CN114743059B - 一种综合地形地貌特征的海底地理实体自动分类方法 - Google Patents

一种综合地形地貌特征的海底地理实体自动分类方法 Download PDF

Info

Publication number
CN114743059B
CN114743059B CN202210658865.1A CN202210658865A CN114743059B CN 114743059 B CN114743059 B CN 114743059B CN 202210658865 A CN202210658865 A CN 202210658865A CN 114743059 B CN114743059 B CN 114743059B
Authority
CN
China
Prior art keywords
type
points
sight
feature 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.)
Active
Application number
CN202210658865.1A
Other languages
English (en)
Other versions
CN114743059A (zh
Inventor
王明伟
崔晓东
吴自银
阳凡林
李家彪
梁裕扬
姚宜斌
孙中苗
赵荻能
任建业
周洁琼
崔丙浩
刘志豪
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.)
Second Institute of Oceanography MNR
Original Assignee
Second Institute of Oceanography MNR
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 Second Institute of Oceanography MNR filed Critical Second Institute of Oceanography MNR
Priority to CN202210658865.1A priority Critical patent/CN114743059B/zh
Publication of CN114743059A publication Critical patent/CN114743059A/zh
Application granted granted Critical
Publication of CN114743059B publication Critical patent/CN114743059B/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
    • G06F18/24—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种综合地形地貌特征的海底地理实体自动分类方法，步骤包括：地形地貌特征点提取、异常特征点剔除、地形识别单元构建、地理实体自动分类。首先，构建多尺度变换模型，检测极值点，得到准地形地貌特征点；其次，基于准地形地貌特征点，通过计算自适应阈值，并剔除异常值，得到地形地貌特征点；然后，构建基本视线方向，再依次计算视距和视角、判定参数、覆盖面积，得到地形识别单元；最后，通过确定识别类型，遍历地形识别单元，划分地理实体类别，实现对海底地理实体的自动分类。该方法能够快速实现海底地形地貌类型自动预分类，提升了工作效率、减少了人为性。本发明在海底地理实体划定及海底地貌学等方面具有实际应用价值。

