您可以尝试的最明显的两件事是：

1. 将高斯拟合到您的数据，然后对它们的参数进行聚类
2. 直接估计波形的相似性，然后尝试将其聚类

由于您知道返回波形符合高斯，因此最好使用考虑到这一点的方法。

所以，基本上，对于每个像素时间课程，你最终都会得到一个合适的$\mu, \sigma^2$. 然后，您可以使用这两个以及任何其他与目标相关的特征来表征表面。

这些算法工作得有些好，但由于信号可能很嘈杂，有时我认为与高斯形状​​相差甚远，我希望可以实现更好的算法。

您知道您的数据应该符合特定模型这一事实是大量知识，您应该尝试尽可能多地考虑到这一点。“......有时离高斯很远......”并不总是意味着“不是高斯”。例如，您可能会在同一时间过程中获得两个或更多回报，这意味着您可能必须应用诸如核密度估计器或迭代拟合过程之类的东西来获取每个单独的回报。有关详细信息，请参阅本文。

第二种选择是直接估计波形的“相似性”。在这种情况下，给定两个时间序列$U,V \in \mathbb{R}^\mathbb{N}$, 你在看一个函数$F(U,V,\Theta) \rightarrow \mathbb{R}$它只是返回一个与这两个波形“相似”程度成正比的数字，给定一些额外的参数$\Theta$. 大多数时候，“相似”是“共同变化”的另一个词。

最明显的可能$F$s 是离散互相关。在这种情况下$f_{xcorr}(U,V)$返回一个介于$-1..1$它告诉你有多相似$U,V$是。另一种可能$f$是连贯性。在这种情况下，参数包括您希望计算相干性的频率分量（例如$f_{coher}(U,V,k)$（为了$k^{th}$组件），它返回一个介于$0..1$. 另一种可能$f$是互信息与“相似性”略有不同，并且在连续（而不是数字）信号上正确应用更具挑战性。

然后，除了上面提到的指标之外，您还有一些变化，例如基于小波的互相关而不是相关性，LZ 复杂性而不是互信息等等。

相似度度量的领域非常广泛，在功能连接中的脑电图 (EEG) 信号处理中发生了很多工作（这基本上涉及在非常具有挑战性的波形噪声和伪影条件下对相似性的评估）。有关更多信息，请参阅此、此和此。

这些出版物并不完全与您的主题有关，但它们使用了大量类似的方法和工具来估计两个时间序列之间的相似性，这也是您正在尝试做的事情。因此，在阅读这些内容时，请尝试推断术语，然后尝试在与遥感相关的期刊中搜索类似的内容。我确信这样的搜索将返回更相关的结果，以适应估计激光脉冲返回相似性的具体情况。

希望这可以帮助。