CN117671167B - 一种基于山体阴影分析的启发式dem综合方法 - Google Patents
一种基于山体阴影分析的启发式dem综合方法 Download PDFInfo
- Publication number
- CN117671167B CN117671167B CN202311363933.2A CN202311363933A CN117671167B CN 117671167 B CN117671167 B CN 117671167B CN 202311363933 A CN202311363933 A CN 202311363933A CN 117671167 B CN117671167 B CN 117671167B
- Authority
- CN
- China
- Prior art keywords
- dem
- analysis
- point
- characteristic
- skeleton
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 28
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 28
- 238000005286 illumination Methods 0.000 claims abstract description 16
- 238000012952 Resampling Methods 0.000 claims abstract description 14
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000003628 erosive effect Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 13
- 238000001308 synthesis method Methods 0.000 abstract description 11
- 230000019771 cognition Effects 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000012876 topography Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012732 spatial analysis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013144 data compression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提出一种基于山体阴影分析的启发式DEM综合方法，该方法采用山体阴影分析和局部邻域分析方法分别提取DEM数据隐含的地形骨架特征线和地形特征点，以特征线和特征点作为约束，进行重采样和DEM内插，本质上是一种启发式DEM综合方法。首先，需要设定山体阴影分析及DEM综合的超参数，构建山体阴影分析的光照模型；然后，基于山体阴影分析方法提取DEM数据隐含的地形骨架特征，基于局部邻域分析提取DEM数据中的高程地形特征点；最后，基于提取的特征要素将DEM数据分为特征数据和非特征数据两类，分别采用重采样和反距离插值方法进行启发式DEM综合。实验表明，本发明能更加简单、有效地实现启发式DEM综合，且综合结果符合空间认知和DEM表达的基本规律，可以有效提升DEM尺度变换的效率并改善DEM综合效果。
Description
技术领域
本发明涉及信息科学技术领域，具体是一种基于山体阴影分析的启发式DEM综合方法。
背景技术
数字高程模型(DEM：Digital Elevation Model)是国家空间数据基础设施(NSDI：National Spatial Data Infrastructure)的重要组成部分，是不同层级实景三维中国建设的地形基底，具有多层次、多尺度特征。在空间规划、工程建设、立体导航等不同应用场景下，需要不同尺度、不同分辨率DEM数据的支撑。简单而高效的DEM综合方法是实现多尺度DEM有效途径，有助于提高NSDI建设效率、促进实景三维中国建设步伐、拓展多维度情境化DEM应用场景，具有重要的理论和实用价值。
