基于数值分布均衡化的米散射激光雷达云识别方法

摘要

本发明公开了一种基于数值分布均衡化的米散射激光雷达云识别方法，该方法包括：输入米散射激光雷达信号；对米散射激光雷达信号进行基于噪声估计的半离散化数据处理；对米散射激光雷达信号进行数据分布均衡化处理；生成米散射激光雷达信号的背景基线；基于背景基线对米散射激光雷达信号进行分层和识别。采用本发明可以在弱化平滑问题在云识别过程中的重要性的同时，找出与信号变化自适应的背景基线，从而解决当前算法过度依赖平滑或对较弱云回波信号漏检的问题，确保观测中云层信号的识别率，提高云观测的数据质量，为气象和气候研究及预报提供更准确的观测资料。

说明书

技术领域

本发明涉及激光雷达技术领域，尤其涉及基于数值分布均衡化的米散射激光雷达云识别方法。 

背景技术

在气象和气候研究中，云的存在和改变对辐射平衡和水汽传输等机制有着重要影响，准确的云出现率与云高分布信息是相关研究的关键，而这些信息只能来自长期精确的观测。目前激光雷达作为为云层信息长期连续观测的主要工具在国内外大量研究和观测站点获得了广泛应用。由于激光设备与光电探测设备的快速发展，近年来大气探测激光雷达性能得到快速提高。尤其是微脉冲激光雷达（Micro-pulse Lidar，MPL）的出现，激光雷达获得了小型化全天候工作的性能，使得大面积非专业化的激光雷达应用成为可能。激光雷达一项重要的应用就是实现对云的主动探测。激光雷达主动探测及高时空分辨率的特性，使其能够对云底精确定位并能实时监测云的分布及变化信息。 

在激光雷达信号分布图上，人工对云进行识别是很直观的事。但是，在复杂多变的大气条件下，受噪声干扰的激光雷达自动云识别处理却是比较棘手的问题。为此，学者们提出了多种处理方法，主要分为两类：一种为微分零交叉法，另一种为阈值法。 

微分零交叉法的原理是，激光雷达信号随距离衰减，一旦遇到云底则信号会突然增强，因而在信号中出现较强的波峰。在识别时，对激光雷达信号进行微分，寻找突变点，再通过一定的条件设置区分突变点是否为云底。由于激光雷达信号的动态范围较大，一般会在处理前对信号求对数，以减小其动态范围，而对数方法只能用于信噪比较高的信号部分。激光雷达信号中存在大量的噪声扰动，导致该方法对信号平滑要求较高，过度平滑会把强烈的云信号降低到与较厚的气溶胶信号相似的强度范围引起漏检，平滑不够则会出现较多的误判和干扰，因而把云识别问题引入激光雷达信号处理中最基本也是至今不能完美解决的平滑问题。 

阈值法的原理是，根据激光雷达信号随探测距离衰减的特点，通过设计算法产生一定 的背景基线，当信号中出现超过该背景基线的波动时，认为出现粒子层，再根据信号变化的强弱区分云层。这种算法比第一种算法对平滑的要求有所降低，其重点在于自动选择相应的背景基线。一般当信噪比较高时背景基线选为大气分子归一化后向散射曲线作为基线标准，根据信号大小进行强度放大或缩小的变化，或者对信号求对数后进行线性拟合作为基准；当信噪比较弱时选择背景噪声扰动的若干倍数作为云信号出现的阈值。该算法的问题在于背景基线的选择。特别是当近地面气溶胶含量较大时，其散射信号往往远高于大气分子散射信号，因而使信号变化与指数变化相差太大，传统数学方法求对数并不能使整条廓线近似呈线性，也因此导致背景基线无法在信号的各处都满足要求。 

虽然通过众多学者的努力，当前的云检测方法已经使检出效果大大提高，但是，平滑和自动调整的背景基线的问题，至今都不能很好解决，导致在应用中依然存在大量的误判和漏检的情况出现。 

当前应用最成功的是Wang Zhien等基于微分零交叉以及阈值方法，发展的一种利用激光雷达探测云的边界层的方法。该方法通过对非噪声区域（噪声区域为信号完全被噪声淹没的区域）的激光雷达信号求对数进行线性拟合，分析信号与拟合直线的交叉来提取粒子层，并且设置了相应的判断指标来区别云和气溶胶层。目前该方法已获得了广泛的应用。 

