1 上海海洋大学信息学院，上海 201306
2 中国科学院上海技术物理研究所，中国科学院空间主动光电技术重点实验室，上海 200083
相对于传统阈值型和全波形激光雷达，光子计数激光雷达具有高密度、高分辨率、高穿透性等优势，然而光子计数激光雷达所获得的光子点云数据具有较多的背景噪声及干扰噪声，为准确识别目标上的有效光子信号，采用合适的光子滤波方法很有必要。目前主要存在的滤波方法有基于直方图统计去噪、基于局部距离统计去噪、基于密度的噪声空间聚类（DBSCAN）去噪等。为了解这些方法对山地和水体区域的适用性，选用机载多波束试验激光雷达分别对这些方法进行比较与分析。实验结果表明，3种去噪方法都可以准确提取有效的光子点云，其中直方图统计方法对于地形平坦区域和水体的去噪效果明显优于地形起伏区域，局部距离统计和DBSCAN的去噪效果受地形变化影响较小，且DBSCAN对山地数据的去噪效果最佳。用去噪精确度、去噪召回率和F1指标对这3种方法的去噪结果进行定量比较。3种方法对于山地区域内的有效光子去噪精度分别为0.9342、0.9524、0.9669，对于水体区域的有效光子去噪精度分别为0.9981、0.9492、0.9349。
光子点云 滤波方法 直方图统计 局部距离统计 基于密度的噪声空间聚类 激光与光电子学进展
2023, 60(6): 0628001
1 南开大学弱光非线性光子学教育部重点实验室，物理科学学院，泰达应用物理研究院，天津 300071
2 南开大学细胞应答交叉科学中心，药物化学生物学国家重点实验室，生命科学学院，天津 300071
3 南开大学深圳研究院，广东 深圳 518083
4 山西大学极端光学协同创新中心，太原 山西 030006
膜蛋白在细胞膜上的时空分布形式决定了其活性状态及功能，在调控细胞生命活动过程中起着重要作用。单分子定位超分辨成像（SMLM）技术为在纳米尺度解析膜蛋白的空间分布提供了可能，但分辨率的极大提升对图像准确聚类分割提出了更高要求。基于密度的空间聚类算法（DBSCAN）是常用的聚类方法之一，但其对于膜蛋白分布不均匀的SMLM超分辨图像的分割效果往往不太理想。本文提出了一种结合多次DBSCAN和层次聚类的混合聚类算法，该算法以DBSCAN方法为分割基础，通过进一步的面积阈值分析和层次聚类，在保持超分辨点簇图像精确聚类识别的前提下，仍能保留每个点簇内的多次定位信号。将该算法应用于模拟数据集和实验数据分割得到的轮廓系数等性能普遍优于传统DBSCAN算法。这种混合聚类方法为膜蛋白SMLM超分辨图像的聚类分割提供了新思路和新方法，有助于更精准地分析膜蛋白在纳米尺度上的空间分布信息。
生物光学 单分子定位超分辨成像 超分辨图像分割 膜蛋白 基于密度的空间聚类算法 层次聚类算法
长沙理工大学交通运输工程学院，湖南 长沙 410114
根据激光雷达点云的特征属性，用聚类的方式进行滤波，虽然是一种比较实用的方法，但在实践中，因为点云的数据量巨大，直接利用点的三维坐标进行聚类时的耗时过长、滤波结果误差过大，而且现有的许多滤波算法在不连续地形处的表现不佳。为解决大型点云的直接聚类问题并保留不连续地形的整体起伏，提出了一种新的基于密度聚类的点云滤波算法。以激光雷达点云的空间密度、地物类点云及地形类点云的特征属性为依据，首先根据点云的高程值密度聚类，再进行平面点云的筛选，从而降低数据的样本数量，最后通过基于密度的噪声应用空间聚类算法进行聚类，将原始点云分为噪音类、地物类及地形类点云。采用国际摄影测量与遥感学会提供的数据样本进行实验，并将所提算法与其他8种经典滤波算法进行了比较。定量与定性结果表明，所提算法在城区和农村地区均有较好的适用性，在不连续地形处滤波误差较小，在人工建筑和植被混合地区适应性较好。所提算法具有可行性，可在不同地形中使用。
遥感 密度聚类 基于密度的噪声应用空间聚类 滤波 激光与光电子学进展
2022, 59(16): 1628004
1 中国科学院国家天文台长春人造卫星观测站, 吉林 长春 130117
3 长春理工大学理学院, 吉林 长春 130022
随着近年来光谱探测仪器灵敏度、 精确度和易用度的不断提升, 光谱技术已经深入到各行各业的物质成分的鉴定与分析中。 对于空间目标的光谱观测是传统光学观测的重要拓展之一, 因其具有的非接触、 无损伤等优点而备受关注, 然而由于观测条件所限, 空间目标的光谱数据量极小, 通过传统方法对其进行分类分析达不到较好效果, 必须探求提高分类精度的方法。 首先, 通过1.2 m空间目标光学望远镜上搭载的光谱相机终端获取空间目标高光谱图像; 再通过天文学测光IRAF方法, 提取空间目标的一维光谱数据; 为对空间目标光谱进行分类, 提出一种结合多种深度学习方法解决小样本数据量的空间目标分类问题。 该方法应用密度聚类方法将空间目标粗糙分类, 一维生成对抗网络方法增加空间目标数据, 一维卷积神经网络方法将空间目标精细分类, 三者组合进而达到较好的实验效果, 整体精度约为79.1%(基于密度聚类、 过采样、 一维卷积神经网络方法组合、 基于K-means、 一维生成对抗网络、 一维卷积神经网络方法组合和基于K-means、 过采样、 一维卷积神经网络方法组合的整体精度分别约为78.4%, 77.9%和77.2%)。 粗糙分类模型中, 密度聚类方法比K-means方法整体精度平均高出约为0.67%; 数据增广模型中, 一维生成对抗网络方法比过采样方法整体精度平均高出约为1.52%; 精细分类模型中, 一维卷积神经网络方法二层网络比三层网络整体精度平均仅高出约为0.003%, 但是运算时间更长。 四种组合方法精度均高于单一方法。 实验结果表明本文提出的组合方法在小样本空间目标类别未知情况下, 可实现细分类且精度较高, 为实现空间目标极小数据量下的图谱一体化分析, 提供一定参考价值。
