CN112926465A - 基于点云类型的海岸线性质识别方法及装置 - Google Patents
基于点云类型的海岸线性质识别方法及装置 Download PDFInfo
- Publication number
- CN112926465A CN112926465A CN202110228840.3A CN202110228840A CN112926465A CN 112926465 A CN112926465 A CN 112926465A CN 202110228840 A CN202110228840 A CN 202110228840A CN 112926465 A CN112926465 A CN 112926465A
- Authority
- CN
- China
- Prior art keywords
- coastline
- point cloud
- broken
- points
- point
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请实施例公开了一种基于点云类型的海岸线性质识别方法及装置,用以解决现有技术中难以对海岸线性质进行自动识别的问题。所述方法包括:获取目标海岸的LiDAR点云数据,计算LiDAR点云数据中各点分别对应的特征值,提取LiDAR点云数据中的多个海岸线碎部点;将各海岸线碎部点分别对应的特征值输入预先构建的定性分类模型,得到各海岸线碎部点分别对应的类型;根据预设平滑方式,对各海岸线碎部点的三维坐标数据进行平滑处理;连接平滑处理后的各海岸线碎部点,以生成目标海岸的海岸线,并根据各海岸线碎部点分别对应的类型,确定海岸线对应的性质。该技术方案实现了对海岸线性质的自动识别。
Description
技术领域
本申请涉及海岸线提取技术领域,尤其涉及一种基于点云类型的海岸线性质识别方法及装置。
背景技术
在实际的生产建设实践中,对岸线性质的认知需求往往要大于对岸线位置的认知需求。例如,对于海水养殖业也来说,不同性质的海岸带地形适合养殖的海产经济动植物差别很大,因此在养殖规划时首先会考虑海岸带地形性质。又如,从军事作战的角度来讲,在大规模的登陆作战时,要避免将登陆地点选在岸高崖深的岩石陡岸处,以及避免将登陆地点选择在淤泥遍布、行进困难、遮蔽物稀少的平缓淤泥质海岸处。因此,相关的地理信息产品需要同时满足对海岸线性质的识别、以及对海岸线位置的测量这两种需求,但目前尚无成熟的方案能够解决对海岸线性质进行自动识别的问题。
发明内容
本申请实施例的目的是提供一种基于点云类型的海岸线性质识别方法及装置,用以解决现有技术中难以对海岸线性质进行自动识别的问题。
为解决上述技术问题,本申请实施例是这样实现的:
一方面,本申请实施例提供一种基于点云类型的海岸线性质识别方法,包括:
获取目标海岸的LiDAR点云数据,计算所述LiDAR点云数据中各点分别对应的特征值,提取所述LiDAR点云数据中的多个海岸线碎部点;
将各所述海岸线碎部点分别对应的特征值输入预先构建的定性分类模型,得到各所述海岸线碎部点分别对应的类型;所述定性分类模型基于训练区内大量样本海岸的海岸带点云数据对应的样本特征值和样本类型训练得到;
根据预设平滑方式,对各所述海岸线碎部点的三维坐标数据进行平滑处理;
连接平滑处理后的各所述海岸线碎部点,以生成所述目标海岸的海岸线,并根据各所述海岸线碎部点分别对应的类型,确定所述海岸线对应的性质。
另一方面,本申请实施例提供一种基于点云类型的海岸线性质识别装置,包括:
获取及提取模块,用于获取目标海岸的LiDAR点云数据,计算所述LiDAR点云数据中各点分别对应的特征值,提取所述LiDAR点云数据中的多个海岸线碎部点;
第一执行模块,用于将各所述海岸线碎部点分别对应的特征值输入预先构建的定性分类模型,得到各所述海岸线碎部点分别对应的类型;所述定性分类模型基于训练区内大量样本海岸的海岸带点云数据对应的样本特征值和样本类型训练得到;
处理模块,用于根据预设平滑方式,对各所述海岸线碎部点的三维坐标数据进行平滑处理;
第二执行模块,用于连接平滑处理后的各所述海岸线碎部点,以生成所述目标海岸的海岸线,并根据各所述海岸线碎部点分别对应的类型,确定所述海岸线对应的性质。
再一方面,本申请实施例提供一种基于点云类型的海岸线性质识别设备,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现上述基于点云类型的海岸线性质识别方法。
再一方面,本申请实施例提供一种存储介质,用于存储计算机程序,所述计算机程序能够被处理器执行以实现上述基于点云类型的海岸线性质识别方法。
采用本申请实施例的技术方案,通过获取目标海岸的LiDAR点云数据,计算LiDAR点云数据中各点分别对应的特征值,提取LiDAR点云数据中的多个海岸线碎部点,将各海岸线碎部点分别对应的特征值输入预先构建的定性分类模型,得到各海岸线碎部点分别对应的类型,根据预设平滑方式对各海岸线碎部点的三维坐标数据进行平滑处理,连接平滑处理后的各海岸线碎部点,以生成目标海岸的海岸线,并根据各海岸线碎部点分别对应的类型,确定海岸线对应的性质。可见,该技术方案通过确定各海岸线碎部点分别对应的类型,从而能够确定由各海岸线碎部点连接生成的海岸线所对应的性质,实现了对海岸线性质的自动识别。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是根据本申请一实施例的一种基于点云类型的海岸线性质识别方法的示意性流程图;
图2是根据本申请一实施例的一种统计海岸带点云数据的第二邻域特征的立方体的示意图;
图3是根据本申请一实施例的一种用于修正海岸线碎部点对应的类型的球状区域的示意图;
图4是根据本申请另一实施例的一种基于点云类型的海岸线性质识别方法的示意性流程图;
图5是根据本申请一实施例的一种基于点云类型的海岸线性质识别装置的结构示意图;
图6是根据本申请一实施例的一种基于点云类型的海岸线性质识别设备的硬件结构示意图。
具体实施方式
本申请实施例的目的是提供一种基于点云类型的海岸线性质识别方法及装置,用以解决现有技术中难以对海岸线性质进行自动识别的问题。
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
图1是根据本申请一实施例的一种基于点云类型的海岸线性质识别方法的示意性流程图,如图1所示,该方法包括:
S102,获取目标海岸的LiDAR点云数据,计算LiDAR点云数据中各点分别对应的特征值,提取LiDAR点云数据中的多个海岸线碎部点。
其中,海岸线碎部点是用于描述海岸线的特征点,海岸带LiDAR(Light Detectionand Ranging,激光雷达)点云数据中包括若干个海岸线碎部点。本实施例中,为避免重复对已知性质的海岸线进行海岸线性质识别,可在获取目标海岸的LiDAR点云数据之前,首先判断目标海岸是否处于训练区内,若确定目标海岸不在训练区内,则获取目标海岸的LiDAR点云数据。
