星载大光斑激光雷达波形数据处理方法初探
测绘技术中的车载激光雷达原理与数据处理方法详解
测绘技术中的车载激光雷达原理与数据处理方法详解车载激光雷达（Mobile LiDAR）作为一种新兴的测绘技术，以其高精度、高效率的特点，在地理信息、城市规划、交通管理等领域得到了广泛应用。
本文将详细介绍车载激光雷达的原理以及相关的数据处理方法。
一、激光雷达原理激光雷达利用激光束对目标进行扫描，通过测量激光束的往返时间和方向来获取目标的三维坐标信息。
车载激光雷达由激光器、接收器、扫描镜头和数据处理系统等部件组成。
1. 激光器：激光器产生高能量的激光束，通常采用固态激光器或半导体激光器。
2. 接收器：接收器接收激光束反射回来的信号，通常采用高灵敏度的光电探测器。
3. 扫描镜头：扫描镜头通过旋转或振动将激光束聚焦在不同方向上，实现对目标的全面扫描。
4. 数据处理系统：数据处理系统将接收到的激光点云数据进行坐标转换、滤波、配准等处理，生成三维点云模型。
二、数据处理方法车载激光雷达获取的点云数据量庞大，如何高效地处理这些数据成为了一个关键问题。
以下介绍几种常见的数据处理方法。
1. 数据滤波：由于车载激光雷达工作环境复杂，可能受到树木、电线等干扰，导致点云数据中存在噪点。
常用的数据滤波方法有高度阈值滤波、曲率滤波等，可以去除噪点，提高数据的精度和稳定性。
2. 地面提取：在车载激光雷达的应用中，往往需要提取地面信息，例如用于数字地图、道路设计等。
地面提取方法通常利用点云数据的高度信息，结合地形特征进行分析，通过平面拟合或者分割算法提取地面点。
3. 物体识别：车载激光雷达可以对道路上的物体进行自动识别，例如车辆、行人等。
物体识别方法往往基于机器学习或深度学习技术，通过对点云数据进行特征提取和分类，实现对不同物体的准确识别和定位。
4. 三维重建：车载激光雷达可以将获取的点云数据进行三维重建，生成真实世界的模型。
三维重建方法通常利用基于体素的体素网格分割算法，在处理大规模点云数据时具有较高的效率和精度。
5. 室内定位：车载激光雷达不仅可以在室外环境中使用，也可以应用于室内定位。
了解测绘技术中的激光雷达测量原理与数据处理技巧
了解测绘技术中的激光雷达测量原理与数据处理技巧激光雷达（Lidar）作为一种高精度的测绘技术，在现代测绘领域中得到了广泛的应用。
它利用激光束对目标进行扫描和测量，将目标的三维信息转化为点云数据，从而实现精确测量和建模。
本文将从激光雷达的测量原理和数据处理技巧两个方面来介绍测绘技术中的激光雷达。
一、激光雷达的测量原理激光雷达通过发射激光脉冲，计算光脉冲从发射到返回所经过的时间，从而得到目标的距离信息。
激光脉冲在空间中传播的速度是已知的，一般为光速。
因此，通过测量光脉冲的时间来计算距离是可行的。
在激光雷达的测量过程中，还需要考虑到激光束的方向和角度信息。
激光束发射的角度和方向通过雷达系统内部的光电探测器来监测和控制，从而保证激光脉冲可以准确地照射到目标上。
激光雷达的测量原理并不复杂，但是需要考虑到外界环境的影响。
例如，激光脉冲在穿过大气层时会发生折射和散射，导致测量误差的产生。
因此，在激光雷达的测量过程中，需要进行数据校正和滤波处理，提高测量精度和准确性。
二、激光雷达数据处理技巧激光雷达获取的数据是以点云的形式呈现的，即由大量的离散点构成的三维空间信息。
为了更好地分析和利用这些数据，需要进行一系列的数据处理技巧。
首先是数据滤波和去噪。
由于测量环境中存在各种干扰和误差，获取的点云数据中常常包含一些无效点或噪声点。
因此，需要对数据进行滤波和去噪处理，保留有效的点云信息。
常用的滤波算法包括高斯滤波、中值滤波等。
其次是数据配准和匹配。
多次激光雷达扫描所获取的点云数据往往存在位置偏差和重叠不完全的问题，因此需要进行数据配准和匹配。