空间目标 光谱数据 密度聚类 生成对抗网络 卷积神经网络 Space targets Spectral data Density based spatial clustering of applications with noise Generative adversarial networks Convolutional neural networks
河海大学地球科学与工程学院, 江苏 南京 211100
为提取机载LiDAR点云中的高压电塔,提出一种电塔自动提取算法。首先,对点云进行预处理,利用布料滤波算法得到地面点和非地面点;对非地面点点云进行空间规则化网格处理,根据高压电塔的高程特征进行粗提取,得到存在电塔的感兴趣区域(ROI)网格;最后,利用改进的基于密度的噪声空间聚类算法剔除ROI网格中的噪声点,进行电塔点云的精细提取。实验结果表明,本文算法可以实现LiDAR点云中高压电塔的自动提取,具有较高的自动化程度和处理效率。
遥感 激光点云 高压电塔 自动提取 规则网格 基于密度的噪声空间聚类 激光与光电子学进展
2021, 58(24): 2428009
1 国防科技大学 电子对抗学院 脉冲功率激光技术国家重点实验室, 合肥 230037
2 国防科技大学 电子对抗学院 先进激光技术安徽省实验室, 合肥 230037
为了解决光子计数激光雷达探测数据中噪声点云过多的问题, 采用结合基于密度的噪声空间聚类应用算法(DBSCAN)和统计滤波算法的单光子点云去噪方法, 以美国国家航空航天局提供的多波束试验激光雷达实际飞行数据为实验数据, 通过k维树求取点云密度进行粗去噪, 然后运用改进DBSCAN算法和统计滤波算法进行精去噪, 进行了理论分析和实验验证。结果表明, 实验区目标点云识别率在85%以上, 性能优于经典的半径滤波算法。这一结果对于光子数据去噪是有帮助的。
激光技术 点云滤波 基于密度的噪声空间聚类应用 统计滤波 光子雷达 k维树 laser technique point cloud filtering density-based spatial clustering of applications w statistical filtering photon radar k-dimension tree
1 北京交通大学理学院, 北京 100044
2 北京交通大学发光与光信息技术教育部重点实验室, 北京 100044
二维激光雷达广泛应用于室内障碍物检测中,而障碍物的聚类分割是环境感知中的关键技术。环境特征的复杂性和数据密度分布的不均匀性,导致传统聚类方法无法同时对不同距离、不同类型的障碍物实现良好聚类,容易发生漏检和误检。针对室内障碍物的检测需求,分析了激光雷达的数据特点和室内环境的几何特征,提出了一种改进的基于距离和障碍物特征的自适应阈值聚类分割方法,将阈值调整为随目标距离和类内密度变化的自适应参数。在基于激光雷达的智能车感知系统上进行了复杂障碍物的聚类分割实验,结果表明,相比传统方法,本方法可以明显改善不同距离、不同类型障碍物的聚类分割效果,分割准确度可达到92.23%。
遥感 激光雷达 障碍物检测 聚类分割 基于密度的含噪声应用空间聚类 线性阈值法 中国激光
2021, 48(16): 1610005
火箭军工程大学 导弹工程学院, 西安 710025
针对空谱信息中普遍存在的异常干扰现象, 提出了基于空谱联合聚类的自适应核协同表示高光谱异常目标探测算法.算法充分发挥了基于密度的聚类算子(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)对于异常点的筛选特性, 在DBSCAN聚类去除异常波谱的基础上, 采用分波段子集随机投影变换对数据降维处理, 以减少谱噪声和谱冗余, 并采用DBSCAN聚类消除了局部背景像元中的杂乱点对协同探测算法结果的干扰.研究了背景离散度对核参选择的影响, 比较了不同的核估计方法, 并提出基于平均差的自适应核协同算法.采用该方法对AVIRIS和ROSIS的三组数据进行仿真实验并与现有算法进行了对比, 结果表明该算法表现出较好的探测性能.
高光谱 异常探测 基于密度的聚类算子 聚类 自适应核 联合表示理论 Hyperspectral image Anomaly detection Density-Based Spatial Clustering of Applications w Cluster Adaptive Kernel Collaborative Representation Detection (CRD)