该方法主要分为以下五个步骤： 

(1)当云出现时激光雷达探测信号的突然增强和减弱，因此会产生相应的较大的信号正负斜率。计算时取信号未被噪声湮没的一段。这时，利用未进行距离修正的信号计算信号变化的斜率，信号量以及背景噪声水平的标准差σ，信号的变化S(R_i)： 

$S\left(R_i\right)=\frac{\underset{j=i-n/2}{\overset{i+n/2}{\Sigma }}\mathrm{abs}\left\{\ln \right[P\left(R_j\right)]-a-b{R}_j\}}{\underset{j=i-n/2}{\overset{i+n/2}{\Sigma }}\ln \left[P\left(R_j\right)\right]}$

用以描述信号的量以及信号随噪声增加的增加。其中，abs{}表示取绝对值，P为激光雷达信号，R为探测距离，a和b为P(R_i-n/2)，…P(R_i)，...，P(R_i+n/2)的线性函数ln[P(R_i)]=a+bR_i的拟合系数，n是根据需要设计的数据处理范围，i，j为数据的位置索引。在该方法中，计算整个廓线的变化斜率以及S(R_i)的值； 

(2)从地面向上判断雷达信号，并记录可能的层以及各个层的特性，如层底的高度、层内信号峰值的高度、层内峰值高度信号与层底信号的比值T，每一层最大的负斜率D。任意一层均可能是气溶胶层、云层或者噪声。对于层底，相对应的信号出现增强，即出现正 的斜率，而层顶则相对应与信号的减少，出现负的斜率。对于中云或高云，采用以下方法来确定云底：最初的层底部的信号增加必须大于或等于3σ，且在短的垂直距离内，信号不能减小到层底的水平（主要依赖于雷达系统的垂直分辨率）。对于高垂直分辨率的雷达系统，垂直距离不能小于三个连续距离。对于存在低云或中低云的情况，可能是由于云下降水、雨幡或是气溶胶引起的误测。由于低云强烈的消光以及1/R²在较低的高度内对未距离修正的信号的影响，在存在云下降水、雨幡和气溶胶层时，云顶以上可能并不会出现强烈的信号增加。在这种情况下，可以用距离修正的雷达信号探测低云的云底。在探测层底后，层顶的位置利用信号的斜率返回到层底晴空分子信号的斜率或信号的量级低于预先设定的可信任的最小量级P_min时的位置。若层顶上信号的信噪比是可以接受的，那么在层顶上部500-800米内将会发现一最大的负斜率。若最大的负斜率小于某一确定的临界值以及雷达信号的信噪比依然可以接受，那么从最大负斜率的位置重新探测层顶。这样做的主要目的是解决云内多个峰值信号的情况。 

(3)区分噪声、气溶胶以及云层。气溶胶常常位于对流层内，并对激光雷达信号产生与云相似的作用。气溶胶层与云层的主要区别在于它们的消光和后向散射系数的量级。若忽略距离和云的衰减的影响，则T可定义为： 

$T=\frac{P_{\mathrm{peak}}}{P_{\mathrm{base}}}\approx \frac{{\beta }_{\mathrm{peak}}}{{\beta }_{\mathrm{base}}}$

其中，P_peak为层内峰值高度信号，P_base为层底信号，β_peak和β_base分别为层峰值高度和层底处的后向散射系数。若假定分子散射是β_base的主要贡献，那么T近似于峰值信号高度处粒子后向散射的量级。由于在相同的高度上，绝大多数云的消光要远远强于气溶胶（卷云主要位于高海拔位置上），则预先设定的一阈值可用于区分云和气溶胶层。然而，由于云下气溶胶和降水的存在，浓厚的低云有时会出现较小的T值，此时，可利用D值来区分云和气溶胶或噪声。若T和D低于这一设定的阈值，则该层可能是气溶胶层或是由于噪声引起的。但是，必须注意的是，由于后向散射系数具有不同的波长依赖性以及低分辨率的雷达系统会平滑测量的信号，T和D的值会随波长和雷达系统的分辨率变化而改变。对于噪声的区分，则采用S(R_i)的信息。如果S(R_i)大于给定某一阈值，并且T和D均很小，那么该层很可能是由噪声引起。 

