CN115223090A - 基于多源遥感影像的机场净空障碍物周期监测方法 - Google Patents
基于多源遥感影像的机场净空障碍物周期监测方法 Download PDFInfo
- Publication number
- CN115223090A CN115223090A CN202210715413.2A CN202210715413A CN115223090A CN 115223090 A CN115223090 A CN 115223090A CN 202210715413 A CN202210715413 A CN 202210715413A CN 115223090 A CN115223090 A CN 115223090A
- Authority
- CN
- China
- Prior art keywords
- airport
- image
- digital
- remote sensing
- elevation
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000004888 barrier function Effects 0.000 title claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 20
- 238000009432 framing Methods 0.000 claims abstract description 13
- 230000000737 periodic effect Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 11
- 238000011835 investigation Methods 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 208000034699 Vitreous floaters Diseases 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Astronomy & Astrophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
基于多源遥感影像的机场净空障碍物周期监测方法包括首先在作业区域范围内进行像控点采集,获得遥感影像基础控制点参数,以遥感影像基础控制点参数为基准构建遥感基础影像数据;将遥感基础影像数据进行点云匹配生成数字表面模型DSM,利用像元中心点坐标得到投影坐标系下和地理坐标系下的分幅数字正射影像DOM,对非地面高程区域进行滤波编辑生成数字高程模型DEM;提取机场疑似障碍物,计算机场疑似障碍物信息,通过外业进行核实并修正;进行周期监测,提取变化区域,生成机场净空障碍物报告。本发明能够确保监测范围无死角,实现建筑物精细化普查,解决了现有机场障碍物监测容易遗漏等问题,消除机场安全隐患,可实现常态化周期监测。
Description
技术领域
本发明涉及一种机场净空障碍物监测方法,特别是基于多源遥感影像的机场净空障碍物周期监测方法,属于卫星遥感应用技术领域。
背景技术
机场净空是指机场现有的和规划的每条跑道的两端和两侧供飞机起飞、爬升、下滑、着陆、目视所需的规定空间,用于保障飞机安全运行,防止机场周围及其相邻地面上障碍物增多而使机场变得无法使用。机场净空条件的破坏通常是由于超高障碍物造成的(当然,漂浮物或烟雾、粉尘也会破坏净空条件)。为此必须规定一些假想的平面或斜面作为净空障碍物限制面,用以限制机场周围天然地形(山、高地等)及人工构筑物的高度。净空障碍物限制面又称为净空面。为保证净空面的安全,需要定期对净空障碍物进行有效识别和监测。
机场周围地区工程建设需求日益增长,地物类型复杂,净空保护区范围内的混凝土建筑、灯杆、信号塔、广告牌等不断涌现,增大了遥感卫星数据判读的难度与工作强度。目前机场对周边障碍物的探查主要采用人工巡视方式开展,大面积的净空区控制范围,巡视成本和漏查概率大,对巡视结果可能结果出现瞒报、错报等情况,当前的技术手段无法满足需求:一是机场净空区域范围广,传统的人工巡查方式已不可能满足全面覆盖净空区域范围及净空巡查周期的需求;二是相比于局方,机场作为生产保障单位更是缺乏机场净空区域内障碍物航行评估研究能力,相关工作只能委托专业测绘、设计单位开展,成本大,耗时长,不具备可持续性。
目前有学者提出基于高分辨率卫星技术的机场净空巡查方法及装置,这里面是利用数字表面模型的两次变化差值来排查高度异常区域,然后发现变化的建筑物,但这个技术方法没对于占地面积小的超高建筑物,比如铁塔、通讯塔、电塔等,这些障碍物在数字表面模型里会存在一定的遗漏,因为该建筑物占地面积小,所以在数字表面模型的点云有一定的概率遗漏或者点位没有落在该建筑物的高点,届时系统未分配到高程异常区域,这就会导致该建筑物的遗漏,所以必须做到无死角排查超高建筑物。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提供基于多源遥感影像的机场净空障碍物周期监测方法,本发明能够确保监测范围无死角,实现建筑物精细化普查,解决了现有机场障碍物监测容易遗漏等问题,消除机场安全隐患,可实现常态化周期监测。
