CN113705605B - 部分人工介入的多波束测深数据异常值自动清理方法 - Google Patents
部分人工介入的多波束测深数据异常值自动清理方法 Download PDFInfo
- Publication number
- CN113705605B CN113705605B CN202110815974.5A CN202110815974A CN113705605B CN 113705605 B CN113705605 B CN 113705605B CN 202110815974 A CN202110815974 A CN 202110815974A CN 113705605 B CN113705605 B CN 113705605B
- Authority
- CN
- China
- Prior art keywords
- data
- clustering
- ping
- water depth
- block
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004140 cleaning Methods 0.000 title claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 73
- 238000005259 measurement Methods 0.000 claims description 15
- 238000012876 topography Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims 1
- 238000004220 aggregation Methods 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 24
- 238000011160 research Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 241000204169 Patiria miniata Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供部分人工介入的多波束测深数据异常值自动清理方法，属于多波束测深数据处理研究领域。部分人工介入的多波束测深数据异常值自动清理方法，该方法主要步骤包含“基于密度聚类算法的水深数据分类”和“部分人工介入的存疑数据有效性判定”两部分。通过聚类算法将原始数据分为可信数据、无效数据和存疑数据三类，保留可信数据，剔除无效数据，并将存疑数据提交人工判定其有效性，最终将其归类为可信数据或者存疑数据。
Description
技术领域
本发明属于多波束测深数据处理研究领域，尤其涉及多波束测深数据异常值的自动清理方法。
背景技术
多波束测深系统(multi-beam echo sounder,MBES)作为海底地形测量的主要技术手段，清理测深数据异常值是获取高精度测深结果的重要步骤。近年来，多波束测深原始数据量呈现爆发性增长，然而，长期以来高可信度的多波束测深异常值的清理工作多依赖于人工交互处理，存在处理周期较长的问题，极大地限制了数据处理的效率；现有自动处理算法虽然可以实现快速高效处理，但可信度达不到人工交互处理的水平，难以将其应用于面向海图制图的多波束测深数据处理。因而，如何提高异常值自动清理算法处理结果的可信度是当前多波束测深数据处理领域亟待解决的一大难题。
发明内容
本发明主要基于密度聚类算法(DBSCAN Density-Based Spatial Clustering ofApplications with Noise)，提出了一种部分人工介入的异常值自动清理算法，即利用DBCSAN算法识别异常值，并将其分为无效和存疑两类，由此水深数据可分为可信、无效和存疑三类，保留可信数据、剔除无效数据，并将存疑数据提交人工判定有效性。该方法有效提高了异常值自动清理算法的可信度，同时避免了人工查询存疑数据所需耗费的大量时间，一定程度上提高了效率，较好地解决了自动清理算法效率高、可信度低而人工交互处理可信度高、效率低这一矛盾问题。
为了达到上述目的，本发明的技术方案为：部分人工介入的多波束测深数据异常值自动清理方法，该方法主要步骤包含“基于密度聚类算法的水深数据分类”和“部分人工介入的存疑数据有效性判定”两部分。通过聚类算法将原始数据分为可信数据、无效数据和存疑数据三类，保留可信数据，剔除无效数据，并将存疑数据提交人工判定其有效性，最终将其归类为可信数据或者存疑数据(图1)。