(4)判定云顶是实际云顶还是有效云顶。在很多情况下，对于非常厚的云层，激光雷达信号无法穿透云层，此时，激光雷达探测的云顶并不是实际的云顶。若云顶以上信号值低于可信的最小信号值，则云顶为有效云顶，若云的顶部信号值大于P_min，且该处负的斜率 近似等于分子信号的斜率，则云顶代表的为实际云顶。 

(5)排除由于云幡以及毛毛雨的影响。尽管，对于云幡和毛毛雨而言，雷达信号会随高度而增加，但是由于后向散射量级的差异，其产生的斜率要比云底产生的斜率小的多。此外，浓厚的水云会在小于200-300米的范围内使激光雷达信号迅速衰减，表现出非常大的负斜率。雨幡到云的强的正斜率以及水云之上强的负斜率提供了区分雨幡和云的重要信息。 

最终，得到的云边界信息包括云底高度，云顶高度以及云顶的标识（用于鉴别实际云顶和有效云顶）。 

该方法集成了微分零交叉法、阈值法的优点，较之前的算法具有很大的优势，因此已经获得了业界的广泛认可并付诸大量实践。但是在实际应用中，该方法仍有不足，主要表现为： 

1、漏检弱云信号：在粒子层提取的过程中，由于对未进行距离校正的信号变化应用全廓线的线性拟合，而对数法不足以缩小信号的动态范围，使得一些远距离较弱的云信号（比如中、高云）不能被检测到。 

2、漏检多层云信号：当存在两层以上的云层且不同云层信号强弱差距较大时，线性拟合的基线会高于弱云层信号，导致无法检出。 

3、漏检近场信号：激光雷达几何因子造成近场信号不能完全探测，因此，信号有先随距离增强到过渡区附近再开始随距离衰减的特性。由于输入信号为未进行距离校正且无几何因子校正的信号，在几何因子过度区范围内的云信号可能会因几何因子干扰无法检测。 

现有技术中的微分零交叉法一般包括：对激光雷达信号进行平滑；对激光雷达信号求微分；找出微分值大于给定阈值的点，记为云底。该方法看似简单，但是其缺点也很明显：1、对激光雷达信号进行平滑，本来就是激光雷达数据处理中至今不能很好解决的问题。2、当平滑程度不够时，由噪声波动引起的误判会大大增加。3、当平滑过度时，云信号与气溶胶信号难以区分，同时平滑过程中容易引起云底位置的判断误差。4、当云层内信号不均匀时，会导致云底误判，出现云中有云的情况。 

发明内容

本发明实施例提供一种基于数值分布均衡化的米散射激光雷达云识别方法，用以确保观测中云层信号的识别率，提高云观测的数据质量，该方法包括： 

输入米散射激光雷达信号； 

对米散射激光雷达信号进行基于噪声估计的半离散化数据处理； 

对米散射激光雷达信号进行数据分布均衡化处理； 

生成米散射激光雷达信号的背景基线； 

基于背景基线对米散射激光雷达信号进行分层和识别。 

一个实施例中，输入米散射激光雷达信号，包括： 

输入如下米散射激光雷达信号： 

$P\left(z\right)=\mathrm{CEO}\left(z\right)\frac{\beta \left(z\right)}{z^2}\exp [-2{\int }_0^z\alpha \left(z^{\prime }\right)\mathrm{dz}]+N_b+A\left(z\right);$

根据上述米散射激光雷达信号获得如下待处理的信号： 

$p\left(z\right)=\frac{P\left(z\right)-N_b-A\left(z\right)}{\mathrm{CEO}\left(z\right)};$

其中，z为探测距离，C为系统常数，E为脉冲能量，O(z)为几何因子，β(z)为大气粒子后向散射系数，α(z)为消光系数，N_b为背景噪声，A(z)为探测器为APD（Avalanche Photo Diode，雪崩光电二极管）时的后脉冲响应。 

一个实施例中，对米散射激光雷达信号进行基于噪声估计的半离散化数据处理，包括： 

将远离有效信号接收范围的接收数据作为背景噪声，通过求该段数据平均值的方式对N_b进行估计，获得对应p(z)的噪声noise(z)； 

对p(z)的噪声毛刺进行平滑抑制后获得p_S(z)； 

对p_S(z)进行半离散化处理，获得半离散化的激光雷达回波数据p_D(z)。 

一个实施例中，通过求该段数据平均值的方式对N_b进行估计，获得对应p(z)的噪声noise(z)，包括： 

计算该段噪声点的标准偏差： 

$\mathrm{std}={\left(\frac{1}{n-1}\underset{i=1}{\overset{n}{\Sigma }}{(x_i-\bar{x})}^2\right)}^{\frac{1}{2}},\bar{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{x}_i;$

其中，x为背景噪点数据，n为背景噪点数据长度； 

获得对应p(z)的噪声： 

noise(z)＝K·std； 

其中，K为根据经验设定的噪声水平限。 

一个实施例中，对p(z)的噪声毛刺进行平滑抑制后获得p_S(z)，包括： 

将移动平均的平滑窗口设置为：若空间分辨距离大于等于0.06km则全局使用三点平滑，若空间分辨距离小于0.06km则全局使用0.15km窗口进行平滑。 

一个实施例中，对p_S(z)进行半离散化处理，获得半离散化的激光雷达回波数据p_D(z)，包括： 

从p_S(z)的第二个数据点开始遍历数据，如果该数据与上个数据值之差的绝对值小于与其对应的noise(z)，则令数据值等于上个数据值，否则保留原值。 

一个实施例中，对p_S(z)进行半离散化处理，获得半离散化的激光雷达回波数据p_D(z)，还包括： 

再从后向前计算一次p_D(z)，两次计算结果求平均得到最后的p_D(z)。 

一个实施例中，对米散射激光雷达信号进行数据分布均衡化处理，包括： 

对p_D(z)中的数据进行升序排序，获得排序结果R_S(i),(i=1,2,3…N)及对应p_D(z)中的索引序列I_S(i),(i=1,2,3…N)，其中，N为p(z)数据点长度；求全局最大值M_A和最小值M_I，确定全局数据动态范围M_A-M_I； 

计算R_S(i)中各值在全局数据动态范围中所占比例：P_E(i)=i/N,(i=1,2,3…N)；处理过程中遍历P_E(i)，若遇到R_S(i)=R_S(i-1)的情况，令P_E(i)=P_E(i-1)； 

计算新的升序数据值：y(i)＝P_E(i)·(M_A-M_I)+M_I，(i＝1，2，3…N)； 

计算出均衡化分布的新数据：P_N(z)=P_N[I_S(i)]=y(i),(i=1,2,3…N)。 

一个实施例中，生成米散射激光雷达信号的背景基线，包括： 

生成米散射激光雷达信号的背景基线B(z)，该基线包括两个端点：(z₁,M_A)和(z_N,M_I)。 

一个实施例中，基于背景基线对米散射激光雷达信号进行分层和识别，包括： 

通过寻找P_N(z)上穿B(z)或下穿B(z)的位置，在P_N(z)邻域中寻找层底或层顶； 

计算米散射激光雷达信号的上升斜率和下降斜率： 

$F\left(z\right)=\frac{d\ln [p\left(z\right)·z^2]}{\mathrm{dz}};$

将每个层中的米散射激光雷达信号增加时最大和米散射激光雷达信号减小时最小的 F(z)分别记为T和D，若T和D的阈值满足条件，则认为是云层。 

本发明实施例的基于数值分布均衡化的米散射激光雷达云识别方法中，输入米散射激光雷达信号；对米散射激光雷达信号进行基于噪声估计的半离散化数据处理；对米散射激光雷达信号进行数据分布均衡化处理；生成米散射激光雷达信号的背景基线；基于背景基线对米散射激光雷达信号进行分层和识别；可以在弱化平滑问题在云识别过程中的重要性的同时，找出与信号变化自适应的背景基线，从而解决当前算法过度依赖平滑或对较弱云回波信号漏检的问题，确保观测中云层信号的识别率，提高云观测的数据质量，为气象和气候研究及预报提供更准确的观测资料。 