Description

一种综合地形地貌特征的海底地理实体自动分类方法
技术领域
本发明涉及海底地理实体自动分类、海洋测绘、海底地形地貌探测、海洋地质、海洋制图与图像数据处理、深海采矿和海洋工程建设等技术领域，尤其涉及一种综合地形地貌特征的海底地理实体自动分类方法。
背景技术
海底地理实体是海洋空间信息的重要研究对象，对其进行自动识别与分类是海洋测绘、海底地形地貌探测等领域中一个较为活跃的研究方向。然而，不同海底地理实体类别的分类标准及划分边界的差异条件都会影响其分类的准确性。目前，基于数字高程模型（DEM, Digital Elevation Model）的陆地地理实体自动分类研究取得了较快发展，而受到观测条件的限制，对海底地理实体自动分类的研究则较为滞后。
当前对地理实体分类研究，从实现过程来看，主要划分为基于地理单元和基于地理对象的两种分类方法。近些年，多种地形地貌测量技术被用于表征海底地理实体的形态特征，受到水下结果难以验证的影响，相较于陆地环境，海底地形地貌分类研究更加困难。因此，适应不同尺度的海底地形地貌特征定量分析仍有待进一步研究，以构建稳定灵活的海底地理实体自动分类方法。
形态特征、模式识别和机器学习等多种方法被应用到海底地形地貌特征研究中，还综合考虑了海底地形尺度、地形形态等因素，综合利用地形因子、人工视觉识别等辅助变量。
受到海底地形尺度的影响，仅利用坡度、坡向和曲率等地形因子往往难以把握局部地形变化与整体地形复杂度的关系，进而影响对不同形态的海底地理实体识别及分类的效果。
发明内容
为了解决海底地理实体难以自动分类的问题，本发明公开了一种综合地形地貌特征的海底地理实体自动分类方法。
本发明通过以下技术方案实现：
一种综合地形地貌特征的海底地理实体自动分类方法，步骤包括：准地形地貌特征点提取、异常特征点剔除、地形识别单元构建、地理实体自动分类；
首先，构建多尺度变换模型，检测极值点，得到准地形地貌特征点；其次，基于准地形地貌特征点，通过计算自适应阈值，并剔除异常值，得到地形地貌特征点；然后，构建基本视线方向，再依次计算视距和视角、判定参数、覆盖面积，得到地形识别单元；最后，通过确定识别类型，遍历地形识别单元，划分地理实体类别，实现对海底地理实体的自动分类。
所述的准地形地貌特征点提取，依次包括构建多尺度变换模型、检测极值点；其中，所述的构建多尺度变换模型包括两部分：一部分是利用小波变换算法，得到二维离散小波模型；另一部分是对二维离散小波模型进行内积运算，构建多尺度变换模型；所述的检测极值点，是通过计算模值和幅角，判断中心格网点是否为极大值，进而得到所有分解等级下的准地形地貌特征点。
所述的异常特征点剔除，依次包括计算自适应阈值、剔除异常值；其中，所述的计算自适应阈值，是对准地形地貌特征点做投影运算，得到每个分解等级下符合阈值的地形地貌特征点；所述的剔除异常值，是遍历所有分解等级，剔除对应阈值下的异常值，得到所有分解等级下的地形地貌特征点。
所述的地形识别单元构建，依次包括构建基本视线方向、计算视距和视角、判定参数、计算覆盖面积；其中，所述的构建基本视线方向，是以地理正北方向为起点，按照顺时针方向，构建8个基本视线方向；所述的计算视距和视角，是通过计算中心特征点与最邻近特征点的相对高程关系，得到视距和视角；所述的计算判定参数，是以地形地貌特征点为中心，通过判断在视线方向上一定视距内视角与坡度阈值的关系来确定具体的判定参数；所述的计算覆盖面积，是以格网行为参考方向，按照列数遍历，统计最大行号与最小行号的差值，并进行累加，得到地形识别单元覆盖面积。
所述的地理实体自动分类，依次包括确定识别类型、遍历地形识别单元、划分地理实体类别；其中，所述的确定识别类型，是选取典型海底地理实体作为识别类型；所述的遍历地形识别单元，是根据属性优先级对单元重叠区域进行排序；所述的划分地理实体类别，是在遍历完成后，输出地理实体自动分类结果。
所述的准地形地貌特征点提取，包括下列步骤：
步骤1.1：构建多尺度变换模型
基于数字水深模型
Figure 169940DEST_PATH_IMAGE002
，其中，Model表示数字模型，Depth表示水深，(x, y)为数字水深模型中格网点的平面位置坐标，利用小波变换算法对其进行多尺度分解，得到二维离散小波模型
Figure 368840DEST_PATH_IMAGE004
，其中，Model表示数字模型，θ表示二维离散小波，(x, y)为二维离散小波值θ对应的平面位置坐标；然后，对二维离散小波模型
Figure 568877DEST_PATH_IMAGE006
进行内积运算，得到多尺度变换模型
Figure 93399DEST_PATH_IMAGE008
，其中，WTf代表多尺度变换，
Figure 847729DEST_PATH_IMAGE010
为多尺度变换值，
Figure 115899DEST_PATH_IMAGE012
和
Figure 655596DEST_PATH_IMAGE014
分别为
Figure 351019DEST_PATH_IMAGE010
沿x轴和y轴方向的两个分量值，(x, y)为多尺度变换值
Figure 858224DEST_PATH_IMAGE010
对应的平面位置坐标，j为分解等级，j、n为自然数；
步骤1.2：检测极值点
公式（1）：
Figure 664506DEST_PATH_IMAGE016
，其中，M(x, y)为二维离散小波θ(x, y)对应的模值；使用公式（1）计算多尺度变换模型
Figure 573556DEST_PATH_IMAGE018
，得到模值数据集{M(x, y)}；公式（2）：
Figure 439881DEST_PATH_IMAGE020
，其中，A(x, y)为二维离散小波θ(x, y)对应的幅角；使用公式（2）计算多尺度变换模型
Figure 919535DEST_PATH_IMAGE018
，得到幅角数据集{A(x, y)}；
Figure 529508DEST_PATH_IMAGE022
和
Figure 293065DEST_PATH_IMAGE024
分别为
Figure 64711DEST_PATH_IMAGE010
沿x轴和y轴方向的两个分量值，j表示分解等级，j、n为自然数；
利用窗口检测算子基于中心格网点P o (x, y)沿幅角A(x, y)方向检测相邻格网点P Adjacent (x, y)的模值M(x, y)，其中，Adjacent代表相邻格网，若中心格网点P o (x, y)的模值为极大值，则该点被认为是准地形地貌特征点
Figure 812088DEST_PATH_IMAGE026
；遍历所有格网点，得到所有分解等级下的准地形地貌特征点
Figure 960172DEST_PATH_IMAGE028
，其中，
Figure 591617DEST_PATH_IMAGE030
为分解等级为j时的准地形地貌特征点，Point表示坐标点，Feature表示准地形地貌特征，j表示分解等级，j、n为自然数。