现有的DEM综合方法主要有三类。第一类是滤波方法，该方法将原始数据分为高频滤波和低频滤波两部分，高频部分对应于地形的细节信息，低频部分对应于地形的特征信息，通过消除数据中的高频部分可实现DEM综合。第二类是基于DEM数据点的显著性评价的方法，其基本思想是通过一些规则来评估每个DEM数据点的重要性，然后选择高重要性的DEM数据点或关键地形点(峰、坑、鞍)来重建低分辨率的DEM。第三类是基于结构选取的启发式DEM综合方法，在这类方法中，首先识别和提取隐藏在DEM网格中的地形特征，然后根据其地理或水文意义评估每个地形特征的重要性，最后通过删除次要地形特征来重新生成DEM数据。由于DEM数据隐藏了许多地形特征，如山脊、山峰、鞍部、山谷、平原、洼地等，人们认为DEM综合的本质是一个信息抽象的过程，而不是一个数据压缩的过程。信息抽象是指在DEM综合过程中，应考虑隐藏的地形特征，并保留基本的地貌和水系特征。流域线是流域的骨架，也是重要的地形特征，可以作为启发式DEM综合的指导。当前，启发式DEM综合方法缺乏可操作的模型和算法来将抽象的地理概念(如山脊、山谷、集水区等)与特定的DEM数据(如网格点或等高线)联系起来，并进行一致性的综合概括，理论模型难以达到实用的程度。
发明内容
有鉴于此，本发明提供了一种基于山体阴影分析的启发式DEM综合方法，该方法采用山体阴影分析和局部邻域分析方法分别提取DEM数据中隐含的地形骨架特征线和地形特征点，然后以特征线和特征点作为约束，进行重采样和DEM内插，本质上是一种启发式DEM综合方法。该方法可以有效提升DEM的效率并改善综合效果。
为实现上述目的，本发明采用了一种技术方案：一种基于山体阴影分析的启发式DEM综合方法，包括如下步骤：
步骤S1：设定山体阴影分析及DEM综合的超参数，包括DEM山体阴影分析的天顶距(水平面方向上的角度，单位为度)参数α和输出DEM的分辨率β；
步骤S2：构建山体阴影分析的光照模型，基于给定的天顶距参数，以10°为间距，构建36个不同方位角(与正北方向的夹角，单位为度)的光照模型；
步骤S3：基于山体阴影分析方法提取DEM数据隐含的地形骨架特征；
步骤S4：基于局部邻域分析提取DEM数据中的高程地形特征点；
步骤S5：基于提取的特征要素将DEM数据分为特征数据和非特征数据两类，分别采用重采样和反距离插值方法进行启发式DEM综合。
本发明与现有技术相比能更加简单、有效地实现启发式DEM综合，且综合结果符合空间认知和DEM表达的基本规律，具体来讲具有以下有益效果：
1.本发明基于山体阴影分析实现DEM地形骨架特征的提取，从0°方向开始、每10°间隔设置一个方位角，可提取多视角下的地形骨架特征，该特征作为启发式DEM综合的基本约束之一，可有效改善DEM综合效果；
2.本发明基于局部邻域分析实现DEM高程特征点的提取，以焦点函数提取高程极大值和极小值点并进行筛选，形成点状地形特征要素，该特征作为启发式DEM综合的基本约束之二，可进一步改善DEM综合效果；
3.本发明将DEM数据分割为地形特征数据和非特征数据，分别采用重采样和反距离插值方法进行DEM尺度变换，能在顾及DEM地形特征的基础上进行启发式DEM综合，综合效果更加符合数据的空间分布特征和人类空间认知。
在以上所述的一种基于山体阴影分析的启发式DEM综合方法中，所述步骤S1和S2先设定山体阴影分析及DEM综合的超参数，包括DEM山体阴影分析的天顶距(水平面方向上的角度，单位为度)参数α和输出DEM的分辨率β；然后构建山体阴影分析的光照系列，基于给定的天顶距参数，以10°为间距，构建36个不同方位角(与正北方向的夹角，单位为度)的光照模型，具体光照模型参数如下：
(α,0)、(α,10)、(α,20)、(α,30)、(α,40)、(α,50)、(α,60)、(α,70)、(α,80)、(α,90)、(α,100)、(α,110)、(α,120)、(α,130)、(α,140)、(α,150)、(α,160)、(α,170)、(α,180)、(α,190)、(α,200)、(α,210)、(α,220)、(α,230)、(α,240)、(α,250)、(α,260)、(α,270)、(α,280)、(α,290)、(α,300)、(α,310)、(α,320)、(α,330)、(α,340)、(α,350)。
在以上所述的一种基于山体阴影分析的启发式DEM综合方法中，所述步骤S3对于待综合的DEM数据D，基于山体阴影分析方法提取DEM数据中隐含的地形骨架特征线，具体步骤如下：
步骤3.1，取步骤2中的36个光照参数(α,0)…(α,350)，分别对D进行山体阴影分析，分析结果为36个山体阴影栅格数据集，记为HS1，HS2，…,HS36；
步骤3.2，对36个山体阴影栅格数据集HS1，HS2，…,HS36分别进行拉普拉斯高通滤波(Laplace filter)边缘探测，运算结果为边缘探测分析的36个栅格数据集，记为ED1，ED2，…,ED36；
步骤3.3，对36个边缘探测结果的栅格数据集ED1，ED2，…,ED36进行叠加融合，该叠加操作提取所有滤波层ED1，ED2，…,ED36的每个输入单元的最大边缘值，生成的栅格层将包含关于地形骨架特征的所有候选点，记为C；