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中： 

图1为本发明实施例中基于数值分布均衡化的米散射激光雷达云识别方法的处理流程图； 

图2为本发明实施例中基于数值分布均衡化的米散射激光雷达云识别方法的具体实例的流程图； 

图3为本发明实施例中输入信号的仿真结果图； 

图4为本发明实施例中输入信号半离散化后再进行数值分布均衡化的仿真结果图； 

图5为本发明实施例中一应用实例的输入信号仿真结果图； 

图6为本发明实施例中一应用实例的输入信号半离散化后再进行数值分布均衡化的仿真结果图。 

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。 

为了在弱化平滑问题在云识别过程中的重要性的同时，找出与信号变化自适应的背景 基线，从而解决当前算法过度依赖平滑或对较弱云回波信号漏检的问题，本发明实施例提供一种基于数值分布均衡化的米散射激光雷达云识别方法，实现从激光雷达信号中识别出云层信号。图1为本发明实施例中基于数值分布均衡化的米散射激光雷达云识别方法的处理流程图，如图1所示，可以包括： 

步骤101、输入米散射激光雷达信号； 

步骤102、对米散射激光雷达信号进行基于噪声估计的半离散化数据处理； 

步骤103、对米散射激光雷达信号进行数据分布均衡化处理； 

步骤104、生成米散射激光雷达信号的背景基线； 

步骤105、基于背景基线对米散射激光雷达信号进行分层和识别。 

具体实施时，输入米散射激光雷达信号，可以包括： 

输入如下米散射激光雷达信号： 

$P\left(z\right)=\mathrm{CEO}\left(z\right)\frac{\beta \left(z\right)}{z^2}\exp [-2{\int }_0^z\alpha \left(z^{\prime }\right)\mathrm{dz}]+N_b+A\left(z\right);---\left(1\right)$

其中，z为探测距离，C为系统常数，E为脉冲能量，O(z)为几何因子，β(z)为大气粒子后向散射系数，α(z)为消光系数，N_b为背景噪声，A(z)为探测器为APD时的后脉冲响应；实施时A(z)，C，O(z)可以分别通过系统标定给出，N_b可以通过明显无有效信号的激光雷达回波段给出。 

由于距离校正会使远距离噪声放大，进行云识别的信号先不作距离校正，这时可以根据上述米散射激光雷达信号获得如下待处理的信号： 

$p\left(z\right)=\frac{P\left(z\right)-N_b-A\left(z\right)}{\mathrm{CEO}\left(z\right)};---\left(2\right)$

通常扣除背景后的激光雷达信号还存在大量的随机噪声。这些随机噪声严重影响激光雷达信号的后序处理，为了解决此问题，往往采用多点多次滑动平均对激光雷达信号进行处理。对信号进行分层并没有这么高的平滑要求，本发明实施例绕开完美平滑的技术难题。为了减小在云识别过程中因为信号平滑造成的困扰，本发明实施例采用一种基于噪声估计的半离散化数据处理（Semi Discretization Processing，SDP）方法。 

具体实施时，对米散射激光雷达信号进行基于噪声估计的半离散化数据处理，可以包括： 

将远离有效信号接收范围的接收数据作为背景噪声，通过求该段数据平均值的方式对N_b进行估计，获得对应p(z)的噪声noise(z)； 

对p(z)的噪声毛刺进行平滑抑制后获得p_S(z)； 

对p_S(z)进行半离散化处理，获得半离散化的激光雷达回波数据p_D(z)。 

具体的，对于一般地基探测激光雷达信号，通常可以认为远离有效信号接收范围的接收数据为背景噪声，因而（1）式中的N_b可以通过求该段数据平均值的方式进行估计。在扣除N_b后这段数据并不为0，而是形成围绕0值上下波动的噪点。计算该段噪声点的标准偏差： 

$\mathrm{std}={\left(\frac{1}{n-1}\underset{i=1}{\overset{n}{\Sigma }}{(x_i-\bar{x})}^2\right)}^{\frac{1}{2}},\bar{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{x}_i;---\left(3\right)$

其中，x为背景噪点数据，n为背景噪点数据长度。对应p(z)的噪声可以描述为： 

noise(z)＝K·std；                    (4) 

其中，K为根据经验设定的噪声水平限，根据信号质量，一般可以设为2～3。 

在实际处理中，由于噪声波动偏离真值太多，激光雷达信号可以进行初步的平滑。为了保留云突变点的信息，不宜作过度平滑。根据经验移动平均的平滑窗口可以这样设置：若空间分辨距离大于等于0.06km则全局使用三点平滑，若空间分辨距离小于0.06km则全局使用0.15km窗口进行平滑。对p(z)的噪声毛刺进行平滑抑制后的结果为p_S(z)。 