本发明的技术解决方案是:
基于多源遥感影像的机场净空障碍物周期监测方法,包括:
在作业区域范围内进行像控点采集,获得遥感影像基础控制点参数;
以遥感影像基础控制点参数为基准构建遥感基础影像数据,将遥感基础影像数据进行点云匹配后得到点云数据,将点云数据栅格化生成格网的机场净空区域数字表面模型DSM;
对遥感基础影像数据根据不同色彩模式分别存储为相应的基本存储单元,利用像元中心点坐标得到投影坐标系下和地理坐标系下的分幅数字正射影像DOM;
基于所述数字表面模型DSM,对非地面高程区域进行滤波编辑生成数字高程模型DEM;
将所述数字表面模型DSM中各像素点的灰度值与数字高程模型DEM各像素点灰度值进行差值计算,计算后的差值与所述数字正射影像DOM进行叠加处理,提取出机场疑似障碍物;
计算机场净空限制面的三维模型坐标,绘制出机场净空限制面的三维模型;
根据机场净空限制面的三维模型以及数字表面模型DSM与数字高程模型DEM,计算机场疑似障碍物平面位置和高程信息作为机场净空障碍物普查数据;
通过对所述机场净空障碍物普查数据进行外业核实取证,对机场净空障碍物的平面位置和最高点高程值进行核实和修正,得到机场净空障碍物监测范围及首期机场净空障碍物普查数据;
制定周期监测计划,对所述机场净空障碍物监测范围进行周期监测获得每期机场净空的所述数字表面模型DSM和所述数字正射影像DOM;
根据所述首期机场净空障碍物普查数据及每期机场净空的所述数字表面模型DSM和所述数字正射影像DOM提取变化区域,生成机场净空障碍物报告。
在上述机场净空障碍物周期监测方法中,所述像控点的平面误差应小于10cm,高程误差小于10cm,内容包括2000坐标系成果和1985国家高程基准成果,为后期机场净空障碍物周期监测提供控制基础。
在上述机场净空障碍物周期监测方法中,所述点云匹配优先采用前视、后视影像进行匹配提高点云精准度。
在上述机场净空障碍物周期监测方法中,提高所述点云精准度的具体方法如下:
对多景重叠影像进行取舍,选择能保证点云匹配后数字表面模型DSM细节丰富的影像;
数字表面模型DSM需要与实际地形套合,地貌晕渲状态不存在明显粗差;
对机场周边障碍物的重点排查地物在立体影像模式下进行修测,保证数字表面模型DSM中的高程值在建筑物的最顶端;
对于占地面积较大的建筑,在立体影像中将数字表面模型DSM高程值修测至建筑的实际位置;
对于水域,根据周围地形进行置平处理和平滑过渡,保证无明显地形异常;
对于匹配困难区域,采用内插、拟合和平滑处理;
对于山体阴影区域,数字表面模型DSM高程值及纹理特征与实际地貌特征保持一致;
人工删除非地面附着物。
在上述机场净空障碍物周期监测方法中,所述对不同色彩模式的遥感基础影像数据根据不同模式分别存储为相应的基本存储单元具体方法为:如果图幅内多光谱影像所占比例超过图幅的10%,整个图幅的按RGB彩色24位模式存储,如果所占比例低于图幅的10%,按灰度8位模式存储。
在上述机场净空障碍物周期监测方法中,所述投影坐标系下的分幅数字正射影像数据的裁切范围是根据相应的基本存储单元的四个图廓点像元中心点坐标的最小外接矩形,以此向外扩展200~300个像素。
在上述机场净空障碍物周期监测方法中,所述图廓点像元中心点坐标的计算方法为:
Xmin=int[min(X1,X2,X3,X4)÷R]×R-N×R
Ymin=int[min(Y1,Y2,Y3,Y4)÷R]×R-N×R
Xmax=[int[max(X1,X2,X3,X4)÷R]+1]×R+N×R
Ymax=[int[max(Y1,Y2,Y3,Y4)÷R]+1]×R+N×R
其中,X1,Y1,X2,Y2,X3,Y3,X4,Y4为四个图廓点的坐标,其中+X指北,+Y指东;坐标单位为米,R为正射影像地面分辨率,int为将数字向下取整为最接近的整数,max为返回参数列表中的最大值,min为返回参数列表中的最小值。
在上述机场净空障碍物周期监测方法中,所述地理坐标系下的分幅数字正射影像数据的裁切范围是根据相应的基本存储单元的四个角点像元中心点坐标的最小外接矩形,以此向外扩展200~300个像素。
在上述机场净空障碍物周期监测方法中,所述角点像元中心点坐标的计算方法为:
Xmin=int[min(X1,X2,X3,X4)÷R]×R-N×R
Ymin=int[min(Y1,Y2,Y3,Y4)÷R]×R-N×R
Xmax=[int[max(X1,X2,X3,X4)÷R]+1]×R+N×R
Ymax=[int[max(Y1,Y2,Y3,Y4)÷R]+1]×R+N×R
其中,X1,Y1,X2,Y2,X3,Y3,X4,Y4为四个角点的坐标,其中,+X指经度,+Y指纬度;坐标单位均为度,R为正射影像地面分辨率,int为将数字向下舍入到最接近的整数,max为返回参数列表中的最大值,min为返回参数列表中的最小值。
