CN106875486A - 一种基于节点信息量统计的多波束地形分块方法 - Google Patents
一种基于节点信息量统计的多波束地形分块方法 Download PDFInfo
- Publication number
- CN106875486A CN106875486A CN201710098253.0A CN201710098253A CN106875486A CN 106875486 A CN106875486 A CN 106875486A CN 201710098253 A CN201710098253 A CN 201710098253A CN 106875486 A CN106875486 A CN 106875486A
- Authority
- CN
- China
- Prior art keywords
- terrain
- landform
- piecemeal
- block
- dep
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Graphics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明提供的是一种基于节点信息量统计的多波束地形分块方法。主要包括对地形信息的8方向离散和量化;利用分块后的子地形块的信息量均值序列的方差定义分块的优劣性,以方差最大化为最优评价标准得到最优分块下的子块边界节点数。在本发明方法所得到的分块地形下,地形信息量大的区域和地形信息量小的区域可以有效的分开,这种地形分块方法可以用于地形数据的压缩存储,地形信息丰富的分块存储较多的节点信息量小的分块存储较小的节点数,该方法还可以用于地形匹配导航的路径规划,航行器经过地形信息量大的分块区域等,可以提高匹配的精度和可靠性。
Description
技术领域
本发明涉及的是一种多波束地形分块方法,是一种地形预处理方法。
背景技术
地形信息特征的量化表达对地形匹配导航的适配性分析,地形匹配导航的路径规划,地形信息的压缩存储等技术领域十分有用。由于水下地形信息特征分散地形信息集中于某些区域而相对平坦的区域地形信息少,在实际应用中地形信息量丰富的地区往往使我们最感兴趣和最关注的,如何将信息量丰富的地区和地形信息量少的地区划分开也就成了我们关心的问题。目前尚未有类似的方法。
发明内容
本发明的目的在于提供一种可以对地形进行最优的分块,将地形信息量大的地形区域和地形信息量少的区域最大程度的分开的基于节点信息量统计的多波束地形分块方法。
本发明的目的是这样实现的:
步骤1,将地形节点的信息量离散到8个方向,8方向梯度噪声比为:8方向信噪比为:利用最大化原则将8个方向上的信息量化成一个量SSNRij,
步骤2,设置分块的最小边界值depmin和最大边界值depmax,进行最优分块,具体包括:
步骤2.1,设分块地形的边界节点个数为K=depmin;
步骤2.2,将地形按照每一个分块边界depnum个节点进行划分,得到的分块数为M*N,解算每一个分块下的地形节点的信息量均值
步骤2.3,计算当前分块下序列的方差
SK=var(ΜSSNR)
K=K+1,回到步骤2.1直到K=depmax;
得到分块地形的边界点数目从depmin到depmax的变化过程中分块地形的信息量均值的方差变化,方差表现了地形分块的离散程度,当离散程度达到最大时,信息量大的节点和信息量小的节点被最优的分配到各个地形块中,最优分块数下每一地形子块的边界地形节点数目为:
本发明提供了一种地形信息划分方法,将地形区域分割成若干个相等的地形区域,在本发明方法所得到的分块地形下,地形信息量大的区域和地形信息量小的区域可以有效的分开,这种地形分块方法可以用于地形数据的压缩存储,地形信息丰富的分块存储较多的节点信息量小的分块存储较小的节点数,该方法还可以用于地形匹配导航的路径规划,航行器经过地形信息量大的分块区域等,可以提高匹配的精度和可靠性。
本发明通过对地形信息的8方向离散和量化,使得地形的丰富程度得到量化。利用分块后的子地形块的信息量均值序列的方差定义分块的优劣性,以方差最大化为最优评价标准得到最优分块下的子块边界节点数。利用本发明可以对地形进行最优的分块,将地形信息量大的地形区域和地形信息量少的区域最大程度的分开,分块后的地形性可用于地形数据的压缩存储,地形匹配导航的路径规划等方面。
附图说明
图1是节点信息量方向离散化示意图;
图2是地形节点信息量计算流程图;
图3是地形最优分块的计算流程;
图4a至图4b是地形图及其地形最优分块图,图4a灰度表示高程,图4b灰度表示信息量;
图5是本发明的流程图。
具体实施方式
下面结合附图举例对本发明作更详细的描述。
一种基于节点信息量统计的多波束地形分块方法的主要实现步骤包括:
步骤一、测量误差的估计
m1n1表示分块地形数据Z1网格化后的地形节点数目,m2n2表示测量地形数据Z2网格化后的测点数目,测量满足下面的等式:
在获得待分块的地形(Z1,X1,Y1)和待分块区域二次测量地形(X2,Y2,Z2)之后,进行测量误差的估计,具体步骤如下:
(1)待分块地形与二次测量地形的对准
由于两次测量的地形并非是完全对准的,可能存在坐标的偏移所以需要在Z1中确定一个搜索区域XS,并在配准过程中得到测量误差的估计S。
搜索过程中的某一个搜索点ij,计算Z2与该搜索点对应的地形面的高度偏差:
计算Δhij的均值和标准差估计:
(2)得到了hcij的估计值之后就可以计算测量地形和先验地形的真实相似程度了,由于初始的测量误差是一个未知数且不能精确估计,通过地形匹配定位可以获得匹配定位的估计位置xp=(xe,ye),地形匹配定位的估计式如下:
其中:h(xij,yij)表示测量序列点(xij,yij)在先验地形图中的插值结果。
(3)得到匹配定位估计位置xp后计算定位点xp在Z1中的插值结果与Z2的高度差序列Δhp:
计算Δhp的标准差Sp估计,就得到了待分块地形测量误差估计σ:
