CN114139652B - 基于坡向分布特征提取山顶点方法、系统及存储介质 - Google Patents
基于坡向分布特征提取山顶点方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114139652B CN114139652B CN202111527245.6A CN202111527245A CN114139652B CN 114139652 B CN114139652 B CN 114139652B CN 202111527245 A CN202111527245 A CN 202111527245A CN 114139652 B CN114139652 B CN 114139652B
- Authority
- CN
- China
- Prior art keywords
- mountain
- point
- grid
- slope
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于坡向分布特征提取山顶点方法,所述方法包括以下步骤:获取栅格DEM数据对应的栅格点的坡向值;根据各目标栅格点与周围各方向的栅格点的坡向值组成对应的目标矩阵,并根据各目标矩阵中各元素的坡向值得到潜在山顶点数据;根据所述潜在山顶点数据剔除伪山顶点,得到真实山顶点数据。本发明还公开一种基于坡向分布特征提取山顶点系统及存储介质。本发明旨在依据坡向值获取潜在山顶点数据,进而提高山顶点提取效率,并获得栅格区域内真实可靠的山顶点数据。
Description
技术领域
本发明涉及数字地形分析技术领域,尤其涉及一种基于坡向分布特征提取山顶点方法、系统及存储介质。
背景技术
山顶点作为构成地形轮廓骨架关键性特征点,也是山体范围内几何形态特性最明显的地形特征点。中国作为山区面积占全国土地面积2/3以上的多山大国,切实深入对山地地区山顶点的识别提取研究,对于自然地貌分布、生物地理分布、自然环境变迁研究等具有重要的自然科学意义。栅格数字高程模型是用于多种实体地面模型特征分析的基本数据集,如地貌特征分析等等,其中涵盖的丰富地形特征信息,是绘制和提取特征地形的重要数字资源,广泛应用于计算各类地形特征,为快速准确地提取山顶点提供了重要的数据支持。
现有技术公开号为CN106033611B的发明申请公开了 一种DEM数据中的山顶点提取方法,通过局部高差比较法求取地形局部极大值点,然后结合等高线,得到初选山顶点,去除了部分伪山顶点,不会遗漏山顶点,同时也能获得山顶点的精确位置。该提取山顶点方法当设置高差阈值和分析窗口大小不合理时,容易出现山顶点多提或者少提的情况。基于传统领域分析的等高线辅助判断方法,提取效果与等高距的遴选密切相关,进而提取山顶点的结果存在很大的不确定性。当等高距设置过小,伪山顶点不易过滤,当等高距过大,则会过滤掉很多有效山顶点。因此,高差阈值的设定会存在主观不确定性,影响了山顶点的提取结果。
发明内容
本发明的主要目的在于提供一种基于坡向分布特征提取山顶点方法、系统及存储介质,旨在解决现有的山顶点提取效率低且不准确的技术问题。
为实现上述目的,本发明提供一种基于坡向分布特征提取山顶点方法,所述方法包括以下步骤:
获取栅格DEM(Digital Elevation Model,数字高程模型)数据对应的栅格点的坡向值;
根据各目标栅格点与周围各方向的栅格点的坡向值组成对应的目标矩阵,并根据各目标矩阵中各元素的坡向值得到潜在山顶点数据;
根据所述潜在山顶点数据剔除伪山顶点,得到真实山顶点数据。
可选地,所述获取栅格DEM数据对应的栅格点的坡向值的步骤之前,包括:
对DEM数据进行栅格化处理,并根据坡向提取软件得到各栅格点的坡向值。
可选地,所述获取栅格DEM数据对应的栅格点的坡向值的步骤之后,还包括:
根据栅格DEM数据获取对应栅格点的高程值;
根据边界栅格点增加对应的虚拟栅格点,所述虚拟栅格点的高程值小于边界栅格点的高程值,且所述虚拟栅格点的坡向值等于边界栅格点的坡向值。
可选地,所述根据各目标栅格点与周围各方向的栅格点的坡向值组成对应的目标矩阵的步骤,包括:
分别获取以目标栅格点为中心的周围各方向上的栅格点;
将以各目标栅格点为中心和周围各方向的栅格点的坡向值组成n行n列的目标矩阵β,其中n≥3。
可选地,所述根据各目标矩阵中各元素的坡向值得到潜在山顶点数据的步骤,包括:
将目标矩阵β中以目标栅格点对应的元素为中心且沿着顺时针方向记录各元素对应的坡向值依次为β1,β2,β3,......βn 2 -1,其中以预设方向为起始点0度,设置约束条件为0;
依次判断各相邻栅格点的坡向值的大小,当各相邻栅格点的坡向值βj-1>βj时,2≤j≤n2-1,则更新约束条件;
在目标矩阵中更新后的约束条件满足预设条件,且目标栅格点对应的高程值大于周围各方向的栅格点的高程值时,则将所述目标栅格点视为潜在山顶点。
可选地,所述获取栅格DEM数据对应的栅格点的坡向值的步骤之前,还包括:
根据栅格DEM数据提取山脊线数据。
可选地,所述根据所述潜在山顶点数据剔除伪山顶点,得到真实山顶点数据的步骤,包括:
根据深度优先算法(Depth First Search,简称DFS)剔除伪山顶点,得到更新后的潜在山顶点;
将山脊线数据和更新后的潜在山顶点数据进行拟合叠加分析,得到真实山顶点。
可选地,所述根据深度优先算法剔除伪山顶点的步骤,包括:
在栅格DEM数据中搜索每个潜在山顶点,并以各潜在山顶点为中心山顶点,深度遍历找出与中心山顶点相邻且连续的各相邻的潜在山顶点;
在中心山顶点和各相邻的潜在山顶点中预留一个潜在山顶点,其余未预留的潜在山顶点标记为伪山顶点。
此外,为实现上述目的,本发明还提供基于坡向分布特征提取山顶点系统,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于坡向分布特征提取山顶点程序,所述基于坡向分布特征提取山顶点程序被所述处理器执行时实现如上述所述的基于坡向分布特征提取山顶点方法的步骤。
此外,为实现上述目的,本发明还提供一种存储介质,所述存储介质上存储有基于坡向分布特征提取山顶点程序,所述基于坡向分布特征提取山顶点程序被处理器执行时实现如上述所述的基于坡向分布特征提取山顶点方法的步骤。
本发明提供一种基于坡向分布特征提取山顶点方法,通过获取栅格DEM数据对应的栅格点的坡向值;根据各目标栅格点与周围各方向的栅格点的坡向值组成对应的目标矩阵,并根据各目标矩阵中各元素的坡向值得到潜在山顶点数据;根据所述潜在山顶点数据剔除伪山顶点,得到真实山顶点数据。实现了依据坡向值获取潜在山顶点数据,并通过剔除伪山顶点数据进而得到真实山顶点数据,该山顶点提取方法解决了因等高距设置的主观差异从而影响山顶点提取的缺陷,提高了山顶点提取效率,并获得栅格区域内真实可靠的山顶点数据,进而为数字地形分析提供了技术性保障。
附图说明
图1是本发明实施例方案涉及的基于坡向分布特征提取山顶点系统的结构示意图;
图2为本发明基于坡向分布特征提取山顶点方法第一实施例的流程示意图;
图3为本发明基于坡向分布特征提取山顶点方法第二实施例的流程示意图;
图4为图3所示实施例中的山体曲面任意点A的坡向空间坐标系的示意图;
图5为图3所示实施例中的山体曲面任意点A的坡向极坐标系的示意图;
图6为本发明基于坡向分布特征提取山顶点方法第三实施例的流程示意图;
图7为本发明基于坡向分布特征提取山顶点方法所示实施例中步骤S20细化步骤的流程示意图;
图8为本发明基于坡向分布特征提取山顶点方法中潜在山顶点判断结果的示意简图;
图9为本发明基于坡向分布特征提取山顶点方法所示实施例中步骤S30细化步骤的流程示意图;
图10为本发明基于坡向分布特征提取山顶点方法中剔除伪山顶点结果的示意简图;
图11为模拟DEM山体示意图;
图12为采用本发明基于坡向分布特征提取山顶点方法得到的模拟DEM山顶点提取结果的示意图;
图13-A、13-B、13-C均为采用传统闭合等高线辅助提取结果的示意图;
图14-A、14-B、14-C均为采用本发明基于坡向分布特征提取山顶点方法提取结果的示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的基于坡向分布特征提取山顶点系统的结构示意图。
如图1所示,该系统可以包括:处理器1001,例如CPU,通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以红外接收模块,用于接收用户通过遥控器触发的控制指令,可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的基于坡向分布特征提取山顶点系统的结构并不构成对基于坡向分布特征提取山顶点系统的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明基于坡向分布特征提取山顶点系统的具体实施例与下述基于坡向分布特征提取山顶点方法各实施例基本相同,在此不作赘述。