在上述机场净空障碍物周期监测方法中,所述对非地面高程区域进行滤波编辑是将非地面区域的地表高程降至地面,编辑后的区域保持地形特征,与周围地形过渡,调整地貌晕渲状态,消除局部高程异常,具体方法如下:
对于在数字表面模型DSM上特征明显的建筑物覆盖区域,应按照精度要求和实际地形特征采用局部自适应滤波编辑,将建筑物非地面高程降至地面高程;
对于大型、密集分布的房屋建筑区,采取滤波方式处理生成数字高程模型DEM;
对于零星分布的房屋建筑区,通过整体滤波处理;
对在数字表面模型DSM上特征明显的林地,将林地冠层高程降至地面高程;
对于山地大面积密集森林区域,森林高度可根据“林窗”或边缘地带的立体判读获取;
针对破碎微地貌的山脊和山谷,体现出该区域整体起伏的地表形态特征即可;
对于稀疏的零星树木,通过整体滤波处理;
对于机场周边障碍物的重点排查地物进行修测,保证高程值降至地面。
在上述机场净空障碍物周期监测方法中,所述机场净空限制面三维模型、所述数字表面模型DSM、所述数字正射影像DOM和所述数字高程模型DEM的坐标系均通过所述像控点对该区域所使用影像进行精准控制,使其均在相同地理空间坐标系内。
在上述机场净空障碍物周期监测方法中,所述提取变化区域的方法具体为:利用任意两期数字表面模型DSM中的像素点灰度值进行比对分析,根据两者差值超过一定限差后像素点颜色突出变化提取变化区域;再利用数字正射影像DOM结合数字表面模型DSM判断变化区域为“已建成”或“在建中”。
在上述机场净空障碍物周期监测方法中,所述机场净空区域为机场跑道中心点55km半径范围内高差大于30米以及最高点高程值大于机场跑道中心点高程值150m。
在上述机场净空障碍物周期监测方法中,所述监测周期大于15天。
在上述机场净空障碍物周期监测方法中,所述机场周边障碍物的重点排查地物包括同一平面位置有多个高程值的复杂地物,网状外形的地物,局部运动的地物,横截面积小的杆状地物,净空保护区内的植被区域,独立树木或林带。
本发明与现有技术相比的优点在于:
(1)本发明机场净空障碍物周期监测方法通过采集高精度遥感影像像控点、对区域内遥感数据进行整体控制,根据多源的高分辨率立体影像,建立所述机场净空区域的数字正射影像DOM、数字表面模型DSM和数字高程模型DEM,并将DSM和DOM融合叠加形成障碍物数据,能够确保监测范围无死角,实现百分之百普查机场周边所有障碍物信息,解决了人工机场障碍物监测容易出现的漏洞,消除了机场安全隐患。
(2)本发明机场净空障碍物周期监测方法根据机场特有情况建立机场净空区域的数字高程模型、数字表面模型、数字正射影像模型,并根据机场限制面三维模型计算出疑似障碍物,对接近限制高度或可能影响净空环境的物体提前自动预警,使机场能够提前发现问题并尽早解决,提升航班在起落过程中的安全系数,避免超高对飞行安全的严重影响和拆迁带来的巨大经济损失。
(3)本发明机场净空障碍物周期监测方法采用影像识别和像控点采集相结合的方式,保证了周期监测中各个模型具有相同的坐标系,简化了重新进行模型校准的时间,大大缩短了机场净空障碍物的识别周期,这也是实现常态化监测的基础。
(4)本发明机场净空障碍物周期监测方法利用多源高分辨率遥感影像数据对机场障碍物限制区及周边范围内的建筑物进行信息提取与周期性监测工作,并采用数字表面模型DSM与前期数字表面模型DSM进行高差比对分析变化区域,确定变化区域后与数字正射影像DOM进行融合进行再次分析确保无遗漏,实现机场障碍物限制区及周边范围内的建筑物的精细化普查。
(5)本发明机场净空障碍物周期监测方法对各类地物分类采用立体影像进行精准匹配,提高了监测精度。
附图说明
图1为本发明的机场净空障碍物周期监测方法流程图;
图2为本发明机场净空障碍物限制面的平面示意图;
表1为本发明机场净空障碍物限制面的尺寸和坡度。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细地描述:
如图1所示为本发明的机场净空障碍物周期监测方法流程图,本发明基于多源遥感影像的机场净空障碍物周期监测方法具体包括如下步骤:
(一)采集像控点
本实施例中,为了提高精度和准确性收集原始影像数据包括地面分辨率为0.5米的高景一号卫星遥感数据、0.6米高分七号卫星遥感数据和0.8米的高分二号卫星遥感数据以及2米分辨率的资源三号、高分一号数据;另外搜集机场净空区域的1:10000地形图,这样可以提高数字高程模型DEM的精度。
开展变化监测之前,在高等级控制点和加密点的基础上,在作业区域范围内进行像控点采集,获得遥感影像基础控制点参数;像控点的平面误差应小于10cm,高程误差小于10cm,内容包括2000坐标系成果和1985国家高程基准成果,为后期卫星遥感常态化监测提供控制基础。
(二)遥感卫星数据处理