Sp=std(Δhp)=σ。
步骤二、地形节点的信息量计算
定义地形节点的梯度噪声比函数如下:
定义地形的信噪比函数如下:
其中:表示地形的某一个节点的高度值;σ表示地形的测量误差的标准差,通过第一步估计得到;k表示方向标记,由于节点在每一个方向的梯度都不一样所以需要将梯度进行离散处理。
通过上式可以计算每一个节点分别在8个方向上的信息量,利用最大化原则或者平均值原则将8和方向上的信息量化成一个量,这里假设用最大化原则。
进行以上处理之后,就可以将节点的信息量矩阵输入分块程序。
步骤三、地形信息量最优分块确定
设置分块的最小边界值depmin和最大边界值depmax。
最优分块的计算步骤如下,初始K:
(1)假设分块地形的边界节点个数为K=depmin;
(2)将地形按照每一个分块边界depnum个节点进行划分,此时得到的分块数为M*N,解算每一个分块下的地形节点的信息量均值
(3)计算当前分块下序列的标准差
SK=var(ΜSSNR)
判断K=depmax是否成立,若不成立,则K=K+1,回到第(2)步直到K=depmax。
步骤四、通过步骤三得到分块地形的边界点数目从depmin到depmax的变化过程中分块地形的信息量均值的方差变化,方差表现了地形分块的离散程度,当离散程度达到最大时,信息量大的节点和信息量小的节点被最优的分配到各个地形块中。
最优分块数为:
按照每个网格边包含Kopt个节点对先验地形(Z1,X1,Y1)进行划分就可以得到地形的最优分块。
Claims (2)
1.一种基于节点信息量统计的多波束地形分块方法,其特征是:
步骤1,将地形节点的信息量离散到8个方向,8方向梯度噪声比为:8方向信噪比为:利用最大化原则将8个方向上的信息量化成一个量SSNRij,其中:表示地形的某一个节点的高度值;σ表示地形的测量误差的标准差;k表示方向标记;
步骤2,设置分块的最小边界值depmin和最大边界值depmax,进行最优分块,具体包括:
步骤2.1,设分块地形的边界节点个数为K=depmin;
步骤2.2,将地形按照每一个分块边界depnum个节点进行划分,得到的分块数为M*N,解算每一个分块下的地形节点的信息量均值
步骤2.3,计算当前分块下序列的方差
SK=var(ΜSSNR)
K=K+1,回到步骤2.1直到K=depmax;
得到分块地形的边界点数目从depmin到depmax的变化过程中分块地形的信息量均值的方差变化,方差表现了地形分块的离散程度,当离散程度达到最大时,信息量大的节点和信息量小的节点被最优的分配到各个地形块中,最优分块数下每一地形子块的边界地形节点数目为:
2.根据权利要求1所述的基于节点信息量统计的多波束地形分块方法,其特征是先进行测量误差的估计,具体包括:
m1n1表示分块地形数据Z1网格化后的地形节点数目,m2n2表示测量地形数据Z2网格化后的测点数目,测量满足下面的等式:
在获得待分块的地形(Z1,X1,Y1)和待分块区域二次测量地形(X2,Y2,Z2)之后,进行测量误差的估计,具体步骤如下:
(1)待分块地形与二次测量地形的对准
在Z1中确定一个搜索区域XS,并在配准过程中得到测量误差的估计S,
搜索过程中的某一个搜索点ij,计算Z2与该搜索点对应的地形面的高度偏差:
计算Δhij的均值和标准差估计:
(2)通过地形匹配定位获得匹配定位的估计位置xp=(xe,ye);
其中:h(xij,yij)表示测量序列点(xij,yij)在先验地形图中的插值结果;
(3)得到匹配定位的估计位置xp后计算定位点xp在Z1中的插值结果与Z2的高度差序列Δhp:
计算Δhp的标准差Sp估计,得到待分块地形测量误差估计σ:
Sp=std(Δhp)=σ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710098253.0A CN106875486B (zh) | 2017-02-22 | 2017-02-22 | 一种基于节点信息量统计的多波束地形分块方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710098253.0A CN106875486B (zh) | 2017-02-22 | 2017-02-22 | 一种基于节点信息量统计的多波束地形分块方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106875486A true CN106875486A (zh) | 2017-06-20 |
CN106875486B CN106875486B (zh) | 2020-04-07 |
Family
ID=59168716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710098253.0A Active CN106875486B (zh) | 2017-02-22 | 2017-02-22 | 一种基于节点信息量统计的多波束地形分块方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106875486B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107504974A (zh) * | 2017-09-15 | 2017-12-22 | 哈尔滨工程大学 | 地形分块与地形测点加权的地形匹配定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630366A (zh) * | 2009-07-31 | 2010-01-20 | 中国科学院地理科学与资源研究所 | 大量分块地形数据的动态淹没区提取方法、装置及系统 |
KR100959349B1 (ko) * | 2009-06-19 | 2010-05-20 | 인하대학교 산학협력단 | 그래픽스 처리 유닛을 이용한 사진트리 기반의 지형 렌더링 방법을 가속화하는 방법 |