参照图2,为本发明基于坡向分布特征提取山顶点方法提供第一实施例的流程示意图,所述方法包括:
步骤S10,获取栅格DEM数据对应的栅格点的坡向值;
步骤S20,根据各目标栅格点与周围各方向的栅格点的坡向值组成对应的目标矩阵,并根据各目标矩阵中各元素的坡向值得到潜在山顶点数据;
步骤S30,根据所述潜在山顶点数据剔除伪山顶点,得到真实山顶点数据。
本实施例中实现了依据坡向值获取潜在山顶点数据,并通过剔除伪山顶点数据进而得到真实山顶点数据,该山顶点提取方法解决了因现有的等高距设置的主观差异从而影响山顶点提取的缺陷,提高了山顶点提取效率,并获得栅格区域内真实可靠的山顶点数据,进而为数字地形分析提供了技术性保障。
进一步地,如图3所示,在步骤S10之前还需执行步骤S40,对DEM数据进行栅格化处理,并根据坡向提取软件得到各栅格点的坡向值。其中DEM数据是依据目标区域的地形高程数据实现对地面地形的数字化模拟(即地形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,进而包括了实际地形中的的高程值及坡向信息,以及根据山体曲面的差异还可以在山体曲面上的任意点得到对应的坡向值;同时,将DEM数据进行栅格化处理可以得到相同尺寸的栅格网,每个栅格网将对应着相应的栅格点,每个栅格点均包括有对应的高程值和坡向值。其中,坡向值的计算原理如图4所示,为任意点A的坡向空间坐标系的示意图,例如对于山体曲面上的任意一点A,设过A垂直于曲面的垂线为L,A点在空间三维坐标XOY平面上的投影为a,过a点L在XOY平面的投影为L1,那么OL1与X轴N方向的夹角即为A点在曲面的坡向值θ;由于坡向具有方向性,如图5所示,坡向数值坐标系以正北方向为起始点0度,沿着顺时针表示0到360度的方向,其中认为是理想状态下以坐标原点为山顶点的山顶坡向分布情况。
进一步地,如图6所示,所述步骤S10步骤之后,包括:
步骤S50,根据栅格DEM数据获取对应栅格点的高程值;
步骤S60,根据边界栅格点增加对应的虚拟栅格点,所述虚拟栅格点的高程值小于边界栅格点的高程值,且所述虚拟栅格点的坡向值等于边界栅格点的坡向值。,具体地,设置虚拟栅格点可以保障处理数据的完整性,此外还可以选择对DEM边界格网进行赋值,最终目的在于避免出现在地形边界遗漏连续山顶点的情况。
进一步地,如图7所示,所述步骤S20的细化步骤,包括:
步骤S21,分别获取以目标栅格点为中心的周围各方向上的栅格点;
步骤S22,将以各目标栅格点为中心和周围各方向的栅格点的坡向值组成n行n列的目标矩阵β,其中n≥3。
步骤S23,将目标矩阵β中以目标栅格点对应的元素为中心且沿着顺时针方向记录各元素对应的坡向值依次为β1,β2,β3,......βn 2 -1,其中以预设方向为起始点0度,设置约束条件为0;具体地,一般设置正北方为起点,并选择顺时针方向记录矩阵中各元素的坡向值,进而坡向值的大小介于0-360度之间。
步骤S24,依次判断各相邻栅格点的坡向值的大小,当各相邻栅格点的坡向值βj-1>βj时,2≤j≤n2-1,则更新约束条件;
步骤S25,在目标矩阵中更新后的约束条件满足预设条件,且目标栅格点对应的高程值大于周围各方向的栅格点的高程值时,则将所述目标栅格点视为潜在山顶点。
具体地,所述约束条件的更新是指,在βj-1>βj时在原来的约束条件基础上增加1,例如,mi+1=mi+1,其中mi是指目标矩阵中各元素在进行比较后进行第i次约束条件更新后的值,mi+1指目标矩阵中各元素在进行比较后进行第i+1次约束条件更新后的值,并且约束条件的初始值为0,进而在将所有的元素比较完成之后,最终若是得到的更新的约束条件mz满足mz≥1/2(n+1)-1,以及目标栅格点对应的高程值大于周围各方向的栅格点的高程值时,则将所述目标栅格点视为潜在山顶点。如图8所示,在3×3矩阵分析窗口中,在所述目标栅格点A八方位的栅格点的约束条件满足预设条件时,即以正北方向为起点,目标栅格点A的八方位的栅格点的坡向值沿顺时针方向逐步增大方向满足图8所示时,所述目标栅格点A即为潜在山顶点。此外,还可以将目标矩阵β中以目标栅格点对应的元素为中心且沿着逆时针方向记录各元素对应的坡向值依次为β1,β2,β3,......βn 2 -1,其中以预设方向为起始点0度,设置约束条件为0,并依次判断各相邻栅格点的坡向值的大小,进而比较的条件则是βj-1<βj时,2≤j≤n2-1,则更新约束条件,最终得到约束条件Mz。
进一步地,还可以将约束条件按照等级进行划分,例如,可以将约束条件分为第1级、第2级、第3级,可以理解,当约束条件等级越高即mz值越大时,提取出的潜在山顶点的坡向分布越均匀,预设目标矩阵分析窗口内满足山顶范围坡向分布规律的栅格点越多;当约束条件等级越低即mz越小时,预设目标矩阵分析窗口内满足山顶范围坡向分布规律的栅格点越少,提取出的局部凸出点越多。并且其中潜在山顶点的提取还和栅格化处理后得到单个方形格的尺寸相关,其中若是方形格范围越小,那边最终得到的潜在山顶点的数据将越精确。
进一步地,如图3所示,在步骤S10:所述获取栅格DEM数据对应的栅格点的坡向值的步骤之前,还包括:
步骤S70:根据栅格DEM数据提取山脊线数据。
具体地,根据《基于DEM的一体化山地特征要素提取》胡金龙等论文中公开的提取山脊线的方式,利用流域边界线提取出山脊线,详细的包括基于DEM通过栅格计算工具获取研究区反DEM值,利用Flow Direction-流向工具强制所有边缘像元向外流动,生成的累积栅格。执行Flow Accumulation工具,设为输出数据类型设置为Integer。根据研究区大小和需求使用Flow Accumulation创建的栅格阈值,过滤平坦坡脚区的伪山脊线,即可获得所需的山脊线。
进一步地,如图9所述,所述步骤S30的细化步骤,包括:
步骤S31,根据深度优先算法剔除伪山顶点,得到更新后的潜在山顶点;
具体地,采用DFS递推算法对于该区域进行处理,其目的在于去除冗余的伪山顶点,即一般针对平顶山顶点仅需要保留其中一个山顶点即可,而在上述进行山顶点提取的过程中容易存在多个潜在山顶点的情况,因此,需要对处于相邻栅格点且具有相同高程值的多个潜在山顶点进行重复剔除,在具体的处理中可以采用下述步骤:
第一,在栅格DEM数据中搜索每个潜在山顶点,并以各潜在山顶点为中心山顶点,深度遍历找出与中心山顶点相邻且连续的各相邻的潜在山顶点;
第二,在中心山顶点和各相邻的潜在山顶点中预留一个潜在山顶点,其余未预留的潜在山顶点标记为伪山顶点。
具体地,可以通过将栅格DEM数据中的潜在山顶点的栅格点赋值为1,以及其余栅格点赋值为0,并在栅格DEM数据中搜索每个赋值为1的栅格点,以各赋值为1的栅格点为中心,深度遍历找出与其他相邻且连续的赋值为1的栅格点,进而若是赋值为1的栅格点存在相邻且连续的各相邻的赋值为1栅格点,那么此时将找出的各赋值为1的栅格点中任意选择其中一个栅格点作为潜在山顶点,并将其余剩下的栅格点为选择的标记为伪山顶点,即标记为0,进而实现了剔除重复的潜在山顶点,得到更新后的潜在山顶点信息。
步骤S32,将山脊线数据和更新后的潜在山顶点数据进行拟合叠加分析,得到真实山顶点。
具体地,根据步骤S70中获取的山脊线数据和步骤S31中得到的更新后的潜在山顶点数据进行叠加分析,详细地,将更新后的潜在山顶点数据导入提取获得的山脊线数据当中,以山脊线的数据为掩膜,将更新后的潜在山顶点数据中和山脊线的数据不重叠的潜在山顶点进行剔除,即可获得真实山顶点。例如,由于实体地貌形态复杂多样,以及DEM不可避免的会出现一定误差,所以可能导致提取结果中出现噪声点即伪山顶点,因此在利用上述步骤进行提取山顶点时,对于局部地区凸起地形点同样也满足潜在山顶点的分布特性,因此需要对其进行剔除,山顶点和山脊线等特征地形要素作为构成地表形态基本框架的重要组成因子,对于地表地形的空间位置分布具有一定的控制作用,在实际地形当中,山顶点也会必然分布在山脊线上,如图10所示,其中▲代表真实山顶点,○代表伪山顶点,通过山脊线与更新后的潜在山顶点的拟合叠加分析,可以实现去除存在与山脊线上的伪山顶点。
进一步地,为了确定上述基于坡向分布特征提取山顶点方法的理论科学性在实际应用当中的可适性,进而通过分别采用了模拟DEM和实体DEM进行实验和验证。以使本申请的目标、技术方案及优势更清晰明了,具体包括:
第一,模拟DEM生成与实体DEM选取
模拟区DEM根据改写的山体peaks函数生成,其大小为100m×100m,空间分辨率为5m,最大高程点和最低高程点分别为216m和40m,相对高差为176m。实体DEM选用陕西丘陵黄土地形区,裁剪1:10000栅格DEM某区域作为实验研究源数据,空间分辨率为5m,样区选用400m×400m区域,最大高程点和最低高程点分别为1078.9m和902m,相对高差为176.9m。其中三角形位置区域表示山顶点。
