CN109886134A - 高分辨率全球数字高程模型图像的海陆信息索引编码方法 - Google Patents
高分辨率全球数字高程模型图像的海陆信息索引编码方法 Download PDFInfo
- Publication number
- CN109886134A CN109886134A CN201910071512.XA CN201910071512A CN109886134A CN 109886134 A CN109886134 A CN 109886134A CN 201910071512 A CN201910071512 A CN 201910071512A CN 109886134 A CN109886134 A CN 109886134A
- Authority
- CN
- China
- Prior art keywords
- land
- sea
- pixel
- digital elevation
- elevation model
- 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.)
- Pending
Links
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开了一种高分辨率全球数字高程模型图像的海陆信息索引编码方法，所述方法包括如下步骤：根据全球数字高程模型数据，将高分辨率全球数字高程模型图像中的像素点划分为海洋、陆地、海陆交界三个类别；将上述高分辨率全球数字高程模型图像分割成多个M×M像素的基本单元，根据上述像素点划分类别对所述基本单位的像素点进行编码，建立粗尺度索引表；利用四叉树纵横等分对海陆交界区域进行分块，并对分块的像素点进行编码，建立海陆交界区域的细尺度索引表。本发明提升了高分辨率全球数字高程模型图像的海陆信息压缩编码效率。
Description
技术领域
本发明涉及一种针对遥感图像进行海洋、陆地及其交界区的定位信息编码技术，尤其涉及一种对高分辨率全球数字高程模型图像的海陆信息进行索引编码的方法，属于数字图像处理技术领域。
背景技术
为提高机器对遥感图像的自动解析能力，人们正在将以深度学习为代表的新一代人工智能技术引入遥感图像处理中，并取得了长足的进步。然而，现有方法对各种复杂场景，以及各种资源受限环境的处理效果依然差强人意。例如，在星载、机载和车载平台上，利用全球地形地貌知识精准可靠地确定遥感图像中的海洋与陆地，已成为空中运动目标检测、海洋目标检测、港口检测、机场检测等应用的一个关键环节。
当前该领域的研究主要集中在对遥感图像进行海陆分割，例如中国专利文献CN108376247A提出了一种分策略粗精结合海陆分离方法，该方法首先基于海陆分割查找表将遥感图像快速准确的粗分离划分为远岸全海、远岸全陆、及海陆并存的三种海陆类型区域，然后对海陆交界类型的区域进行基于梯度积分图的精分割，最后综合粗分离阶段与精分割阶段获取的海陆信息将大视场遥感图像快速准确的划分为海洋和陆地区域。
然而，由于高分辨率全球海陆信息数据量极大，以90米分辨率为例，其数据量达到21GB，而星载、机载和车载平台的存储、计算资源非常受限。并且，实现海陆分割方法的关键芯片受制于其他国家，国产芯片性能较差。因此，目前的海陆分割方案大多停留在理论研究阶段，难以真正进入到实际工程应用中。
发明内容
为解决上述技术问题，本发明提出了一种高分辨率全球数字高程模型图像的海陆索引编码方法，以提升高分辨率全球海陆信息的压缩编码效率。
为实现上述目的，本发明的技术方案如下：
一种高分辨率全球数字高程模型图像的海陆信息索引编码方法，所述方法包括如下步骤：
根据全球数字高程模型数据，将高分辨率全球数字高程模型图像中的像素点划分为海洋、陆地、海陆交界三个类别；
将上述高分辨率全球数字高程模型图像分割成多个M×M像素的基本单元，根据上述像素点划分类别对所述基本单位的像素点进行编码，建立粗尺度索引表；
利用四叉树纵横等分对海陆交界区域进行分块，并对分块的像素点进行编码，建立海陆交界区域的细尺度索引表。
根据进一步的实施方式，所述全球数字高程模型图像的分辨率小于100米；
根据进一步的实施方式，所述分辨率为90米，M为1024。
根据进一步的实施方式，所述编码是将所述基本单元或分块标记为一数字或字符。
根据进一步的实施方式，该粗尺度索引表中，海洋像素点赋值为第一编码，陆地像素点赋值为第二编码，海陆交界像素点赋值为第三编码；
根据进一步的实施方式，对处于海陆交界的基本单元采用四叉树纵横等分为四个子块，判断每个子块中像素点取值是否相等，若不相等，则将子块父节点赋值为第四编码，并继续对该子块采用四叉树纵横等分分块，直至每个子块中像素点取值相等；若相等，则停止细分，将子块父节点赋值为第三编码，将海洋子块标记为第一编码，陆地子块标记为第二编码。