数据配准算法可以根据点云之间的特征进行匹配，通过迭代优化的方式实现点云的对齐和融合。
另外，数据处理还包括特征提取和建模。
通过对激光雷达点云数据进行特征提取，可以获取目标的形状、表面特征等信息，为后续的建模和分析提供基础。
常用的特征提取算法包括曲率计算、法向量估计等。
最后，对于大规模的点云数据，还需要进行数据压缩和存储。
测绘技术中的激光雷达数据处理与分析方法
测绘技术中的激光雷达数据处理与分析方法测绘技术是现代社会中不可或缺的一项技术，它能够帮助我们快速而准确地获取地理信息，为城市规划、灾害防护等方面提供有力支持。
而激光雷达作为一种高精度、高效率的测绘设备，被广泛应用于地形测绘、三维模型重建等领域。
本文将重点介绍激光雷达数据处理与分析方法。
激光雷达是一种利用雷射传输脉冲激光束并接收反射信号的设备。
其工作原理基于光电子技术和遥感技术，可以快速、准确地获取地面点云数据。
激光雷达利用脉冲激光束照射地面，通过测量激光束从发射到反射返回的时间，再结合设备接收到反射信号的强度，可以计算出地面点到激光雷达的距离。
通过激光雷达不断扫描并记录这些距离信息，就可以构建出地面的三维点云模型。
激光雷达数据处理与分析方法主要包括数据预处理、特征提取、分类和分割等步骤。
首先，数据预处理是指对原始激光雷达数据进行滤波、去噪和配准等操作，以提高数据的质量和准确性。
滤波主要是通过滤波算法对数据进行平滑处理，去除异常点和错误点，使数据更为可靠。
去噪则是对数据中的噪声进行消除，以减少对后续分析的干扰。
配准是指将多次扫描获得的数据点云进行配准，消除不同扫描之间的误差，从而得到整体一致的点云模型。
特征提取是激光雷达数据处理的关键步骤之一，它是根据点云数据的特点提取出其中的几何和拓扑信息。
常见的特征包括地面和非地面点的提取、建筑物轮廓提取等。
其中，地面点提取是指根据地面点的特征（如高度、密度等）将其从点云数据中分离出来。
非地面点则是指与地面不相关的点云，通常代表建筑物、树木等物体。
建筑物轮廓提取是指通过分析建筑物附近的点云特征，将建筑物的轮廓进行提取，以实现建筑物的三维模型重建。
分类是激光雷达数据处理的另一个重要步骤，它是根据点云数据的属性信息对不同类型的物体进行分类和识别。
常见的分类任务包括道路识别、建筑物分类和植被分类等。
道路识别是指识别出点云数据中的道路地面，为交通规划和路径规划等提供参考。
浅析星载激光测高数据处理方法
浅析星载激光测高数据处理方法摘要：地球科学激光测高系统GLAS (Geoscience Laser Altimeter System)作为全球首个连续对地观测的星载激光雷达测高系统，在极地冰川监测、陆地林业资源调查和平坦地区高程控制点提取等多领域得到了广泛应用。
目前，在建筑区等非平坦地形区域使用大光斑激光雷达测高数据作为高程控制点辅助遥感影像摄影测量的相关研究和应用成果非常稀少。
基于此，本文阐述了激光雷达系统的观测机理，主要包括激光雷达方程推导和回波信号的高斯模型简化；最后对全波形激光雷达的测距原理、波形滤波和全波形分解参数提取等基础内容进行了系统的总结。
关键词：星载激光；测高；数据处理；1引言星载激光测高（SLA）、卫星雷达测高（SRA）和卫星激光测距（SLR）三种技术既有关联又有区别。
受激光测高仪硬件载荷以及数据处理软件等技术条件限制，人们对星载激光测高技术的关注度相对较少，在一定程度上制约了对地观测领域的国产激光测高卫星发展。
为凸显星载激光测高技术的独特地位，对三种技术进行系统的对比分析是非常必要的。
星载激光测高技术足通过将激光测高仪搭载在卫星平台上，向地面固定频率发射激光脉冲，通过测量激光脉冲往返的时间间隔计算星地的绝对距离，结合精密的卫星轨道、姿态和激光指向角等参数来获得激光足印点的绝对高程值。