所述的异常特征点剔除，包括下列步骤：
步骤2.1：计算自适应阈值
公式（3）：
Figure 799745DEST_PATH_IMAGE032
；其中，
Figure 768838DEST_PATH_IMAGE026
为分解等级为j时准地形地貌特征点，S P 为准地形地貌特征点
Figure 986192DEST_PATH_IMAGE026
对应的坡度值，
Figure 458762DEST_PATH_IMAGE034
为窗口检测算子内所有格网点的地形平均坡度值，
Figure 854102DEST_PATH_IMAGE036
代表在邻域为m×m的窗口检测算子内的准地形地貌特征点；基于所有分解等级下的准地形地貌特征点
Figure 310492DEST_PATH_IMAGE038
，使用公式（3）对准地形地貌特征点
Figure 800379DEST_PATH_IMAGE040
做投影运算，得到该分解等级下符合阈值的地形地貌特征点
Figure 924193DEST_PATH_IMAGE042
；
步骤2.2：剔除异常值
遍历所有分解等级，剔除对应阈值下的异常值，得到所有分解等级下的地形地貌特征点
Figure 224855DEST_PATH_IMAGE044
；Point表示坐标点，Feature_T表示符合阈值的地形地貌特征，n为自然数。
所述的地形识别单元构建，包括下列步骤：
步骤3.1：构建基本视线方向
选取Point Feature_T 中的地形地貌特征点P(x, y)为中心，以地理正北方向为起点，按照顺时针方向，构建基本视线方向数据集
Figure 637382DEST_PATH_IMAGE046
；其中，D i 为基本视线方向数据集第i个方向值；
步骤3.2：计算视距和视角
选取Point Feature_T 中的地形地貌特征点P(x, y)为中心，沿视线方向D i 设置视距范围为定值
Figure 930960DEST_PATH_IMAGE048
，其中，
Figure 643701DEST_PATH_IMAGE048
为第i个基本视线方向对应的距离值。若中心特征点P(x, y)在视距范围内存在邻近的地形特征点
Figure 364532DEST_PATH_IMAGE050
，则中心特征点P(x, y)到最邻近特征点
Figure 529934DEST_PATH_IMAGE052
的视距为
Figure 361624DEST_PATH_IMAGE054
，其中，
Figure 679604DEST_PATH_IMAGE056
代表视距范围内的地形特征点，
Figure 571337DEST_PATH_IMAGE058
代表视距范围内最邻近的地形特征点，
Figure 224035DEST_PATH_IMAGE060
代表视距范围，
Figure 859416DEST_PATH_IMAGE062
代表沿视线方向D i 中心特征点P(x, y)到最邻近特征点
Figure 546749DEST_PATH_IMAGE064
的视距，其中i=1,8；
在地形地貌特征点 P(x, y)的基本视线方向D i 上视距
Figure 357186DEST_PATH_IMAGE060
范围内，分别计算中心特征点P(x, y)与最邻近特征点
Figure 231601DEST_PATH_IMAGE064
的视角
Figure 405093DEST_PATH_IMAGE066
，其中，Δ H为中心特征点P(x, y)与最邻近特征点
Figure 681354DEST_PATH_IMAGE064
的高差，ΔD为中心特征点P(x, y)与最邻近特征点
Figure 914889DEST_PATH_IMAGE064
的水平距离；
步骤3.3：计算判定参数
公式（4）：
Figure 276600DEST_PATH_IMAGE068
，其中，maxθ DL 与minθ DL 分别表示以地形地貌特征点为视中心，在视线方向为D i 的视距L i 内视角θ DL 的最大值和最小值，t为坡度阈值；基于基本视线方向D i 和视角θ DL ，使用公式（4）进行计算，得到地形识别单元判定参数数据集
Figure 519363DEST_PATH_IMAGE070
；
步骤3.4：计算覆盖面积
基于基本视线方向D i 的视距
Figure 666441DEST_PATH_IMAGE072
，以格网行为参考方向，利用条柱法计算每个地形识别单元覆盖面积S cover ，搜索每一列的坐标范围，统计条柱总数；统计当列号相同时，最大行号与最小行号的差，并进行累加，得到地形识别单元覆盖面积数据集{ S cover }。
其中，max(row i )表示每一列的最大坐标，min(row i ) 表示每一列的最小坐标，n为统计条柱总数。
所述的地理实体自动分类，包括下列步骤：
步骤4.1：确定识别类型
选取典型海底地理实体作为识别类型Type={Type Seamount , Type Depression , Type Ridge , Type Valley , Type Plateau , Type Slope , Type Plain }，其中，Type代表识别类型，Type Seamount 代表海山/海丘类型，Type Depression 代表洼地类型，Type Ridge 代表海脊类型，Type Valley 代表海谷类型，Type Plateau 代表台地类型，Type Slope 代表斜坡类型，Type Plain 代表海底平原类型，上述识别类型均由一种典型的地形识别单元类型所代表；
步骤4.2：遍历地形识别单元
对所有提取的海底地形特征点P(x, y)进行遍历，根据基本视线方向D i 上不同
Figure 336457DEST_PATH_IMAGE074
值出现的个数以及识别类型Type，将所有地形识别单元覆盖面积S cover 内的格网点标记为对应的识别类型Type；在遍历过程中，若存在相邻地形识别单元覆盖面积S cover 重叠的情况，则根据属性优先级对单元重叠区域进行排序，具有较高优先级的识别类型将覆盖较小优先级的识别类型，即Priority Seamount > Priority Depression > Priority Ridge > Priority Valley >Priority Plateau > Priority Slope ；
步骤4.3：划分地理实体类别
遍历完成后，未被标记的格网点均标记为海底平原Type Plain ，从而实现对地理实体的自动分类。
本发明有益效果是：
本发明基于实测多波束水深数据，提供了一种综合地形地貌特征的海底地理实体自动分类方法，结合小波多尺度变换和局部三值模式识别方法构建海底地理实体自动分类模型，从海底地形地貌的角度为海底地理实体提供更具价值的特征信息，解决了海底地理实体难以界定、量化分析等难题。
本发明可在海底地理实体特征提取与自动分类、海底地形地貌探测和海洋工程建设等领域发挥重要作用。
附图说明
图1是本发明的一种综合地形地貌特征的海底地理实体自动分类方法流程图。
图2是海底地形特征点提取结果图。
图3是地形识别单元的构建过程分解图。
图4是海底地形形态特征及对应的典型地形识别单元图。
图5是基于判定参数的地形形态特征匹配图。
图6是原始多波束测深数据生成的海底地形图。
具体实施方式
下面结合附图和实施例对本发明作具体阐述。
实施例1
如附图1所示，本发明提供了一种综合地形地貌特征的海底地理实体自动分类方法，步骤包括准地形地貌特征点提取、异常特征点剔除、地形识别单元构建、地理实体自动分类。首先，基于数字水深模型与二维离散小波模型构建多尺度变换模型，检测极值点，得到准地形地貌特征点；其次，基于准地形地貌特征点，通过计算自适应阈值，实现不同分解尺度下的准地形地貌特征点的叠加融合，并剔除准地形地貌特征点中的异常值，得到地形地貌特征点；然后，通过获取地形地貌特征点与周围八个视线方向上格网点的相对高程关系，构建基本视线方向，再依次计算视距和视角、判定参数、覆盖面积，得到地形识别单元；最后，对典型海底地理实体进行识别分类，通过确定识别类型，按照优先级排序和遍历地形识别单元，划分地理实体类别，实现对海底地理实体的自动分类。
步骤1：准地形地貌特征点提取。依次包括构建多尺度变换模型、检测极值点；其中，构建多尺度变换模型包括两部分：一部分是利用小波变换算法，得到二维离散小波模型；另一部分是对二维离散小波模型进行内积运算，构建多尺度变换模型；检测极值点，是通过计算模值和幅角，判断数字水深模型中格网点是否为极大值，进而得到所有分解等级下的准地形地貌特征点。具体步骤为：
步骤1.1：构建多尺度变换模型。
基于数字水深模型
Figure 185464DEST_PATH_IMAGE002
，其中，Model表示数字模型，Depth表示水深，(x, y)为数字水深模型中格网点的平面位置坐标，利用小波变换算法对其进行多尺度分解，得到二维离散小波模型
Figure 966339DEST_PATH_IMAGE004
，其中，Model表示数字模型，θ表示二维离散小波，(x, y)为二维离散小波值θ对应的平面位置坐标。
然后，对二维离散小波模型
Figure 217191DEST_PATH_IMAGE006
进行内积运算，得到多尺度变换模型
Figure 792529DEST_PATH_IMAGE008
，其中，WTf代表多尺度变换，
Figure 613986DEST_PATH_IMAGE010
为多尺度变换值，
Figure 932972DEST_PATH_IMAGE012
和
Figure 38331DEST_PATH_IMAGE014
分别为
Figure 784570DEST_PATH_IMAGE010
沿x轴和y轴方向的两个分量值，(x, y)为多尺度变换值
Figure 608170DEST_PATH_IMAGE010
对应的平面位置坐标， j为分解等级，j、n为自然数。
步骤1.2：检测极值点。
使用公式(1)计算模值M(x, y)，使用公式(2)计算幅角
Figure 465267DEST_PATH_IMAGE076
：
Figure 956291DEST_PATH_IMAGE016
（1）
其中，M(x, y)为二维离散小波θ(x, y)对应的模值；使用公式（1）计算多尺度变换模型
Figure 624164DEST_PATH_IMAGE018
，得到模值数据集{M(x, y)}。
Figure 200639DEST_PATH_IMAGE020
（2）
以3×3移动窗口基于中心格网点P o (x, y)沿幅角A(x, y)方向检测相邻格网点P Adjacent (x, y)的模值M(x, y)，其中，Adjacent代表相邻格网，若中心格网点P o (x, y)的模值为极大值，则该点被认为是准地形地貌特征点
Figure 861428DEST_PATH_IMAGE026
；遍历所有格网点，得到所有分解等级下的准地形地貌特征点
Figure 206958DEST_PATH_IMAGE028
，其中，
Figure 295000DEST_PATH_IMAGE030
为分解等级为j时的准地形地貌特征点，Point表示坐标点，Feature表示准地形地貌特征，j表示分解等级，j、n为自然数。
步骤2：异常特征点剔除。依次包括计算自适应阈值、剔除异常值；其中，计算自适应阈值，是对准地形地貌特征点做投影运算，得到每个分解等级下符合阈值的地形地貌特征点；剔除异常值，是遍历所有分解等级，剔除对应阈值下的异常值，得到所有分解等级下的地形地貌特征点。具体步骤为：
步骤2.1：计算自适应阈值。
从第一层准地形地貌特征点
Figure 587134DEST_PATH_IMAGE078
向第二层准地形地貌特征点
Figure 192559DEST_PATH_IMAGE080
进行投影：
Figure 923754DEST_PATH_IMAGE082
，以第一层准地形地貌特征点
Figure 199009DEST_PATH_IMAGE084
为基准，在第二层中以准地形地貌特征点
Figure 484497DEST_PATH_IMAGE086
为中心的3×3邻域中，当计算阈值T大于1时，则保留，否则剔除，自适应阈值T表述为：
Figure 283826DEST_PATH_IMAGE088
（3）
其中，
Figure 338369DEST_PATH_IMAGE090
为第二层准地形地貌特征点，S P 为准地形地貌特征点
Figure 784525DEST_PATH_IMAGE092
的坡度，
Figure DEST_PATH_IMAGE094
为3×3邻域内所有格网点的地形平均坡度因子。
基于所有分解等级下的准地形地貌特征点
Figure DEST_PATH_IMAGE096
，使用公式（3）对准地形地貌特征点
Figure DEST_PATH_IMAGE098
做投影运算，得到该分解等级下符合阈值的地形地貌特征点
Figure DEST_PATH_IMAGE100
。
步骤2.2：剔除异常值。
对前两层准地形特征点进行融合
Figure DEST_PATH_IMAGE102
，并从第二层
Figure DEST_PATH_IMAGE104
开始，向第三层
Figure DEST_PATH_IMAGE106
进行投影；重复步骤2.1和步骤2.2，直到最后一层
Figure DEST_PATH_IMAGE108
循环完成，最终所有层数叠加的结果即为所有分解等级下的地形地貌特征点
Figure DEST_PATH_IMAGE110
（如附图2所示）。
步骤3：地形识别单元构建。依次包括构建基本视线方向、计算视距和视角、判定参数、计算覆盖面积；其中，所述的构建基本视线方向，是以地理正北方向为起点，按照顺时针方向，构建8个基本视线方向；所述的计算视距和视角，是通过计算中心特征点与最邻近特征点的相对高程关系，得到视距和视角；所述的计算判定参数，是以地形地貌特征点为中心，通过判断在视线方向上一定视距内视角与坡度阈值的关系来确定具体的判定参数；所述的计算覆盖面积，是以格网行为参考方向，按照列数遍历，统计最大行号与最小行号的差值，并进行累加，得到地形识别单元覆盖面积。具体步骤为：