由于采用上述方案，本发明具有如下有益效果：
通过采用本发明对全球数字高程模型图像的海陆信息进行索引编码，大大减小了编码数据文件容量。例如，以90米分辨率全球数字高程模型图像为例，全球海陆信息数据量约为21GB，而采用本发明的方法进行编码，生成的粗尺度索引表约为23KB，细尺度索引表约为8.8MB，整套编码数据量约为9MB，本发明方法压缩倍率达到2300倍。
由于编码文件大大减小，使得将其应用在星载、机载和车载平台上时，节省了存储、计算资源，对硬件电路的要求也大大降低。
附图说明
图1为根据本发明实施例的海陆信息索引编码方法工作流程图；
图2为根据本发明实施例的细尺度索引编码的示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细描述。
全球数字高程模型(Digital Elevation Model，简称DEM)是通过有限的地形高程数据实现对地球表面地形的数字化模拟(即地球表面形态的数字化表达)，它是用一组有序数值阵列形式表示地面高程的一种实体地面模型，是数字地形模型(Digital TerrainModel，简称DTM)的一个分支。数字高程模型(DEM)数据量随着分辨率的提高而增加，一个系统处理的DEM多达几百GB，甚至几个TB，这些数据的存储占用大量硬盘空间，超过了计算机硬件的发展速度。
采用压缩技术对数字高程模型数据进行重建是解决上述问题重要途径。
本发明提供的索引编码方法实质上是对数字高程模型图像进行压缩。虽然无损压缩在数据精度、准确性方面具有重要意义，但本发明所应用的场景主要关注数字高程模型数据中的海陆信息，因此在重建过程丢弃其他非相关信息，可以获得比无损压缩更高的压缩比，从而减小存储设备的占用空间、计算资源的运算量，提高了网络传输速度。
如图1所示，本发明对高分辨率全球数字高程模型图像，依次通过如下的步骤进行编码处理。
步骤1：根据全球数字高程模型数据，将高分辨率全球数字高程模型图像中的像素点划分为海洋、陆地、海陆交界三个类别；
数字高程模型(DEM)表示地表区域上地形的三维向量的有限序列，即地表单元上高程的集合，其数据主要来源于航空或航天遥感图像、地形图、地面实测记录等。由于在高分辨率全球数字高程模型图像中既包含每一个像素点的经纬度，也给出了该像素点对应地表的高程值，因此可以根据高程值大小以及空间邻接关系，将高分辨率全球数字高程模型图像中的像素点划分为海洋、陆地、海陆交界三个类别。
具体而言，根据本发明示例性的实施方式，首先，利用数字高程模型中每个经纬坐标点的高程信息，将高度海拔低于等于0的大范围区域标识为海洋，高度海拔大于0的大范围区域标识为陆地，并对陆地区域中的低洼区域进行填充，由此生成海陆查找表，其中，该查找表坐标与经纬度坐标之间满足线性变换关系。然后，输入待处理的图像区域地理经纬坐标范围，在查找表中的对应区域，进而得到海陆类型分类的结果。最终根据地理位置可将目标图像分为海洋区域、陆地区域和海陆交界区域。
根据空中运动目标检测、海洋目标检测、港口检测、机场检测等应用的实际需求，本发明选择分辨率高于100米的全球数字高程模型图像进行编码操作，优选90米分辨率的全球数字高程模型图像。
步骤2：将上述高分辨率全球数字高程模型图像分割成多个M×M像素的基本单元，根据上述像素点划分类别对所述基本单位的像素点进行编码，建立粗尺度索引表；
考虑到海洋面积约占全球的70％，陆地面积约占30％，且海洋与陆地的空间分布连续性强，因此本发明首先建立一个粗尺度索引表，以实现连续海洋区域、连续陆地区域高倍率索引。
具体而言，对上述分类后的高分辨率全球数字高程模型图像，以M×M像素为基本单元，建立粗尺度索引表。该粗尺度索引表中，海洋像素点赋值为第一编码，例如“0”；陆地像素点赋值为第二编码，例如“1”；海陆交界像素点赋值为第三编码，例如“2”。本领域技术人员容易理解，上述编码形式仅为示例性的，所述编码可以是其他数字或字符。为便于计算机进行数据处理，所述数字或字符应该是能够以最简单的二进制数据表达的，例如0-9中的一位数字，a-z中一个字母等等。
综合考虑图像压缩比率及图像访存效率，根据本发明的优选实施方式，M取值选择1024，此时整个粗尺度索引表大小约为23KB。
步骤3：利用四叉树纵横等分对海陆交界区域进行分块，并对分块的像素点进行编码，建立海陆交界区域的细尺度索引表。
将处于海陆交界的基本单元采用四叉树纵横等分为四个子块，并判断每个子块中像素点取值是否相等。若不相等，则将子块父节点赋值为第四编码，例如“3”。然后，继续对该子块进行分块，直至每个子块中像素点取值相等；否则，停止细分，将子块父节点赋值为所述第三编码“2”，将海洋子块标记为所述第一编码“0”，陆地子块标记为所述第二编码“1”，从而得到对海陆交界块的细尺度索引表。