其中最具代表性的星载激光测高系统是全球首颗用于连续对地观测的地球科学测高系统（GLAS）。
卫星雷达测高技术同样采用卫星平台搭载微波雷达高度计戟荷，进行地面点定位以及测定地球形状、大小和重力场。
卫星激光测跖技术则采取地对帘的观测方A，在地面工作站人工目视跟踪观测装有激光发射棱镜的人造卫星或月球等地外天体，通过测定发射激光脉冲到接收脉冲的时间间隔来测定地面观测站的激光测距系统几何中心到地外天体的绝对距离。
其次，足印大小和观测对象是区分卫星雷达测高与星载激光测高的显著指标。
卫星雷达测高的足印大小基本在千米级，观测对象以海洋为主；而星载激光测高的足印大小一般在10-100m，如GLAS的标称足印大小为72m，主要对极地冰盖和陆地林区进行观测。
激光雷达数据处理技术研究
激光雷达数据处理技术研究随着自动驾驶技术的飞速发展，激光雷达已经成为了无人驾驶领域中必不可少的传感器。
激光雷达通过向周围环境发出一束激光，再通过计算激光反射回来的时间和角度，得出物体与激光雷达的距离和位置信息。
这种传感器相对于其他传感器的优点在于它的高精度、高速度和全天候工作能力。
但是，激光雷达产生的数据量庞大，需要复杂的数据处理技术进行处理。
一、激光雷达数据的预处理在进行激光雷达数据处理之前，需要对原始数据进行预处理。
激光雷达采集的原始数据是点云数据，需要进行滤波，提取需要的信息。
常用的滤波算法包括统计滤波、高斯滤波、双边滤波等。
滤波算法的选择需要根据具体的应用环境进行。
除了滤波之外，还需要对数据进行配准。
由于激光雷达采集的数据是三维的，需要将不同时间采集到的数据配准到同一参考系下。
配准算法包括ICP算法、NDT算法、LOAM算法等。
这些算法都有着不同的优缺点，需要选择最适合当前应用环境的算法进行数据处理。
二、激光雷达数据的特征提取在预处理完成后，需要对激光雷达数据进行特征提取。
常用的特征包括点云曲率、法向量、角点和平面点等。
这些特征可以用于地面分割、障碍物检测等应用中。
特征提取的算法包括RANSAC、Hough Transform等。
三、激光雷达数据的地面分割在自动驾驶应用中，地面分割是非常重要的一步。
地面分割可以将地面上的点云分离出来，便于后续的处理。
常见的地面分割算法包括基于几何特征的方法和基于统计学的方法。
基于几何特征的方法包括Hough变换、主成分分析（PCA）等。
基于统计学的方法包括RANSAC算法、Random Sample Consensus-Expectation Maximization （RANSAC-EM）算法等。
四、激光雷达数据的障碍物检测障碍物检测是自动驾驶应用中的关键步骤之一。
障碍物检测算法可以将激光雷达数据中的障碍物分割出来。
常用的障碍物检测算法包括分割聚类算法、基于图论的方法、基于深度学习的方法等。
雷达数据处理简单步骤
建立新项目，打开原始数据：
第一步：
设定零线
由于数据深部信号较弱，故针对数据采用增益处理。
在增益处理前，需要对数据进行一维滤波。
第二步：一维FIR滤波
之后，选择带通方式进行滤波。
低频约为天线主频的1/4，高频约为天线主频4倍即可。
第三步：增益处理
选择“自动增益”即可
控制点数可以选择7-13范围，在“增益极值”框中输入数字，使增益的波形曲线充满“增以后曲线”的图形框，而不溢出为最佳效果。
第四步：小波变换
如果此时深部数据效果仍然不理想，可以采用小波变换进行处理。
小波变换尺度参数可在3-6之间选择，采用第二小波基。
第五步：二维滤波
选择二维滤波，频率F1设为800，视速度V1设为1，使用扇形滤波即可。
如果此时信号还有很多毛刺，可以使用滑动平均做平滑，将减少毛刺的影响。
前加入即可。
激光雷达测绘技术的数据处理方法