在一个实施例中,可基于LiDAR点云数据分别对应的三维坐标数据,计算LiDAR点云数据分别对应的特征值。
S104,将各海岸线碎部点分别对应的特征值输入预先构建的定性分类模型,得到各海岸线碎部点分别对应的类型。
其中,定性分类模型基于训练区内大量样本海岸的海岸带点云数据对应的样本特征值和样本类型训练得到。在将各海岸线碎部点分别对应的特征值输入预先构建的定性分类模型之前,可从计算得到的LiDAR点云数据各点分别对应的特征值中,确定各海岸线碎部点分别对应的特征值。
S106,根据预设平滑方式,对各海岸线碎部点的三维坐标数据进行平滑处理。
其中,预设平滑方式可为局部加权回归散点平滑法(Locally WeightedScatterplot Smoothing,LOESS)。
S108,连接平滑处理后的各海岸线碎部点,以生成目标海岸的海岸线,并根据各海岸线碎部点分别对应的类型,确定海岸线对应的性质。
采用本申请实施例的技术方案,通过获取目标海岸的LiDAR点云数据,提取LiDAR点云数据中的多个海岸线碎部点,计算LiDAR点云数据中各点分别对应的特征值,将各海岸线碎部点分别对应的特征值输入预先构建的定性分类模型,得到各海岸线碎部点分别对应的类型,根据预设平滑方式对各海岸线碎部点的三维坐标数据进行平滑处理,连接平滑处理后的各海岸线碎部点,以生成目标海岸的海岸线,并根据各海岸线碎部点分别对应的类型,确定海岸线对应的性质。可见,该技术方案通过确定各海岸线碎部点分别对应的类型,从而能够确定由各海岸线碎部点连接生成的海岸线所对应的性质,实现了对海岸线性质的自动识别。
在一个实施例中,LiDAR点云数据包括点云密度信息。可根据如下步骤A1-A2,提取LiDAR点云数据中的多个海岸线碎部点。
在执行步骤A1之前,可首先对LiDAR点云数据进行数据预处理:
首先,对LiDAR点云数据进行坐标转换,将LiDAR点云数据对应的三维坐标数据转换至符合当前应用需求的坐标系(如,2000国家大地坐标系)和高程基准(如,1985国家高程基准)下。
其次,根据公式(1)计算得到平均大潮高潮面高程值HMHWS,
最后,针对坐标转换后的LiDAR点云数据,将高程值小于高程阈值的LiDAR点云数据舍去。其中,可将HMHWS设为高程阈值,小于高程阈值的LiDAR点云数据所包含的点可认为是海中的点,大于或等于高程阈值的LiDAR点云数据所包含的点可认为是目标海岸上的点。
步骤A1,基于海图成图比例尺信息和点云密度信息确定粗格网的大小,利用多个粗格网对LiDAR点云数据中的海岸线碎部点进行粗提取。
其中,可首先根据《机载激光雷达数据获取技术规范》确定粗格网的大小,该规范规定了利用LiDAR点云数据内插DEM(Digital Elevation Model,数字高程模型)时格网间距及点云密度。基于LiDAR点云数据中的点云密度信息,可参考该规范选择粗格网的大小。海图成图比例尺信息、点云密度信息和粗格网的大小之间的对应关系如表1。
表1 DEM格网间距
图幅比例尺 | DEM格网间距/m | 点云密度/(点/m<sup>2</sup>) |
1:500 | 0.5 | ≥16 |
1:1 000 | 1.0 | ≥4 |
1:2 000 | 2.0 | ≥1 |
1:5 000 | 2.5 | ≥1 |
1:10 000 | 5.0 | ≥0.25 |
表1中,图幅比例尺为海图成图比例尺信息,DEM格网间距为粗格网的大小,点云密度为点云密度信息。
其次,根据LiDAR点云数据对应的三维坐标数据,统计LiDAR点云数据的外包矩形(Xmax,Ymax;Xmin,Ymin),并根据选定的格网边长a及LiDAR点云数据的平面坐标(x,y),通过公式(2)计算外包矩形行列值M、N及每点所在格网行列值m、n。
式中[]表示取整,M为外包矩形行值,N为外包矩形列值,m为点的行值,n为点的列值,a为格网边长。
在实现LiDAR点云数据的格网化组织后,为避免非外侧边缘被提取到,需对陆部存在的低海拔区域造成的格网孔洞进行填充处理,再对填充后的数据进行边缘检测,提取得到边缘格网数据,然后对边缘格网进行最大连通区域检测确定海岸线粗格网位置,最后得到海岸线所处的粗格网内的LiDAR点云数据。
本实施例中,通过对无序的LiDAR点云数据进行规则化粗格网管理,并利用边缘检测算法提取海岸线所处的边缘格网,以得到海岸线碎部点的粗提取结果,提高了海岸线碎部点粗提取的准确度。
步骤A2,基于预设的与点云密度信息和海图成图比例尺信息相对应的细格网大小确定方式,确定细格网的大小,利用多个细格网对得到的海岸线碎部点粗提取结果进行细提取,得到多个海岸线碎部点。
其中,根据点云密度信息可确定点云密度大小。本实施例中,具体包括以下三个与点云密度信息和海图成图比例尺信息相对应的细格网大小确定方式:
方式一、若点云密度较大,则可将海图成图的图上人眼最大分辨率(0.1毫米)确定为细格网的边长。
方式二、若点云密度相对稀疏,则可采用海图成图的普通岸线的宽度(0.2毫米)作为细格网的边长。
方式三、随着海图成图比例尺的增大,对点云密度分布有着更高的要求,但由于存在着点云密度过密或过稀疏的区域,以上两种确定细格网大小的方式可能不再适用,此时细格网的大小的确定需以能形成连续的海岸线细格网为准。
在确定细格网的大小之后,根据LiDAR点云数据对应的三维坐标数据,统计LiDAR点云数据的外包矩形(Xmax,Ymax;Xmin,Ymin),并根据选定的格网边长及LiDAR点云数据的平面坐标(x,y),通过上述公式(2)计算外包矩形行列值M、N及每点所在格网行列值m、n。
在对LiDAR点云数据进行细格网划分后,采取膨胀算法对因点云密度不均造成的细格网数据断点进行处理,再对细格网内部孔洞进行填充,以避免内陆低海拔区域的边缘被提取出来,然后再对细格网数据进行腐蚀处理,以恢复膨胀后的数据,最后进行细边缘格网提取。
在利用多个细格网对粗提取后的海岸线碎部点进行细提取时,首先舍去无LiDAR点云数据的细格网,其次,在每个细格网所包含的至少一个点中,取高程值最接近HMHWS的点作为海岸线碎部点,并通过设定与HMHWS之间的差值阈值△来舍去细格网中不合理的点。
本实施例中,通过粗细格网对LiDAR点云数据中的海岸线碎部点进行提取,该方式实现了对无序的LiDAR点云数据的规则化格网管理,从而得到海岸线碎部点数据,为后续对海岸线性质自动识别提供了数据基础。
在一个实施例中,可预先根据如下步骤B1-B3,基于训练区内大量样本海岸的海岸带点云数据对应的样本特征值和样本类型训练得到定性分类模型。
步骤B1,获取大量样本海岸的海岸带点云数据,确定用于训练定性分类模型的训练区。