为了抑制由随机因素造成的大气扰动，接下来对信号作半离散化处理。从p_S(z)的第二个数据点开始遍历数据，如果该数据与上个数据值之差的绝对值小于与其对应的noise(z)，则令数据值等于上个数据值，否则保留原值。上述过程的原理是，只有信号变化大于噪声水平限时才算作有效变化，否则认为是由随机扰动造成。通过上述过程可得到半离散化的激光雷达回波数据p_D(z)。该数据抑制了信号中的无效扰动，同时保留了重要的分层边界及信噪比较大的信号变化。通过实际试验，建议再从后向前计算一次p_D(z)，两次计算结果求平均得到最后的p_D(z)，这样可以保留更多的信号细节。 

具体实施时，在对米散射激光雷达信号进行基于噪声估计的半离散化数据处理后，还对米散射激光雷达信号进行数据分布均衡化处理（Value Distribution Equalization，VDE）。 

由于大气粒子分布随高度指数衰减和距离平方反比的影响，在（2）式中p(z)具有很大的动态范围。因此，在识别由云或气溶胶造成的信号突增时背景基线会发生很大的变化。 

这里借鉴图像处理技术中常用的直方图均衡化技术，提出激光雷达数据均衡化技术。直方图均衡化技术，是为了提高图像的可视性，利用算法对图像灰度分布进行改变，动态 提升低灰度区域亮度值的一种技术。该算法一般用于离散化的图像数据。激光雷达数据没有离散化的特性，但是可以借鉴这种原理。用于激光雷达数据分布的均衡化算法可以包括： 

1、排序： 

首先对p_D(z)中的数据进行升序排序。p_D(z)数据点长度为N。排序结果为R_S(i),(i=1,2,3…N)及对应p(z)中的索引序列I_S(i),(i=1,2,3…N)。求全局最大值M_A和最小值M_I，则全局数据动态范围为M_A-M_I。 

2、计算映射比例： 

R_S(i)中各值在全局数据动态范围中所占比例为： 

P_E(i)=i/N,(i=1,2,3…N)；    （5） 

处理过程中遍历P_E(i)，由若遇到R_S(i)=R_S(i-1)的情况，令P_E(i)=P_E(i-1)。在图像处理中，应该是在从N向上遍历数据的过程中P_E(i-1)=P_E(i)，这里根据激光雷达信号的特点进行了调整。 

3、计算映射表： 

利用前两步的计算结果，计算新的升序数据值： 

y(i)＝P_E(i)·(M_A-M_I)+M_I，(i＝1，2，3…N)；              (6) 

4、回代求值： 

根据以上信息计算出的均衡化分布的新数据为： 

P_N(z)=P_N[I_S(i)]=y(i),(i=1,2,3…N)；    （7） 

对激光雷达信号p_D(z)进行数据均衡化处理的意义，是将激光雷达数据重新映射到一条倾斜的直线上，渐变的弱气溶胶和分子信号将与直线重合，而信号中由于云层或强气溶胶造成的波动会围绕这条直线上下起伏，从而达到提取信号中的粒子层的目的。 

具体实施时，在对米散射激光雷达信号进行数据分布均衡化处理之后，即可进行云识别。用于米散射激光雷达的云识别算法一般分两步：分层，识别，具体可以包括生成米散射激光雷达信号的背景基线；基于背景基线对米散射激光雷达信号进行分层和识别。通过一定的算法对提取激光雷达信号中的层信息（包括层底和层顶），再根据经验设定一定的识别参数，一旦这些参数满足条件即认为该层为云层，否则是气溶胶层。 

首先阐述分层方法。通过半离散化数据处理及数据分布均衡化处理过程得到的P_N(z)，会围绕一条基线B(z)波动。这条基线包括两个端点：(z₁,M_A)和(z_N,M_I)。通过寻找P_N(z) 上穿B(z)或下穿B(z)的位置，在P_N(z)邻域中寻找层底或层顶。在这个过程中可以设置一定的参数（如最小层厚大于0.2km）去除一些干扰层。 

确定层后，可以对层内的指标性参数进行计算，例如对信号的上升斜率和下降斜率进行计算。计算公式为： 

$F\left(z\right)=\frac{d\ln [p\left(z\right)·z^2]}{\mathrm{dz}};---\left(8\right)$

将每个层中的信号增加时最大和信号减小时最小的F(z)分别记为T和D。根据激光雷达系统的波长和观测地点情况分别设置一定的阈值进行云或气溶胶层的识别。可以根据人为识别云信号的经验设置T和D的阈值及其相应组合，一旦满足条件，即可认为是云层。 

图2为本发明实施例中基于数值分布均衡化的米散射激光雷达云识别方法的具体实例的流程图。如图2所示，本例中先输入P(z)，再进行基于噪声估计的半离散化数据处理，以及数据分布均衡化处理；再生成背景基线，进行粒子层识别，计算T和D；判断T和D的阈值是否满足条件，若是，则输出云底和云顶高度。 

下面再通过一具体实例说明本发明实施例的基于数值分布均衡化的米散射激光雷达云识别方法。本例中，根据激光雷达公式（1）生成无噪声的激光雷达信号。其中用到的大气分子模型见（9）式： 

$\left(\begin{array}{c}{\beta }_m(z,\lambda )=1.54\times {10}^{-3}{\left(\frac{532}{\lambda }\right)}^4\exp (-\frac{z}{7})\\ {\alpha }_m(z,\lambda )=\frac{8\pi }{3}\times {\beta }_m(z,\lambda )\end{array}\right)---\left(9\right)$

大气气溶胶消光模式可以用（10）式表示： 

$\left(\begin{array}{c}{\beta }_a(z,\lambda )=\{2.47\times {10}^{-3}\exp (-\frac{z}{2})+5.13\times {10}^{-6}\exp [-{\left(\frac{z-20}{6}\right)}^2\left]\right\}\left(\frac{532}{\lambda }\right)\\ {\alpha }_a(z,\lambda )=50\times {\beta }_a(z,\lambda )\end{array}\right)---\left(10\right)$

（9）式和（10）式中，β是后向散射系数，α是消光系数，z是垂直高度，λ是波长，m指大气分子，a指气溶胶；设在2km～4km，5km～7km，10km～12km分别有三个强信号层。加入白噪声后相应的仿真结果如图3和图4所示。图3为输入信号p(z)，可见在信号中有三个强信号层。图4中的P_N(z)即为半离散化后再进行数值分布均衡化的结果。在图3中明显的噪声波动，在图4中被离散化为基线下方的水平线，由于保留了信号的突变特性，可以摆脱因为过度平滑引起的层判断误差。由于均衡化处理，数据动态范围高达10⁵ 缩小为10以内，且数值大小进行了自适应的改变从而使B(z)成为一条区分粒子层的背景基线。通过仿真可知，通过半离散化处理抑制噪声后利用均衡化方法可以有效从激光雷达回波信号中提取粒子层信息。按照公式（8）计算指标参数T和D，即可根据经验阈值判断是否为云层信息。 

为了进一步说明算法的有效性，用一组实测信号进行说明，如图5和图6所示。应用实例再次证明，半离散化处理可以有效抑制噪声波动，而数值均衡化则可以自适应的构造背景基线与粒子层的关系，从而实现粒子层准确的有效识别。再结合T和D的阈值组合很容易从信号中提取云层信息。 

综上所述，本发明实施例的基于数值分布均衡化的米散射激光雷达云识别方法中，输入米散射激光雷达信号；对米散射激光雷达信号进行基于噪声估计的半离散化数据处理；对米散射激光雷达信号进行数据分布均衡化处理；生成米散射激光雷达信号的背景基线；基于背景基线对米散射激光雷达信号进行分层和识别；可以在弱化平滑问题在云识别过程中的重要性的同时，找出与信号变化自适应的背景基线，从而解决当前算法过度依赖平滑或对较弱云回波信号漏检的问题，确保观测中云层信号的识别率，提高云观测的数据质量，为气象和气候研究及预报提供更准确的观测资料。通过观测数据准确度的提高促进气象、气候等相关领域的研究。 

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。 

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。 

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方 框中指定的功能。 

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。 

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。