第一部分，基于密度聚类算法的水深数据分类：
密度聚类算法能够将水深数据准确划分为可信、存疑和无效三类，该部分由四个主要步骤组成：数据转换、聚类区块划分、聚类参数自适应、聚类实施。
第一步，数据转换。
沿测量船航行方向将测点数据投影到垂直于航行方向的平面上，得到水深点后视图，即将三维点云数据(图2)转化为以侧向中心距为横坐标、以水深值为纵坐标的二维数据(图3)。应用式(1)将绝对坐标数据归算为以每ping中央波束为基准的侧向中心距离，生成聚类数据集，该数据集有2个维度数据，依次是侧向中心距离、水深值。
式中，Center_disti为多波束某一条带中第i个波束到中央波束的侧向中心距，xi，yi为第i个波束测点的绝对坐标，xk，yk为中央波束测点的绝对坐标，swath_per_ping为每ping包含的波束数，k表示每一ping所含波束数的一半。
第二步，聚类区块划分。
聚类区块即进行一次聚类所包含的测点数量，其大小是ping数规模值与窗口大小值的乘积。在多波束水深测量中，水深越深、波束越远离中央时，相邻两个波束之间的距离越大，相同半径的区域内所包含的水深点数越少，即水深点密度越小。为避免地形起伏及波束距离中央的距离大小对聚类准确性的影响，应当将整个测区划分为数个聚类区块，在每一个聚类区块中单独进行聚类。聚类区块的选择应根据地形特征，参考人工交互处理能够分辨出异常值的最小规模，地形复杂、数据较差的测区应当选取较小聚类区块，地形平坦、数据质量好的测区应当选择较大区块，合适聚类区块大小主要通过以下两个参数来调节。
(1)ping数规模(Ping_Scale)。该参数表示当前聚类区块吸收的ping数，可控制聚类区块沿测量船航行方向的检测精度，前后相连的数个ping所测得的地形之间存在一定的关联性，但这种关联性随着地形变化而变化。当地形起伏越大，地貌越复杂时，多波束测深ping与ping之间的关联性越弱；当地形越平坦，地貌越简单时，多波束测深ping与ping之间的关联性越强；当ping数超过一定值时，ping与ping之间的关联性将消失，部分异常值也将被淹没在真实地形所对应的连续高密度集群中。因而不能使用同一ping数规模值划分整个测区的聚类区块，根据人工交互处理经验，对于地形平坦数据质量好的区域，使用30ping以上的规模依然可以正常识别异常值，但不建议超过100ping；对于地形复杂数据质量较差的区域，一般不超过30ping，通常在20ping以内可以正常识别异常值，对于及其复杂的地形通常需要在10ping以内识别。
在多波束测深系统中，中央波束所获取的水深值可信度最高，中央波束所测得水深能够较好的代表该ping所测区域水深，而相邻多ping中央波束水深值的最大差值dlt_depth_max则能够反映该区域地形起伏剧烈程度。本发明算法以相邻多ping中央波束水深值最大差值来约束ping数规模的大小，当设定一定阈值后，地形越平坦区域参与聚类的ping数规模就越大，地形越起伏地区参与聚类的ping数规模就越小，ping数规规模因而能够随着地形起伏剧烈程度而改变。本发明选取水深测量深度精度accuracyv作为该阈值，当n个ping的中央波束水深最大差值刚好小于accuracyv时，则n即为此次聚类ping数规模的取值。
(2)窗口大小(Window_Num)。该参数表示当前聚类区块吸收每ping的波束数，可控制聚类区块垂直于测量船航行方向的检测精度，通常取25-50，默认取值25。
针对某一测区的聚类实施过程，先通过参数Ping_Scale从测区数据中获取一个ping切块，然后通过参数Window_Num从当前ping切块最左边开始窗口滑动获取聚类区块，直至该ping切块所有水深点聚类完毕，进入下一ping切块重复窗口滑动直至所有ping结束(图4)。为避免窗口边缘数据被误判，加强相邻两聚类区块数据分类的彼此验证，滑块每次滑动时预留窗口大小的20％与上一聚类区块重叠。
第三步，各区块聚类参数自适应。
明确聚类区块后即可设置该区块内聚类参数，主要参数包括邻域半径(Eps)和邻域内最少点数(MinPts)，针对每个聚类区块的密度特征自动选取合适的聚类参数是有效识别异常值的关键。
(1)邻域半径自适应。邻域半径主要控制核心点的核查范围，在后视图中，y轴为水深值，x轴为侧向中心距，故任意两个水深点之间的欧氏距离由水深值差值和侧向中心距差值决定，以上两个差值在异常值检测过程中可以进一步理解为定位检测精度和深度检测精度，可根据《海道测量规范》所规定的测量精度标准设置(表1)。然而表中深度精度随水深值变化而变化，为使得邻域半径的取值尽量准确，决定深度精度的水深值应当能够反应当前聚类区块中绝大部分水深数据点的分布深度，为此本发明利用中值排序方法确定聚类区块内代表性水深值，并据此得到深度精度值，随后应用式(2)可得当前区块的第一个聚类参数邻域半径的取值。