步骤3.1：构建基本视线方向。
如图3中的A所示，选取Point Feature_T 中的地形地貌特征点P(x, y)为中心，以地理正北方向为起点，按照顺时针方向，构建基本视线方向数据集
Figure DEST_PATH_IMAGE112
。
步骤3.2：计算视距和视角。
选取Point Feature_T 中的地形地貌特征点P (x, y)为中心，沿视线方向D i 设置视距范围为定值
Figure 367429DEST_PATH_IMAGE048
，其中，
Figure 924443DEST_PATH_IMAGE048
为第i个基本视线方向对应的距离值。
若中心特征点P(x, y)在视距范围内存在邻近的地形特征点
Figure 567914DEST_PATH_IMAGE050
，则中心特征点P(x, y)到最邻近特征点
Figure 434239DEST_PATH_IMAGE052
的视距为
Figure 428740DEST_PATH_IMAGE054
，其中，
Figure 38713DEST_PATH_IMAGE056
代表视距范围内的地形特征点，
Figure 536690DEST_PATH_IMAGE058
代表视距范围内最邻近的地形特征点，
Figure 573916DEST_PATH_IMAGE060
代表视距范围，
Figure 540866DEST_PATH_IMAGE062
代表沿视线方向D i 中心特征点P (x, y)到最邻近特征点
Figure 688951DEST_PATH_IMAGE064
的视距，其中i=1,8。
在地形地貌特征点P(x, y)的基本视线方向D i 上视距
Figure 307014DEST_PATH_IMAGE060
范围内，分别计算中心特征点P (x, y)与最邻近特征点
Figure 515142DEST_PATH_IMAGE064
的视角
Figure 218655DEST_PATH_IMAGE066
，其中，ΔH为中心特征点P (x, y)与最邻近特征点
Figure 436010DEST_PATH_IMAGE064
的高差，ΔD为中心特征点P (x, y)与最邻近特征点
Figure 908580DEST_PATH_IMAGE064
的水平距离。
图3中的B 给出了三维视图下，D 1-D 2两个相对方向上的地形剖面图；图3中的C 给出了二维平面视图下包含A、B、A nr (B nr )三个地形特征点的地形剖面图，图中阴影部分代表以A、B为中心的特征点在东、西两个方向上视距L i 内视角θ DL 的实际范围。
步骤3.3：计算判定参数。
基于基本视线方向D i 和视角θ DL ，使用公式（4）进行计算，得到地形识别单元判定参数数据集
Figure 35411DEST_PATH_IMAGE070
：
Figure 226221DEST_PATH_IMAGE068
（4）
其中，maxθ DL 与minθ DL 分别表示以地形地貌特征点为视中心，在视线方向为D i 的视距L i 内视角θ DL 的最大值和最小值，t为坡度阈值；根据常用的斜坡分级指标，本例中的t值取为3°。
步骤3.4：计算覆盖面积。
根据8个方向D i 的视距L i ，每个地形识别单元覆盖面积S cover 利用条柱法计算，以格网行为参考方向，搜索每一列的坐标范围max(row i )，min(row i )，统计条柱总数n；统计当列号相同时，最大行号max(row i )与最小行号min(row i )的差，并进行累加，得到地形识别单元覆盖面积数据集{ S cover }：
其中，max(row i )表示每一列的最大坐标，min(row i )表示每一列的最小坐标，n为统计条柱总数。
步骤4：地理实体自动分类。依次包括确定识别类型、遍历地形识别单元、划分地理实体类别；其中，确定识别类型，是选取典型海底地理实体作为识别类型；遍历地形识别单元，是根据属性优先级对单元重叠区域进行排序；划分地理实体类别，是在遍历完成后，输出地理实体自动分类结果。具体步骤为：
步骤4.1：确定识别类型。
选取典型海底地理实体作为识别类型选取典型海底地理实体作为识别类型Type= {Type Seamount , Type Depression , Type Ridge , Type Valley , Type Plateau , Type Slope , Type Plain }，其中，Type代表识别类型，Type Seamount 代表海山/海丘类型，Type Depression 代表洼地类型，Type Ridge 代表海脊类型，Type Valley 代表海谷类型，Type Plateau 代表台地类型，Type Slope 代表斜坡类型，Type Plain 代表海底平原类型，上述识别类型均由一种典型的地形识别单元类型所代表。
步骤4.2：遍历地形识别单元。
对所有提取的海底地形特征点P(x, y)进行遍历，根据基本视线方向D i 上不同
Figure 716108DEST_PATH_IMAGE074
值出现的个数以及识别类型Type，将所有地形识别单元覆盖面积S cover 内的格网点标记为对应的识别类型Type；
在遍历过程中，相邻的地形识别单元可能会出现局部区域重叠的现象，故在本例中，如附图4所示，若存在相邻地形识别单元覆盖面积S cover 重叠的情况，则根据属性优先级对单元重叠区域进行排序，具有较高优先级的识别类型将覆盖较小优先级的识别类型，即Priority Seamount > Priority Depression > Priority Ridge > Priority Valley >Priority Plateau > Priority Slope 。
步骤4.3：划分地理实体类别。
遍历完成后，未被标记的格网点均标记为海底平原Type Plain ；如附图5所示，图中的竖轴、纵轴和横轴分别代表三个端元“0”、“1”、“2”出现的频次，不同地形形态特征所映射的识别类型由不同灰度值表示；根据地形识别单元所对应的地形类型映射关系对地形识别单元进行标记，从而实现对地理实体的自动分类。
为了验证提取特征的有效性，本例使用了中国南海收集的多波束测深数据集，由原始多波束测深数据生成的海底地形图如附图6所示。
在步骤2输出海底地形特征点的基础上，对所有地形特征点进行遍历计算，坡度阈值t=3°，最优视距长度为37个格网单元长度，得到每个地形特征点所对应的地形识别单元的类型和面积，在遍历过程中，根据附图5中地形识别单元所对应的地理实体类型映射关系对地形识别单元进行标记，完成对地理实体的自动分类。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