步骤3.4，设定选取比例参数r，对C进行二分类，将C中的点分为DEM骨架特征点和非骨架特征点，分类结果栅格数据集记为B；
步骤3.5，对二分类栅格B用数学形态学中的侵蚀和扩张算子进行综合操作，将包含骨架线的区域转换为骨架特征线，综合结果栅格数据集记为S；
步骤3.6，对骨架特征线数据集S进行矢量化，设定长度参数l，提取其中长度大于l的线特征作为最终的保留骨架线，并栅格化，结果栅格数据集记为FS。
在以上所述的一种基于山体阴影分析的启发式DEM综合方法中，所述步骤S4，对于待综合的DEM数据D，基于局部邻域分析方法提取DEM高程地形特征点，具体步骤如下：
步骤4.1，对DEM数据进行统计分析，提取高程值的标准差σ；定义局部邻域半径参数k，局部极大值和极小值的高程差阈值δ；
步骤4.2，以k作为焦点函数(Focal functions)的半径参数，逐点遍历D，计算各点局部邻域内的高程最大值、最小值和平均值，如果当前点为最高点或最低点且与平均高程值的差异值大于δ，则标记为局部特征点1，否则标记为非特征点0；所有点遍历完后形成特征候选点二值图像DH0；
步骤4.3，剔除无意义特征点，对于DH0中的各点，以5β为半径作缓冲区，如果缓冲区多边形内只有一个特征点，则标记为候选特征点1，否则标记为0；所有特征点遍历完后形成一次筛选后的特征候选点二值图像，记为DH1；
步骤4.4，剔除特征线上的特征点，对DH1和FS作叠置分析，将DH1中与FS骨架线位置重叠的特征点标记为0；二次筛选后得到最终特征点二值图像，记为DH2。
在以上所述的一种基于山体阴影分析的启发式DEM综合方法中，所述步骤S5步骤5基于提取的特征要素采用启发式方法进行DEM综合，基于D、FS和DH2数据集，融合生成分辨率为β的低分辨率DEM。具体步骤如下：
步骤5.1，特征点重采样，对于FS和DH2数据集中的骨架线和地形特征点，以5β作缓冲区，以生成的缓冲区对初始DEM数据D进行叠加分析，提取对应区域内的DEM格网点，并以β为分辨率进行重采样，结果栅格数据集分辨率为β，记为D1；
步骤5.2，非特征点内插，对于初始DEM数据D中非特征点缓冲区(5.1步生成的)内的格网数据，进行反距离权重内插，结果栅格数据集分辨率为β，记为D2；
步骤5.3，融合D1和D2的数据，生成新的、低分辨率(β)的目标比例尺DEM数据，记为Dβ，实现DEM综合。
附图说明
图1为本发明的步骤流程图
图2为本发明实施例中分辨率为25米的原始DEM
图3为本发明实施例中参数为(80,310)时所提取的山体阴影效果图
图4为本发明实施例中对融合后的山体阴影采用高通滤波进行边缘探测的效果图
图5为本发明实施例中对DEM数据提取地形骨架特征的效果图
图6为本发明实施例中对DEM特征点精选后的效果图
图7为本发明实施例中综合后50米分辨率的结果DEM数据
具体实施方式
下面结合附图及实施例对本发明做进一步说明。实施例中原始DEM分辨率为25米，如图2所示；目标DEM分辨率β为50米，本实施案例所需要的基本工具采用GIS软件GeoScenePro地理处理工具箱中相应工具。
参照图1，本发明提供一种基于山体阴影分析的启发式DEM综合方法，具体包括以下步骤：
步骤S1：设定山体阴影分析及DEM综合的超参数，包括DEM山体阴影分析的天顶距(水平面方向上的角度，单位为度)参数α＝80°和输出DEM的分辨率β＝50米；
步骤S2：构建山体阴影分析的光照系列，基于给定的天顶距参数80°，以10°为间距，构建36个不同方位角(与正北方向的夹角，单位为度)的光照模型；
步骤S3：基于山体阴影分析方法提取DEM数据隐含的地形骨架特征；
步骤S4：基于局部邻域分析提取DEM数据中的高程地形特征点；
步骤S5：基于提取的特征要素将DEM数据分为特征数据和非特征数据两类，分别采用重采样和反距离插值方法进行启发式DEM综合。
在本例实施中，所述步骤S1和S2先设定山体阴影分析及DEM综合的超参数，包括DEM山体阴影分析的天顶距(水平面方向上的角度，单位为度)参数α＝80°和输出DEM的分辨率β＝50m；然后构建山体阴影分析的光照系列，基于给定的天顶距参数，以10°为间距，构建36个不同方位角(与正北方向的夹角，单位为度)的光照模型，具体的光照参数为如下系列：(80,0)、(80,10)、(80,20)、(80,30)、(80,40)、(80,50)、(80,60)、(80,70)、(80,80)、(80,90)、(80,100)、(80,110)、(80,120)、(80,130)、(80,140)、(80,150)、(80,160)、(80,170)、(80,180)、(80,190)、(80,200)、(80,210)、(80,220)、(80,230)、(80,240)、(80,250)、(80,260)、(80,270)、(80,280)、(80,290)、(80,300)、(80,310)、(80,320)、(80,330)、(80,340)、(80,350)。
