CN108320291B - 基于大津算法的海底地貌边界提取方法 - Google Patents

基于大津算法的海底地貌边界提取方法 Download PDF

Info

Publication number
CN108320291B
CN108320291B CN201810066027.9A CN201810066027A CN108320291B CN 108320291 B CN108320291 B CN 108320291B CN 201810066027 A CN201810066027 A CN 201810066027A CN 108320291 B CN108320291 B CN 108320291B
Authority
CN
China
Prior art keywords
curvature
point
boundary
calculating
target area
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.)
Expired - Fee Related
Application number
CN201810066027.9A
Other languages
English (en)
Other versions
CN108320291A (zh
Inventor
吴时国
王大伟
谢杨冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Deep Sea Science and Engineering of CAS
Original Assignee
Institute of Deep Sea Science and Engineering of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Deep Sea Science and Engineering of CAS filed Critical Institute of Deep Sea Science and Engineering of CAS
Priority to CN201810066027.9A priority Critical patent/CN108320291B/zh
Publication of CN108320291A publication Critical patent/CN108320291A/zh
Application granted granted Critical
Publication of CN108320291B publication Critical patent/CN108320291B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于大津算法的海底地貌边界提取方法。包括如下步骤：1)根据目标区域内的水深分布计算每个测量点的最大斜率和坡度；2)根据目标区域内的坡度分布计算每个测量点的近似曲率；3)将目标区域内每个测量点的近似曲率值标准化到指定的范围内；4)根据非线性变换关系，扩大标准化曲率值局部区域的动态范围；5)应用大津算法估计曲率分割的阈值；6)将曲率值不小于阈值的测量点划分为边界点。本发明设计的地貌边界提取方法可有效识别复杂地貌边界细节，抑制航线噪声，大大降低科研及工程人员工作强度，提高其工作效率。本发明适用于地貌分析、海洋测绘、海底资源调查、海洋工程相关领域的地貌单元的边界提取。