CN102074050A (zh) * | 2011-03-01 | 2011-05-25 | 哈尔滨工程大学 | 大规模地形绘制的分形多分辨率简化方法 |
CN102831645A (zh) * | 2012-07-18 | 2012-12-19 | 哈尔滨工程大学 | 一种应用于海底地形的数字高程模型的建立方法 |
-
2017
- 2017-02-22 CN CN201710098253.0A patent/CN106875486B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100959349B1 (ko) * | 2009-06-19 | 2010-05-20 | 인하대학교 산학협력단 | 그래픽스 처리 유닛을 이용한 사진트리 기반의 지형 렌더링 방법을 가속화하는 방법 |
CN101630366A (zh) * | 2009-07-31 | 2010-01-20 | 中国科学院地理科学与资源研究所 | 大量分块地形数据的动态淹没区提取方法、装置及系统 |
CN102074050A (zh) * | 2011-03-01 | 2011-05-25 | 哈尔滨工程大学 | 大规模地形绘制的分形多分辨率简化方法 |
CN102831645A (zh) * | 2012-07-18 | 2012-12-19 | 哈尔滨工程大学 | 一种应用于海底地形的数字高程模型的建立方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107504974A (zh) * | 2017-09-15 | 2017-12-22 | 哈尔滨工程大学 | 地形分块与地形测点加权的地形匹配定位方法 |
CN107504974B (zh) * | 2017-09-15 | 2020-09-25 | 哈尔滨工程大学 | 地形分块与地形测点加权的地形匹配定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106875486B (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985093B (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
Christen et al. | A general purpose sampling algorithm for continuous distributions (the t-walk) | |
CN105549049B (zh) | 一种应用于gps导航的自适应卡尔曼滤波算法 | |
CN103644903B (zh) | 基于分布式边缘无味粒子滤波的同步定位与地图构建方法 | |
CN107451102A (zh) | 一种改进自训练算法的半监督高斯过程回归软测量建模方法 | |
CN109752710B (zh) | 一种基于稀疏贝叶斯学习的快速目标角度估计方法 | |
CN104019813A (zh) | 目标即时定位和构建地图的方法与系统 | |
CN113223055B (zh) | 图像目标跟踪模型建立方法及图像目标跟踪方法 | |
CN105046714A (zh) | 一种非监督的基于超像素和目标发现机制的图像分割方法 | |
CN105044722A (zh) | 合成孔径雷达目标的全贝叶斯特征提取方法 | |
CN105895089A (zh) | 一种语音识别方法及装置 | |
Lin et al. | Noise filtering, trajectory compression and trajectory segmentation on GPS data | |
CN111398523B (zh) | 基于分布的传感器数据校准方法及系统 | |
CN115859805A (zh) | 基于混合加点准则的自适应序贯试验设计方法和装置 | |
CN105046046A (zh) | 一种集合卡尔曼滤波局地化方法 | |
CN106875486A (zh) | 一种基于节点信息量统计的多波束地形分块方法 | |
Eğri et al. | Bayesian model selection in ARFIMA models | |
CN105572629A (zh) | 一种适用于任意阵列结构的低运算复杂度的二维测向方法 | |
CN112036630B (zh) | 一种公路路面降雨量分布估计方法、存储介质及计算设备 | |
CN105116373A (zh) | 基于间接时延的目标ip区域城市级定位算法 | |
Durante et al. | Cluster analysis of time series via Kendall distribution | |
CN114565010A (zh) | 一种基于数据融合的自适应卡尔曼噪声估计方法及系统 | |
Naik et al. | Improving GPS based distance measurement accuracy using Machine Learning: an empirical study | |
US20210224681A1 (en) | Learning device, forecasting device, method, and program | |
Xu et al. | On the Cramér–Rao lower bound for biased bearings-only maneuvering target tracking |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |