、理后的波形；對波形進行分解，估計初始參數(shù)，給定初始值；利用高斯函數(shù)擬合波形，檢測波峰位置；詳細分析各種底質(zhì)類型的回波特性，提取主要波形參數(shù)，例如，振幅、波寬、cross-section等，并結(jié)合地面真值，交叉比對不同底質(zhì)特征的分離度，以利于選擇有效的回波特征參數(shù)，構(gòu)成訓練樣本和測試樣本。
　　⑵詳細介紹了地物及底質(zhì)分類的主要方法，定義了用于分類的底質(zhì)類型，設計了分類算法，對測試樣本進行分類，在此基礎上，評價了分類成果的精度。選取分

4、類數(shù)據(jù)集，主要分為海水、卵石、砂礫、礁石、植被、水藻和沙灘等七種底質(zhì)類別；設計分類算法，分別訓練支持向量機(SVM, Support Vector Machine)與K近鄰(KNN, K-Nearest Neighbors)兩種分類器，對測試樣本進行分類；其中，對于SVM分類器，本文主要采用四種核函數(shù)，即多項式、sigmoid、線性和RBF核函數(shù)；而對于KNN分類器，本文主要采用k=3、5、7、9四種取值；通過整體分類正確率OA、使用者

5、精度UA、生產(chǎn)者精度PA、Kappa系數(shù)等指標對分類結(jié)果和精度進行綜合評價；對兩種分類器的性能特點進行比較研究，依據(jù)分類成果，總結(jié)分類方法與流程。
　　實驗結(jié)果表明，SVM和KNN兩種分類器所構(gòu)建的分類模型對近海區(qū)域底質(zhì)類型實現(xiàn)了較好的分類效果，SVM的分類精度最高可達96.4126％，KNN的分類精度最高可達91.2402%。從而說明此兩種分類器在用于機載激光測深雷達波形分類方面是可行的，且在分類過程中，需綜合考慮不同參數(shù)對分類