1.星载激光雷达的光子提取方法，其特征在于，包括处理全球定位点云数据，手动对点云数据做标签，获取数据源，根据数据源建立点云栅格化图片数据集，构建神经网络做监督训练，进行点云分类，执行点云信息恢复，将信息恢复后的点云与真实点云标签数据做精度验证；

根据数据源建立点云栅格化图片数据集包括采用全球定位点云数据ATL03作为去噪的实验数据，根据沿轨距离信息和高程信息，设置栅格分辨率，将光子点云栅格化影像作为输入数据，栅格化包括：S1.设置栅格分辨率，点云数据足印间距为0.7m，设置沿轨方向栅格分辨率0.5m，设置高程方向栅格分辨率0.05m，依据设置的栅格分辨率，沿轨距离方向裁切范围为256m，高程裁切范围为25.6m，在沿轨方向进行裁切点云数据生成图片；

栅格化包括：

S2.创建栅格，根据栅格分辨率采样：

y_range＝y_min：y_resolution：y_max；

x_range＝x_min：x_resolution：x_max；

式中，y_range和x_range分别是高程和沿轨距离根据栅格分辨率生成的一维矩阵，y_min为裁切窗口的高程初始值，y_max为裁切窗口的高程末端值，x_min为裁切窗口沿轨距离初始值，x_max为裁切窗口沿轨距离末端值，x_resolution为沿轨距离分辨率，y_resolution为高程分辨率；

创建两个二维矩阵x_grid和y_grid，x_grid和y_grid分别根据x_range和y_range获得，x_grid中每行对应于栅格沿轨距离值，y_grid中每列对应于沿栅格高程信息的数值；

栅格化包括：

S3.构建KD树索引，判断栅格点是否在每个数据点附近，选择裁切范围内的点云数据；

根据x_grid的行转置生成沿轨距离的KD树矩阵kd_tree_x，根据y_grid生成高程的KD树矩阵kd_tree_y，两个KD树矩阵大小的维度都为512×1，包含栅格坐标信息，执行k近邻搜索，将每个栅格与裁切窗口内每个数据点真实对应的沿轨距离信息b(j，1)、高程信息b(j，

2)相匹配起来，找到栅格临近数据点，并获得相应的栅格索引号id_x，id_y，式中，j表示第j个数据点，b是存放沿轨距离信息和高程信息矩阵；

栅格化包括：

S4.根据分类标签批量生成数据集，将所有栅格的像素值设置为0值，初始化为黑色，通过遍历索引号，进而根据点云栅格对应的标签值添加对应颜色生成神经网络训练需要的数据集；

S4.1.生成原始图像，读取点云数据，根据标签值，有信号点位置像素值为1，为白色，无信号点位置像素值为0，为黑色，在沿轨距离方向生成点云栅格化后的黑白二值图像，图像大小维度为[512，512，1]，以png格式保存黑白二值图像；

S4.2.生成掩膜图像，根据已有标签值，标签数值1对应噪声点，根据标签值加颜色，噪声点对应栅格为绿色，RGB值为[0，255，0]，标签2为有效信号点，对应栅格位置为红色，RGB值为[255，0，0]；

S4.3.以png格式保存彩色图像，图像大小维度为[512，512，3]；

S4.4.在沿轨距离方向上，利用滑动窗口进行裁切，批量生成[512，512，1]的二值化原始栅格图像和批量生成[512，512，3]的彩色掩膜栅格图像，构建网络模型训练需要的数据集；

构建神经网络做监督训练包括：

T1.将数据集划分为训练集和验证集，按照8：2的比例划分训练集和验证集；

T2.设置神经网络模型主体结构，包括三层；

T2.1.第一层是编码器，用于捕获输入图像特征，由卷积块和注意力机制模块构成，每个卷积块由卷积层和池化层构成；

首先2次使用32个3*3的卷积核对输入特征图进行两次same卷积将输入特征图调整为

32通道，图像尺寸为32*512*512，保存输出记为A1，使用池化核大小为2*2进行最大池化用于降低图像尺寸，输出大小为32*256*256，保存输出记为B1，B1经过注意力机制模块输出保存记为C1；