本发明采用四叉树方法对海陆交界区域进行索引编码，以实现空间分布连续性强数据的高倍率编码。如图2所示，四叉树编码的输入是海陆交界区的M×M像素基本单元A。首先将该基本单元A纵横等分为四个子块B-E，然后判断每个子块B-E中像素点取值是否相等：若不相等，则表明该子块中既含有海洋，也含有陆地，因此将该子块父节点赋值为第四编码“3”，并继续对该子块进行分块，直至每个子块中像素点取值相等；若相等，则表明该子块全部为海洋，或全部为陆地，因此停止细分，并将子块父节点赋值为所述第三编码“2”，将海洋子块标记为所述第一编码“0”，陆地子块标记为所述第二编码“1”。
对于90米分辨率全球数字高程模型图像，采用本发明的方法进行编码，生成的粗尺度索引表约为23KB，细尺度索引表约为8.8MB，整套编码数据量约为9MB。而高分辨率全球海陆信息数据量约为21GB，本发明方法压缩倍率达到2300倍。
同时，本发明编码方法还兼顾了图像访存的空间相关性，避免机器频繁从外存中解析和读取编码。
以星载平台为例，该卫星平台包括图像传感器、计算单元、存储单元以及网络传输单元，其中存储单元存储有全球海陆信息索引表，该索引表是采用本发明的方法对高分辨率全球数字高程模型图像进行索引编码形成的。
该卫星平台在进行空中运动目标检测、海洋目标检测、港口检测、机场检测等目标检测时，需要精准确定所在背景是陆地、海洋，还是海陆交界。为实现该目的，卫星平台利用图像传感器获取目标的遥感图像，获取遥感图像各像素点所在的经纬度信息，并根据经纬度信息查找所述海陆信息索引表，从而获得目标的背景是位于陆地、海洋，还是海陆交界处。由于所述索引表所占存储空间很小，并且查表过程中所耗费的计算量也很小，因此可以实现对目标背景的快速判断，相对于对遥感图像进行海陆分割的方法硬件设备投入大大降低，大幅度提高了检测效率。
本发明所提供的面向高分辨率定位的全球海陆分层索引编码方法主要是为提升高分辨率全球海陆信息的压缩编码效率而提出的。但显然，本说明书中所描述的编码方法也适用于空间连续性强的栅格数据编码操作，所取得的有益效果也是相似的。
Claims (6)
1.一种高分辨率全球数字高程模型图像的海陆信息索引编码方法，其特征在于，所述方法包括如下步骤：
根据全球数字高程模型数据，将高分辨率全球数字高程模型图像中的像素点划分为海洋、陆地、海陆交界三个类别；
将上述高分辨率全球数字高程模型图像分割成多个M×M像素的基本单元，根据上述像素点划分类别对所述基本单位的像素点进行编码，建立粗尺度索引表；
利用四叉树纵横等分对海陆交界区域进行分块，并对分块的像素点进行编码，建立海陆交界区域的细尺度索引表。
2.根据权利要求1所述的海陆信息索引编码方法，其特征在于：所述全球数字高程模型图像的分辨率小于100米。
3.根据权利要求2所述的海陆信息索引编码方法，其特征在于：所述分辨率为90米，M为1024。
4.根据权利要求1所述的海陆信息索引编码方法，其特征在于：所述编码是将所述基本单元或分块标记为一数字或字符。
5.根据权利要求4所述的海陆信息索引编码方法，其特征在于：该粗尺度索引表中，海洋像素点赋值为第一编码，陆地像素点赋值为第二编码，海陆交界像素点赋值为第三编码。
6.根据权利要求5所述的海陆信息索引编码方法，其特征在于：对处于海陆交界的基本单元采用四叉树纵横等分为四个子块，判断每个子块中像素点取值是否相等，若不相等，则将子块父节点赋值为第四编码，并继续对该子块采用四叉树纵横等分分块，直至每个子块中像素点取值相等；若相等，则停止细分，将子块父节点赋值为第三编码，将海洋子块标记为第一编码，陆地子块标记为第二编码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910071512.XA CN109886134A (zh) | 2019-01-25 | 2019-01-25 | 高分辨率全球数字高程模型图像的海陆信息索引编码方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910071512.XA CN109886134A (zh) | 2019-01-25 | 2019-01-25 | 高分辨率全球数字高程模型图像的海陆信息索引编码方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109886134A true CN109886134A (zh) | 2019-06-14 |
Family
ID=66926860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910071512.XA Pending CN109886134A (zh) | 2019-01-25 | 2019-01-25 | 高分辨率全球数字高程模型图像的海陆信息索引编码方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109886134A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112150482A (zh) * | 2020-09-17 | 2020-12-29 | 北京航空航天大学 | 一种基于高程信息和归一化海水指数的海陆分割方法 |