其中,训练区内海岸带点云数据中各点分别对应的样本类型基于人工标记得到,有利于提高确定出的样本类型的准确性。在获取大量样本海岸的海岸带点云数据之后,将包含海岸类型较多的区域作为训练区,并人工标记各点分别对应的样本类型,以提高训练出的定性分类模型的完善性和有效性。
本实施例中,可确定训练区内用于计算各海岸带点云数据分别对应的样本特征值的自适应区域,该自适应区域中包括一定数量的点。可根据香农熵计算点的数量nopt。假设邻域点数为n,从n个最邻近点的三维坐标(x,y,z)中可计算出协方差矩阵及其特征值λ1,λ2,λ3。香农熵以下式计算:
Eλ=-e1ln e1-e2ln e2-e3ln e3, (3)
ei=λi/Σλ, (4)
Σλ=λ1+λ2+λ3, (5)
其中e1,e2,e3为归一化特征值,Σλ为特征值和。当Σλ最小时,n值为最佳nopt值,根据包含nopt个点的单位区域中各点的三维坐标数据,可计算得到该单位区域中各点分别对应的样本特征值。
其中,可根据海岸带点云数据的点云密度大小、指定形状区域中的任一项,确定自适应区域的范围。若根据海岸带点云数据的点云密度大小确定自适应区域的范围,则可预先设定点云密度阈值,确定点云密度大于或等于点云密度阈值的区域为自适应区域。若根据指定形状区域确定自适应区域的范围,则可预先设定指定形状,在海岸带点云数据所属区域中确定出指定形状作为自适应区域。
步骤B2,根据训练区内海岸带点云数据对应的三维坐标数据,计算海岸带点云数据中各点分别对应的样本特征值。
其中,海岸带点云数据中各点分别对应的样本特征值包括16个三维几何特征、6个二维几何特征、4个立方体邻域特征和2个波形参数特征。三维几何特征中包括:归一化特征值e1、归一化特征值e2、归一化特征值e3,以及根据上述三个归一化特征值计算得到的线性指数Lλ、平面性指数Pλ、零散指数Sλ、总方差Oλ、各向异性指数Aλ、特征熵Eλ、曲率变化率Cλ、垂直指数Vλ,计算公式如下:
Lλ=(e1-e2)/e1, (6)
Pλ=(e2-e3)/e1, (7)
Sλ=e3/e1, (8)
Aλ=(e1-e3)/e1, (10)
Cλ=e1/(e1+e2+e3), (12)
Vλ=1-e3。 (13)
此外,局部点密度D、局部点云半径r、高程z、高程变化范围△H、高程标准差Hstd也属于三维几何特征。
在海岸带场景中,因岩石、磊石和海水等地物的点云具有垂直空间上的分布特征,导致采集海岸带点云数据时,同一束激光可能具有多次回波值,因此该类物体在水平投影后的局部范围内形成的点密度更大。二维几何特征往往能够与三维特征形成互补性,故其也具有一定的表征性。根据海岸带点云数据的平面坐标可计算得到以下6个二维几何特征:邻域点密度D2D、邻域点半径r2D、二维特征值和∑λ2D、特征值比率μ、归一化特征值e1-2D和归一化特征值e2-2D。
如图2所示,以(x,y)为中心构造高度不限,长宽均为d的立方体。计算该立方体内的所有海岸带点云数据的三维坐标数据,可得到海岸带点云数据对应的立方体邻域特征:高程中值H、高程标准差Hcube-std、点个数ncube-std、高程范围△Hp,
ΔHP=Hp90-Hp10, (14)
其中Hp90和Hp10分别是该立方体内所有点高程的90百分位点和10百分位点。假设立方体内有100个点,对所有点从低到高排序,第一点高程1m(米),第二点高程2m,第三点高程3m.....第十点高程10m.....第九十点高程90m.....第一百点高程100m,则第十点高程10m、第九十点高程90m,分别为该立方体内所有点高程的10百分位点和90百分位点,高程范围为90-10=80m。
除上述26维样本特征值之外,波形参数特征:回波强度γ,回波次数k被公认为具有很强的表征性,故作为另外两维样本特征值。
步骤B3,以训练区内海岸带点云数据中各点分别对应的样本特征值及样本类型为输入数据,利用随机森林算法构建定性分类模型。
其中,将步骤B1中人工标记的样本海岸的海岸带点云数据对应的样本类型、以及步骤B2中获得的28维样本特征值作为输入数据,并利用随机森林算法可构建得到定性分类模型。
由于在人工标记样本海岸的海岸带点云数据对应的样本类型的过程中,存在出错的可能性,因此在得到定性分类模型之后,需要选定一块非训练区(首先在该区域内由人工标记得到各点分别对应的样本类型)进行测试,由定性分类模型输出各点分别对应的类型,从而基于人工标记的结果对定性分类模型的输出结果进行量化评价。量化评价是一个自动的过程,评价结果由真正(TP,True Positive,即定性分类模型识别结果与人工标记结果一致)、真负(TN,True Negative)、假正(FP,False Positive)、假负(FN,False Negative)四个参数决定,故可通过构建误差矩阵,如表2所示,来对定性分类模型的分类精度进行评价。其中,真正、真负、假正、假负四个参数可由定性分类模型的输出结果与人工标记比对得到。
表2检测误差矩阵
在精度评价结果中,常用以下三个指标用于误差分析:完整度(Completeness)、正确度(Correctness)及总精度(Overall accuracy)。完整度用于衡量输出结果的完整程度,正确度用于衡量输出结果的可靠程度,总精度用于衡量整体分类精度,三个指标的理想值为1.00,指标越高性质分类模型输出结果的精度越高,计算方法如下所示:
本实施例中,基于训练区内大量样本海岸的海岸带点云数据对应的样本特征值和样本类型进行训练可得到定性分类模型,从而当再次获知特征值时,可直接将特征值输入定性分类模型中,以得到特征值对应的类型。
在一个实施例中,在根据各海岸线碎部点分别对应的类型,确定海岸线对应的性质时,可首先根据预设修正方式,对各海岸线碎部点分别对应的类型进行修正,得到各海岸线碎部点分别对应的修正后的类型。其次,根据各海岸线碎部点分别对应的修正后的类型,确定海岸线对应的性质。
本实施例中,通过预设修正方式对各海岸线碎部点分别对应的类型进行修正,得到各海岸线碎部点分别对应的修正后的类型,从而根据各海岸线碎部点分别对应的修正后的类型确定海岸线对应的性质,提高了各海岸线碎部点对应的类型的准确性,从而提高了海岸线对应的性质的准确性。
在一个实施例中,可根据如下步骤C1-C4,对各海岸线碎部点分别对应的类型进行修正,得到各海岸线碎部点分别对应的修正后的类型。
步骤C1,基于预设的海图成图比例尺信息与点云密度信息之间的对应关系,确定点云密度信息对应的海图成图比例尺信息。
其中,预设的海图成图比例尺信息与点云密度信息之间的对应关系,可如上述表1所记载的海图成图比例尺信息、点云密度信息和粗格网的大小之间的对应关系。根据LiDAR点云数据中的点云密度信息,以及提取各海岸线碎部点的粗格网的大小,可参照表1确定出对应的海图成图比例尺信息。
步骤C2,根据海图成图比例尺信息及预设的海图制图规范,确定在海图中体现海岸线性质的最短岸线长度。
其中,预设的海图制图规范为《中国航海图编绘规范》,该规范中对海图上需表示的海岸性质长度有明确的要求,而在实际测量过程中,很多海岸长度较短,同时其周边存在其他性质的海岸较为连续且长度较长,因此往往将较短的海岸性质综合为较长海岸性质的一部分。由于所提取的是海岸线碎部点,较短性质的海岸线表现为相邻近的一组少量点或单个点为同一性质,同时由于分类误差的存在,还会有个别点出现错分的情况,为符合规范中对海岸性质表示的要求及纠正错分类结果的需求而设计了本环节。可根据《中国航海图编绘规范》中规定的图上需表示海岸线性质的长度,并根据海图成图比例尺信息,确定在海图中体现海岸线性质的最短岸线长度。
步骤C3,以最短岸线长度为半径、以各海岸线碎部点为球心构建多个球状区域。
步骤C4,针对任一球状区域,确定球状区域内的LiDAR点云数据对应的类型中点数量最多的类型,将球心处的海岸线碎部点对应的类型修改为LiDAR点云数据对应的类型中点数量最多的类型;进一步,按照海岸线走向,确定各球状区域内的海岸线碎部点对应的类型中点数量最多的类型,将球心处的海岸线碎部点对应的类型依次修改为海岸线碎部点对应的类型中点数量最多的类型。
在执行步骤C4之前,可首先将LiDAR点云数据中各点分别对应的特征值输入预先构建的定性分类模型,得到各点分别对应的类型。
如图3所示,以图中坐标为(x,y)的海岸线碎部点为中心,进行以r为半径的球状区域内各类型的LiDAR点云数据的数量统计,球状区域内包括A类点和B类点,将中心点处海岸线碎部点对应的类型重新赋值为球状区域内的LiDAR点云数据对应的类型中点数量最多的类型,该过程如图3的(a)所示,经此环节,大部分被错误分类的点将被纠正。对海岸线碎部点对应的类型进行纠正后,还会存在相邻近的一组少量点或单个点为同一类型,如图3的(b)所示,以图中坐标为(x,y)的海岸线碎部点为中心,进行以r为半径的球状区域内各类型的海岸线碎部点的数量统计,按照海岸线走向将中心点处海岸线碎部点对应的类型依次修改为球状区域内的海岸线碎部点对应的类型中点数量最多的类型,即图中的B类岸线碎部点对应的类型将被修改为A。对所有海岸线碎部点按照海岸线走向依次进行类型的整合。
本实施例中,通过确定球状区域内的LiDAR点云数据对应的类型中点数量最多的类型,将球心处的海岸线碎部点对应的类型修改为LiDAR点云数据对应的类型中点数量最多的类型;进一步,按照海岸线走向,确定各球状区域内的海岸线碎部点对应的类型中点数量最多的类型,将球心处的海岸线碎部点对应的类型依次修改为海岸线碎部点对应的类型中点数量最多的类型,能够提高各海岸线碎部点对应的类型的准确性。
在一个实施例中,可根据预设平滑方式,对各海岸线碎部点的三维坐标数据进行平滑处理,并按照海岸线走向确定海岸线的起始点对应的海岸线碎部点,之后基于起始点对应的海岸线碎部点,按照海岸线的走向连接平滑处理后的各海岸线碎部点,生成目标海岸的海岸线。
其中,在对各海岸线碎部点的三维坐标数据进行平滑处理时,可假设全部的海岸线碎部点数据集为A,局部海岸线碎部点数据集为T,T∈A,T=(xi,yi),i=1,2,3,…,n,权系数为ω1,ω2,…,ωm(ωi>0,i=1,2,…,m),求解二阶多项式P(x)=a0+a1x+a2x2,使得
其中,(xj,yj)∈T,表示A中第j个采样点,处于局部数据集T的中心位置,(x,y)为预测点(即平滑后的点坐标),窗口内越接近(xi,yi)的点其权值越大,可用高斯核函数表征权值函数。
根据公式(18)曲线拟合最小二乘法,用于计算最佳a0,a1,a2,然后预测某一散点平滑之后的值,此时需要用到某一散点局部范围内的多个点,这个过程可以加权也可以不加,加权的意义在于越接近预测点位置的散点,该散点的坐标就越与预测点接近,越远离预测位置的散点,该散点的坐标就越与预测点偏离,因此把越接近预测点位置的散点加上较大权重,越偏离预测点的散点加上较小权重。
本实施例中,通过对海岸线碎部点的三维坐标数据进行平滑处理,并按照海岸线走向连接平滑处理后的海岸线碎部点,可生成相对较平滑的海岸线。
在一个实施例中,目标海岸的海岸线包括多个海岸线分段。在按照海岸线的走向连接平滑处理后的各海岸线碎部点之后,针对类型不同的每相邻两个海岸线碎部点,根据海岸线的走向,可确定各相邻的两个海岸线碎部点中的前一个海岸线碎部点对应的类型为各相邻的两个海岸线碎部点之间的海岸线分段对应的性质。
例如,一组相邻两个海岸线碎部点的类型为A和B。若海岸线的走向为从类型A的海岸线碎部点到类型B的海岸线碎部点,则可确定该组相邻的两个海岸线碎部点之间的海岸线分段对应的性质为A;若海岸线的走向为从类型B的海岸线碎部点到类型A的海岸线碎部点,则可确定该组相邻的两个海岸线碎部点之间的海岸线分段对应的性质为B。
本实施例中,针对类型不同的每相邻两个海岸线碎部点,根据海岸线的走向,确定各相邻的两个海岸线碎部点中的前一个海岸线碎部点对应的类型为各相邻的两个海岸线碎部点之间的海岸线分段对应的性质,可有效避免类型不同的每相邻两个海岸线碎部点之间的海岸线分段对应的性质不明确的情况。
在一个实施例中,生成具有性质的海岸线之后,可对海岸线对应的性质的精度进行评价。具体可统计连续出现的同一性质的海岸线且其性质表示错误的长度,并比较最大错误长度是否超过《中国航海图编绘规范》中规定的需表示的海岸性质最短长度D,若d<D,则确定对海岸线性质的识别较准确。
图4是根据本申请另一实施例的一种基于点云类型的海岸线性质识别方法的示意性流程图,如图4所示,该方法包括:
S401,获取目标海岸的LiDAR点云数据,并基于LiDAR点云数据分别对应的三维坐标数据,计算LiDAR点云数据中各点分别对应的特征值。
S402,提取LiDAR点云数据中的多个海岸线碎部点,基于提取到的海岸线碎部点的三维坐标数据从预先计算出的LiDAR点云数据中各点分别对应的特征值中,确定各海岸线碎部点分别对应的特征值,并将特征值输入预先构建的定性分类模型,得到各海岸线碎部点分别对应的类型。
S403,根据预设平滑方式,对各海岸线碎部点的三维坐标数据进行平滑处理。
S404,按照海岸线走向确定海岸线的起始点对应的海岸线碎部点。
S405,基于起始点对应的海岸线碎部点,按照海岸线的走向连接平滑处理后的各海岸线碎部点,生成目标海岸的海岸线。
其中,目标海岸的海岸线包括多个海岸线分段。在按照海岸线的走向连接平滑处理后的各海岸线碎部点之后,针对类型不同的每相邻两个海岸线碎部点,根据海岸线的走向,可确定各相邻的两个海岸线碎部点中的前一个海岸线碎部点对应的类型为各相邻的两个海岸线碎部点之间的海岸线分段对应的性质。
S406,基于预设的海图成图比例尺信息与点云密度信息之间的对应关系,确定LiDAR点云数据中的点云密度信息对应的海图成图比例尺信息。
S407,根据海图成图比例尺信息及预设的海图制图规范,确定在海图中体现海岸线性质的最短岸线长度。
S408,以最短岸线长度为半径、以各海岸线碎部点为球心构建多个球状区域。
S409,针对任一球状区域,确定球状区域内的LiDAR点云数据对应的类型中点数量最多的类型,将球心处的海岸线碎部点对应的类型修改为LiDAR点云数据对应的类型中点数量最多的类型;进一步,按照海岸线走向,确定各球状区域内的海岸线碎部点对应的类型中点数量最多的类型,将球心处的海岸线碎部点对应的类型依次修改为海岸线碎部点对应的类型中点数量最多的类型。
S410,根据各海岸线碎部点分别对应的修正后的类型,确定海岸线对应的性质。
上述S401-S410的具体过程在上述实施例中已进行详细说明,此处不再赘述。
采用本申请实施例的技术方案,通过获取目标海岸的LiDAR点云数据,计算LiDAR点云数据中各点分别对应的特征值,提取LiDAR点云数据中的多个海岸线碎部点,将各海岸线碎部点分别对应的特征值输入预先构建的定性分类模型,得到各海岸线碎部点分别对应的类型,根据预设平滑方式对各海岸线碎部点的三维坐标数据进行平滑处理,连接平滑处理后的各海岸线碎部点,以生成目标海岸的海岸线,并根据各海岸线碎部点分别对应的类型,确定海岸线对应的性质。可见,该技术方案通过确定各海岸线碎部点分别对应的类型,从而能够确定由各海岸线碎部点连接生成的海岸线所对应的性质,实现了对海岸线性质的自动识别。
综上,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
以上为本申请实施例提供的基于点云类型的海岸线性质识别方法,基于同样的思路,本申请实施例还提供一种基于点云类型的海岸线性质识别装置。
图5是根据本申请一实施例的一种基于点云类型的海岸线性质识别装置的结构示意图,如图5所示,基于点云类型的海岸线性质识别装置包括:
第一执行模块510,用于获取目标海岸的LiDAR点云数据,计算LiDAR点云数据中各点分别对应的特征值,提取LiDAR点云数据中的多个海岸线碎部点;
输入模块520,用于将各海岸线碎部点分别对应的特征值输入预先构建的定性分类模型,得到各海岸线碎部点分别对应的类型;定性分类模型基于训练区内大量样本海岸的海岸带点云数据对应的样本特征值和样本类型训练得到;
处理模块530,用于根据预设平滑方式,对各海岸线碎部点的三维坐标数据进行平滑处理;
第二执行模块540,用于连接平滑处理后的各海岸线碎部点,以生成目标海岸的海岸线,并根据各海岸线碎部点分别对应的类型,确定海岸线对应的性质。
在一个实施例中,基于点云类型的海岸线性质识别装置还包括:
获取及确定模块,用于获取大量样本海岸的海岸带点云数据,确定用于训练定性分类模型的训练区;训练区内海岸带点云数据中各点分别对应的样本类型基于人工标记得到;
计算模块,用于根据训练区内海岸带点云数据对应的三维坐标数据,计算海岸带点云数据中各点分别对应的样本特征值;
构建模块,用于以训练区内海岸带点云数据中各点分别对应的样本特征值及样本类型为输入数据,利用随机森林算法构建定性分类模型。
在一个实施例中,第二执行模块540包括:
修正单元,用于根据预设修正方式,对各海岸线碎部点分别对应的类型进行修正,得到各海岸线碎部点分别对应的修正后的类型;
第一确定单元,用于根据各海岸线碎部点分别对应的修正后的类型,确定海岸线对应的性质。
在一个实施例中,LiDAR点云数据包括点云密度信息;
修正单元具体用于:
基于预设的海图成图比例尺信息与点云密度信息之间的对应关系,确定点云密度信息对应的海图成图比例尺信息;
根据海图成图比例尺信息及预设的海图制图规范,确定在海图中体现海岸线性质的最短岸线长度;
以最短岸线长度为半径、以各海岸线碎部点为球心构建多个球状区域;
针对任一球状区域,确定球状区域内的LiDAR点云数据对应的类型中点数量最多的类型,将球心处的海岸线碎部点对应的类型修改为LiDAR点云数据对应的类型中点数量最多的类型;进一步,按照海岸线走向,确定各球状区域内的海岸线碎部点对应的类型中点数量最多的类型,将球心处的海岸线碎部点对应的类型依次修改为海岸线碎部点对应的类型中点数量最多的类型。
在一个实施例中,第二执行模块540包括:
第二确定单元,用于按照海岸线走向确定海岸线的起始点对应的海岸线碎部点;
生成单元,用于基于起始点对应的海岸线碎部点,按照海岸线的走向连接平滑处理后的各海岸线碎部点,生成目标海岸的海岸线。
在一个实施例中,目标海岸的海岸线包括多个海岸线分段;
基于点云类型的海岸线性质识别装置还包括:
确定模块,用于针对类型不同的每相邻两个海岸线碎部点,根据海岸线的走向,确定各相邻的两个海岸线碎部点中的前一个海岸线碎部点对应的类型为各相邻的两个海岸线碎部点之间的海岸线分段对应的性质。
在一个实施例中,第一执行模块510包括:
第三确定单元,用于基于海图成图比例尺信息和点云密度信息确定粗格网的大小;
第一提取单元,用于利用多个粗格网对LiDAR点云数据中的海岸线碎部点进行粗提取;
第四确定单元,用于基于预设的与点云密度信息和海图成图比例尺信息相对应的细格网大小确定方式,确定细格网的大小;
第二提取单元,用于利用多个细格网对得到的海岸线碎部点粗提取结果进行细提取,得到多个海岸线碎部点。
采用本申请实施例的装置,通过获取目标海岸的LiDAR点云数据,计算LiDAR点云数据中各点分别对应的特征值,提取LiDAR点云数据中的多个海岸线碎部点,将各海岸线碎部点分别对应的特征值输入预先构建的定性分类模型,得到各海岸线碎部点分别对应的类型,根据预设平滑方式对各海岸线碎部点的三维坐标数据进行平滑处理,连接平滑处理后的各海岸线碎部点,以生成目标海岸的海岸线,并根据各海岸线碎部点分别对应的类型,确定海岸线对应的性质。可见,该装置通过确定各海岸线碎部点分别对应的类型,从而能够确定由各海岸线碎部点连接生成的海岸线所对应的性质,实现了对海岸线性质的自动识别。
本领域的技术人员应可理解,图5中的基于点云类型的海岸线性质识别装置能够用来实现前文所述的基于点云类型的海岸线性质识别方法,其中的细节描述应与前文方法部分描述类似,为避免繁琐,此处不另赘述。
基于同样的思路,本申请实施例还提供一种基于点云类型的海岸线性质识别设备,如图6所示。基于点云类型的海岸线性质识别设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器601和存储器602,存储器602中可以存储有一个或一个以上存储应用程序或数据。其中,存储器602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对基于点云类型的海岸线性质识别设备中的一系列计算机可执行指令。更进一步地,处理器601可以设置为与存储器602通信,在基于点云类型的海岸线性质识别设备上执行存储器602中的一系列计算机可执行指令。基于点云类型的海岸线性质识别设备还可以包括一个或一个以上电源603,一个或一个以上有线或无线网络接口604,一个或一个以上输入输出接口605,一个或一个以上键盘606。