Description

基于大津算法的海底地貌边界提取方法
技术领域
本发明涉及海洋测绘、海洋工程、海洋油气资源等技术领域，具体涉及一种基于大津算法的海底地貌边界提取方法。
背景技术
海底地形地貌通常指海水覆盖之下的固体地球表面形态。海底同陆地一样，分布着复杂的、多种多样的地貌。海底地形、地貌与海洋资源的勘探开采密切相关。海底地貌的分布是钻井平台搭建、海底管线铺设的重要参考依据。对海底地貌特征的获取和研究越来越重要。获取海底地形地貌图成为专家、学者研究的热点。
水深分布数据是进行地貌分析的主要数据之一。各种地貌特征的提取都离不开对水深数据的分析与处理。多波束测深系统是一种有效的水深测量技术。多波束测深系统一次能够测出几十个甚至上百个深度，获得一定宽度的全覆盖水深条带，能够精确快速地测出沿航迹一定宽度范围内水下目标的大小、形状和高低变换，从而比较可靠地描绘出水底地形地貌的精细特征。由于多波束测深仪特别适合于大规模扫海，已逐渐成为现代海底地形测量的主流设备。多波束测深仪测得的海底深度原始数据容量大、异常数据较多、但含有丰富的地貌特征，其处理结果可为海底地貌成因分析提供前期客观、可靠、丰富的信息。
目前，海底地貌的划分主要依赖科技和工程人员人工勾勒完成，这种方法需要处理人员具有丰富的地学知识和观察判断经验，可充分利用工作人员的知识，灵活性好，但这种方法具有很大的主观性，存在地貌划分不准确、时效性差、可重复性差、信息获取周期长、劳动强度大等缺点。
基于图像纹理特征的水下辅助导航算法从图像处理的角度对地形数据进行分析，利用图像特征作为水下地形的可导航性参数，并借助模糊决策方法，综合考虑各参数对适配性的影响，实现水下区域内适配区的划分。传统的图像独特性分析以人类作为图像信息的最终接受者，通过模拟人眼的视觉特性来逼近人脑的主观判断，以人类能否有效区分与辨认图像内容为评价准则。从图像处理的角度分析海底地形，需要引入多个参数，来衡量地形特征的显著程度。
本发明基于水深数据计算目标区域的坡度分布、近似曲率分布等，通过非线性变换增强地形边界区域的对比度，采用大津算法确定数据分割的阈值，结合阈值和曲率分布提取目标区域的边界点。
本发明设计的地貌边界提取方法可有效识别复杂地貌边界细节，抑制航线噪声，大大降低科研及工程人员工作强度，提高其工作效率。本发明适用于地貌分析、海洋测绘、海底资源调查、海洋工程相关领域的地貌单元的边界提取。
发明内容
地形边界区域通常会出现水深的大幅度改变，表现为边界区域存在较大的坡度或曲率值，可通过地形坡度或曲率值的大小来提取地貌边界点。
本发明包括如下步骤：
(1)计算目标区域坡度分布
根据
Figure BDA0001555877860000021
和θ(xo，yo)＝tan-1k(xo，yo)计算目标区域内每个测量点(xo，yo)的最大斜率k(xo，yo)和坡度θ(xo，yo)，其中，(xo，yo)和(xi，yi)分别表示测量点及其周围8个邻域点的坐标，单位为米，ho(xo，yo)和hi(xi，yi)分别表示测量点(xo，yo)及其领域点(xi，yi)的水深值，单位为米，i为整数且满足1≤i≤8，表示测量点(xo，yo)周围的8个领域点的序号，
Figure BDA00015558778600000310
表示取最大值，tan-1表示取反正切；
(2)计算目标区域近似曲率分布
根据
Figure BDA0001555877860000031
计算目标区域内每个测量点(xo，yo)的近似曲率r(xo，yo)，其中，ko(xo，yo)和ki(xi，yi)分别表示测量点(xo，yo)及其邻域点(xi，yi)的最大斜率值，由步骤(1)得到；
(3)近似曲率分布标准化
根据
Figure BDA0001555877860000032
计算标准化曲率rn，其中，rmin和rmax分别表示r的最小值与最大值，r由步骤(2)得到，a在处理中设定；
(4)标准化曲率动态范围变换
根据
Figure BDA0001555877860000033
计算变换后的曲率值
Figure BDA0001555877860000034
其中，rn由步骤(3)得到，b和c在处理中设定；
(5)阈值估计
根据目标区域内每个测量点的
Figure BDA0001555877860000035
应用大津算法估计曲率分割的阈值rth；
(6)边界点提取
在目标区域内，若某一测量点的曲率值
Figure BDA0001555877860000036
满足
Figure BDA0001555877860000037
则该点被划分为边界点，若
Figure BDA0001555877860000038
满足
Figure BDA0001555877860000039
则该点被划分为非边界点。
附图说明
图1为目标区域水深图；
图2为地貌单元边界点提取流程图；
图3为测量点(xo，yo)及其8领域点分布图；
图4为目标区域坡度分布直方图；
图5为目标区域近似曲率分布直方图；
图6为标准化曲率分布直方图；
图7为标准化曲率动态范围变换图；
图8为变换后曲率分布直方图；
图9为目标区域地貌单元边界提取结果。
具体实施方式
本发明通过对地貌单元水深变化率分布的分析和处理，应用大津算法估计目标区域分割的阈值，实现深海/深水水道地貌单元的边界提取。在本实施例中，水深数据由3D地震勘探技术测量得到。在本实施例的目标区域内，分布着复杂的地貌边界，目标区域数据体大小为53.6M，包含1125503个测量点，面积为3.42×102平方公里，水深范围为1184—1258米。
图1为目标区域水深图。图2为地貌单元边界点提取流程图。
本发明具体实施步骤如下：
(1)计算目标区域坡度分布
根据
Figure BDA0001555877860000041
和θ(xo，yo)＝tan-1k(xo，yo)计算目标区域内每个测量点(xo，yo)的最大斜率k(xo，yo)和坡度θ(xo，yo)，其中，(xo，yo)和(xi，yi)分别表示测量点及其周围8个邻域点的坐标，单位为米，ho(xo，yo)和hi(xi，yi)分别表示测量点(xo，yo)及其领域点(xi，yi)的水深值，单位为米，i为整数且满足1≤i≤8，表示测量点(xo，yo)周围的8个领域点的序号，
Figure BDA0001555877860000051
表示取最大值，tan-1表示取反正切。
坡度表征地表单元起伏陡缓的程度。通常情况下把坡面的垂直高度与水平距离的比称为坡度。坡度是反映地形变化的一个重要指标，平坦地形的坡度分布与山地丘陵地形的坡度分布差别很大。某一测量点的坡度可利用该点与邻域内其他点的水深变化率来近似计算。
图3为测量点(xo，yo)及其8领域点分布图。图4为目标区域坡度分布直方图。
(2)计算目标区域近似曲率分布
根据
Figure BDA0001555877860000052
计算目标区域内每个测量点(xo，yo)的近似曲率r(xo，yo)，其中，ko(xo，yo)和ki(xi，yi)分别表示测量点(xo，yo)及其邻域点(xi，yi)的最大斜率值，由步骤(1)得到。
就某一目标点水深与其邻域的多点水深构成的水深分布曲面而言，该目标点的二阶导数的绝对值与上述水深分布曲面的曲率近似成正比。因此，可应用目标点的二阶导数值近似代替曲面的曲率。
图5为目标区域近似曲率分布直方图。
(3)近似曲率分布标准化
根据
Figure BDA0001555877860000053
计算标准化曲率rn，其中，rmin和rmax分别表示r的最小值与最大值，r由步骤(2)得到，a在处理中设定。
在不同的海底区域范围内，地形曲率差异很大。地形曲率的差异及其分布在一定程度上与地貌边界有关。为了设计通用的边界提取方法，有必要将地形曲率数据标准化。标准化后的曲率取值范围反映了地形的分辨率。
在本实施例中，a＝255，标准化后的曲率范围为[0 255]。
图6为标准化曲率分布直方图。
(4)标准化曲率动态范围变换
根据
Figure BDA0001555877860000061
计算变换后的曲率值
Figure BDA0001555877860000062
其中，rn由步骤(3)得到，b和c在处理中设定。
若地形曲率值有很宽的动态范围，则地形变化对比度高，地形细节呈现越清晰，越容易提取地形边界。边界增强是指通过突出某些感兴趣的区域以方便特征提取，同时抑制无用信息。图6所示的标准化曲率动态范围较窄，主要集中在230附近，数据对比度较低，不利于边界识别。为了有效扩大标准化曲率的动态范围，对标准化曲率进行非线性变换。
大数据统计分析结果显示，边界数据一般占全部数据的8％-10％，且地形边界区域的曲率一般较大。因此，曲率分布范围的8％-10％与地形边界信息密切相关，增大该区域的曲率动态范围有利于地形边界提取。
在本实施例中，b＝5，c＝0.04。图7为标准化曲率动态范围变换图。变换后，曲率范围得到了扩大。图8为变换后曲率分布直方图。
(5)阈值估计
根据目标区域内每个测量点的
Figure BDA0001555877860000063
应用大津算法估计曲率分割的阈值rth。
大津算法(OTSU算法)是一种最大类间方差法。该算法主要应用于图像分割领域。图像由前景区域和背景区域两部分组成，通过遍历计算不同阈值(通常为[0 255]区间范围内)下分割图像中前景区域与背景区域，然后比较两者之间的类间方差，当两者类间方差最大时所对应的阈值即为最优的阈值。计算公式如下：
Figure BDA0001555877860000071
其中，SEC为图像前景区域与背景区域的类间方差，参数N、M是这两个部分的像素点的个数，U1、U2是这两个不同部分的平均灰度值，U则为阈值。使SEC最大的U即为最优阈值。
本发明应用大津算法来自适应的确定最优阈值，用于分割变换后的曲率数据。在本实施例中，rth＝228。
(6)边界点提取
在目标区域内，若某一测量点的曲率值
Figure BDA0001555877860000072
满足
Figure BDA0001555877860000073
则该点被划分为边界点，若
Figure BDA0001555877860000074
满足
Figure BDA0001555877860000075
则该点被划分为非边界点。
图9为目标区域地貌单元边界提取结果。在本实施例中，目标区域的边界提取时间约为5分钟。

Claims (1)

1.一种基于大津算法的海底地貌边界提取方法，其特征包括如下具体步骤：
(1)计算目标区域坡度分布
根据
Figure FDA0001555877850000011
和θ(xo，yo)＝tan-1k(xo，yo)计算目标区域内每个测量点(xo，yo)的最大斜率k(xo，yo)和坡度θ(xo，yo)，其中，(xo，yo)和(xi，yi)分别表示测量点及其周围8个邻域点的坐标，单位为米，ho(xo，yo)和hi(xi，yi)分别表示测量点(xo，yo)及其领域点(xi，yi)的水深值，单位为米，i为整数且满足1≤i≤8，表示测量点(xo，yo)周围的8个领域点的序号，
Figure FDA0001555877850000012
表示取最大值，tan-1表示取反正切；
(2)计算目标区域近似曲率分布
根据
Figure FDA0001555877850000013
计算目标区域内每个测量点(xo，yo)的近似曲率r(xo，yo)，其中，ko(xo，yo)和ki(xi，yi)分别表示测量点(xo，yo)及其邻域点(xi，yi)的最大斜率值，由步骤(1)得到；
(3)近似曲率分布标准化
根据
Figure FDA0001555877850000014
计算标准化曲率rn，其中，rmin和rmax分别表示r的最小值与最大值，r由步骤(2)得到，a在处理中设定；
(4)标准化曲率动态范围变换
根据
Figure FDA0001555877850000015
计算变换后的曲率值
Figure FDA0001555877850000016
其中，rn由步骤(3)得到，b和c在处理中设定；
(5)阈值估计
根据目标区域内每个测量点的
Figure FDA0001555877850000017
应用大津算法估计曲率分割的阈值rth；
(6)边界点提取
在目标区域内，若某一测量点的曲率值
Figure FDA0001555877850000021
满足
Figure FDA0001555877850000022
则该点被划分为边界点，若
Figure FDA0001555877850000023
满足
Figure FDA0001555877850000024
则该点被划分为非边界点。
CN201810066027.9A 2018-01-25 2018-01-25 基于大津算法的海底地貌边界提取方法 Expired - Fee Related CN108320291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810066027.9A CN108320291B (zh) 2018-01-25 2018-01-25 基于大津算法的海底地貌边界提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810066027.9A CN108320291B (zh) 2018-01-25 2018-01-25 基于大津算法的海底地貌边界提取方法

Publications (2)

Publication Number Publication Date
CN108320291A CN108320291A (zh) 2018-07-24
CN108320291B true CN108320291B (zh) 2021-09-14

Family

ID=62888235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810066027.9A Expired - Fee Related CN108320291B (zh) 2018-01-25 2018-01-25 基于大津算法的海底地貌边界提取方法

Country Status (1)

Country Link
CN (1) CN108320291B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112947497B (zh) * 2019-12-11 2023-02-28 中国科学院沈阳自动化研究所 一种水下机器人驻底位置选择优化方法
CN111443344B (zh) * 2020-04-07 2022-06-03 中国人民解放军军事科学院国防科技创新研究院 一种侧扫声呐海底线自动提取方法及装置
CN112907615B (zh) * 2021-01-08 2022-07-26 中国石油大学(华东) 基于区域生长的海底地貌单元轮廓及细节识别方法
CN113325424B (zh) * 2021-06-02 2023-07-25 上海海洋大学 根据多波束水深数据估算人工鱼礁空方量的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868498A (zh) * 2016-04-20 2016-08-17 南京航空航天大学 基于扫描线点云的蒙皮边界特征重构方法
CN107067012A (zh) * 2017-04-25 2017-08-18 中国科学院深海科学与工程研究所 基于图像处理的海底地貌单元边缘智能识别方法
CN107610226A (zh) * 2017-08-11 2018-01-19 中国科学院国家天文台 月球环形坑边界的提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3211611A1 (de) * 2016-02-24 2017-08-30 Wincor Nixdorf International GmbH Verfahren zum rechnergestützten leer-erkennen eines transportbehälters und vorrichtung zum rechnergestützten leer-erkennen eines transportbehälters

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868498A (zh) * 2016-04-20 2016-08-17 南京航空航天大学 基于扫描线点云的蒙皮边界特征重构方法
CN107067012A (zh) * 2017-04-25 2017-08-18 中国科学院深海科学与工程研究所 基于图像处理的海底地貌单元边缘智能识别方法
CN107610226A (zh) * 2017-08-11 2018-01-19 中国科学院国家天文台 月球环形坑边界的提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
" 基于背景骨架特征的粘连米粒图像分割算法";李冰;《计算机应用》;20171220;第S2卷(第37期);全文 *

Also Published As

Publication number Publication date
CN108320291A (zh) 2018-07-24

Similar Documents

Publication Publication Date Title
CN108320291B (zh) 基于大津算法的海底地貌边界提取方法
CN101944233B (zh) 高分辨遥感图像中快速提取机场目标的方法
CN103236063B (zh) 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法
CN107067012B (zh) 基于图像处理的海底地貌单元边缘智能识别方法
CN104361582B (zh) 一种对象级高分辨率sar影像洪水灾害变化检测方法
EP2772883B1 (en) Road-surface height shape estimation method and system
CN108629364B (zh) 基于多重分形谱特征的非高斯型海底地貌类型识别方法
CN104867133A (zh) 一种快速的分步立体匹配方法
CN108830871B (zh) 基于高分辨率遥感影像和dem的黄土浅沟自动化提取方法
CN111080696A (zh) 一种基于计算机视觉的水下海参识别及定位方法
Falcini et al. Quantifying bed roughness beneath contemporary and palaeo-ice streams
CN108520271B (zh) 基于因子分析的海底地貌类型分类器设计方法
CN112669333A (zh) 一种单木信息提取方法
Teodoro et al. A semi-automatic approach for the extraction of sandy bodies (sand spits) from IKONOS-2 data
Lewington et al. An automated method for mapping geomorphological expressions of former subglacial meltwater pathways (hummock corridors) from high resolution digital elevation data
CN109559321A (zh) 一种声呐图像分割方法和设备
CN111025285A (zh) 一种基于图谱灰度自适应选取的沥青路面水损害检测方法
CN111951347B (zh) 一种页岩油气储层砂质纹层参数提取方法
CN107945183B (zh) 一种结合改进快速合并算法的分水岭分割方法
CN108460422A (zh) 基于深度分布特征的海底地貌类型识别方法
Wang et al. Fault detection using color blending and color transformations
Shafiq et al. Phase congruency for image understanding with applications in computational seismic interpretation
Sholva et al. New approach to locate upwelling and thermal-front from satellite imagery data
CN113589294A (zh) 一种水下浅地层剖面数据的处理方法、系统、设备及介质
Rettelbach et al. From images to hydrologic networks-understanding the arctic landscape with graphs

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210914

Termination date: 20220125