式中，Eps为邻域半径，accuracyH为定位精度，accuracyV为深度精度。
表1各等级测量精度
注：a、b为精度控制参数；d为水深值。
(2)邻域内最少点数自适应。在邻域半径确定的前提下，邻域最少点数直接决定了该邻域内点的密度大小。为使算法设定聚类密度大小尽量符合聚类区块内高密度点集群的密度大小，应当选取当前聚类区块内具有代表性的相邻点间距，代表性的相邻点间距依旧通过中值排序方法获取，并根据式(3)获取当前聚类参数最少点数的取值。
MinPts＝Eps/distance (3)
式中MinPts为邻域内最少点数，Eps为邻域半径，distance为当前聚类区块内所有数据点与其最近相邻点距离的均值。
第四步，聚类实施。
首先通过步骤一将原始测深数据转化为聚类数据集，并将数据集内所有水深点标记为“-1”，表示该点未被任何聚类簇吸收；随后通过步骤二的Ping_Scale和Window_Num两个参数将整个聚类数据集根据地形起伏情况划分为多个合适大小的聚类区块；再通过步骤三确定每一个聚类区块的聚类参数Eps和MinPts的取值；最后对各聚类区块实施聚类，聚类完毕后，各聚类区块内包含点数最多的聚类簇内水深点的标记被更新为“0”，该聚类簇表示可信数据；不能组成聚类簇的水深点被标记为“-1”表示无效数据；大多数情况下水深点都将被分为可信数据和无效数据，少数情况即除核心聚类簇以外还存在其他规模较小的聚类簇，这些聚类簇被标记为存疑数据，聚类簇内水深点的标记将被更新为“1”；
第二部分，人工介入的存疑数据有效性判定。
现有的各种自动清理算法虽然能够识别出异常值，但却无法进一步准确区分其中的存疑数据，故而清理所得结果中总是包含被误删的异常特征值以及误保留的粗差值，这正是导致当前多种自动处理算法可信度较低的问题关键所在。例如孤立于主要水深点集群的一个规模较小的水深点集群，其产生原因的可能是水中悬浮物，也有可能是棱角分明的突起物如石块等，前者代表粗差值应标记为无效数据，后者表示异常特征值应标记为可信数据。针对此类数据目前尚无很好的非人工解决方案，大大限制了现有各种自动清理算法的可信度。存疑数据虽然占比非常少但却至关重要，因为这类数据往往代表地形变化剧烈的特征区域或者非自然地形起伏的目标物，一旦发生误判对整体测量效果影响较大；另外，虽然需要人工介入判别的存疑数据并不多，但通过人工逐ping筛查存疑数据则需要耗费大量时间，因而通过一定算法自动定位存疑数据，并将其交由人工进行有效性判定是提高处理结果可信度与效率的一种可行方案。
存疑数据有效性判定主要考虑以下两方面因素：
(1)存疑数据形成原因。多波束水深测量存疑数据形成的影响因素有很多，主要分为自身影响因素和环境影响因素，自身影响因素主要包括回波信号丢失或发生错误、换能器旁瓣波束影响、仪器损坏等，环境影响因素主要包括环境中同频工作仪器干扰、水体浑浊或存在大面积悬浮物、海底地势较陡峭复杂(乱石区域)、人为放置的棱角分明的障碍物等。
存疑数据应当首先考虑其产生原因来判定其有效性。明确是由仪器自身原因产生或者外部影响因素中水体浑浊或悬浮物、同频工作仪器干扰原因产生的存疑数据代表粗差可标记为无效数据，这类原因产生的异常值集群不代表真实海底，应当予以剔除；由于海底地势陡峭复杂或人为放置障碍物等原因造成的存疑数据，应当再进一步结合异常值集群的分布特征来判定其有效性。
(2)存疑数据分布特征。由于真实存在的异常深度而形成的存疑数据，通常都应当呈现出明显的几何形状，即异常值集群有明显的几何特征，如明显的山峰、阶梯或其他规则的几何图形状，这类存疑数据应当标记为有效异常值予以保留，对于没有明显几何特征的存疑数据，在不影响航行安全的前提下应当标记为无效异常值予以剔除。
本发明的有益效果：在一定程度上提高了自动处理算法所得结果的可信度，对实现高可信度、高效率的多波束测深异常值清理具有重大意义。
附图说明
图1为本发明算法主要步骤流程图；
图2为三维点云数据示意图；
图3水深数据后视图示例；
图4为聚类区块划分示意图；
图5为方案1的处理所得结果图，其中(a)为水沉与侧向中心距关系图，(b)为处理后所得地形的三维显示效果图；
图6为方案2的处理所得结果图，其中(a)为水沉与侧向中心距关系图，(b)为为本发明算法处理后所得地形三维显示图。
具体实施方式