第二,模拟DEM的山顶点提取结果与分析
如图11所示为模拟DEM山体示意图,在研究区内具有较为完整的山地地貌特征,能够较为完整的反映山地地貌的细部特征。以模拟生成的DEM进行实验,验证以本申请中提取山顶点理论方法的正确性,证明在DEM在理想无差的情况下提取方法的科学性。
在模拟的DEM中,由于生成的山体曲面连续且光滑,本实施例选用了3×3矩阵的分析窗口用于提取山顶点,并在在剔除重复点之后,提取得到山顶点数量为8,如图12所示为采用本申请提取方法的模拟DEM山顶点提取结果;以及根据改写生成的peaks函数极值解算,同样可得到实际山顶点数量为8,且提取出的每个山顶点都分布在模拟山体的高程极大值位置点,符合实际山顶点的定义,▲代表山顶点。由此可知,利用本申请的基于坡向分布特征提取山顶点方法在科学理论上具有一定可行性。
第三,实体DEM的山顶点提取结果与分析
设置样区A为河流峡谷地区,以峡谷微地形为主;样区B为丘陵低山地区,地形相对起伏度较缓;样区C为中、高山地区,地形相对起伏度较大。首先,根据传统闭合等高线辅助判别方法,设定高差阈值为10m,分析窗口为3×3,提取山顶点结果如图13-A、13-B、13-C所示,可知利用邻域分析的等高线辅助判别方法虽然能在一定程度上解决部分山顶点遗失的问题,但是仍存在一定的伪山顶点。而依据本申请的提取方法提取潜在山顶点,如图14-A、14-B、14-C所示,利用坡向分布特征法山顶点提取准率在样区A为94.4%,样区B为97.6%,样区C为96.4%,平均准确率为96.1%,较利用等高线辅助判别方法的准确率有所提高,克服了主观选取高差阈值的不确定性。图中▲代表山顶点,○代表错误点,■代表遗漏点。
具体数据如下述表1所示:
表1 各样区山顶点提取结果统计
由上述表1可知,本申请的基于坡向分布特征提取山顶点方法,能较好地克服主观选取高差阈值对提取结果的影响。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于坡向分布特征提取山顶点程序,所述基于坡向分布特征提取山顶点程序被处理器执行时实现如上述基于坡向分布特征提取山顶点方法的步骤。
本发明可读存储介质的具体实施例与上述基于坡向分布特征提取山顶点方法各实施例基本相同,在此不作赘述。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是计算机,服务器,或者基于坡向分布特征提取山顶点系统等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于坡向分布特征提取山顶点方法,其特征在于,所述方法包括以下步骤:
获取栅格DEM数据对应的栅格点的坡向值;
根据各目标栅格点与周围各方向的栅格点的坡向值组成对应的目标矩阵,并根据各目标矩阵中各元素的坡向值得到潜在山顶点数据;
根据所述潜在山顶点数据剔除伪山顶点,得到真实山顶点数据;
所述根据各目标栅格点与周围各方向的栅格点的坡向值组成对应的目标矩阵的步骤,包括:
分别获取以目标栅格点为中心的周围各方向上的栅格点;
将以各目标栅格点为中心和周围各方向的栅格点的坡向值组成n行n列的目标矩阵β,其中n≥3;
其中,所述根据各目标矩阵中各元素的坡向值得到潜在山顶点数据的步骤,包括:
将目标矩阵β中以目标栅格点对应的元素为中心且沿着顺时针方向记录各元素对应的坡向值依次为β1,β2,β3,......,其中以预设方向为起始点0度,设置约束条件的初始值为0;
依次判断各相邻栅格点的坡向值的大小,当各相邻栅格点的坡向值βj-1>βj时,2≤j≤n2-1,则更新约束条件,其中,约束条件的更新是指在βj-1>βj时在原来的约束条件基础上增加1;
在目标矩阵中更新后的约束条件mZ满足预设条件,预设条件为mZ≥1/2(n+1)-1,且目标栅格点对应的高程值大于周围各方向的栅格点的高程值时,则将所述目标栅格点视为潜在山顶点;
以及,所述获取栅格DEM数据对应的栅格点的坡向值的步骤之前,还包括:
根据栅格DEM数据提取山脊线数据;
其中,所述根据所述潜在山顶点数据剔除伪山顶点,得到真实山顶点数据的步骤,包括:
将潜在山顶点数据通过深度优先算法剔除伪山顶点,得到更新后的潜在山顶点;
将山脊线数据和更新后的潜在山顶点数据进行拟合叠加分析,得到真实山顶点。