| CN112883960A (zh) * | 2021-01-25 | 2021-06-01 | 济南浪潮高新科技投资发展有限公司 | 一种海水养殖区域提取方法及装置 |
| CN113656419A (zh) * | 2021-07-30 | 2021-11-16 | 北京市遥感信息研究所 | 全球地表反射率数据集构建及更新方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103134476A (zh) * | 2013-01-28 | 2013-06-05 | 中国科学院研究生院 | 一种基于水平集算法的海陆分界线检测方法 |
| CN106709914A (zh) * | 2017-01-05 | 2017-05-24 | 北方工业大学 | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 |
| CN108052629A (zh) * | 2017-12-19 | 2018-05-18 | 郑州师范学院 | 一种基于高精度dem数据的快速海陆判断方法 |
| CN108376247A (zh) * | 2018-02-05 | 2018-08-07 | 北方工业大学 | 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法 |
| CN109191420A (zh) * | 2018-07-02 | 2019-01-11 | 上海卫星工程研究所 | 一种船舶目标切片图像的roi压缩方法 |
-
2019
- 2019-01-25 CN CN201910071512.XA patent/CN109886134A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103134476A (zh) * | 2013-01-28 | 2013-06-05 | 中国科学院研究生院 | 一种基于水平集算法的海陆分界线检测方法 |
| CN106709914A (zh) * | 2017-01-05 | 2017-05-24 | 北方工业大学 | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 |
| CN108052629A (zh) * | 2017-12-19 | 2018-05-18 | 郑州师范学院 | 一种基于高精度dem数据的快速海陆判断方法 |
| CN108376247A (zh) * | 2018-02-05 | 2018-08-07 | 北方工业大学 | 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法 |
| CN109191420A (zh) * | 2018-07-02 | 2019-01-11 | 上海卫星工程研究所 | 一种船舶目标切片图像的roi压缩方法 |
Non-Patent Citations (2)
| Title |
|---|
| HONGWEI ZHANG 等: "An Automatic Coastline Extraction Method Based on Active Contour Model", 《2013 21ST INTERNATIONAL CONFERENCE ON GEOINFORMATICS》 * |
| 郭海涛 等: "一种四叉树和测地线活动轮廓模型相结合的海陆影像分割方法", 《测绘学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112150482A (zh) * | 2020-09-17 | 2020-12-29 | 北京航空航天大学 | 一种基于高程信息和归一化海水指数的海陆分割方法 |
| CN112883960A (zh) * | 2021-01-25 | 2021-06-01 | 济南浪潮高新科技投资发展有限公司 | 一种海水养殖区域提取方法及装置 |
| CN113656419A (zh) * | 2021-07-30 | 2021-11-16 | 北京市遥感信息研究所 | 全球地表反射率数据集构建及更新方法及装置 |