具体在本实施例中,基于点云类型的海岸线性质识别设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对基于点云类型的海岸线性质识别设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取目标海岸的LiDAR点云数据,计算LiDAR点云数据中各点分别对应的特征值,提取LiDAR点云数据中的多个海岸线碎部点;
将各海岸线碎部点分别对应的特征值输入预先构建的定性分类模型,得到各海岸线碎部点分别对应的类型;定性分类模型基于训练区内大量样本海岸的海岸带点云数据对应的样本特征值和样本类型训练得到;
根据预设平滑方式,对各海岸线碎部点的三维坐标数据进行平滑处理;
连接平滑处理后的各海岸线碎部点,以生成目标海岸的海岸线,并根据各海岸线碎部点分别对应的类型,确定海岸线对应的性质。
采用本申请实施例的设备,通过获取目标海岸的LiDAR点云数据,计算LiDAR点云数据中各点分别对应的特征值,提取LiDAR点云数据中的多个海岸线碎部点,将各海岸线碎部点分别对应的特征值输入预先构建的定性分类模型,得到各海岸线碎部点分别对应的类型,根据预设平滑方式对各海岸线碎部点的三维坐标数据进行平滑处理,连接平滑处理后的各海岸线碎部点,以生成目标海岸的海岸线,并根据各海岸线碎部点分别对应的类型,确定海岸线对应的性质。可见,该设备通过确定各海岸线碎部点分别对应的类型,从而能够确定由各海岸线碎部点连接生成的海岸线所对应的性质,实现了对海岸线性质的自动识别。
本申请实施例还提出了一种存储介质,该存储介质存储一个或多个计算机程序,该一个或多个计算机程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行上述基于点云类型的海岸线性质识别方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于点云类型的海岸线性质识别方法,其特征在于,包括:
获取目标海岸的LiDAR点云数据,计算所述LiDAR点云数据中各点分别对应的特征值,提取所述LiDAR点云数据中的多个海岸线碎部点;
将各所述海岸线碎部点分别对应的特征值输入预先构建的定性分类模型,得到各所述海岸线碎部点分别对应的类型;所述定性分类模型基于训练区内大量样本海岸的海岸带点云数据对应的样本特征值和样本类型训练得到;
根据预设平滑方式,对各所述海岸线碎部点的三维坐标数据进行平滑处理;
连接平滑处理后的各所述海岸线碎部点,以生成所述目标海岸的海岸线,并根据各所述海岸线碎部点分别对应的类型,确定所述海岸线对应的性质。
2.根据权利要求1所述的方法,其特征在于,所述将各所述海岸线碎部点分别对应的特征值输入预先构建的定性分类模型,得到各所述海岸线碎部点分别对应的类型之前,所述方法还包括:
获取大量样本海岸的海岸带点云数据,确定用于训练所述定性分类模型的训练区;所述训练区内所述海岸带点云数据中各点分别对应的所述样本类型基于人工标记得到;
根据所述训练区内所述海岸带点云数据对应的所述三维坐标数据,计算所述海岸带点云数据中各点分别对应的所述样本特征值;
以所述训练区内所述海岸带点云数据中各点分别对应的所述样本特征值及所述样本类型为输入数据,利用随机森林算法构建所述定性分类模型。
3.根据权利要求1所述的方法,其特征在于,所述根据各所述海岸线碎部点分别对应的类型,确定所述海岸线对应的性质,包括:
根据预设修正方式,对各所述海岸线碎部点分别对应的类型进行修正,得到各所述海岸线碎部点分别对应的修正后的类型;
根据各所述海岸线碎部点分别对应的修正后的类型,确定所述海岸线对应的性质。
4.根据权利要求3所述的方法,其特征在于,所述LiDAR点云数据包括点云密度信息;所述根据预设修正方式,对各所述海岸线碎部点分别对应的类型进行修正,得到各所述海岸线碎部点分别对应的修正后的类型,包括:
基于预设的海图成图比例尺信息与点云密度信息之间的对应关系,确定所述点云密度信息对应的海图成图比例尺信息;
根据所述海图成图比例尺信息及预设的海图制图规范,确定在海图中体现海岸线性质的最短岸线长度;
以所述最短岸线长度为半径、以各所述海岸线碎部点为球心构建多个球状区域;
针对任一所述球状区域,确定所述球状区域内的所述LiDAR点云数据对应的类型中点数量最多的类型,将所述球心处的所述海岸线碎部点对应的类型修改为所述LiDAR点云数据对应的类型中点数量最多的类型;进一步,按照海岸线走向,确定各所述球状区域内的所述海岸线碎部点对应的类型中点数量最多的类型,将所述球心处的所述海岸线碎部点对应的类型依次修改为所述海岸线碎部点对应的类型中点数量最多的类型。
5.根据权利要求1所述的方法,其特征在于,所述连接平滑处理后的各所述海岸线碎部点,以生成所述目标海岸的海岸线,包括:
按照所述海岸线走向确定所述海岸线的起始点对应的所述海岸线碎部点;
基于所述起始点对应的所述海岸线碎部点,按照所述海岸线的走向连接平滑处理后的各所述海岸线碎部点,生成所述目标海岸的海岸线。
6.根据权利要求5所述的方法,其特征在于,所述目标海岸的海岸线包括多个海岸线分段;
所述按照所述海岸线的走向连接平滑处理后的各所述海岸线碎部点之后,所述方法还包括:
针对所述类型不同的每相邻两个所述海岸线碎部点,根据所述海岸线的走向,确定各所述相邻的两个所述海岸线碎部点中的前一个海岸线碎部点对应的类型为各所述相邻的两个所述海岸线碎部点之间的海岸线分段对应的性质。
7.根据权利要求4所述的方法,其特征在于,所述提取所述LiDAR点云数据中的多个海岸线碎部点,包括:
基于所述海图成图比例尺信息和所述点云密度信息确定粗格网的大小;
利用多个所述粗格网对所述LiDAR点云数据中的海岸线碎部点进行粗提取;
基于预设的与所述点云密度信息和所述海图成图比例尺信息相对应的细格网大小确定方式,确定细格网的大小;
利用多个所述细格网对得到的海岸线碎部点粗提取结果进行细提取,得到多个所述海岸线碎部点。
8.一种基于点云类型的海岸线性质识别装置,其特征在于,包括:
获取及提取模块,用于获取目标海岸的LiDAR点云数据,计算所述LiDAR点云数据中各点分别对应的特征值,提取所述LiDAR点云数据中的多个海岸线碎部点;
第一执行模块,用于将各所述海岸线碎部点分别对应的特征值输入预先构建的定性分类模型,得到各所述海岸线碎部点分别对应的类型;所述定性分类模型基于训练区内大量样本海岸的海岸带点云数据对应的样本特征值和样本类型训练得到;
处理模块,用于根据预设平滑方式,对各所述海岸线碎部点的三维坐标数据进行平滑处理;
第二执行模块,用于连接平滑处理后的各所述海岸线碎部点,以生成所述目标海岸的海岸线,并根据各所述海岸线碎部点分别对应的类型,确定所述海岸线对应的性质。
9.一种基于点云类型的海岸线性质识别设备,其特征在于,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现权利要求1-7任一项所述的基于点云类型的海岸线性质识别方法。