以遥感影像基础控制点参数为基准构建遥感基础影像数据,将遥感基础影像数据进行点云匹配后得到点云数据,将点云数据栅格化生成格网的机场净空区域数字表面模型DSM数据;基于数字表面模型DSM数据,对非地面高程区域进行滤波编辑生成数字高程模型DEM;对不同色彩模式的遥感基础影像数据根据不同模式分别存储为相应的基本存储单元,利用像元中心点坐标得到投影坐标系下和地理坐标系下的分幅数字正射影像DOM。
S1、数字表面模型DSM制作:数字表面模型生产是利用区域网平差精确求解的遥感影像成像模型参数构建立体几何模型,采用密集匹配算法获取高精度的表达地表起伏形态的三维点云数据集。
利用全自动影像匹配技术开展点云匹配,并将点云数据栅格化生成格网的数字表面模型DSM数据;立体匹配时,优先采用前视、后视影像进行匹配提高点云精准度,对于缺少前视数据或后视数据的影像,采用两视匹配,具体方法如下:
(1)对多景重叠影像进行取舍,选择能保证点云匹配后数字表面模型DSM细节丰富的影像,避免随意选用影像;
(2)数字表面模型DSM需要与实际地形套合,地貌晕渲状态不存在明显的飞点、跳点等粗差;
(3)为确保障碍物普查的准确性,数字表面模型DSM采用高密度、高精度的格网对地物进行表达;
(4)对机场周边障碍物的重点排查地物在立体影像模式下进行修测,保证数字表面模型DSM中的高程值在建筑物的最顶端;机场周边障碍物的重点排查地物是指同一平面位置有多个高程值的复杂地物,如散热塔、宝塔;网状外形的地物,如索道、铁丝网、电线塔;局部运动的地物,如风车;横截面积小的杆状地物,如大型广告牌、电杆、烟囱等,净空保护区内的植被区域、独立树木、林带等;
(5)对于占地面积较大的建筑,如大型楼宇、工厂厂房等,在立体影像中将数字表面模型DSM高程值修测至建筑的实际位置;
(6)对于水域,根据周围地形进行置平处理和平滑过渡,保证无明显地形异常;
(7)对于小面积云、云影、雪、冰川覆盖以及缺少影像等匹配困难区域,可采用内插、拟合和平滑处理;
(8)对于山体阴影区域,数字表面模型DSM高程值及纹理特征与实际地貌特征保持一致,山脊或沟谷等区域的数字表面模型DSM应符合实际地貌特征;
(9)河流上桥梁、地面上的高架公路和铁路等人工地物,在数字表面模型DSM中需合理体现;
(10)人工删除非地面附着物,非地面附着物是指位置随时间变化的地物,如车辆、船舶、飞机等,不包含在数字表面模型DSM中。
S2、数字正射影像DOM制作:根据基础影像数据源的情况,数字正射影像数据的色彩模式分为黑白与合成彩色两种,对于无影像的空白区域以黑色填充(RGB=0,0,0);如果图幅内多光谱影像所占比例超过图幅的10%,整个图幅的按RGB彩色24位模式存储,如果所占比例低于图幅的10%,按灰度8位模式存储;投影坐标系下的分幅数字正射影像数据的裁切范围是根据相应的基本存储单元的四个图廓点像元中心点坐标的最小外接矩形,以此向外扩展200~300个像素。
图廓点像元中心点坐标的计算公式如下:
Xmin=int[min(X1,X2,X3,X4)÷R]×R-N×R
Ymin=int[min(Y1,Y2,Y3,Y4)÷R]×R-N×R
Xmax=[int[max(X1,X2,X3,X4)÷R]+1]×R+N×R
Ymax=[int[max(Y1,Y2,Y3,Y4)÷R]+1]×R+N×R
其中,X1,Y1,X2,Y2,X3,Y3,X4,Y4为四个图廓点的坐标(+X指北,+Y指东),坐标单位为米,R为正射影像地面分辨率,int将数字向下取整为最接近的整数,max返回参数列表中的最大值,min返回参数列表中的最小值。
地理坐标系下的分幅数字正射影像数据的裁切范围是根据相应的基本存储单元的四个角点像元中心点坐标的最小外接矩形,以此向外扩展200~300个像素。
角点像元中心点坐标的计算方法为:
Xmin=int[min(X1,X2,X3,X4)÷R]×R-N×R
Ymin=int[min(Y1,Y2,Y3,Y4)÷R]×R-N×R
Xmax=[int[max(X1,X2,X3,X4)÷R]+1]×R+N×R
Ymax=[int[max(Y1,Y2,Y3,Y4)÷R]+1]×R+N×R
其中,X1,Y1,X2,Y2,X3,Y3,X4,Y4为四个角点的坐标(+X指经度,+Y指纬度),坐标单位均为度,R为正射影像地面分辨率,int将数字向下舍入到最接近的整数,max返回参数列表中的最大值,min返回参数列表中的最小值。
融合后的整景正射影像和分幅正射影像数据灰度图像为单波段8位,彩色影像为3波段24位,每个像元统一转换为Unsigned 8-bit,即影像的灰度值在0~255之间;整景纠正成果(含全色和多光谱)不进行增强处理,融合后的整景正射影像和分幅正射影像数据成果要求进行增强处理。
图像增强处理主要包括以下几种方法:
(1)去薄雾处理
降低多光谱影像和全色影像因薄雾造成的模糊程度。
(2)对比度/色彩饱和度调整
采用滤波和直方图拉伸的方法,对影像的对比度和色彩饱和度进行调整。
(3)匀光处理
采用直方图均衡化和直方图匹配方法,用非线性对比拉伸重新分配像元值,使图像的直方图与参考图像的直方图相匹配,达到分幅图像的色彩均衡。
(4)锐化处理
在不影响图像地物地貌信息的前提下,增强整个图像的清晰度。
S3、数字高程模型DEM制作:基于数字表面模型DSM数据,对非地面高程区域进行滤波编辑生成数字高程模型DEM;主要包括:将建筑、桥梁、林地等非地面区域的地表高程降至地面,编辑后的区域保持地形特征,与周围地形过渡,调整地貌晕渲到合理状态,消除局部高程异常,具体方法如下:
(1)数字高程模型DEM生产无需降高处理的区域,若数字表面模型DSM数据满足数字高程模型DEM数据的精度要求且符合实际地形特征,可无需处理,即数字高程模型DEM与数字表面模型DSM保持一致;若该区域参与了滤波处理,要保证处理后的数字高程模型DEM数据符合实际的地形特征。
(2)房屋建筑区
通过编辑处理,将高程值从建筑物表面降至地面高程。
①对于在数字表面模型DSM上特征明显的建筑物覆盖区域,应按照精度要求和实际地形特征采用局部自适应滤波或移除地物滤波编辑,将建筑物非地面高程降至地面高程。
③对于大型、密集分布的房屋建筑区(如大型楼宇、工厂厂房、体育文化设施等),采取滤波方式处理生成数字高程模型DEM,经编辑后的数字高程模型DEM数据需符合实际地形特征且满足精度要求。
④对于零星分布的房屋建筑区,若在数字表面模型DSM上特征不明显,可以通过以下方式进行编辑:一是可通过整体滤波处理,经编辑后的数字高程模型DEM数据要符合实际地形特征,且要与数字表面模型DSM协调相互关系;二是如果数字表面模型DSM数据符合数字高程模型DEM实际地形特征,可不做滤波编辑。
(3)林地
①在数字表面模型DSM上特征明显的林地,按照精度要求和实际地形特征进行数字高程模型DEM编辑处理,将林地冠层高程降至地面高程;
③对于山地大面积密集森林区域,通过数字表面模型DSM数据滤波编辑降低高程,森林高度可根据“林窗”和边缘地带的立体判读获取;针对破碎微地貌的山脊和山谷,体现出该区域整体起伏的地表形态特征即可;
对于林地植被较高的情况,利用山脊、山谷的三维特征信息,进行植被降高滤波处理,适当降低林地高程;山谷区域因内插原因,通常高于真实地面高程,通过山谷线进行高程降低,滤波编辑后的数据保持山脊、山谷等地形特征。
对于稀疏或在平坦地区相间分布的零星树木,通过整体滤波处理,经编辑后的数字高程模型DEM数据要符合实际地形特征,且要与数字表面模型DSM协调相互关系。
(4)对于机场周边障碍物的重点排查地物进行修测,保证高程值降至地面;机场周边障碍物的重点排查地物指同一平面位置有多个高程值的复杂地物,如散热塔、宝塔;网状外形的地物,如索道、铁丝网、电线塔;局部运动的地物,如风车;横截面积小的杆状地物,如大型广告牌、电杆、烟囱等,净空保护区内的植被区域、独立树木、林带等。
(三)提取疑似障碍物
将机场净空区域数字表面模型DSM中各像素点的灰度值与数字高程模型DEM各像素点灰度值进行差值计算,计算后的差值与数字正射影像DOM进行叠加处理,提取出机场疑似障碍物。首先求得净空范围内(机场跑道两侧各10公里和跑道端各20公里的矩形范围内)所有人工建筑物平面位置和高程值,然后将机场跑道中心点55km半径范围内高差大于30米,以及最高点高程高于机场跑道中心点高程150m的疑似障碍物提取出来,这样可以减少疑似障碍物的信息提取量和计算量,然后在立体影像模式下再次核实数字表面模型DSM中满足以上要求的地物是否与立体模型贴合,数字表面模型DSM所表达的地物高程是否精准。
(四)净空限制面三维模型计算
计算机场净空限制面的三维模型坐标,绘制出机场净空限制面的三维模型。机场净空区按立面组成可分为升降带(安全区)、净空障碍物限制面;按照区域方位又可分为升降带(安全区)、跑道端净空、跑道侧净空。如图2所示,机场净空限制面是人为假象面,在其范围内各个面高度为障碍物的限制高,机场净空区由进近面、锥形面、过渡面、起飞爬升面、内水平面、内进近面等构成,机场净空障碍物限制面的尺寸和坡度如表1所示。
表1
本实施例中,以国际民航组织附件14为依据,对机场飞行区等级指标I为3和4的精密进近跑道的常见的障碍物限制面进行了描述,自定义空间直角坐标系为机场净空评价坐标系,根据障碍物限制面的相关参数,结合示意图,利用空间解析几何相关知识,推导出障碍物限制面在机场净空评价坐标系下的空间表达式,绘制出三维净空限制面模型。
(五)计算机场净空障碍物普查数据
根据机场净空限制面的三维模型以及数字表面模型DSM与数字高程模型DEM计算机场疑似障碍物平面位置和高程信息作为机场净空障碍物普查数据;机场净空限制面三维模型坐标系、数字表面模型DSM坐标系、数字正射影像DOM坐标系和数字高程模型DEM坐标系都是通过像控点对该区域所有使用影像进行了精准控制,使他们都在相同地理空间坐标系内,根据数字高程模型DEM与净空限制面三维模型进行叠加分析出高风险区域、安全区域或潜在风险区域。
(六)外业核实取证并修正数据
完成第一次机场净空障碍物普查工作后,进行外业核实、数据采集取证等工作,通过外业核实取证对机场净空障碍物普查数据对机场净空障碍物的平面位置和最高点高程值进行核实和修正。
(七)制定监测周期计划,进行周期监测
在本实施例中,确定好第一次普查数据后,制定监测周期计划,最短监测周期需大于15天,因卫星在调整角度拍摄的周期是在15天完成,所以每期监测时间必须大于调整卫星姿态的所用时间15天,监测周期可选30天、90天、180天等,进行周期监测确定当前监测周期的数字表面模型DSM和数字正射影像DOM。
(八)提取变化区域,生成机场净空障碍物报告
利用任意两期数字表面模型DSM中的像素点灰度值进行比对分析,根据两者差值超过一定限差后像素点颜色突出变化提取变化区域;再利用数字正射影像DOM结合数字表面模型DSM确定变化区域是已建成还是在建中,生成机场净空障碍物报告。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (15)
1.基于多源遥感影像的机场净空障碍物周期监测方法,其特征在于:包括:
在作业区域范围内进行像控点采集,获得遥感影像基础控制点参数;
以遥感影像基础控制点参数为基准构建遥感基础影像数据,将遥感基础影像数据进行点云匹配后得到点云数据,将点云数据栅格化生成格网的机场净空区域数字表面模型DSM;
对遥感基础影像数据根据不同色彩模式分别存储为相应的基本存储单元,利用像元中心点坐标得到投影坐标系下和地理坐标系下的分幅数字正射影像DOM;
基于所述数字表面模型DSM,对非地面高程区域进行滤波编辑生成数字高程模型DEM;
将所述数字表面模型DSM中各像素点的灰度值与数字高程模型DEM各像素点灰度值进行差值计算,计算后的差值与所述数字正射影像DOM进行叠加处理,提取出机场疑似障碍物;
计算机场净空限制面的三维模型坐标,绘制出机场净空限制面的三维模型;
根据机场净空限制面的三维模型以及数字表面模型DSM与数字高程模型DEM,计算机场疑似障碍物平面位置和高程信息作为机场净空障碍物普查数据;
通过对所述机场净空障碍物普查数据进行外业核实取证,对机场净空障碍物的平面位置和最高点高程值进行核实和修正,得到机场净空障碍物监测范围及首期机场净空障碍物普查数据;
制定周期监测计划,对所述机场净空障碍物监测范围进行周期监测获得每期机场净空的所述数字表面模型DSM和所述数字正射影像DOM;
根据所述首期机场净空障碍物普查数据及每期机场净空的所述数字表面模型DSM和所述数字正射影像DOM提取变化区域,生成机场净空障碍物报告。
2.根据权利要求1所述的基于多源遥感影像的机场净空障碍物周期监测方法,其特征在于:所述像控点的平面误差应小于10cm,高程误差小于10cm,内容包括2000坐标系成果和1985国家高程基准成果,为后期机场净空障碍物周期监测提供控制基础。
3.根据权利要求1所述的基于多源遥感影像的机场净空障碍物周期监测方法,其特征在于:所述点云匹配优先采用前视、后视影像进行匹配提高点云精准度。
4.根据权利要求3所述的基于多源遥感影像的机场净空障碍物周期监测方法,其特征在于:提高所述点云精准度的具体方法如下:
对多景重叠影像进行取舍,选择能保证点云匹配后数字表面模型DSM细节丰富的影像;
数字表面模型DSM需要与实际地形套合,地貌晕渲状态不存在明显粗差;
对机场周边障碍物的重点排查地物在立体影像模式下进行修测,保证数字表面模型DSM中的高程值在建筑物的最顶端;
对于占地面积较大的建筑,在立体影像中将数字表面模型DSM高程值修测至建筑的实际位置;
对于水域,根据周围地形进行置平处理和平滑过渡,保证无明显地形异常;
对于匹配困难区域,采用内插、拟合和平滑处理;
对于山体阴影区域,数字表面模型DSM高程值及纹理特征与实际地貌特征保持一致;
人工删除非地面附着物。
5.根据权利要求1所述的基于多源遥感影像的机场净空障碍物周期监测方法,其特征在于:所述对不同色彩模式的遥感基础影像数据根据不同模式分别存储为相应的基本存储单元具体方法为:如果图幅内多光谱影像所占比例超过图幅的10%,整个图幅的按RGB彩色24位模式存储,如果所占比例低于图幅的10%,按灰度8位模式存储。
6.根据权利要求1所述的基于多源遥感影像的机场净空障碍物周期监测方法,其特征在于:所述投影坐标系下的分幅数字正射影像数据的裁切范围是根据相应的基本存储单元的四个图廓点像元中心点坐标的最小外接矩形,以此向外扩展200~300个像素。
7.根据权利要求6所述的基于多源遥感影像的机场净空障碍物周期监测方法,其特征在于:所述图廓点像元中心点坐标的计算方法为:
Xmin=int[min(X1,X2,X3,X4)÷R]×R-N×R
Ymin=int[min(Y1,Y2,Y3,Y4)÷R]×R-N×R
Xmax=[int[max(X1,X2,X3,X4)÷R]+1]×R+N×R
Ymax=[int[max(Y1,Y2,Y3,Y4)÷R]+1]×R+N×R
其中,X1,Y1,X2,Y2,X3,Y3,X4,Y4为四个图廓点的坐标,其中,+X指北,+Y指东;坐标单位为米,R为正射影像地面分辨率,int为将数字向下取整为最接近的整数,max为返回参数列表中的最大值,min为返回参数列表中的最小值。
8.根据权利要求1所述的基于多源遥感影像的机场净空障碍物周期监测方法,其特征在于:所述地理坐标系下的分幅数字正射影像数据的裁切范围是根据相应的基本存储单元的四个角点像元中心点坐标的最小外接矩形,以此向外扩展200~300个像素。
9.根据权利要求8所述的基于多源遥感影像的机场净空障碍物周期监测方法,其特征在于:所述角点像元中心点坐标的计算方法为:
Xmin=int[min(X1,X2,X3,X4)÷R]×R-N×R
Ymin=int[min(Y1,Y2,Y3,Y4)÷R]×R-N×R
Xmax=[int[max(X1,X2,X3,X4)÷R]+1]×R+N×R
Ymax=[int[max(Y1,Y2,Y3,Y4)÷R]+1]×R+N×R
其中,X1,Y1,X2,Y2,X3,Y3,X4,Y4为四个角点的坐标,其中,+X指经度,+Y指纬度;坐标单位均为度,R为正射影像地面分辨率,int为将数字向下舍入到最接近的整数,max为返回参数列表中的最大值,min为返回参数列表中的最小值。
10.根据权利要求1所述的基于多源遥感影像的机场净空障碍物周期监测方法,其特征在于:所述对非地面高程区域进行滤波编辑是将非地面区域的地表高程降至地面,编辑后的区域需保持地形特征,与周围地形过渡,调整地貌晕渲状态,消除局部高程异常,具体方法如下:
对于在数字表面模型DSM上特征明显的建筑物覆盖区域,应按照精度要求和实际地形特征采用局部自适应滤波编辑,将建筑物非地面高程降至地面高程;
对于大型、密集分布的房屋建筑区,采取滤波方式处理生成数字高程模型DEM;
对于零星分布的房屋建筑区,通过整体滤波处理;
对在数字表面模型DSM上特征明显的林地,将林地冠层高程降至地面高程;
对于山地大面积密集森林区域,森林高度可根据“林窗”和边缘地带的立体判读获取;
针对破碎微地貌的山脊和山谷,体现出该区域整体起伏的地表形态特征即可;
对于稀疏的零星树木,通过整体滤波处理;
对于机场周边障碍物的重点排查地物进行修测,保证高程值降至地面。
11.根据权利要求1所述的基于多源遥感影像的机场净空障碍物周期监测方法,其特征在于:所述机场净空限制面三维模型、所述数字表面模型DSM、所述数字正射影像DOM和所述数字高程模型DEM的坐标系均通过所述像控点对该区域所使用影像进行精准控制,使其均在相同地理空间坐标系内。
12.根据权利要求1所述的基于多源遥感影像的机场净空障碍物周期监测方法,其特征在于:所述提取变化区域的方法具体为:利用任意两期数字表面模型DSM中的像素点灰度值进行比对分析,根据两者差值超过一定限差后像素点颜色突出变化提取变化区域;再利用数字正射影像DOM结合数字表面模型DSM判断变化区域为“已建成”或“在建中”。
13.根据权利要求1所述的基于多源遥感影像的机场净空障碍物周期监测方法,其特征在于:所述机场净空区域为机场跑道中心点55km半径范围内高差大于30米以及最高点高程值大于机场跑道中心点高程值150m。
14.根据权利要求1所述的基于多源遥感影像的机场净空障碍物周期监测方法,其特征在于:所述监测周期大于15天。
15.根据权利要求4所述的基于多源遥感影像的机场净空障碍物周期监测方法,其特征在于:所述机场周边障碍物的重点排查地物包括同一平面位置有多个高程值的复杂地物,网状外形的地物,局部运动的地物,横截面积小的杆状地物,净空保护区内的植被区域,独立树木或林带。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210715413.2A CN115223090A (zh) | 2022-06-22 | 2022-06-22 | 基于多源遥感影像的机场净空障碍物周期监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210715413.2A CN115223090A (zh) | 2022-06-22 | 2022-06-22 | 基于多源遥感影像的机场净空障碍物周期监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115223090A true CN115223090A (zh) | 2022-10-21 |
Family
ID=83610509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210715413.2A Pending CN115223090A (zh) | 2022-06-22 | 2022-06-22 | 基于多源遥感影像的机场净空障碍物周期监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115223090A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342685A (zh) * | 2023-05-29 | 2023-06-27 | 四川凯普顿信息技术股份有限公司 | 一种基于dom影像的农业耕地地块的面积测量方法 |
-
2022
- 2022-06-22 CN CN202210715413.2A patent/CN115223090A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342685A (zh) * | 2023-05-29 | 2023-06-27 | 四川凯普顿信息技术股份有限公司 | 一种基于dom影像的农业耕地地块的面积测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113034689B (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
Leitão et al. | Assessing the quality of digital elevation models obtained from mini unmanned aerial vehicles for overland flow modelling in urban areas | |
KR101933216B1 (ko) | 드론과 공간정보를 이용한 하천지형정보 생성 방법 | |
KR101924278B1 (ko) | 드론을 활용한 갯벌 지역에서의 갯골 정보 추출 장치 및 방법 | |
CN104931022B (zh) | 基于星载激光测高数据的卫星影像立体区域网平差方法 | |
CN103529455B (zh) | 一种基于机载激光雷达三维的危岩落石调查方法 | |
CN111767865A (zh) | 一种利用航拍影像和激光数据反演红树林生物量的方法 | |
CN114353876A (zh) | 一种黄土公路边坡健康监测方法 | |
CN111931559A (zh) | 一种输电线路走廊区域内树种的分类方法 | |
CN113744249B (zh) | 一种海洋生态环境损害调查方法 | |
Lai et al. | The territory-wide airborne light detection and ranging survey for the Hong Kong Special Administrative Region | |
Hrůza et al. | Monitoring of forest hauling roads wearing course damage using unmanned aerial systems. | |
CN112241661A (zh) | 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法 | |
Clark | Small unmanned aerial systems comparative analysis for the application to coastal erosion monitoring | |
CN115223090A (zh) | 基于多源遥感影像的机场净空障碍物周期监测方法 | |
CN116468869A (zh) | 一种基于遥感卫星影像的实景三维建模方法、设备及介质 | |
CN114332658A (zh) | 基于无人机巡检的铁路工务设备与周边环境隐患排查方法 | |
Zhou et al. | Application of UAV oblique photography in real scene 3d modeling | |
CN114092658A (zh) | 一种高精度的地图构建方法 | |
Niederheiser et al. | Dense image matching of terrestrial imagery for deriving high-resolution topographic properties of vegetation locations in alpine terrain | |
CN117115683A (zh) | 一种植被覆盖下危岩落石遥感提取方法及系统 | |
Bouziani et al. | Comparison assessment of digital 3D models obtained by drone-based lidar and drone imagery | |
Tyagur et al. | Digital terrain models from mobile laser scanning data in Moravian Karst | |
CN115638772A (zh) | 基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法 | |
Qiao et al. | Application of DSM in obstacle clearance surveying of aerodrome |
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 |