Claims (8)

1.一种综合地形地貌特征的海底地理实体自动分类方法，其特征在于，步骤包括：准地形地貌特征点提取、异常特征点剔除、地形识别单元构建、地理实体自动分类；首先，构建多尺度变换模型，检测极值点，得到准地形地貌特征点；其次，基于准地形地貌特征点，通过计算自适应阈值，并剔除异常值，得到地形地貌特征点；然后，构建基本视线方向，再依次计算视距和视角、判定参数、覆盖面积，得到地形识别单元；最后，通过确定识别类型，遍历地形识别单元，划分地理实体类别，实现对海底地理实体的自动分类；
所述的准地形地貌特征点提取，依次包括构建多尺度变换模型、检测极值点；其中，所述的构建多尺度变换模型包括两部分：一部分是利用小波变换算法，得到二维离散小波模型；另一部分是对二维离散小波模型进行内积运算，构建多尺度变换模型；所述的检测极值点，是通过计算模值和幅角，判断中心格网点是否为极大值，进而得到所有分解等级下的准地形地貌特征点。
2.如权利要求1所述的方法，其特征在于，所述的异常特征点剔除，依次包括计算自适应阈值、剔除异常值；其中，所述的计算自适应阈值，是对准地形地貌特征点做投影运算，得到每个分解等级下符合阈值的地形地貌特征点；所述的剔除异常值，是遍历所有分解等级，剔除对应阈值下的异常值，得到所有分解等级下的地形地貌特征点。
3.如权利要求2所述的方法，其特征在于，所述的地形识别单元构建，依次包括构建基本视线方向、计算视距和视角、判定参数、计算覆盖面积；其中，所述的构建基本视线方向，是以地理正北方向为起点，按照顺时针方向，构建8个基本视线方向；所述的计算视距和视角，是通过计算中心特征点与最邻近特征点的相对高程关系，得到视距和视角；所述的计算判定参数，是以地形地貌特征点为中心，通过判断在视线方向上计算得到的视距内视角与坡度阈值的关系来确定具体的判定参数；所述的计算覆盖面积，是以格网行为参考方向，按照列数遍历，统计最大行号与最小行号的差值，并进行累加，得到地形识别单元覆盖面积。
4.如权利要求3所述的方法，其特征在于，所述的地理实体自动分类，依次包括确定识别类型、遍历地形识别单元、划分地理实体类别；其中，所述的确定识别类型，是选取典型海底地理实体作为识别类型；所述的遍历地形识别单元，是根据属性优先级对单元重叠区域进行排序；所述的划分地理实体类别，是在遍历完成后，输出地理实体自动分类结果。
5.如权利要求4所述的方法，其特征在于，所述的准地形地貌特征点提取，包括下列步骤：
步骤1.1：构建多尺度变换模型
基于数字水深模型
Figure DEST_PATH_IMAGE002
，其中，Model表示数字模型，Depth表示水深，(x, y)为数字水深模型中格网点的平面位置坐标，利用小波变换算法对其进行多尺度分解，得到二维离散小波模型
Figure DEST_PATH_IMAGE004
，其中，Model表示数字模型，θ表示二维离散小波，(x, y)为二维离散小波值θ对应的平面位置坐标；然后，对二维离散小波模型
Figure DEST_PATH_IMAGE006
进行内积运算，得到多尺度变换模型
Figure DEST_PATH_IMAGE008
，其中，WTf代表多尺度变换，
Figure DEST_PATH_IMAGE010
为多尺度变换值，
Figure DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE014
分别为
Figure 858898DEST_PATH_IMAGE010
沿x轴和y轴方向的两个分量值，(x, y)为多尺度变换值
Figure 244880DEST_PATH_IMAGE010
对应的平面位置坐标，j为分解等级，j、n为自然数；
步骤1.2：检测极值点
公式（1）：
Figure DEST_PATH_IMAGE016
，其中，M(x, y)为二维离散小波θ(x, y)对应的模值；使用公式（1）计算多尺度变换模型
Figure DEST_PATH_IMAGE018
，得到模值数据集{M(x, y)}；公式（2）：
Figure DEST_PATH_IMAGE020
，其中，A(x, y)为二维离散小波θ(x, y)对应的幅角；使用公式（2）计算多尺度变换模型
Figure 389333DEST_PATH_IMAGE018
，得到幅角数据集{A(x, y)}；
Figure DEST_PATH_IMAGE022
和
Figure DEST_PATH_IMAGE024
分别为
Figure 191067DEST_PATH_IMAGE010
沿x轴和y轴方向的两个分量值，j表示分解等级，j、n为自然数；
利用窗口检测算子基于中心格网点P o (x, y)沿幅角A(x, y)方向检测相邻格网点P Adjacent (x, y)的模值M(x, y)，其中，Adjacent代表相邻格网，若中心格网点P o (x, y)的模值为极大值，则该点被认为是准地形地貌特征点
Figure DEST_PATH_IMAGE026
；遍历所有格网点，得到所有分解等级下的准地形地貌特征点
Figure DEST_PATH_IMAGE028
，其中，
Figure DEST_PATH_IMAGE030
为分解等级为j时的准地形地貌特征点，Point表示坐标点，Feature表示准地形地貌特征，j表示分解等级，j、n为自然数。
6.如权利要求5所述的方法，其特征在于，所述的异常特征点剔除，包括下列步骤：
步骤2.1：计算自适应阈值
公式（3）：
Figure DEST_PATH_IMAGE032
；其中，
Figure 21751DEST_PATH_IMAGE026
为分解等级为j时准地形地貌特征点，S P 为准地形地貌特征点
Figure 47476DEST_PATH_IMAGE026
对应的坡度值，
Figure DEST_PATH_IMAGE034
为窗口检测算子内所有格网点的地形平均坡度值，
Figure DEST_PATH_IMAGE036
代表在邻域为m×m的窗口检测算子内的准地形地貌特征点；基于所有分解等级下的准地形地貌特征点
Figure DEST_PATH_IMAGE038
，使用公式（3）对准地形地貌特征点