10.一种存储介质,其特征在于,所述存储介质用于存储计算机程序,所述计算机程序被处理器执行以实现权利要求1-7任一项所述的基于点云类型的海岸线性质识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110228840.3A CN112926465B (zh) | 2021-03-02 | 2021-03-02 | 基于点云类型的海岸线性质识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110228840.3A CN112926465B (zh) | 2021-03-02 | 2021-03-02 | 基于点云类型的海岸线性质识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926465A true CN112926465A (zh) | 2021-06-08 |
CN112926465B CN112926465B (zh) | 2023-04-07 |
Family
ID=76172966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110228840.3A Active CN112926465B (zh) | 2021-03-02 | 2021-03-02 | 基于点云类型的海岸线性质识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926465B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113593040A (zh) * | 2021-08-06 | 2021-11-02 | 山东大学 | 一种堤防护坡植被异常生长病害识别方法及系统 |
CN114266796A (zh) * | 2021-11-05 | 2022-04-01 | 广东省国土资源测绘院 | 基于激光点云数据与平均大潮高潮面的自然岸线自动获取方法、设备、介质、产品 |
CN117607896A (zh) * | 2023-12-01 | 2024-02-27 | 中国人民解放军海军参谋部海图信息中心 | 基于多波段点云数据的海岸线碎部点性质识别方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100204974A1 (en) * | 2009-02-09 | 2010-08-12 | Utah State University | Lidar-Assisted Stero Imager |
CN104050474A (zh) * | 2014-06-10 | 2014-09-17 | 上海海洋大学 | 一种基于LiDAR数据的海岛岸线自动提取方法 |
CN105740794A (zh) * | 2016-01-27 | 2016-07-06 | 中国人民解放军92859部队 | 一种基于卫星影像的海岸线自动提取与分类方法 |
US9569667B1 (en) * | 2015-05-04 | 2017-02-14 | Exelis Inc | Cloud resilient algorithm for coastline registration |
CN109448016A (zh) * | 2018-11-02 | 2019-03-08 | 三亚中科遥感研究所 | 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 |
CN109801552A (zh) * | 2019-01-24 | 2019-05-24 | 中国人民解放军战略支援部队信息工程大学 | 一种人工海岸线化简方法 |
CN110275153A (zh) * | 2019-07-05 | 2019-09-24 | 上海大学 | 一种基于激光雷达的水面目标检测与跟踪方法 |
CN110287831A (zh) * | 2019-06-13 | 2019-09-27 | 中国人民解放军战略支援部队信息工程大学 | 一种基于地标的控制点的获取方法、装置和电子设备 |
CN111461046A (zh) * | 2020-04-10 | 2020-07-28 | 生态环境部卫星环境应用中心 | 基于岸线数据的海岸侵蚀与淤积的自动化识别方法与装置 |
CN111666918A (zh) * | 2020-06-22 | 2020-09-15 | 大连海洋大学 | 一种基于多因素的海岸线变化识别方法 |
-
2021
- 2021-03-02 CN CN202110228840.3A patent/CN112926465B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100204974A1 (en) * | 2009-02-09 | 2010-08-12 | Utah State University | Lidar-Assisted Stero Imager |
CN104050474A (zh) * | 2014-06-10 | 2014-09-17 | 上海海洋大学 | 一种基于LiDAR数据的海岛岸线自动提取方法 |
US9569667B1 (en) * | 2015-05-04 | 2017-02-14 | Exelis Inc | Cloud resilient algorithm for coastline registration |
CN105740794A (zh) * | 2016-01-27 | 2016-07-06 | 中国人民解放军92859部队 | 一种基于卫星影像的海岸线自动提取与分类方法 |
CN109448016A (zh) * | 2018-11-02 | 2019-03-08 | 三亚中科遥感研究所 | 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 |
CN109801552A (zh) * | 2019-01-24 | 2019-05-24 | 中国人民解放军战略支援部队信息工程大学 | 一种人工海岸线化简方法 |
CN110287831A (zh) * | 2019-06-13 | 2019-09-27 | 中国人民解放军战略支援部队信息工程大学 | 一种基于地标的控制点的获取方法、装置和电子设备 |
CN110275153A (zh) * | 2019-07-05 | 2019-09-24 | 上海大学 | 一种基于激光雷达的水面目标检测与跟踪方法 |
CN111461046A (zh) * | 2020-04-10 | 2020-07-28 | 生态环境部卫星环境应用中心 | 基于岸线数据的海岸侵蚀与淤积的自动化识别方法与装置 |