| CN113656419B (zh) * | 2021-07-30 | 2023-06-13 | 北京市遥感信息研究所 | 全球地表反射率数据集构建及更新方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Objects segmentation from high-resolution aerial images using U-Net with pyramid pooling layers | |
| CN105513041B (zh) | 一种大幅面遥感图像海陆分割的方法及系统 | |
| CN109886134A (zh) | 高分辨率全球数字高程模型图像的海陆信息索引编码方法 | |
| CN110674742B (zh) | 基于DLinkNet的遥感图像道路提取方法 | |
| CN113256649B (zh) | 一种基于深度学习的遥感图像选站选线语义分割方法 | |
| CN116797787B (zh) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 | |
| CN110992366B (zh) | 一种图像语义分割方法、装置及存储介质 | |
| Wang et al. | The isotropic organization of DEM structure and extraction of valley lines using hexagonal grid | |
| Xu et al. | HA U-Net: Improved model for building extraction from high resolution remote sensing imagery | |
| CN114067152B (zh) | 一种基于星载sar影像的精细化洪水淹没区提取方法 | |
| Bayram et al. | A novel algorithm for coastline fitting through a case study over the Bosphorus | |
| CN112836614A (zh) | 一种基于残差网络和迁移学习的高分遥感图像分类方法 | |
| CN115980745A (zh) | 地下开采沉陷区智能识别方法、装置、电子设备及存储介质 | |
| CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
| CN112560719A (zh) | 基于多尺度卷积-多核池化的高分辨率影像水体提取方法 | |
| CN114612315A (zh) | 一种基于多任务学习的高分辨率影像缺失区域重建方法 | |
| CN117351360A (zh) | 一种基于注意力机制改进的遥感图像道路提取方法 | |
| CN108052629A (zh) | 一种基于高精度dem数据的快速海陆判断方法 | |
| Hao et al. | A subpixel mapping method for urban land use by reducing shadow effects | |
| Guo et al. | Data Augmentation Method for Extracting Partially Occluded Roads From High Spatial Resolution Remote Sensing Images | |
| Lin et al. | Shoreline data based sea-land segmentation method for on-orbit ship detection from panchromatic images | |
| ZHANG et al. | Investigation on the Relationship between Population Density and Satellite Image Features--a Deep Learning Based Approach. | |
| Hou et al. | Comparison of deep learning models to extract silt storage dams from remote sensing images | |
| Bischke et al. | Location-specific embedding learning for the semantic segmentation of building footprints on a global scale | |
| CN118470333B (zh) | 一种基于遥感图像的地理环境语义分割方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |