CN113807437A - 一种基于dbscan聚类分析的山脊线和山谷线提取方法 - Google Patents

一种基于dbscan聚类分析的山脊线和山谷线提取方法 Download PDF

Info

Publication number
CN113807437A
CN113807437A CN202111093275.0A CN202111093275A CN113807437A CN 113807437 A CN113807437 A CN 113807437A CN 202111093275 A CN202111093275 A CN 202111093275A CN 113807437 A CN113807437 A CN 113807437A
Authority
CN
China
Prior art keywords
sub
lines
minpts
points
value
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
Application number
CN202111093275.0A
Other languages
English (en)
Other versions
CN113807437B (zh
Inventor
窦万峰
张�成
何涛
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.)
Nanjing Normal University
Original Assignee
Nanjing Normal University
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 Nanjing Normal University filed Critical Nanjing Normal University
Priority to CN202111093275.0A priority Critical patent/CN113807437B/zh
Publication of CN113807437A publication Critical patent/CN113807437A/zh
Application granted granted Critical
Publication of CN113807437B publication Critical patent/CN113807437B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (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)
  • Image Analysis (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明提供了一种基于DBSCAN聚类分析的山脊线和山谷线提取方法，先将地形数据栅格化，转化为算法可读取的文本数据，然后通过一定的策略选择DBSCAN算法的两个参数进行聚类分析，最后针对聚类的结果进一步研究地形特征。本发明通过计算机方法自动提取地形特征，是地形特征提取中一种少有的特征提取方式，实现了地形特征的自动化提取，极大的提高工作效率和准确性。

Description

一种基于DBSCAN聚类分析的山脊线和山谷线提取方法
技术领域
本发明涉及地形特征提取技术领域，将地理信息系统与数据挖掘技术相结合，通过DBSCAN聚类分析的方法实现对山脊线和山谷线的提取，具体涉及一种基于DBSCAN聚类分析的山脊线和山谷线提取方法。
背景技术
地形特征提取是地理学中一个重要的研究内容，学者对地形特征的提取大多是对特征线或特征点的提取。特征点有山脊点(ridge)、山谷点(valley)、山顶点(peak)等。特征线有山脊线、山谷线、坡缘线、坡路线等。基于DEM的规则格网数据的地形特征点提取方法可以分为四大类：
1、基于图像处理的方法
将规则格网的DEM作为栅格图像，由于图像的RGB颜色较复杂，可以将其灰度化，图像的灰度值表示栅格的DEM值，像素大小是栅格格网的大小，规则格网上的每个DEM数据中各格网与图像中的每个像素点一一对应。在解决数字高程模型有关的问题时，可以使用基于图像处理的方法，将DEM转化为图像，如果假设栅格点的高程值越大，灰度值越亮，那么在图像中山顶点位置要比其他位置较亮，如果是一条山脊线，那么应该是沿着某一条线的灰度值是比两边的灰度值高的；山谷线相反，由于山谷线较两边的地势较低，山谷线上的颜色相对两边较暗。
2、基于地形表面几何形态分析的方法
该方法指的是一种断面极值法，其基本思想是求地形的断面曲线上的极大值点和极小值点，潜在的地形特征点与其地形断面上的局部极值点有关，认为极大值点为该地形的分水点，极小值点为该地形的汇水点，最后在提取出的特征点的基础上连接形成特征线。
3、基于地形表面流水分析算法
该方法的基本思想是流水总是遵循从高往低流向的自然规律，按照顺序计算每个DEM数据中栅格点的汇水量，如果栅格中格网点的汇水量大于给定的阈值则被认为是汇水点，按照某种规则将这些汇水点依次连接便得到了汇水线，由高到低找出区域中的每一条汇水线；根据得到的汇水线，通过计算找出各自汇水区域的边界线，便得到分水线。分水线认为是山脊线，汇水线是山谷线。
4、将集合形态分析法与地表流水模拟结合的方法
该方法的思想是首先采取较稀疏的DEM格网数据，按地表流水模拟方法去提取区域内概略的地形特征线；然后在其周围邻近区域对地形进行几何形态分析，从而精确地确定出地形特征线。
聚类分析技术作为一种重要的数据挖掘方法，在各个领域都有重要的应用价值，通过聚类方法对地形的特征提取将开创一个新的途径。
发明内容
本发明针对上述问题，提出了一种基于DBSCAN聚类分析的山脊线和山谷线提取方法。先将地形数据栅格化，转化为算法可读取的文本数据，然后通过一定的策略选择DBSCAN算法的两个参数进行聚类分析，最后针对聚类的结果进一步研究地形特征。
本发明一种基于DBSCAN聚类分析的山脊线和山谷线提取方法，具体步骤如下：
步骤1：地形数据准备。获取地形的DEM数据，并通过软件一系列处理，将栅格数据转成文本格式由算法读取；
步骤2：地形数据聚类分析，借助于聚类算法划分视域为多个分开的子区域SVi(i＝1,2,···,k)，k为划分的子区域的个数；
2-1：采用DBSCAN聚类算法的地形聚类划分，主要依据地形单元之间的距离来判断，具体做法如下：
1)基于欧氏距离的相似度计算，设任意两个点Pi、Pj之间的距离公式
Figure BDA0003268121850000021
其中Pi的坐标为(Xi，Yi，Zi)，Xi、Yi表示经纬度，Zi表示该位置的高程值。其中Pj的坐标为(Xj，Yj，Zj),Xj、Yj表示经纬度，Zj表示该位置的高程值。
2)当d≤ε时(ε为设置的阈值)，且Pi为子区域Vi中的类，Pj不属于子区域Vi中的类，Vi＝Vi∪{Pj}。
2-2：参数选择，DBSCAN聚类算法需要输入最小样本点数(用Minpts表示)和邻域半径(用EPS表示)两个参数，对于DBSCAN算法的参数选择，有如下的步骤：
1)根据地形精度，动态选择EPS的初始值，同时该初值也是EPS的下限，为MinEPS，如果地形分辨率是R×R，则EPS的初始值为R米，即MinEPS＝R。Minpts参数选择时，如果选择从1开始，即使数据中的每个点与其相邻点的距离超过EPS，它都可以形成一个簇，这样是没有意义的，因此考虑Minpts的初值选择2。
2)逐次改变EPS的值，确定邻域半径取值的上限和下限。EPS参数用于确定格网是否成为一个簇的阈值，其本质上是邻近格网之间的平滑程度的度量。当邻近格网能够聚集在一起形成一个簇，说明它们之间应该是比较平滑，即网格之间的坡度不是很陡。一般，坡度不超过45°，以最大坡度45°，可以计算出两个相邻格网之间的中心距离
Figure BDA0003268121850000031
因此，EPS最大可取的值是2R。
改变EPS的值，并确定其范围在
Figure BDA0003268121850000032
之间，当簇的个数不再发生变化，并且噪声数据个数为0时，此时的EPS值为取值上限MaxEPS，确定邻域半径取值范围为(MinEPS，MaxEPS)。
3)确定了邻域半径的范围，逐次改变Minpts的值，计算在固定范围内，不同Minpts下聚类的结果，以及噪声数据的变化。
4)在地形特征线提取过程中，要将山坡位置无用的数据排除，使用DBSCAN算法来执行，可以将山坡处的点识别为噪声。需要将聚类中最小样本点的个数设置的相对大，邻域半径相对小，保证山顶位置的点能够被聚成多个簇，而山坡位置的点被识别为噪声数据。
步骤3：山脊点和山谷点的提取；
子区域的中心：子区域的中心可以用子区域内地形点的平均值来表示，子区域的中心C
Figure BDA0003268121850000033
可以用子区域Ai中每个栅格点P(X,Y,Z)的平均值来表示，计算公式如式(2)-(4)：
Figure BDA0003268121850000034
Figure BDA0003268121850000035
Figure BDA0003268121850000036
其中，X,Y为栅格点P的地面坐标，Z为栅格点P的高程值；计算出的特征点就是地形中的山脊点和山谷点，山脊点是山脊线的特征点，是在高海拔位置，山谷点是山谷线的特征点，是在低海拔位置。
步骤4：特征线的提取，确定山脊线和山谷线。
子区域之间的邻近关系可以用子区域完全图表示，其中节点为子区域，节点之间的边表示子区域之间的邻近关系，边的权值用子区域之间的距离表示，连接中心点，构建子区域之间的空间拓扑图。
计算每个子区域之间的最小距离，找出相邻的子区域，为了有效刻画子区域邻近关系，可以对完全图进行修剪。当完全图中边的权值大于给定阈值时，该边就被删除，经过修剪以后，子区域完全图被转换成一条路，及除起点终点度为1，其余节点度为2的非完全图，也成为模拟线。经过修剪以后，子区域完全图被转换成一个非完全图。
其中的非完全图表示的就是地形的山脊线和山谷线，及计算每条模拟线上格网的高程的平均值，且平均值可以表示模拟线的平均高程，如果每条模拟线高程大小是相间分布，则是山脊线或山谷线。
与现有技术相比，本发明的有益效果在于：
本发明提出一种基于DBSCAN聚类分析的山脊线和山谷线提取方法，首先获取目标区域的DEM格网单元，使用DBSCAN算法对地形本身进行聚类分析，根据一定策略选择DBSCAN算法的两个参数后，将文本格式的栅格数据使用算法进行聚类。通过计算机方法自动提取地形特征，是地形特征提取中一种少有的特征提取方式，它实现了地形特征的自动化提取，极大的提高工作效率和准确性。
附图说明
图1是本发明应用实施例中的地形示例图。
图2是本发明应用实施例中minPts＝2时DBSCAN聚类噪声数据分布图。
图3是本发明应用实施例中Minpts为6时噪声数据个数随邻域的变化图。
图4是本发明应用实施例中DBSCAN参数选择(35,5)时的聚类效果图。
图5是本发明应用实施例中DBSCAN参数选择(34,5)时的聚类效果图。
图6是本发明应用实施例中DBSCAN参数选择(33,5)时的聚类效果图。
图7是本发明应用实施例中DBSCAN参数选择(32,5)时的聚类效果图。
图8是本发明应用实施例中DBSCAN参数选择(32,4)时的聚类效果图。
图9是本发明应用实施例中DBSCAN参数选择(31,4)时的聚类效果图。
图10是本发明应用实施例中DBSCAN参数选择(31,5)时的聚类效果图。
图11是本发明应用实施例中DBSCAN聚类后所有子区域的分布图。
图12是本发明应用实施例中DBSCAN聚类子区域分布图。
图13是本发明应用实施例中DBSCAN聚类子区域中心点的连接图。
图14是本发明应用实施例中DBSCAN聚类提取的地形特征线在地形上的映射图，其中(a)为二维映射图，(b)为三维映射图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明涉及一种基于DBSCAN聚类分析的山脊线和山谷线提取方法，在实际应用中，执行如下步骤A至步骤D。
步骤A.对于所研究的区域，需要准备相应的地形数据，并将数据转换成算法可读取的格式，然后进入步骤B。
实际应用当中，步骤A具体包括如下步骤A1、步骤A2。
步骤A1.使用ArcGIS软件加载地形数据，地形高程范围在243.349米～905.813米(图1)；
步骤A2.使用ArcGIS软件中由栅格转出的功能，将地形数据转出为文本格式；
步骤B.对文本格式的地理数据进行聚类，根据一定的策略选择DBSCAN算法的两个参数，然后进入步骤C；
实际应用中步骤B具体包括以下步骤B1至步骤B5：
步骤B1：栅格数据的分辨率是30*30，即每相邻两个栅格之间的距离是30米，在选择参数EPS时考虑从30米开始，MinPts参数选择时，确定最小样本点从2开始取。
步骤B2：设置邻域格网之间最大坡度为45°，则邻域半径EPS的区间为[30,42]。邻域半径EPS从30米开始，逐次加1，样本点MinPts为2(图2)，调用DBSCAN算法进行聚类分析，直到聚成一个类，则此时的EPS取值即为上限。本实例经过计算确定邻域的上限为35米，下限为30米；
步骤B3：计算不同最小样本点下的聚类结果。选择MinPts的值时，应选择相对较大的，保证将山坡区域的非特征线排除。当MinPts＝6时，噪声数据的个数随邻域是不变的，并且等于总数据量个数(图3)，此时簇的变化已经不受邻域的影响。当MinPts＝5时，噪声数据还在变化，最终确定MinPts＝5是最合适的最小样本点数。
步骤B4：在地形特征线提取过程中，要将山坡位置无用的数据排除，使用DBSCAN算法来执行，可以将山坡处的点识别为噪声。需要将聚类中最小样本点的个数设置的相对大，邻域半径相对小，保证山顶位置的点能够被聚成多个簇，而山坡位置的点被识别为噪声数据。以最小样本点数为5，选择不同邻域的值，结合聚类结果的子区域分布，确定邻域半径为31米，图4至9展示了邻域半径为32、33、34、35时的聚类图。同时，展示最小样本点数为4，邻域半径为31、32下的情况，效果都没有(31,5)时的好，当最小样本点为4时，邻域半径为33或34时的聚类效果，只会比31、32时更差。
综上，选择参数eps＝31米，MinPts＝5个，对整个地形进行DBSCAN聚类，得到子区域的划分结果如图10所示，每个子区域的中心点如图12所示。
步骤C.将聚出的类单独列出(图11)，计算子区域之间的最小距离，将子区域中心点连接，构建子区域之间的空间拓扑结构。如表1所示，形成6条模拟的线，在6条线上随机选择几个点，计算其平均值，且平均值可以表示模拟线的平均高程。如果高程大小是相间分布，则是山脊线或山谷线。如果其中连续的三条线是递增或递减变化的，则中间的线是在一个山坡位置，沿山坡位置高程相似的点被聚到了一起。
表1特征点高程
Figure BDA0003268121850000061
Figure BDA0003268121850000071
步骤D.将聚类的结果分布图加载到ArcGIS中，结果分布如图13所示，其中1、2、3、4、6号线是山脊线或山谷线，5号线是在山坡位置，其相邻的两条线是递增或递减的，相应的地形特征线在地形上的二维和三维映射如图14所示。
上述技术方案涉及一种基于DBSCAN聚类分析的地形特征提取方法，针对整个地形进行DBSCAN聚类分析，分析划分后子区域之间的关系，并提取特征线、特征点等。该方法通过DBSCAN聚类方法提取地形特征，能够使地形特征的提取实现自动化。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (4)

1.一种基于DBSCAN聚类分析的山脊线和山谷线提取方法，其特征在于，具体步骤如下：
步骤1：地形数据获取；获取地形的DEM数据，将栅格数据转成文本格式进行读取；
步骤2：地形格网点之间的相似度计算；基于欧氏距离的相似度计算，结合三维地形计算任意两个地形格网中心点Pi和Pj之间的距离；
步骤3：地形子区域划分；采用DBSCAN算法进行子区域划分，确定邻域半径EPS和最小样本点MinPts两个参数，并借助于聚类算法划分视域为多个分开的子区域SVi(i＝1,2,···,k)，其中k为划分的子区域的个数；
步骤4：山脊点和山谷点的提取；根据确定的邻域半径EPS和最小样本点MinPts，使用DBSCAN聚类算法得到最终的簇作为划分的子区域；
步骤5：确定山脊线和山谷线；子区域之间的邻近关系可以用子区域完全图表示，其中节点为子区域，节点之间的边表示子区域之间的邻近关系，边的权值用子区域之间的距离表示，计算每个子区域之间的最小距离，目的是找出相邻的子区域，将相邻子区域的中心点进行连接，就构成了连接关系图。
2.根据权利要求1所述的一种基于DBSCAN聚类分析的山脊线和山谷线提取方法，其特征在于，所述步骤2任意两个地形格网中心点Pi和Pj之间的距离由公式(1)得到：
Figure FDA0003268121840000011
其中Pi的坐标为(Xi，Yi，Zi)，Xi表示经度，Yi表示纬度，Zi表示该点的高程值；Pj的坐标为(Xj，Yj，Zj)，Xj表示经度，Yj表示纬度，Zj表示该位置的高程值，d表示Pi和Pj之间的距离。
3.根据权利要求1所述的一种基于DBSCAN聚类分析的山脊线和山谷线提取方法，其特征在于，所述步骤3采用DBSCAN算法进行子区域划分中，需要确定算法聚类分析的两个参数，分别是邻域半径EPS和最小样本点MinPts，其确定步骤如下：
步骤3-1：根据地形精度R×R，动态确定EPS的初值，该初值也是EPS的下限，设为minEPS；根据地形精度R，确定EPS的初值为R，即minEPS＝R；MinPts参数确定形成一个簇的邻域最小样本点数，Minpts的初值确定2；
步骤3-2：根据相邻地形格网之间可以聚在一起的最大坡度为45°，则依据地形分辨计算得到EPS的搜索范围为
Figure FDA0003268121840000021
邻域半径EPS从R开始，逐次加1，样本点MinPts为2，调用DBSCAN算法进行聚类分析，直到聚成一个类，则此时的EPS取值即为上限，记为maxEPS，则邻域半径取值范围为(minEPS，maxEPS)；
步骤3-3：确定参数Minpts；确定了邻域半径的取值范围后，最小样本数MinPts从2开始，每次加1，逐次改变Minpts的值，使用DBSCAN算法进行聚类分析；计算在邻域半径范围内，采用不同Minpts下聚类的结果，以及噪声数据的变化；选择MinPts的值时，应选择相对较大的，保证将山坡区域的非特征线排除；当MinPts＝P时，噪声数据的个数随邻域是不变的，且等于总数据量个数，即全部为噪声点，此时簇的变化已经不受邻域的影响；但当MinPts＝P-1时，噪声数据发生变化，则确定MinPts＝P-1是最合适的最小样本点数，此时的EPS取值为最终的邻域半径。
4.根据权利要求1所述的一种基于DBSCAN聚类分析的山脊线和山谷线提取方法，其特征在于，所述步骤5确定山脊线和山谷线中，需要利用图分析方法确定确定山脊线和山谷线，具体步骤如下：
步骤5-1：将聚类得到的子区域Ai计算其中心；子区域的中心
Figure FDA0003268121840000022
可以用子区域Ai中每个栅格点P(X,Y,Z)的平均值来表示，计算公式如式(2)-(4)：
Figure FDA0003268121840000023
Figure FDA0003268121840000024
Figure FDA0003268121840000025
其中，X,Y为栅格点P的地面坐标，Z为栅格点P的高程值；子区域Ai的中在特征线中可以称为特征线中的特征点，山脊线上的特征点是山脊点，山谷线上的特征点是山脊点；
步骤5-2：构建子区域拓扑关系；连接中心点，构建子区域之间的空间拓扑图；
步骤5-3：图剪枝；为了有效刻画子区域邻近关系，可以对完全图进行修剪，当完全图中边的权值大于给定阈值时，该边就被删除，经过修剪以后，子区域完全图被转换成一条路，及除起点终点度为1，其余节点度为2的非完全图，也成为模拟线；
步骤5-4：确定山脊线和山谷线；计算每条模拟线上格网的高程的平均值，且平均值可以表示模拟线的平均高程，如果每条模拟线高程大小是相间分布，则是山脊线或山谷线。
CN202111093275.0A 2021-09-17 2021-09-17 一种基于dbscan聚类分析的山脊线和山谷线提取方法 Active CN113807437B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111093275.0A CN113807437B (zh) 2021-09-17 2021-09-17 一种基于dbscan聚类分析的山脊线和山谷线提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111093275.0A CN113807437B (zh) 2021-09-17 2021-09-17 一种基于dbscan聚类分析的山脊线和山谷线提取方法

Publications (2)

Publication Number Publication Date
CN113807437A true CN113807437A (zh) 2021-12-17
CN113807437B CN113807437B (zh) 2024-10-01

Family

ID=78895787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111093275.0A Active CN113807437B (zh) 2021-09-17 2021-09-17 一种基于dbscan聚类分析的山脊线和山谷线提取方法

Country Status (1)

Country Link
CN (1) CN113807437B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114037723A (zh) * 2022-01-07 2022-02-11 成都国星宇航科技有限公司 基于dem数据提取山顶点的方法、装置及存储介质
CN114926599A (zh) * 2022-05-27 2022-08-19 甘肃省水利水电勘测设计研究院有限责任公司 一种地形曲面轻量化方法
CN115546244A (zh) * 2022-10-24 2022-12-30 中国电建集团成都勘测设计研究院有限公司 一种适用于山地风电场开发的主山脊线自动提取方法
CN118245826A (zh) * 2024-05-27 2024-06-25 福瑞莱环保科技（深圳）股份有限公司 污水处理区域划分方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567702A (zh) * 2010-12-08 2012-07-11 中国科学院地理科学与资源研究所 一种基于嫦娥dem数据的自动识别山谷和山脊线的方法
CN105550691A (zh) * 2015-12-29 2016-05-04 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
CN107679536A (zh) * 2016-08-01 2018-02-09 佛山市诺威科技有限公司 一种基于dbscan聚类的义齿颈缘线自动提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567702A (zh) * 2010-12-08 2012-07-11 中国科学院地理科学与资源研究所 一种基于嫦娥dem数据的自动识别山谷和山脊线的方法
CN105550691A (zh) * 2015-12-29 2016-05-04 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
CN107679536A (zh) * 2016-08-01 2018-02-09 佛山市诺威科技有限公司 一种基于dbscan聚类的义齿颈缘线自动提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘泽慧, 黄培之: "DEM数据辅助的山脊线和山谷线提取方法的研究", 测绘科学, no. 04, 25 December 2003 (2003-12-25) *
熊汉江;李秀娟;: "一种提取山脊线和山谷线的新方法", 武汉大学学报(信息科学版), no. 04, 5 April 2015 (2015-04-05) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114037723A (zh) * 2022-01-07 2022-02-11 成都国星宇航科技有限公司 基于dem数据提取山顶点的方法、装置及存储介质
CN114037723B (zh) * 2022-01-07 2022-03-29 成都国星宇航科技有限公司 基于dem数据提取山顶点的方法、装置及存储介质
CN114926599A (zh) * 2022-05-27 2022-08-19 甘肃省水利水电勘测设计研究院有限责任公司 一种地形曲面轻量化方法
CN115546244A (zh) * 2022-10-24 2022-12-30 中国电建集团成都勘测设计研究院有限公司 一种适用于山地风电场开发的主山脊线自动提取方法
CN115546244B (zh) * 2022-10-24 2023-05-12 中国电建集团成都勘测设计研究院有限公司 一种适用于山地风电场开发的主山脊线自动提取方法
CN118245826A (zh) * 2024-05-27 2024-06-25 福瑞莱环保科技（深圳）股份有限公司 污水处理区域划分方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113807437B (zh) 2024-10-01

Similar Documents

Publication Publication Date Title
CN113807437A (zh) 一种基于dbscan聚类分析的山脊线和山谷线提取方法
CN111640125B (zh) 基于Mask R-CNN的航拍图建筑物检测和分割方法及装置
Guan et al. Integration of orthoimagery and lidar data for object-based urban thematic mapping using random forests
CN108052966B (zh) 基于卷积神经网络的遥感图像场景自动提取和分类方法
Voltersen et al. Object-based land cover mapping and comprehensive feature calculation for an automated derivation of urban structure types at block level
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
CN112070769A (zh) 一种基于dbscan的分层点云分割方法
Shen et al. A polygon aggregation method with global feature preservation using superpixel segmentation
Dmowska et al. High resolution dasymetric model of US demographics with application to spatial distribution of racial diversity
CN113223042B (zh) 一种遥感影像深度学习样本智能采集方法及设备
CN108389255A (zh) 基于分层高程云图的地形几何参数提取方法
CN110866494A (zh) 一种基于光学遥感影像的城镇群提取方法及系统
CN112462347B (zh) 基于密度聚类的激光雷达点云快速分类滤波算法
CN111414954B (zh) 一种岩石图像检索方法及其系统
Chen et al. A new process for the segmentation of high resolution remote sensing imagery
CN113505842A (zh) 一种适用于大尺度区域遥感影像城市建筑物自动提取方法
CN110070545A (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
CN115965812B (zh) 无人机影像对湿地植被物种和地物分类的评估方法
CN104835196A (zh) 一种车载红外图像彩色化三维重建方法
CN113468982A (zh) 一种城市功能区分类方法、装置及存储介质
CN115223000A (zh) 面向耕地资源监测的深度学习样本制作方法
Zheng et al. Single shot multibox detector for urban plantation single tree detection and location with high-resolution remote sensing imagery
Chrysovalantis et al. Building footprint extraction from historic maps utilizing automatic vectorisation methods in open source GIS software
Chen et al. Adaptive coarse-to-fine clustering and terrain feature-aware-based method for reducing LiDAR terrain point clouds
Pandey et al. Urban built-up area assessment of Ranchi township using Cartosat-I stereopairs satellite images

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