2.如权利要求1所述的基于坡向分布特征提取山顶点方法,其特征在于,所述获取栅格DEM数据对应的栅格点的坡向值的步骤之前,包括:
对DEM数据进行栅格化处理,并根据坡向提取软件得到各栅格点的坡向值。
3.如权利要求2所述的基于坡向分布特征提取山顶点方法,其特征在于,所述获取栅格DEM数据对应的栅格点的坡向值的步骤之后,还包括:
根据栅格DEM数据获取对应栅格点的高程值;
根据边界栅格点增加对应的虚拟栅格点,所述虚拟栅格点的高程值小于边界栅格点的高程值,且所述虚拟栅格点的坡向值等于边界栅格点的坡向值。
4.如权利要求1至3中任一项所述的基于坡向分布特征提取山顶点方法,其特征在于,所述通过深度优先算法剔除伪山顶点的步骤,包括:
在栅格DEM数据中搜索每个潜在山顶点,并以各潜在山顶点为中心山顶点,深度遍历找出与中心山顶点相邻且连续的各相邻的潜在山顶点;
在中心山顶点和各相邻的潜在山顶点中预留一个潜在山顶点,其余未预留的潜在山顶点标记为伪山顶点。
5.一种基于坡向分布特征提取山顶点系统,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于坡向分布特征提取山顶点程序,所述基于坡向分布特征提取山顶点程序被所述处理器执行时实现如权利要求1至4中任一项所述的基于坡向分布特征提取山顶点方法的步骤。
6.一种存储介质,其特征在于,所述存储介质上存储有基于坡向分布特征提取山顶点程序,所述基于坡向分布特征提取山顶点程序被处理器执行时实现如权利要求1至4中任一项所述的基于坡向分布特征提取山顶点方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527245.6A CN114139652B (zh) | 2021-12-15 | 2021-12-15 | 基于坡向分布特征提取山顶点方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527245.6A CN114139652B (zh) | 2021-12-15 | 2021-12-15 | 基于坡向分布特征提取山顶点方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114139652A CN114139652A (zh) | 2022-03-04 |
CN114139652B true CN114139652B (zh) | 2023-10-03 |
Family
ID=80382523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111527245.6A Active CN114139652B (zh) | 2021-12-15 | 2021-12-15 | 基于坡向分布特征提取山顶点方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139652B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033611A (zh) * | 2016-05-23 | 2016-10-19 | 西安建筑科技大学 | 一种dem数据中的山顶点提取方法 |
CN107958485A (zh) * | 2017-12-08 | 2018-04-24 | 南京师范大学 | 一种伪山顶点剔除方法 |
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 |
CN113205071A (zh) * | 2021-05-28 | 2021-08-03 | 中国科学院地理科学与资源研究所 | 三江并流区高山林线的遥感识别及其空间格局分析方法 |
-
2021
- 2021-12-15 CN CN202111527245.6A patent/CN114139652B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033611A (zh) * | 2016-05-23 | 2016-10-19 | 西安建筑科技大学 | 一种dem数据中的山顶点提取方法 |
CN107958485A (zh) * | 2017-12-08 | 2018-04-24 | 南京师范大学 | 一种伪山顶点剔除方法 |
