機(jī)載激光測(cè)深雷達(dá)回波的特征提取與分類.pdf

1、機(jī)載激光測(cè)深雷達(dá)(Airborne Bathymetric LiDAR)有效地解決了淺海水下地形測(cè)量的難點(diǎn)問(wèn)題，同時(shí)也為海島礁、岸線及周邊水域地理要素的準(zhǔn)確表達(dá)提供了恰當(dāng)?shù)氖侄?。近些年?lái)該項(xiàng)技術(shù)已引起業(yè)界的廣泛關(guān)注，國(guó)內(nèi)外對(duì)系統(tǒng)集成、數(shù)據(jù)處理的研究也取得了一些進(jìn)展。機(jī)載LiDAR海底分類可以有效識(shí)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(duì)海底地形探測(cè)及海洋環(huán)境監(jiān)測(cè)均具有重要意義，但其有關(guān)波形參數(shù)提取及應(yīng)用的一些關(guān)鍵技術(shù)還

2、不夠完善。為此，本文圍繞機(jī)載激光測(cè)深雷達(dá)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(kāi)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(shè)計(jì)與分類精度評(píng)價(jià)等方面，對(duì)南海西沙群島某測(cè)深區(qū)域的機(jī)載激光測(cè)深雷達(dá)回波進(jìn)行解析處理。取得的主要成果和創(chuàng)新點(diǎn)如下：
　?、畔到y(tǒng)闡述了波形擬合的主要過(guò)程，給出了回波特征提取的關(guān)鍵技術(shù)，在此基礎(chǔ)上，得到了用于分類的樣本數(shù)據(jù)。對(duì)原始波形信號(hào)進(jìn)行濾波去噪、高斯平滑，得到預(yù)處

3、理后的波形；對(duì)波形進(jìn)行分解，估計(jì)初始參數(shù)，給定初始值；利用高斯函數(shù)擬合波形，檢測(cè)波峰位置；詳細(xì)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(duì)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(xùn)練樣本和測(cè)試樣本。
　?、圃敿?xì)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(shè)計(jì)了分類算法，對(duì)測(cè)試樣本進(jìn)行分類，在此基礎(chǔ)上，評(píng)價(jià)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(shè)計(jì)分類算法，分別訓(xùn)練支持向量機(jī)(SVM, Support Vector Machine)與K近鄰(KNN, K-Nearest Neighbors)兩種分類器，對(duì)測(cè)試樣本進(jìn)行分類；其中，對(duì)于SVM分類器，本文主要采用四種核函數(shù)，即多項(xiàng)式、sigmoid、線性和RBF核函數(shù)；而對(duì)于KNN分類器，本文主要采用k=3、5、7、9四種取值；通過(guò)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(biāo)對(duì)分類結(jié)果和精度進(jìn)行綜合評(píng)價(jià)；對(duì)兩種分類器的性能特點(diǎn)進(jìn)行比較研究，依據(jù)分類成果，總結(jié)分類方法與流程。
　　實(shí)驗(yàn)結(jié)果表明，SVM和KNN兩種分類器所構(gòu)建的分類模型對(duì)近海區(qū)域底質(zhì)類型實(shí)現(xiàn)了較好的分類效果，SVM的分類精度最高可達(dá)96.4126％，KNN的分類精度最高可達(dá)91.2402%。從而說(shuō)明此兩種分類器在用于機(jī)載激光測(cè)深雷達(dá)波形分類方面是可行的，且在分類過(guò)程中，需綜合考慮不同參數(shù)對(duì)分類