激光雷达测绘技术的数据处理方法随着科技的进步和应用的广泛，激光雷达测绘技术已经成为目前最为先进和精确的测绘方法之一。
它通过使用激光束辐射目标物体，接收返回的反射信号，通过对信号的处理和分析，可以获取准确的地形、建筑物、森林等环境的三维点云数据。
然而，激光雷达测绘技术的数据处理过程是一个复杂且关键的环节。
本文将介绍几种常用的激光雷达数据处理方法，并探讨其优缺点。
一、数据预处理在进行数据处理之前，首先需要对采集到的原始数据进行预处理。
数据预处理包括点云去噪、滤波、配准等步骤。
点云去噪是指将原始点云数据中的噪声点剔除，以减少对后续处理的影响。
常见的点云去噪方法有高斯滤波、中值滤波和基于统计学的滤波方法。
滤波操作旨在去除点云数据中的离群点，以保留更加规则和平滑的数据。
配准则是将不同位置的数据进行关联和匹配，以形成连续的点云数据集。
常见的配准方法包括特征匹配法、惯性导航系统辅助配准法等。
二、特征提取数据预处理完成后，接下来需要从点云数据中提取特征信息。
特征提取是激光雷达数据处理的关键环节，它能够从复杂的点云数据中提取出具有代表性的特征，如边界、平面、建筑物等。
常用的特征提取方法有基于局部表面拟合的方法和基于深度学习的方法。
基于局部表面拟合的方法采用数学模型对点云数据进行拟合，以提取出平面、曲面等特征。
而基于深度学习的方法则通过训练神经网络模型，以自动学习和提取点云数据中的特征。
三、数据分类和分割激光雷达测绘技术采集到的点云数据通常包含不同的类别，如地面、建筑物、树木等。
在进行后续分析之前，需要对点云数据进行分类和分割，以便于不同类别的特征提取和进一步的应用。
数据分类和分割是激光雷达数据处理中的一项关键任务，也是一个具有挑战性的问题。
常见的分类和分割方法有基于传统的数学模型和基于深度学习的方法。
传统的数学模型通常采用建筑物和地面分割算法、树木和地面分割算法等。
而基于深度学习的方法则通过训练神经网络模型，以实现自动的分类和分割。
如何处理激光雷达测绘数据
如何处理激光雷达测绘数据激光雷达测绘数据是一种高精度的三维测量技术，具有广泛的应用领域，包括地理信息系统（GIS）、建筑测量、环境监测等。
如何处理激光雷达测绘数据，对于实现高质量的测绘成果至关重要。
本文将从数据获取、数据处理和数据应用三个方面来探讨如何处理激光雷达测绘数据。
一、数据获取激光雷达测绘数据的获取一般通过激光雷达仪器进行，其原理是利用激光束发射出去并接收回来的时间差来测量目标物体的距离。
在数据获取过程中，需要考虑激光雷达的安装位置、扫描范围和扫描频率等参数。
合理的安装位置和扫描范围可以确保数据的完整性和准确性，而适当的扫描频率则可以影响数据的密度和分辨率。
二、数据处理激光雷达测绘数据的处理包括数据清洗、数据配准和数据分类三个步骤。
数据清洗是数据处理的第一步，用于去除无效数据和噪声。
在激光雷达测绘过程中，可能会产生无效点数据，例如设备故障或者物体遮挡等原因导致的无效数据，需要通过数据清洗方法进行去除。
此外，由于测量仪器有一定的误差，也会引入一些噪声数据，需要通过滤波技术进行降噪处理。
数据配准是指将多次测量得到的激光雷达数据进行对齐，以获得一幅完整的地面模型。
在数据配准过程中，需要考虑传感器的位姿变化和地物的运动变化。
常用的数据配准方法包括基于地面控制点和特征点的配准方法。
数据分类是指将激光雷达数据中的点云进行分类，以便后续的应用。
通常可以将点云数据分为地面点、建筑物点、植被点、水域点等。
数据分类的目的是提取出感兴趣的地物，便于进一步的分析和应用。
三、数据应用激光雷达测绘数据的应用包括地形建模、建筑物提取和目标检测等。
地形建模是利用激光雷达点云数据来生成数字地形模型（DTM）或数字高程模型（DEM）。
