本发明涉及信号处理领域，具体涉及一种结合形态学先验的多通道测深波形分解方法及系统。
背景技术：
1、激光雷达lidar(light detection and ranging)扫描技术是通过激光主动探测采集目标的位置信息，并将所获取的数据存储为三维坐标，为后续各种应用提供高精度数据源的一种高新技术。随着激光扫描技术的发展，激光雷达得到了广泛应用，例如文献《王珂.可分离非线性最小二乘计算方法及其在lidar波形分解中的应用研究[j].测绘学报,2024,53(02):391.》。在海洋探测领域，机载双频激光雷达搭载近红外、蓝绿激光发射及接收设备，并结合不同视场及不同电路增益构成多通道测深系统，集激光测距、定位及高速数字信号处理等多种高新技术于一体，是浅海海域快速测绘的重要手段。然而在许多应用中，只基于波形分解的测深方法不能满足于大动态范围的高精度水深测量，因此常常需要集成波形分类算法进行动态参数调试并将先验知识融入波形分解算法。
2、机载激光雷达扫描经过海陆目标时，由于目标及海水深度不同，全波形回波信号呈现不同形式。对于陆地目标，雷达接收到地面及扫描区域内其他障碍物的混合波；对于海洋目标，雷达最终接收到的回波由三部分组成：海面反射回波、水体后向散射回波和海底回波。对于机载测深激光雷达系统，受限于回波的变化，同一种深度提取算法往往不能适应所有回波情况，因此水深测量效率不高且精度和稳定性难以保证。
技术实现思路
1、本发明所要解决的技术问题在于现有技术机载测深激光雷达系统的水深测量效率不高且精度和稳定性难以保证。
2、本发明通过以下技术手段解决上述技术问题的：一种结合形态学先验的多通道测深波形分解方法，包括以下步骤：
3、步骤一、采集浅水通道和深水通道的多组波形数据；
4、步骤二、求出每组波形数据的特征值，构建特征向量矩阵；
5、步骤三、对特征向量矩阵中每一维特征值进行标准化处理，得到标准化数据；
6、步骤四、考虑高斯核函数，将标准化数据代入支持向量机算法中训练分类模型，并根据分类模型进行脉冲展宽系数z的选择，所述分类模型有三个，这三个分类模型分别用来实现陆地回波与海洋回波、近岸浅水回波与其他海洋回波、浅水回波与深水回波的分类；
7、步骤五、基于脉冲展宽系数z，采用高斯核函数拟合水表和水底；
8、步骤六、根据高斯核函数拟合水表和水底得到高斯函数的回波位置，计算水深。
9、进一步地，所述步骤一包括：
10、将浅水通道和深水通道的m组波形数据的n个数据点组成矩阵s2m×n，抽取其中的一部分数据组成训练集s1，另一部分数据组成测试集s2，其中，m为偶数，s1的第i组数据的浅水、深水通道分别表示为x1i1，x1i2，则s2的第i组数据的浅水、深水通道分别表示为x2i1，x2i2，则
11、进一步地，所述步骤二包括：
12、特征值包括浅水通道的曲线下面积、偏度、峰度、首个回波波宽以及回波时间差，深水通道的曲线下面积、偏度、峰度、首个回波波宽以及回波时间差，以及浅水通道的海底、海表回波峰值比；其中，曲线下面积的计算公式为
13、
14、其中，x(i)表示浅水通道或者深水通道的第i个数据点，dt表示采样率；
15、偏度的计算公式为：其中，x表示浅水通道或深水通道的回波波形的离散分布，μ表示分布的均值，σ表示浅水通道或深水通道的回波波形标准差，e代表求均值操作。
16、峰度的计算公式为：
17、回波时间差的计算公式为：δt＝t2-t1，其中，t2表示水表回波接收时刻，t1表示水底回波接收时刻；
18、将m组波形数据的每个扫描点的11个特征值组成特征向量矩阵em×11，其中，第i组数据的特征向量表示为vi，则em×11＝[v1，v2，...，vm]t。
19、进一步地，所述步骤四包括：
20、选择表征波形形态的高斯核函数，高斯核函数进行标准化处理得到标准化数据，将标准化数据代入支持向量机算法中训练分类模型，首先将陆地回波标签设为0，海洋回波设为1训练海陆分类模型，实现陆地回波与海洋回波的分类；之后将近岸浅水回波标签设为0，其他深度的海洋回波设为1训练近岸浅水分类模型，实现近岸浅水回波与其他深度的海洋回波的分类；最后将浅水回波标签设为0，深水回波设为1训练深浅水分类模型，实现浅水回波与深水回波的分类，将三个分类模型分别保存，并选取不同的脉冲展宽系数z。其中，高斯核函数是对应不同波形形态的函数，用来对不同的波形形态进行描述，高斯核函数进行标准化处理得到标准化数据即为训练所需的样本。不同的分类结果对应不同的脉冲展宽系数z，因此根据分类结果选取不同的脉冲展宽系数z。
21、更进一步地，所述步骤五包括：
22、采用表征波形形态的高斯核函数将水表和水底拟合为
23、
24、其中，g(t)表示t时刻水表和水底的拟合结果，n表示高斯分量的个数，αj、βj、γj分别表示第j个高斯波形分量的强度、位置和脉冲半高宽。其中，采用表征波形形态的高斯核函数将水表和水底拟合主要是利用高斯核函数表征波形形态得到样本数据，根据样本数据利用上述公式进行拟合。其中，βj表示第j个高斯波形分量的位置，这个位置实际上是水表回波接收时刻t2和水底回波接收时刻t1。
25、进一步地，所述步骤六包括：
26、根据高斯核函数拟合水表和水底得到高斯函数的回波位置，根据回波位置计算水深，公式如下
27、
28、其中，h表示水深，c表示水中光速，θ1表示回波探测时激光射入水中的入射角。
29、本发明还提供一种结合形态学先验的多通道测深波形分解系统，包括：
30、数据采集模块，用于采集浅水通道和深水通道的多组波形数据；
31、特征提取模块，用于求出每组波形数据的特征值，构建特征向量矩阵；
32、标准化模块，用于对特征向量矩阵中每一维特征值进行标准化处理，得到标准化数据；
33、分类模块，用于考虑高斯核函数，将标准化数据代入支持向量机算法中训练分类模型，并根据分类模型进行脉冲展宽系数z的选择，所述分类模型有三个，这三个分类模型分别用来实现陆地回波与海洋回波、近岸浅水回波与其他海洋回波、浅水回波与深水回波的分类；
34、数据拟合模块，用于基于脉冲展宽系数z，采用高斯核函数拟合水表和水底；
35、水深获取模块，用于根据高斯核函数拟合水表和水底得到高斯函数的回波位置，计算水深。
36、进一步地，所述数据采集模块还用于：
37、将浅水通道和深水通道的m组波形数据的n个数据点组成矩阵s2m×n，抽取其中的一部分数据组成训练集s1，另一部分数据组成测试集s2，其中，m为偶数，s1的第i组数据的浅水、深水通道分别表示为x1i1，x1i2，则s2的第i组数据的浅水、深水通道分别表示为x2i1，x2i2，则
38、进一步地，所述特征提取模块还用于：
39、特征值包括浅水通道的曲线下面积、偏度、峰度、首个回波波宽以及回波时间差，深水通道的曲线下面积、偏度、峰度、首个回波波宽以及回波时间差，以及浅水通道的海底、海表回波峰值比；其中，曲线下面积的计算公式为
40、
41、其中，x(i)表示浅水通道或者深水通道的第i个数据点，dt表示采样率；
42、偏度的计算公式为：其中，x表示浅水通道或深水通道的回波波形的离散分布，μ表示分布的均值，σ表示浅水通道或深水通道的回波波形标准差，e代表求均值操作。
43、峰度的计算公式为：
44、回波时间差的计算公式为：δt＝t2-t1，其中，t2表示水表回波接收时刻，t1表示水底回波接收时刻；
45、将m组波形数据的每个扫描点的11个特征值组成特征向量矩阵em×11，其中，第i组数据的特征向量表示为vi，则em×11＝[v1，v2，...，vm]t。
46、进一步地，所述分类模块还用于：
47、选择表征波形形态的高斯核函数，高斯核函数进行标准化处理得到标准化数据，将标准化数据代入支持向量机算法中训练分类模型，首先将陆地回波标签设为0，海洋回波设为1训练海陆分类模型，实现陆地回波与海洋回波的分类；之后将近岸浅水回波标签设为0，其他深度的海洋回波设为1训练近岸浅水分类模型，实现近岸浅水回波与其他深度的海洋回波的分类；最后将浅水回波标签设为0，深水回波设为1训练深浅水分类模型，实现浅水回波与深水回波的分类，将三个分类模型分别保存，并选取不同的脉冲展宽系数z。
48、更进一步地，所述数据拟合模块还用于：
49、采用表征波形形态的高斯核函数将水表和水底拟合为
50、
51、其中，g(t)表示t时刻水表和水底的拟合结果，n表示高斯分量的个数，αj、βj、γj分别表示第j个高斯波形分量的强度、位置和脉冲半高宽。其中，采用表征波形形态的高斯核函数将水表和水底拟合主要是利用高斯核函数表征波形形态得到样本数据，根据样本数据利用上述公式进行拟合。其中，βj表示第j个高斯波形分量的位置，这个位置实际上是水表回波接收时刻t2和水底回波接收时刻t1。
52、进一步地，所述水深获取模块还用于：
53、根据高斯核函数拟合水表和水底得到高斯函数的回波位置，根据回波位置计算水深，公式如下
54、
55、其中，h表示水深，c表示水中光速，θ1表示回波探测时激光射入水中的入射角。
56、本发明的优点在于：面对机载激光雷达扫描经过海陆时回波形状的不断变化，传统波形分解算法一般缺乏对海洋回波突变的适应性，导致不能适应复杂多变的海陆环境及噪声场景，本发明能够根据不同场景下机载激光雷达回波的特点，提取出具有代表性的特征向量并实现基于支持向量机算法的波形分类，进而较好地适应场景及其噪声的不断改变导致的波形变化，达到较好深度解算鲁棒性，从而提高水深测量效率、精度以及稳定性。
1.一种结合形态学先验的多通道测深波形分解方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种结合形态学先验的多通道测深波形分解方法，其特征在于，所述步骤一包括：
3.根据权利要求1所述的一种结合形态学先验的多通道测深波形分解方法，其特征在于，所述步骤二包括：
4.根据权利要求1所述的一种结合形态学先验的多通道测深波形分解方法，其特征在于，所述步骤四包括：
5.根据权利要求4所述的一种结合形态学先验的多通道测深波形分解方法，其特征在于，所述步骤五包括：
6.根据权利要求5所述的一种结合形态学先验的多通道测深波形分解方法，其特征在于，所述步骤六包括：
7.一种结合形态学先验的多通道测深波形分解系统，其特征在于，包括：
8.根据权利要求7所述的一种结合形态学先验的多通道测深波形分解系统，其特征在于，所述数据采集模块还用于：
9.根据权利要求7所述的一种结合形态学先验的多通道测深波形分解系统，其特征在于，所述特征提取模块还用于：
10.根据权利要求7所述的一种结合形态学先验的多通道测深波形分解系统，其特征在于，所述分类模块还用于：
