CN112419495B - 基于多尺度dem空间模型的高程点自动提取方法 - Google Patents
基于多尺度dem空间模型的高程点自动提取方法 Download PDFInfo
- Publication number
- CN112419495B CN112419495B CN202011154880.XA CN202011154880A CN112419495B CN 112419495 B CN112419495 B CN 112419495B CN 202011154880 A CN202011154880 A CN 202011154880A CN 112419495 B CN112419495 B CN 112419495B
- Authority
- CN
- China
- Prior art keywords
- elevation
- scale
- point
- space model
- points
- 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.)
- Active
Links
Images
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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明介绍了一种基于多尺度DEM空间模型的高程点自动提取方法,所谓基于多尺度DEM空间模型的高程点自动提取是指以输入DEM数据为基础,通过多次高斯滤波建立多尺度DEM空间模型,在该空间模型中提取初始高程点和临时高程点,并进行追踪,获取每个高程点的存活时间。最后设置阈值进行判断,提取结果高程点。
Description
技术领域
本发明属于地图制图中地形图高程点提取的方法技术领域,具体涉及一种基于多尺度DEM空间模型的高程点自动提取方法。
背景技术
尺度空间的概念由David G.Lowe在1999年提出,尺度空间用于提取在多尺度变换下保持不变的关键点,这些关键点对旋转、尺度缩放、亮度变化等保持不变性,是非常稳定的局部特征。尺度空间在图像特征点检测、图像匹配中应用广泛。
在地形图中,根据等高线的分布、数值、变化趋势,并结合高程点的大小,可以对地形图所描绘的地形起伏变化进行准确的模拟。高程点通常位于重要地形特征单元(如山峰、鞍部及山谷等)、河流、道路等自然或人文要素的内部或附近,具有重要的地理意义。受地形起伏的影响,高程点在空间上呈现密度不均匀的分布状态。常见的提取方法有基于数字高程模型(Digital Elevation Model,DEM)的高程点提取方法,但该方法容易受噪声的影响,提取结果不稳定;手工提取方法的结果虽精度较高,但是费时费力且容易遗漏,具有极大的主观性。因此,有必要提出一种方法,能够根据地貌特征,自动、高效地提取稳定的、具有地理意义的高程点。
发明内容
本发明的目的在于提供一种基于多尺度DEM空间模型的高程点自动提取方法,以解决背景技术中存在的问题。
为实现上述目的,本发明提供如下技术方案:1、一种基于多尺度DEM空间模型的高程点自动提取方法,其中,所述DEM为原始输入DEM数据,其特征在于,包括以下步骤:
步骤一,多尺度DEM空间模型建立:对所述DEM数据建立多尺度DEM空间模型;
步骤二,初始高程点和临时高程点提取:在所述多尺度空间模型的第1层DEM数据中提取所述初始高程点,包括山峰点和洼地点,在多尺度空间模型的其余层提取临时高程点;
步骤三,高程点追踪:对所述初始高程点和所述临时高程点,在每一层尺度空间中对其进行追踪,获取其在所述多尺度空间中的存活时间;
步骤四,结果高程点提取:根据所述初始高程点和所述临时高程点的存活时间,设置存活时间阈值,若大于等于该阈值,则提取为所述结果高程点。
优选地,步骤一中,所述多尺度DEM空间模型的输入数据为DEM,由高斯滤波对所述DEM进行N-1次卷积得到所述多尺度空间模型,卷积模板的大小为3*3。
优选地,步骤二中,所述初始高程点和所述临时高程点提取方法如下:遍历所述多尺度DEM空间模型每一层的象元,在3*3大小的窗口中判断中心象元与周围象元之间的高程大小关系,进而提取中心象元的中心点为高程点,遍历第1层得到所述初始高程点,遍历其它层得到所述临时高程点。
优选地,步骤三中,所述高程点追踪方法如下:遍历所述多尺度DEM空间模型中第i(i<n)层的所述高程点,判断在第i+1层,该所述高程点所在象元周围8个象元是否存在相同类型的所述高程点,若存在,则该所述高程点的存活时间增加1,所述高程点转移,继续判断第i+2层,重复这个过程,直至第N层。
优选地,步骤四中,所述结果高程点提取方法如下:判断所述高程点在所述多尺度DEM空间模型中的存活时间,设置存活时间阈值,若大于等于该阈值,则提取为所述结果高程点。