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 |
CN113205071A (zh) * | 2021-05-28 | 2021-08-03 | 中国科学院地理科学与资源研究所 | 三江并流区高山林线的遥感识别及其空间格局分析方法 |
Non-Patent Citations (3)
Title |
---|
多尺度地图数据库中山顶点的分级创建方法研究;王蕾;《江苏科技信息》(第24期);第52-55+59页 * |
山体控制区拓扑分析的山顶点提取方法;孔月萍 等;《测绘科学技术学报》;第35卷(第1期);全文 * |
栅格 DEM 微地形分类的卷积神经网络法;周访滨 等;《武汉大学学报•信息科学版》;第46卷(第8期);第1186-1193页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114139652A (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180081035A1 (en) | Method and device for filtering point cloud data | |
CN102103202B (zh) | 一种融合影像的机载激光雷达数据半监督分类方法 | |
CN107330903B (zh) | 一种人体点云模型的骨架提取方法 | |
Lee et al. | Perceptual organization of 3D surface points | |
CN106407682B (zh) | 土壤采样点确定方法及装置 | |
CN110503721B (zh) | 基于加权径向基函数插值的断裂地形保持方法 | |
CN105118090A (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
CN115423972A (zh) | 一种基于车载多激光雷达融合的封闭场景三维重建方法 | |
CN103745453B (zh) | 基于Google Earth遥感影像的城镇信息提取方法 | |
TW200907856A (en) | Geospatial modeling system providing data thinning of geospatial data points and related methods | |
CN114936502A (zh) | 一种森林火灾蔓延态势边界分析方法、系统、终端及介质 | |
CN114782645B (zh) | 虚拟数字人制作方法、相关设备及可读存储介质 | |
CN114419430A (zh) | 一种基于SE-U-Net++模型的耕地地块提取方法及装置 | |
Liao et al. | Grid partition variable step alpha shapes algorithm | |
CN105894553B (zh) | 一种基于格栅选择的街巷空间形态布局方法 | |
CN114139652B (zh) | 基于坡向分布特征提取山顶点方法、系统及存储介质 | |
JP2017156251A (ja) | 地形変化点抽出システム、及び地形変化点抽出方法 | |
CN107993242A (zh) | 基于机载LiDAR点云数据缺失区域边界提取方法 | |
JP2003141567A (ja) | 3次元都市モデル生成装置及び3次元都市モデル生成方法 | |
CN111369604A (zh) | 一种基于网格的地形特征点提取方法及处理终端 | |
CN116070321A (zh) | 乡村景观设计方法、装置、设备及存储介质 | |
Chen et al. | A new DEM generalization method based on watershed and tree structure | |
CN115861552A (zh) | 基于深度学习的地貌晕渲图生成方法及系统 | |
CN115760876A (zh) | 基于地物形态特征的行道树点云渐进提取方法 | |
JP3944034B2 (ja) | 区画データ作成方法、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 |