2次使用64个3*3的卷积核对输入特征图C1进行两次same卷积将输入特征图调整为64通道，图像尺寸为64*256*256，保存输出记为A2，使用池化核大小为2*2进行最大池化用于降低图像尺寸，输出大小为64*128*128，保存输出记为B2，B2经过注意力机制模块输出保存记为C2；

2次使用128个3*3的卷积核对特征图C2进行两次same卷积将输入特征图调整为128通道，图像尺寸为128*128*128，保存输出记为A3，使用池化核大小为2*2进行最大池化用于降低图像尺寸，输出大小为128*64*64，保存输出记为B3，B3经过注意力机制模块输出保存记为C3；

2次使用256个3*3的卷积核对特征图C3进行两次same卷积将输入特征图调整为256通道，图像尺寸为256*64*64，保存输出记为A4，使用池化核大小为2*2进行最大池化用于降低图像尺寸，输出大小为256*32*32，保存输出记为B4，B4经过注意力机制模块输出C4；

2次使用512个3*3的卷积核对特征图C4进行两次same卷积将输入特征图调整为512通道，图像尺寸为512*32*32，保存图像记为A5；

构建神经网络做监督训练包括：

T2.2.第二层是解码器，对特征层进行上采样并堆叠进行特征融合，最终获得的特征层和输入图片的高宽相同；

对特征图A5进行转置卷积上采样，转置卷积核大小为2*2，步长为2，填充方式为"same"，上采样输出特征图与A4特征图构建跳跃连接，使用256个3*3的卷积核进行两次same卷积，输出图像大小尺寸为256*64*64，保存输出图像记为A6；

对特征图A6进行转置卷积上采样，转置卷积核大小为2*2，步长为2，填充方式为"same"，上采样输出特征图与A3特征图构建跳跃连接，使用128个3*3的卷积核进行两次same卷积，输出图像大小尺寸为128*128*128，保存输出图像记为A7；

对特征图A7进行转置卷积上采样，转置卷积核大小为2*2，步长为2，填充方式为"same"，上采样输出特征图与A2特征图构建跳跃连接，使用64个3*3的卷积核进行两次same卷积，输出图像大小尺寸为64*256*256，保存输出图像记为A8；

对特征图A8进行转置卷积上采样，转置卷积核大小为2*2，步长为2，填充方式为"same"，上采样输出特征图与A1特征图构建跳跃连接，使用32个3*3的卷积核进行两次same卷积，输出图像大小尺寸为32*512*512，与输出特征图构建残差连接联合输出，保存联合输出记为A9；

构建神经网络做监督训练包括：

T2.3.第三层是预测分类层，对A9使用卷积核大小为1*1进行卷积，改变通道数，接入激活函数转换为分类结果，对每一个像素点进行分类，分为噪声点和有效信号点，背景三类，分别对应的类别标签值为1、2、3。

2.根据权利要求1所述的星载激光雷达的光子提取方法，其特征在于，手动对点云数据做标签包括：标签1代表噪声点，标签2代表信号点。

3.根据权利要求2所述的星载激光雷达的光子提取方法，其特征在于，点云信息恢复包括：对于一张彩色点云栅格图片，生成的彩色点云栅格图片对应的初始沿轨距离为x1，末尾沿轨距离为x2，初始高程为y1，末尾高程为y2，已知沿轨距离方向栅格分辨率0.5m，高程′方向栅格分辨率0.05m，栅格索引为(id_x，id_y)，栅格中心位置恢复的沿轨距离X，高程信′息Y如下：

′

X＝x1+x_resloution×(id_x‑1/2)；

′

Y＝y1+y_resloution×(id_y‑1/2)；

′ ′

彩色点云栅格图片恢复生成的真实沿轨距离，高程信息集合为{X，Y }，彩色点云栅格图片对应的真实沿轨距离，高程信息集合为{X0，Y0}，将两个信息集合循环遍历计算欧氏距离，利用欧式距离将两个数据集合匹配起来，当欧式距离D＜＜ε时，即完成点云信息恢复，其中ε为极小值；

未经手工标注点云数据通过滑动窗口裁切、点云栅格化、神经网络自动学习、点云信息恢复匹配，获得点云标签值，完成噪声点和信号点的分类。