本发明与现有技术相比,其有益效果是:
本发明提出的一种基于多尺度DEM空间模型的高程点自动提取方法,实现了在多尺度空间中对高程点进行追踪,提取结果更准确、稳定;计算机自动提取排除了人工提取的主观性,降低了作业的成本,尤其当制图范围较大时,提高了高程点的提取效率与可靠性。
附图说明
图1是多尺度DEM空间模型示意图;
图2是高程点提取方法示意图;
图3是高程点追踪过程示意图。
具体实施方式
下面结合附图及较佳实施例详细说明本发明的具体实施方式。
本发明介绍了一种基于多尺度DEM空间模型的高程点自动提取方法,所谓基于多尺度DEM空间模型的高程点自动提取是指以输入DEM数据为基础,建立多尺度DEM空间模型,在该空间模型中对初始高程点和临时高程点进行追踪,获取每个高程点的存活时间,以此来提取结果高程点。本方法能够在多尺度空间中准确、稳定地提取高程点,排除了人工提取的主观性,降低了作业的成本,尤其当制图范围较大时,提高了高程点的提取效率与可靠性。
本发明基于多尺度DEM空间模型的高程点自动提取方法,由多尺度DEM空间模型建立、初始高程点和临时高程点提取、高程点追踪、高程点提取四个主要部分组成,具体过程如下:
步骤一,多尺度DEM空间模型建立。多尺度DEM空间模型的输入数据为DEM,作为多尺度空间的第1层。采用高斯滤波对DEM进行卷积,卷积模板的大小为3*3,得到多尺度空间模型的第2层。模板权重计算公式如式1。对于DEM边缘的象元,向外扩展一行或一列,扩展象元的高程值与边缘象元的高程值相同。对第2层再次进行高斯滤波卷积,得到第3层,重复这个过程,直到第N层。N层卷积结果构成多尺度空间模型,如图1所示。
步骤二,初始高程点和临时高程点提取:遍历多尺度空间第1层的象元,在3*3大小的窗口中判断中心象元与周围象元之间的高程大小关系,若中心象元的高程值全部大于周围象元的高程值,则提取该中心象元的中心点为初始山峰点,若中心象元的高程值全部小于周围象元的高程值,则提取该中心象元的中心点为初始洼地点,如图2所示,红色表示山峰点,绿色表示洼地点。遍历多尺度空间中其余层(>1)的象元,通过相同的方法获得临时山峰点和临时洼地点。对于DEM边缘的象元,向外扩展一行或一列,扩展象元的高程值与边缘象元的高程值相同。
步骤三,高程点追踪:对于初始高程点,在第2层至第N层进行追踪。遍历第1层的初始高程点,判断在第2层尺度空间中,该高程点所在象元的周围8个象元中是否存在相同类型的高程点(山峰点或洼地点),若存在,则该高程点转移,存活时间增加1,若存在大于等于两个相同类型的高程点,则选取坡度最小的象元;以转移后的高程点为基准,继续判断第3层该高程点所在象元的周围8个象元中是否存在相同类型的高程点,重复这个操作,直至第N层。对于第i层的临时高程点,在第i+1至第N层进行追踪,追踪方法同初始高程点。追踪过程如图3所示。
步骤四,结果高程点提取:判断初始高程点和临时高程点在多尺度DEM空间模型中的存活时间,设置存活时间阈值,若大于等于该阈值,则提取为结果高程点。对结果高程点序列进行删除重复值的操作,得到最终结果高程点提取结果。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于多尺度DEM空间模型的高程点自动提取方法,其中,所述DEM为原始输入DEM数据,其特征在于,包括以下步骤:
步骤一,多尺度DEM空间模型建立:对所述DEM数据建立多尺度DEM空间模型;
步骤二,初始高程点和临时高程点提取:在所述多尺度空间模型的第1层DEM数据中提取所述初始高程点,包括山峰点和洼地点,在多尺度空间模型的其余层提取临时高程点;
步骤三,高程点追踪:对于初始高程点,在第2层至第N层进行追踪,遍历第1层的初始高程点,判断在第2层尺度空间中,该高程点所在象元的周围8个象元中是否存在相同类型的高程点,若存在,则该高程点转移,存活时间增加1,若存在大于等于两个相同类型的高程点,则选取坡度最小的象元;以转移后的高程点为基准,继续判断第3层该高程点所在象元的周围8个象元中是否存在相同类型的高程点,重复这个操作,直至第N层,对于第i层的临时高程点,在第i+1至第N层进行追踪,追踪方法同初始高程点;
步骤四,结果高程点提取:根据所述初始高程点和所述临时高程点的存活时间,即存在的层数,设置存活时间阈值,若大于等于该阈值,则提取为所述结果高程点。
2.根据权利要求1所述的基于多尺度DEM空间模型的高程点自动提取方法,其特征在于:步骤一中,所述多尺度DEM空间模型的输入数据为DEM,由高斯滤波对所述DEM进行N-1次卷积得到所述多尺度空间模型,卷积模板的大小为3*3。