CN111666918A (zh) * | 2020-06-22 | 2020-09-15 | 大连海洋大学 | 一种基于多因素的海岸线变化识别方法 |
Non-Patent Citations (3)
Title |
---|
AHMED SHAKER ET.AL: "Automatic land-water classification using multispectral airborne LiDAR data for near-shore and river environments", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
姜怀刚 等: "LiDAR技术用于我国海岸线测量的优势对比分析", 《海洋测绘》 * |
郑真真等: "基于LiDAR的海岛岸线自动提取研究", 《测绘与空间地理信息》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113593040A (zh) * | 2021-08-06 | 2021-11-02 | 山东大学 | 一种堤防护坡植被异常生长病害识别方法及系统 |
CN113593040B (zh) * | 2021-08-06 | 2023-09-22 | 山东大学 | 一种堤防护坡植被异常生长病害识别方法及系统 |
CN114266796A (zh) * | 2021-11-05 | 2022-04-01 | 广东省国土资源测绘院 | 基于激光点云数据与平均大潮高潮面的自然岸线自动获取方法、设备、介质、产品 |
CN114266796B (zh) * | 2021-11-05 | 2022-09-13 | 广东省国土资源测绘院 | 基于激光点云数据与平均大潮高潮面的自然岸线自动获取方法、设备、介质 |
CN117607896A (zh) * | 2023-12-01 | 2024-02-27 | 中国人民解放军海军参谋部海图信息中心 | 基于多波段点云数据的海岸线碎部点性质识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112926465B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112926465B (zh) | 基于点云类型的海岸线性质识别方法及装置 | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN103729846B (zh) | 基于不规则三角网的LiDAR点云数据边缘检测方法 | |
Packalen et al. | Edge-tree correction for predicting forest inventory attributes using area-based approach with airborne laser scanning | |
CN112132795B (zh) | 一种基于LiDAR点云的电塔受灾风险评估方法及系统 | |
Shirowzhan et al. | Enhanced autocorrelation-based algorithms for filtering airborne lidar data over urban areas | |
Wlodarczyk-Sielicka et al. | Comparison of selected reduction methods of bathymetric data obtained by multibeam echosounder | |
CN103256914B (zh) | 一种基于dem计算淤地坝淹没面积的方法及系统 | |
CN107479065A (zh) | 一种基于激光雷达的林窗立体结构量测方法 | |
CN113723403A (zh) | 一种滑坡监测方法、装置、电子设备及存储介质 | |
Gumus et al. | Comparison of spatial interpolation methods and multi-layer neural networks for different point distributions on a digital elevation model | |
CN114563378A (zh) | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 | |
CN115840205A (zh) | 一种基于激光雷达技术的地形面积计量方法和系统 | |
CN114266796A (zh) | 基于激光点云数据与平均大潮高潮面的自然岸线自动获取方法、设备、介质、产品 | |
CN111583406A (zh) | 杆塔脚基点坐标计算方法、装置及终端设备 | |
Wlodarczyk-Sielicka et al. | Fragmentation of hydrographic big data into subsets during reduction process | |
CN115272899B (zh) | 一种风险预警方法、装置、飞行器及存储介质 | |
CN113516764B (zh) | 基于数字高程模型的湖库水下三维地形模拟方法及装置 | |
Liu | An evaluation on the data quality of SRTM DEM at the alpine and plateau area, north-western of China | |
CN115546437A (zh) | 用于机械设备的斜坡检测方法、处理器和斜坡检测装置 | |
CN108985292A (zh) | 一种基于多尺度分割的sar图像cfar目标检测方法与系统 | |
CN103955914A (zh) | 基于随机投影和Signature/EMD框架的SAR图像分割方法 | |
Zhang et al. | Application of airborne LiDAR measurements to the topographic survey of the tidal flats of the Northern Jiangsu radial sand ridges in the Southern Yellow Sea | |
Fonte et al. | Modelling the fuzzy spatial extent of geographical entities | |
CN117607896A (zh) | 基于多波段点云数据的海岸线碎部点性质识别方法及装置 |
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 |