为使本发明模型解决的问题、采用的方法方案和达到的效果更加清楚，下面结合附图和实验对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实验仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
实验数据源自于国产多波束测深系统仪器性能比对项目，数据采集设备为ReasonSeaBat T50-P，数据在采集过程中已经进行了安装偏差改正，并在后期进行了声速、潮汐以及定位精度改正，实验数据已排除系统误差影响。选取的实验数据位于大连大窑湾海域，平均水深38m，地形平缓，水质清澈，数据质量较好，为检测各个国产厂家设备对最小目标物的探测能力，实验人员在测区内人工布放一个边长为2米的立方物。
布放在测区中的2m立方物因为边缘棱角分明，与周围水深差值较大，现有自动清理算法往往容易将其视为粗差数据直接剔除，为验证本算法对自动处理算法可信度的增强，采取CUBE算法处理结果作为对照，方案1使用CUBE算法进行自动清理，方案2使用本发明算法进行清理。
方案1：采用Caris中传统的CUBE算法自动清理异常值，基于Caris软件内自带的CUBE算法选取Shallow模式参数建立CUBE曲面，并以滤波参数2.5进行异常值剔除。处理所得结果如图5所示。(a)中使用方框标出的点代表被CUBE算法滤除的水深数据点，使用圆圈标出的点表示2m立方物，从图中可以看到这些水深数据被CUBE算法全部当作无效值予以剔除，(b)为处理后所得地形的三维显示效果，可以看到被CUBE算法滤除的数据形成了一个漏洞。
方案2：采用本发明提出的算法，原始数据包含200ping数据，共计10240各水深点。根据沿航行方向的相邻多ping中央波束水深的差值，得到划分ping切块的参数pingscale共计10个，由此可将全部测线划分为10个ping切块；由于地形较为平坦，故Widow_Num取10，每ping包含512个水深点，故将全部测深数据划分为510个聚类区块。在包含特征物的聚类区块内，平均水深30m，根据规范算得accuracyv取0.536m，accuracyu取1m，由此可得Eps自适应取值为1.134m；经计算聚类区块内所有点到其最近点距离平均值distance为0.603m，则MinPts取值为12个。聚类后处理结果如图6所示，(a)中使用方框圈出的散点表示无效数据，使用圆圈标出的数据点集群表示2米立方物所产生的水深点集群，表现为孤立于视图内连续高密度区域的点集群，故该聚类簇被准确地标记为存疑数据，有效地区别于离散数据点所代表的无效数据，存疑数据经识别定位后交由人工介入判定有效性，有效避免了存疑数据被误删影响测量结果可信度的问题，(b)为本发明算法处理后所得地形三维显示，2m立方物完整的保留下来。
实验结果表明，本发明所使用的算法对数据的分类效果较好，能够准确地集群化异常值与离散异常值的区分，有效避免存疑数据被错误地剔除或保留。
最后应说明的是：以上各实验仅用以说明本发明的方法方案，而非对其限制；尽管已经对本发明进行了详细的说明，本领域的普通方法人员应当理解：其对前述所记载的方法方案进行修改，或者对其中部分或者全部方法特征进行等同替换，并不使相应方法方案的本质脱离本发明方法方案的范围。
Claims (1)
1.部分人工介入的多波束测深数据异常值自动清理方法，其特征在于，步骤如下：第一部分，基于密度聚类算法的水深数据分类：
第一步，数据转换；
沿测量船航行方向将测点数据投影到垂直于航行方向的平面上，得到水深点后视图，即将三维点云数据转化为以侧向中心距为横坐标、以水深值为纵坐标的二维数据；应用式(1)将绝对坐标数据归算为以每ping中央波束为基准的侧向中心距离，生成聚类数据集，该数据集有2个维度数据，依次是侧向中心距离、水深值；
式中，Center_disti为多波束某一条带中第i个波束到中央波束的侧向中心距，xi，yi为第i个波束测点的绝对坐标，xk，yk为中央波束测点的绝对坐标，swath_per_ping为每ping包含的波束数，k表示每一ping所含波束数的一半；
第二步，聚类区块划分；
聚类区块即进行一次聚类所包含的测点数量，其大小是ping数规模值与窗口大小值的乘积；将整个测区划分为数个聚类区块，在每一个聚类区块中单独进行聚类；合适聚类区块大小通过以下两个参数来调节；
(1)ping数规模Ping_Scale；该参数表示当前聚类区块吸收的ping数，前后相连的数个ping所测得的地形之间存在一定的关联性，
以相邻多ping中央波束水深值最大差值来约束ping数规模的大小，当设定一定阈值后，地形越平坦区域参与聚类的ping数规模就越大，地形越起伏地区参与聚类的ping数规模就越小，ping数规规模因而能够随着地形起伏剧烈程度而改变；选取水深测量深度精度accuracyv作为该阈值，当n个ping的中央波束水深最大差值刚好小于accuracyv时，则n即为此次聚类ping数规模的取值；
(2)窗口大小Window_Num；该参数表示当前聚类区块吸收每ping的波束数；
针对某一测区的聚类实施过程：先通过参数Ping_Scale从测区数据中获取一个ping切块，然后通过参数Window_Num从当前ping切块最左边开始窗口滑动获取聚类区块，直至该ping切块所有水深点聚类完毕，进入下一ping切块重复窗口滑动直至所有ping结束；
第三步，各区块聚类参数自适应；
设置该区块内聚类参数：邻域半径Eps和邻域内最少点数MinPts；
(1)邻域半径自适应；在后视图中，y轴为水深值，x轴为侧向中心距，故任意两个水深点之间的欧氏距离由水深值差值和侧向中心距差值决定，水深值差值和侧向中心距差值在异常值检测过程中进一步理解为定位检测精度和深度检测精度，根据表1所规定的测量精度标准设置；然而表中深度精度随水深值变化而变化，利用中值排序方法确定聚类区块内代表性水深值，并据此得到深度精度值，随后应用式(2)可得当前区块的第一个聚类参数领域半径的取值；
式中，Eps为邻域半径，accuracyH为定位精度，accuracyV为深度精度；
表1各等级测量精度
注：a、b为精度控制参数；d为水深值；
(2)邻域内最少点数自适应；选取当前聚类区块内具有代表性的相邻点间距，代表性的相邻点间距依旧通过中值排序方法获取，并根据式(3)获取当前聚类参数最少点数的取值；
MinPts＝Eps/distance (3)
式中MinPts为邻域内最少点数，Eps为邻域半径，distance为当前聚类区块内所有数据点与其最近相邻点距离的均值；
第四步，聚类实施；
首先通过步骤一将原始测深数据转化为聚类数据集，并将数据集内所有水深点标记为“-1”，表示该点未被任何聚类簇吸收；随后通过步骤二的Ping_Scale和Window_Num两个参数将整个聚类数据集根据地形起伏情况划分为多个合适大小的聚类区块；再通过步骤三确定每一个聚类区块的聚类参数Eps和MinPts的取值；最后对各聚类区块实施聚类，聚类完毕后，各聚类区块内包含点数最多的聚类簇内水深点的标记被更新为“0”，该聚类簇表示可信数据；不能组成聚类簇的水深点被标记为“-1”表示无效数据；大多数情况下水深点都将被分为可信数据和无效数据，少数情况即除核心聚类簇以外还存在其他规模较小的聚类簇，这些聚类簇被标记为存疑数据，聚类簇内水深点的标记将被更新为“1”；
第二部分，人工介入的存疑数据有效性判定；
存疑数据有效性判定考虑以下两方面因素：
(1)存疑数据形成原因；多波束水深测量存疑数据形成的影响因素分为自身影响因素和环境影响因素，自身影响因素包括回波信号丢失或发生错误、换能器旁瓣波束影响、仪器损坏，环境影响因素包括环境中同频工作仪器干扰、水体浑浊或存在大面积悬浮物、海底地势较陡峭复杂、人为放置的棱角分明的障碍物；
存疑数据应当首先考虑其产生原因来判定其有效性；明确是由仪器自身原因产生或者环境影响因素中水体浑浊或存在大面积悬浮物、同频工作仪器干扰原因产生的存疑数据代表粗差可标记为无效数据，这类原因产生的异常值集群不代表真实海底，应当予以剔除；由于海底地势陡峭复杂或人为放置的棱角分明的障碍物原因造成的存疑数据，应当再进一步结合存疑数据分布特征来判定其有效性；
(2)存疑数据分布特征；异常值集群有明显的几何特征，这类存疑数据应当标记为有效异常值予以保留，对于没有明显几何特征的存疑数据，在不影响航行安全的前提下应当标记为无效异常值予以剔除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110815974.5A CN113705605B (zh) | 2021-07-20 | 2021-07-20 | 部分人工介入的多波束测深数据异常值自动清理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110815974.5A CN113705605B (zh) | 2021-07-20 | 2021-07-20 | 部分人工介入的多波束测深数据异常值自动清理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113705605A CN113705605A (zh) | 2021-11-26 |
| CN113705605B true CN113705605B (zh) | 2024-05-31 |
Family
ID=78648958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110815974.5A Active CN113705605B (zh) | 2021-07-20 | 2021-07-20 | 部分人工介入的多波束测深数据异常值自动清理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705605B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745123A (zh) * | 2014-01-23 | 2014-04-23 | 国家海洋局第二海洋研究所 | 基于移动子窗与可变算子的多波束测深数据自动处理方法 |
| CN109741325A (zh) * | 2019-01-14 | 2019-05-10 | 南京理工大学 | 一种布线垂直度智能检测方法 |
| CN110826648A (zh) * | 2020-01-09 | 2020-02-21 | 浙江鹏信信息科技股份有限公司 | 一种利用时序聚类算法实现故障检测的方法 |
| CN110838073A (zh) * | 2019-11-11 | 2020-02-25 | 中国海洋石油集团有限公司 | 一种基于聚类算法的钻井溢流数据异常值处理方法 |
| CN110853139A (zh) * | 2019-07-02 | 2020-02-28 | 中国人民解放军战略支援部队信息工程大学 | 一种多波束测深数据化简方法及装置 |
| CN111366936A (zh) * | 2020-03-03 | 2020-07-03 | 广州点深软件有限公司 | 多波束测深数据处理方法及装置 |
| KR102141391B1 (ko) * | 2019-12-16 | 2020-08-05 | 주식회사 한국가스기술공사 | 군집 평가에 기반한 고장 데이터의 관리 방법 |
| CN111830506A (zh) * | 2020-07-22 | 2020-10-27 | 江苏科技大学 | 一种基于K-means聚类算法的海面风速方法 |
| CN112801113A (zh) * | 2021-02-09 | 2021-05-14 | 北京工业大学 | 基于多尺度可靠聚类的数据去噪方法 |
-
2021
- 2021-07-20 CN CN202110815974.5A patent/CN113705605B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745123A (zh) * | 2014-01-23 | 2014-04-23 | 国家海洋局第二海洋研究所 | 基于移动子窗与可变算子的多波束测深数据自动处理方法 |
| CN109741325A (zh) * | 2019-01-14 | 2019-05-10 | 南京理工大学 | 一种布线垂直度智能检测方法 |
| CN110853139A (zh) * | 2019-07-02 | 2020-02-28 | 中国人民解放军战略支援部队信息工程大学 | 一种多波束测深数据化简方法及装置 |
| CN110838073A (zh) * | 2019-11-11 | 2020-02-25 | 中国海洋石油集团有限公司 | 一种基于聚类算法的钻井溢流数据异常值处理方法 |
| KR102141391B1 (ko) * | 2019-12-16 | 2020-08-05 | 주식회사 한국가스기술공사 | 군집 평가에 기반한 고장 데이터의 관리 방법 |
| CN110826648A (zh) * | 2020-01-09 | 2020-02-21 | 浙江鹏信信息科技股份有限公司 | 一种利用时序聚类算法实现故障检测的方法 |
| CN111366936A (zh) * | 2020-03-03 | 2020-07-03 | 广州点深软件有限公司 | 多波束测深数据处理方法及装置 |
| CN111830506A (zh) * | 2020-07-22 | 2020-10-27 | 江苏科技大学 | 一种基于K-means聚类算法的海面风速方法 |
| CN112801113A (zh) * | 2021-02-09 | 2021-05-14 | 北京工业大学 | 基于多尺度可靠聚类的数据去噪方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于划分的数据挖掘K-means聚类算法分析;曾俊;;现代电子技术;20200201(03);全文 * |
| 基于聚类分析的多波束测深数据滤波方法研究;彭刚跃 等;《测绘工程》;20160930(第9期);31-34 * |
| 多波束测深数据异常值检测算法比较;孙岚;王海栋;余成道;刘雁春;;海洋测绘;20090925(05);全文 * |
| 自适应确定DBSCAN算法参数的算法研究;李文杰 等;《计算机工程与应用》;20191231;1-7 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113705605A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111524084B (zh) | 基于多峰高斯拟合的光子计数激光雷达点云去噪方法 | |
| CN108681525B (zh) | 一种基于车载激光扫描数据的路面点云强度增强方法 | |
| CN111291327B (zh) | 一种基于分治思想的多波束海底底质分类方法 | |
| CN106643671B (zh) | 一种基于机载LiDAR测深系统的水下点云去噪方法 | |
| CN105929385B (zh) | 基于双水听器lofar谱图分析的目标深度分辨方法 | |
| CN115422981B (zh) | 面向单频机载激光测深数据的水陆分类方法、系统及应用 | |
| CN113960624A (zh) | 一种基于自适应dbscan的激光雷达回波水下地形检测方法 | |
| CN111738278B (zh) | 一种水下多源声学图像特征提取方法及系统 | |
| CN115187666A (zh) | 深度学习和图像处理结合的侧扫声呐海底高程探测方法 | |
| CN110706177B (zh) | 一种侧扫声呐图像灰度均衡化方法及系统 | |
| CN108320291A (zh) | 基于大津算法的海底地貌边界提取方法 | |
| Artilheiro | Analysis and procedures of multibeam data cleaning for bathymetric charting | |
| CN113705605B (zh) | 部分人工介入的多波束测深数据异常值自动清理方法 | |
| CN115880189B (zh) | 一种海底地形多波束点云滤波方法 | |
| CN112305502A (zh) | 一种基于阵列不变量的水面水下声源二元判别方法 | |
| CN108896997B (zh) | 复杂地形条件下侧扫声呐探测结果改正方法 | |
| CN110515065A (zh) | 一种辐射噪声线谱源深度辨识方法 | |
| Wang et al. | Bottom Tracking Method Based on LOG/Canny and the Threshold Method for Side-scan Sonar. | |
| CN113567968B (zh) | 一种基于浅水多波束水深数据的水下目标实时分割方法及应用 | |
| CN115436966A (zh) | 一种激光雷达参考水深控制点批量提取方法 | |
| Hoffman et al. | Digital acoustic system for ecosystem monitoring and mapping: assessment of fish, plankton, submersed aquatic vegetation, and bottom substrata classification | |
| CN116609759B (zh) | 一种机载激光测深海底弱回波增强识别方法及系统 | |
| CN114019519B (zh) | 一种水准测距探鱼器的轨迹记录方法及其设备 | |
| CN112577467B (zh) | 一种海底界面一维粗糙度谱计算方法 | |
| CN111965698B (zh) | 一种浅地层层界提取方法及处理终端 |
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 |