Figure DEST_PATH_IMAGE040
做投影运算，得到该分解等级下符合阈值的地形地貌特征点
Figure DEST_PATH_IMAGE042
；
步骤2.2：剔除异常值
遍历所有分解等级，剔除对应阈值下的异常值，得到所有分解等级下的地形地貌特征点
Figure DEST_PATH_IMAGE044
；Point表示坐标点，Feature_T表示符合阈值的地形地貌特征。
7.如权利要求6所述的方法，其特征在于，所述的地形识别单元构建，包括下列步骤：
步骤3.1：构建基本视线方向
选取Point Feature_T 中的地形地貌特征点P(x, y)为中心，以地理正北方向为起点，按照顺时针方向，构建基本视线方向数据集
Figure DEST_PATH_IMAGE046
；其中，D i 为基本视线方向数据集第i个方向值；
步骤3.2：计算视距和视角
选取Point Feature_T 中的地形地貌特征点P(x, y)为中心，沿视线方向D i 设置视距范围为定值
Figure DEST_PATH_IMAGE048
，其中，
Figure 468836DEST_PATH_IMAGE048
为第i个基本视线方向对应的距离值；
若中心特征点P(x, y)在视距范围内存在邻近的地形特征点
Figure DEST_PATH_IMAGE050
，则中心特征点P(x, y)到最邻近特征点
Figure DEST_PATH_IMAGE052
的视距为
Figure DEST_PATH_IMAGE054
，其中，
Figure DEST_PATH_IMAGE056
代表视距范围内的地形特征点，
Figure DEST_PATH_IMAGE058
代表视距范围内最邻近的地形特征点，
Figure DEST_PATH_IMAGE060
代表视距范围，
Figure DEST_PATH_IMAGE062
代表沿视线方向D i 中心特征点P(x, y)到最邻近特征点
Figure DEST_PATH_IMAGE064
的视距，其中i=1,8；
在地形地貌特征点 P(x, y)的基本视线方向D i 上视距
Figure 618802DEST_PATH_IMAGE060
范围内，分别计算中心特征点P(x, y)与最邻近特征点
Figure 756522DEST_PATH_IMAGE064
的视角
Figure DEST_PATH_IMAGE066
，其中，ΔH为中心特征点P(x, y)与最邻近特征点
Figure 156410DEST_PATH_IMAGE064
的高差，ΔD为中心特征点P(x, y)与最邻近特征点
Figure 379581DEST_PATH_IMAGE064
的水平距离；
步骤3.3：计算判定参数
公式（4）：
Figure DEST_PATH_IMAGE068
，其中，maxθ DL 与minθ DL 分别表示以地形地貌特征点为视中心，在视线方向为D i 的视距L i 内视角θ DL 的最大值和最小值，t为坡度阈值；基于基本视线方向D i 和视角θ DL ，使用公式（4）进行计算，得到地形识别单元判定参数数据集
Figure DEST_PATH_IMAGE070
；
步骤3.4：计算覆盖面积
基于基本视线方向D i 的视距
Figure DEST_PATH_IMAGE072
，以格网行为参考方向，利用条柱法计算每个地形识别单元覆盖面积S cover ，搜索每一列的坐标范围，统计条柱总数；统计当列号相同时，最大行号与最小行号的差，并进行累加，得到地形识别单元覆盖面积数据集{ S cover }。
8.如权利要求7所述的方法，其特征在于，所述的地理实体自动分类，包括下列步骤：
步骤4.1：确定识别类型
选取典型海底地理实体作为识别类型Type={Type Seamount , Type Depression , Type Ridge , Type Valley , Type Plateau , Type Slope , Type Plain }，其中，Type代表识别类型，Type Seamount 代表海山/海丘类型，Type Depression 代表洼地类型，Type Ridge 代表海脊类型，Type Valley 代表海谷类型，Type Plateau 代表台地类型，Type Slope 代表斜坡类型，Type Plain 代表海底平原类型，上述识别类型均由一种典型的地形识别单元类型所代表；
步骤4.2：遍历地形识别单元
对所有提取的海底地形特征点P(x, y)进行遍历，根据基本视线方向D i 上不同
Figure DEST_PATH_IMAGE074
值出现的个数以及识别类型Type，将所有地形识别单元覆盖面积S cover 内的格网点标记为对应的识别类型Type；在遍历过程中，若存在相邻地形识别单元覆盖面积S cover 重叠的情况，则根据属性优先级对单元重叠区域进行排序，具有较高优先级的识别类型将覆盖较小优先级的识别类型，即Priority Seamount > Priority Depression > Priority Ridge > Priority Valley >Priority Plateau > Priority Slope ；
步骤4.3：划分地理实体类别
遍历完成后，未被标记的格网点均标记为海底平原Type Plain ，从而实现对地理实体的自动分类。
CN202210658865.1A 2022-06-13 2022-06-13 一种综合地形地貌特征的海底地理实体自动分类方法 Active CN114743059B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210658865.1A CN114743059B (zh) 2022-06-13 2022-06-13 一种综合地形地貌特征的海底地理实体自动分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210658865.1A CN114743059B (zh) 2022-06-13 2022-06-13 一种综合地形地貌特征的海底地理实体自动分类方法

Publications (2)

Publication Number Publication Date
CN114743059A CN114743059A (zh) 2022-07-12
CN114743059B true CN114743059B (zh) 2022-09-06

Family

ID=82287504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210658865.1A Active CN114743059B (zh) 2022-06-13 2022-06-13 一种综合地形地貌特征的海底地理实体自动分类方法

Country Status (1)

Country Link
CN (1) CN114743059B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173548B (zh) * 2023-08-10 2024-04-02 中国自然资源航空物探遥感中心 一种海底地貌智能分类模型构建方法、装置及分类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149755A (zh) * 2020-10-12 2020-12-29 自然资源部第二海洋研究所 基于深度学习的小样本海底水声图像底质分类方法
CN113989685A (zh) * 2021-10-25 2022-01-28 辽宁工程技术大学 基于超级体元的机载多光谱LiDAR数据土地覆盖分类的方法
CN114564966A (zh) * 2022-03-04 2022-05-31 中国科学院地理科学与资源研究所 一种基于知识图谱的空间关系语义分析的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130001760A (ko) * 2011-06-28 2013-01-07 삼성탈레스 주식회사 가변 블록을 이용한 감독 기법 기반의 지형 인지 방법
KR101706206B1 (ko) * 2013-05-13 2017-02-15 한국전자통신연구원 지형 표현 방법, 지형 프리미티브 생성 방법 및 이를 이용하는 장치
CN111948658A (zh) * 2020-08-22 2020-11-17 高小翎 水底地貌影像识别匹配的深水区定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149755A (zh) * 2020-10-12 2020-12-29 自然资源部第二海洋研究所 基于深度学习的小样本海底水声图像底质分类方法
CN113989685A (zh) * 2021-10-25 2022-01-28 辽宁工程技术大学 基于超级体元的机载多光谱LiDAR数据土地覆盖分类的方法
CN114564966A (zh) * 2022-03-04 2022-05-31 中国科学院地理科学与资源研究所 一种基于知识图谱的空间关系语义分析的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Multifeature Extraction and Seafloor Classification Combining LiDAR and MBES Data around Yuanzhi Island in the South China Sea;Mingwei wang et al.;《Sensors》;20181108;第18卷(第11期);第1-20页 *
海底声学底质分类的 ELM-AdaBoost 方法;王嘉翀 等;《海洋学报》;20211215;第43卷(第12期);第144-151页 *
黄土地貌类型的坡谱自动识别分析;刘双琳 等;《地球信息科学》;20151009;第17卷(第10期);第1234-1242页 *

Also Published As

Publication number Publication date
CN114743059A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
US7995055B1 (en) Classifying objects in a scene
Lu et al. Object-oriented change detection for landslide rapid mapping
Matkan et al. Road extraction from lidar data using support vector machine classification
CN108121991A (zh) 一种基于边缘候选区域提取的深度学习舰船目标检测方法
CN111598780B (zh) 一种适用于机载LiDAR点云的地形自适应插值滤波方法
CN110210428B (zh) 一种基于mser的远距离复杂环境下的烟雾根节点检测方法
CN111783721B (zh) 一种激光点云的车道线提取方法及电子设备
CN114200477A (zh) 一种激光三维成像雷达地面目标点云数据处理方法
CN110363299B (zh) 面向露头岩层分层的空间案例推理方法
Özdemir et al. Automatic extraction of trees by using multiple return properties of the lidar point cloud
CN111325138A (zh) 一种基于点云局部凹凸特征的道路边界实时检测方法
CN114743059B (zh) 一种综合地形地貌特征的海底地理实体自动分类方法
Salah et al. Evaluation of the self‐organizing map classifier for building detection from lidar data and multispectral aerial images
CN107563296B (zh) 基岩海岸岸线的提取方法及系统
CN115965812A (zh) 无人机影像对湿地植被物种和地物分类的评估方法
Palenichka et al. Multiscale isotropic matched filtering for individual tree detection in LiDAR images
CN114266947A (zh) 一种基于激光点云和可见光图像融合的分类方法及装置
Xiao et al. Individual tree detection and crown delineation with 3D information from multi-view satellite images
CN109242786A (zh) 一种适用于城市区域的自动化形态学滤波方法
CN117197661A (zh) 一种利用激光雷达点云数据识别黄土落水洞的方法
Chang et al. Bare-earth extraction from airborne LiDAR data based on segmentation modeling and iterative surface corrections
RU2729557C2 (ru) Способ идентификации объектов на цифровых изображениях подстилающей поверхности методом нечеткой триангуляции делоне
Zou et al. An adaptive strips method for extraction buildings from light detection and ranging data
CN116704333B (zh) 一种基于激光点云数据的单株林木检测方法
Koç San Approaches for automatic urban building extraction and updating from high resolution satellite imagery

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