通过对地形进行建模可以提供地形特征分析、洪水模拟、土壤侵蚀分析等应用，对于城市规划、农业管理和环境保护具有重要意义。
建筑物提取是指从激光雷达数据中自动提取建筑物的三维模型。
通过建筑物提取可以实现城市三维模型的快速更新和更新，提供精确的建筑物信息，促进城市规划和建设。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
星载大光斑激光雷达波形数据处理方法初探周朗明武汉大学遥感信息工程学院，湖北武汉 (430079)E-mail ：zlm_mj@摘 要：激光雷达技术是近年发展十分迅速的一种新型数字传感器测图技术，在快速获取地表三维数据方面具有独特优势。
商业机载LIDAR 系统提供给用户的产品一般是点云数据，实际上，波形数据能有效的表达光斑内的地物高程分布，提供更高精度的点云数据。
本文以搭载在ICESat 卫星上的GLAS 传感器获取的GLA01波形数据为实验数据，对大光斑LIDAR 波形数据的格式及处理方法进行了初步探讨，提出了一种简化的针对大光斑波形数据处理的方案，实现了一种细化波峰位置的高程量化算法。
关键词：LIDAR ；波形数据；波形量化；GLAS ；ICESat中图分类号：P231；P236；P2371. 引 言空载(包括机载和星载)LIDAR 技术作为一种激光测高系统，是以激光脉冲发射器作为辐射源，向植被和地表发射激光脉冲，通过记录发射信号和接收回波信号的强度信息以及发射和接收时刻的时间延迟来计算传感器和地物目标之间的距离。
波形数据由时刻信息及某一时刻所接收的回波信号能量构成，对波形数据进行滤波、分解和量化等处理可得到地面目标的高程信息。
从某种意义上来讲，波形数据是LIDAR 系统的原始数据，在波形数据的基础之上结合GPS/IMU 可得到精准表达地物目标三维信息的点云数据，即波形数据能提供地物目标的高程值(Z 坐标)及强度(I)，GPS/IMU 能提供地物目标在某一参考坐标系下的平面坐标(XY)。
国内外专家利用激光雷达波形数据对林业管理方面进行研究。
Wenge 等研究激光波形与林冠层参数之间的关系，并指出激光波形数据对于三维林冠层结构参数的获取十分必要[1]。
庞勇等对星载大光斑激光雷达波形数据(GLAS)的波形关键参数的计算进行研究[2] ，并利用我国东北地区星载激光雷达波形数据，阐述了数据预处理和波形长度计算方法，分析了东北地区波形长度的分布格局和林业应用潜力，并利用土地覆盖数据进行了验证[3]。
2. GLAS/ICESat 星载LIDAR 系统GLAS 英文全称为Geoscience Laser Altimeter System ，国内有学者将其译为地球科学激光高度计[4]。
GLAS 系统由美国航天局的戈达德宇航中心(NASA/GSFC)研制，采用diode pumped Q-switched Nd:YAG 激光器，该激光器能以每秒40次的频率发射两种波长的脉冲信号：1064nm 的近红外信号和534nm 的可见光信号。
前者用于地表高程和密云高度的测量，后者用于测量云层和大气的垂直分布。
GLAS 系统的技术指标如表1.1所示：表1.1 GLAS 系统的技术指标[2] Tab.1.1 Technical indexes of GLAS system波长(nm) 脉冲重复频率(HZ) 光斑尺寸(m)光斑间隔(m) 测距精度 被测对象 532 40 70 170 云：75~200m(垂直) /150m(水平)气溶胶：50km云层、气溶胶1064 40 70 170冰层/陆地：10cm 冰、陆地GLAS所搭载的卫星平台为ICESat(Ice, Cloud and land Elevation satellite)，中文直译为冰、云和陆地高程卫星。
该卫星的发射是NASA自1999年开始的地球观测计划(Earth Observing System, EOS)中的一部分，是首颗载有激光雷达传感器的卫星，发射时间为2003年1月13日00：45，发射地点位于加利福利亚州的Vandenberg空军基地。
该卫星的发射目的是观测10~15年内的大气、海洋、陆地、冰和生物圈，从而监测与气候、环境变化密切相关的地球-大气系统的变化。
GLAS系统发出的一束激光脉冲信号经过远距离传输打在地表上会形成一个直径为70m 的光斑，由表1.1可知，GLAS系统一秒钟将发射40束激光脉冲信号，因此在一秒钟内将形成多个光斑，光斑之间的距离为170m。
GLAS传感器的采样间隔为1ns，转化为距离为10cm。
在每1000帧的采样点中，用于冰层或陆地的是544帧，用于海洋表面的是200帧。
GLAS传感器可以精确记录发射脉冲信号从卫星发出经过光斑内地表目标的反射到接收器接收到回波信号的时间，进而测定从卫星到地球表面以及到干扰云层和气溶胶的距离[5]。
3.GLAS波形数据介绍GLAS的数据产品可分为3个级别共有15种产品，3个级别分别为0、1和2级，其中0级产品是传感器电码数据包，实际应用是后两种产品。
1级又分为1A和1B，其中1A级表示卫星记录数据，1B表示初级产品数据，2级表示应用数据[6]。
本文采用的数据是GLAS波形数据GLA01，其级别为1A，来源于美国冰雪数据中心(National Snow and Ice Data Center, NSIDC)网站上于2008年3月11日发布的最新一期时间跨度2007年10月2日至2007年11月5日的数据。
一个GLA01的dat数据文件的内容包括两个部分：文件头和数据记录。
其中文件头中包含了产品和数据处理信息，格式为ASCII，可以通过记事本查看。
文件头中记录的信息以“KEYWORD=VALUE”的形式记录。
不同的记录之间以分号(；)或换行符作为间隔。
数据记录部分是以二进制的形式记录的，包括三种类型的数据：Main类型、Long类型和Short类型。
Main类型包含了除回波信息之外的所有的测高波形信息，振幅强度为100%，记录持续时间为1s，重复次数为1；Long类型数据也称为陆地类型数据[7]。
GLA01产品尽管名为波形数据，但其数据内容十分丰富，以Main类型的数据为例，其中包含的数据记录有数百个之多，有些记录是对波形数据进行处理后的数据。
纯粹的波形数据可由时刻和能量来描述，即某一时刻及其对应的回波强度构成波形数据。
本文的目的是要对波形数据进行处理，因此需要对GLA01中的数据信息进行筛选，只提取出与原始波形数据相关的信息，从GLA01数据中提取的信息如图2.1所示。
图2.1 波形数据的相关参数Fig.2.1 Related paramters of waveform如图2.1所示，从GLA01中提取出四种参数：经纬度信息、阈值信息、回波脉冲的时刻与脉冲能量信息、发射脉冲的初始时刻，为了便于程序读取，将这四种原本是二进制格式的信息以ASCII格式存入txt文件中。
4.GLAS波形数据处理方案本文结合大光斑的GLAS波形数据的特点，提出了一种简化的波形数据处理方案，如图3.1所示：图3.1 GLAS波形简化处理方案Fig.3.1 Simple blue print of waveform processing该方案以GLA01为源数据，分为提取波形数据、滤波处理、量化处理和生成点云数据四步。
提取波形数据主要是依照图2.1提取出与波形数据相关的数据并编程实现波形数据的可视化；滤波处理主要是去除波形数据中的噪音部分，得到比较明显的波峰；量化处理主要是确定波峰的位置及其个数并根据波峰之间的时间间隔计算距离；生成点云数据主要是根据上一步中的距离得到波形数据所反映的高程结构并结合经纬度和强度信息生成点云数据。