3.根据权利要求1所述的基于多尺度DEM空间模型的高程点自动提取方法,其特征在于:步骤二中,所述初始高程点和所述临时高程点提取方法如下:遍历所述多尺度DEM空间模型每一层的象元,在3*3大小的窗口中判断中心象元与周围象元之间的高程大小关系,进而提取中心象元的中心点为高程点,遍历第1层得到所述初始高程点,遍历其它层得到所述临时高程点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011154880.XA CN112419495B (zh) | 2020-10-26 | 2020-10-26 | 基于多尺度dem空间模型的高程点自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011154880.XA CN112419495B (zh) | 2020-10-26 | 2020-10-26 | 基于多尺度dem空间模型的高程点自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419495A CN112419495A (zh) | 2021-02-26 |
CN112419495B true CN112419495B (zh) | 2022-11-15 |
Family
ID=74841704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011154880.XA Active CN112419495B (zh) | 2020-10-26 | 2020-10-26 | 基于多尺度dem空间模型的高程点自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419495B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950436A (zh) * | 2010-09-29 | 2011-01-19 | 中国科学院国家天文台 | 利用激光高度计数据制作数字高程模型的方法 |
CN102339478A (zh) * | 2011-09-14 | 2012-02-01 | 北京地拓科技发展有限公司 | 一种从等高线图生成数字高程模型的方法和装置 |
CN108389255A (zh) * | 2018-02-12 | 2018-08-10 | 西安电子科技大学 | 基于分层高程云图的地形几何参数提取方法 |
CN109410265A (zh) * | 2019-01-22 | 2019-03-01 | 江苏省测绘工程院 | 一种基于往期dem辅助的tin滤波改进算法 |
CN110489511A (zh) * | 2019-08-23 | 2019-11-22 | 西南大学 | 等高线接边高程错误修正方法、系统及电子设备和介质 |
CN110990780A (zh) * | 2019-10-29 | 2020-04-10 | 西北农林科技大学 | 一种基于srtm数据的坡度提取方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103236086B (zh) * | 2013-04-24 | 2016-04-13 | 武汉大学 | 一种顾及地表水文上下文的多尺度dem建模方法 |
CN104331389B (zh) * | 2014-11-21 | 2017-08-08 | 南京南瑞集团公司 | 基于八点法的等值线追踪算法 |
CN104899865B (zh) * | 2015-05-04 | 2017-10-31 | 西安建筑科技大学 | 基于高斯尺度空间的山脉线提取方法 |
CN105550691B (zh) * | 2015-12-29 | 2019-03-19 | 武汉大学 | 基于尺度空间的自适应山谷山脊线提取方法及系统 |
CN109523631B (zh) * | 2016-06-21 | 2022-08-02 | 武汉瑞得信息科技有限责任公司 | 一种基于b样条拟合的等高线生成方法及装置 |
CN106504325B (zh) * | 2016-10-25 | 2018-02-02 | 武汉大学 | 一种基于cuda的dem特征点提取并行化方法 |
CN107255516B (zh) * | 2017-05-27 | 2018-11-06 | 北京师范大学 | 一种遥感影像滑坡单体划分方法 |
CN111368406A (zh) * | 2020-02-26 | 2020-07-03 | 天津大学 | 连续深度基准面构建方法 |
-
2020
- 2020-10-26 CN CN202011154880.XA patent/CN112419495B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950436A (zh) * | 2010-09-29 | 2011-01-19 | 中国科学院国家天文台 | 利用激光高度计数据制作数字高程模型的方法 |
CN102339478A (zh) * | 2011-09-14 | 2012-02-01 | 北京地拓科技发展有限公司 | 一种从等高线图生成数字高程模型的方法和装置 |
CN108389255A (zh) * | 2018-02-12 | 2018-08-10 | 西安电子科技大学 | 基于分层高程云图的地形几何参数提取方法 |
CN109410265A (zh) * | 2019-01-22 | 2019-03-01 | 江苏省测绘工程院 | 一种基于往期dem辅助的tin滤波改进算法 |
CN110489511A (zh) * | 2019-08-23 | 2019-11-22 | 西南大学 | 等高线接边高程错误修正方法、系统及电子设备和介质 |
CN110990780A (zh) * | 2019-10-29 | 2020-04-10 | 西北农林科技大学 | 一种基于srtm数据的坡度提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112419495A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287969B (zh) | 基于图残差注意力网络的摩尔文本图像二值化系统 | |
CN109740603B (zh) | 基于cnn卷积神经网络下的车辆字符识别方法 | |
CN111429349B (zh) | 基于光谱约束对抗网络的高光谱图像超分辨率方法 | |
CN109978032B (zh) | 基于空间金字塔空洞卷积网络的桥梁裂缝检测方法 | |
CN108197644A (zh) | 一种图像识别方法和装置 | |
CN108335290B (zh) | 一种基于liop特征与块匹配的图像区域复制篡改检测方法 | |
CN111639560B (zh) | 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置 | |
CN113269224B (zh) | 一种场景图像分类方法、系统及存储介质 | |
CN104809731A (zh) | 一种基于梯度二值化的旋转尺度不变场景匹配方法 | |
CN111179196B (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
CN111582093A (zh) | 一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法 | |
CN106845516A (zh) | 一种基于多样本联合表示的足迹图像识别方法 | |
CN107886065A (zh) | 一种混合字体的数字序列识别方法 | |
CN111932506B (zh) | 一种提取图像中非连续直线的方法 | |
CN113643365A (zh) | 一种相机位姿估计方法、装置、设备以及可读存储介质 | |
CN111815526A (zh) | 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统 | |
CN113807366B (zh) | 一种基于深度学习的点云关键点提取方法 | |
CN112419495B (zh) | 基于多尺度dem空间模型的高程点自动提取方法 | |
CN111445446B (zh) | 一种基于改进的U-net的混凝土表面裂缝检测方法 | |
CN111126185B (zh) | 一种针对道路卡口场景的深度学习车辆目标识别方法 | |
CN113192076B (zh) | 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法 | |
Huang et al. | A simple depression-filling method for raster and irregular elevation datasets | |
CN111462006B (zh) | 一种多目标的图像补全方法 | |
CN111414941B (zh) | 一种基于特征复用的点云卷积神经网络 | |
CN109739942B (zh) | 一种基于等高线模型的鞍部点提取方法 |
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 |