5.GLAS波形数据处理原理及实现波形数据处理的主要步骤为滤波处理和量化处理，下面结合图示对这两步的原理加以说明。
滤波处理的原理如图4.1所示：图4.1 滤波处理示意图图4.2 量化处理示意图[8]Fig.4.1 Waveform filter Fig4.2 Waveform quanlization[8]如图4.1所示，在滤波处理一步中，主要是通过设置阈值去除噪音得到明显的波峰。
本文认为波形数据中的低于某一阈值的细小波峰均为噪音，并将其去除得到较为明显的波峰。
需要说明的是，本文所采用的阈值是从GLA01中提取出来的参考阈值，信任度较高。
量化处理的原理如图4.2所示。
量化处理主要是确定波峰的位置及波峰之间的时间间隔。
由于波峰反映的是光斑内较为突出的地物，因此通过波峰时刻的确定便可得到地物之间的距离从而得到光班内的地物高程分布。
如图4.2中的回波波形中有四个波峰，从左至右将四个波峰记为A ，B ，C ，D ，波峰的二维坐标记为(时刻，距离)，其中距离是指该波峰所代表的地物离传感器的距离，则四个波峰的二维坐标为()()()()3954,,3973,,3993,,4090,a b c d A H B H C H D H ，时刻以纳秒作为单位，那么距离就可依照公式(4.1)来计算。
ct D 21= (4.1) 其中，c 表示光速，数值为30cm/ns ，t 为时间间隔，D 为距离。
根据该公式算出四个波峰距传感器的距离分别为593m ，596m ，599m 和613.5m 。
一般来讲，最后一个波峰一般表示地面，那么A ，B ，C 三个波峰离地面的距离分别为20.5m ，17.5m 和14.5m ，这样便可得到光斑内地物的高程分布。
依据图3.1所示的处理方案，利用VC++6.0语言编写GLAS 波形数据处理的模型软件。
该软件能显示波形数据，自动进行滤波处理并扩展滤波后的波峰。
在波形处理最关键的一步—量化处理中，实现了一种交互式的细化波峰的算法。
图4.3显示的是对多波峰波形数据进行处理的示意图：图4.3 多波峰波形数据处理示意图Fig4.3 Processing of the multi-peaks waveform该程序分为四个视图，左上视图显示了原始波形，右上波形显示了滤波处理的过程，左下视图显示了波峰确定算法，右下视图显示点云数据的头文件信息以及通过波形量化计算出的高程分布。
该程序在波形量化这一步中实现了一种交互式的波峰细化算法，如图4.3左下视图，该算法是利用鼠标左键选择波峰的估计位置，如虚线所示，当波峰估计位置选择完毕后，点击鼠标右键，程序将自动计算用户选择位置一定窗口大小的波峰的准确位置，并用实线表示。
在最后一步中根据这些波峰的位置计算光斑内的高程分布。
该算法的最大特点是可以由用户来确定波峰的个数，根据不同的精度要求细化波峰，从而得到不同精细程度的高程分布。
图4.3中确定了四个波峰，若假设最后一个波峰表示地面，那么其它三个波峰所表示的地物距地面的高程分别为4.80m ，5.55m ，8.70m 。
如果要求更丰富的高程分布，用户可增加波峰的个数，图4.4是对图4.3中的波形数据重新确定波峰的个数，选出了六个波峰，更细致的刻画了波形数据所代表的地物的高程结构。
图4.4 多波峰波形波峰确定示意图Fig.4.4 Location of the peaks of multi-peaks waveform6.结论及展望本文对星载大光斑激光雷达的波形数据处理方法进行了初步研究，编写程序对波形数据处理的流程进行了可视化，并尝试生成标准格式(las格式)点云数据，尽管XY坐标尚不能准确确定，但代表相对高程的Z坐标能够较为快速准确的获取，并且根据本文提出的交互式波峰确定算法，能从波形数据中获得光斑内地物的不同尺度高程分布。