在本例实施中，所述步骤S3对于待综合的DEM数据D，基于山体阴影分析方法提取DEM数据中隐含的地形骨架特征线，具体步骤如下：
步骤3.1，取步骤2中的36个光照参数(80,0)…(80,350)，分别对D进行山体阴影分析，分析结果为36个山体阴影栅格数据集，记为HS1，HS2，…,HS36；山体阴影提取采用GIS软件GeoScene Pro中的地理处理\空间分析工具\山体阴影工具按设定的36组参数逐个提取。图3为参数(80,310)所提取的山体阴影效果图。
步骤3.2，对36个山体阴影栅格数据集HS1，HS2，…,HS36分别进行高通滤波边缘探测，运算结果为边缘探测分析的36个栅格数据集，记为ED1，ED2，…,ED36；高通滤波采用GIS软件GeoScene Pro中的“地理处理\空间分析工具\滤波器”工具按输入的36图层逐个滤波。图4为采用高通滤波进行边缘探测的效果图。
步骤3.3，对36个边缘探测结果的栅格数据集ED1，ED2，…,ED36进行叠加融合，该叠加操作提取所有滤波层ED1，ED2，…,ED36的每个输入单元的最大边缘值，生成的栅格层包含了关于地形骨架特征的候选点，记为C；叠加融合采用GIS软件GeoScene Pro中的“地理处理\数据管理工具\镶嵌至新栅格”工具将36个滤波图层合并为一个图层，工具参数“镶嵌运算符”采用Maximum，即逐个栅格求极大值。
步骤3.4，设定选取比例参数r＝5％，对C进行二分类，将C中的点分为DEM骨架特征点和非骨架特征点，分类结果栅格数据集记为B；二分类采用GIS软件GeoScene Pro中的“地理处理\空间分析工具\重分类”工具，分为0和1两类，0为非特征格网、1为特征格网。
步骤3.5，对二分类栅格B用数学形态学中的侵蚀和扩张算子进行综合操作，将包含骨架线的区域转换为骨架特征线，综合结果栅格数据集记为S；扩张采用GeoScene Pro中的“地理处理\空间分析工具\扩张”工具，侵蚀采用GeoScene Pro中的“地理处理\空间分析工具\细化”工具。图5为提取的地形骨架特征效果图。
步骤3.6，对骨架特征线数据集S进行矢量化，设定长度参数l＝125米，提取其中长度大于125米的线特征作为最终的保留骨架线，并栅格化，结果栅格数据集记为FS；矢量化操作采用GeoScene Pro中的“地理处理\转换工具\栅格转折线”工具，长度选择采用GeoScene Pro中的“按属性选择”工具选取长度大于125米的特征线，栅格化采用GeoScenePro中的“地理处理\转换工具\折线转栅格”工具实现特征要素的栅格化。
在本例实施中，所述步骤S4，对于待综合的DEM数据D，基于局部邻域分析方法提取DEM高程地形特征点，具体步骤如下：
步骤4.1，对DEM数据进行统计分析，提取高程值的标准差σ；定义局部邻域半径参数k＝25米，局部极大值和极小值的高程差阈值δ。具体计算过程是先计算DEM数据集D的高程平均值，采用如下公式：
其中，hi为数据集D中各点的高程值，N为数据集中包含高程点的数量。然后基于高程平均值计算高程值的标准差σ，具体计算公式如下：
其中，hi为数据集D中各点的高程值，N为数据集中包含高程点的数量，H为数据集D中高程的平均值，本实施案例中计算得到标准差为121.7米。
步骤4.2，以k作为焦点函数(Focal functions)的半径参数，逐点遍历D，计算各点局部邻域内的高程最大值、最小值和平均值，如果当前点为最高点或最低点且与平均高程值的差异值大于δ，则标记为局部特征点1，否则标记为非特征点0；所有点遍历完后形成特征候选点二值图像DH0。其中，焦点函数采用GeoScene Pro中的“地理处理\空间分析工具\焦点统计”工具，对与最大值、最小值和平均值分别设置“统计类型”参数为最大值、最小值和平均值。
步骤4.3，剔除无意义特征点。对于DH0中的各点，以5β为半径作缓冲区，如果缓冲区多边形内只有一个特征点，则标记为候选特征点1，否则标记为0；所有特征点遍历完后形成一次筛选后的特征候选点二值图像记为DH1。缓冲区采用GeoScene Pro中的“地理处理\分析工具\缓冲区”工具，点与多边形关系判断采用GeoScene Pro中的“地理处理\空间分析工具\按多边形提取”工具，二值图像分类采用GeoScene Pro中的“地理处理\空间分析工具\重分类”工具将只在一个多边形内的特征点标记为1、其它为0。
步骤4.4，剔除特征线上的特征点。对DH1和FS作叠置分析，将DH1中与FS骨架线位置重叠的特征点标记为0；筛选后的最终特征点二值图像记为DH2。擦除操作采用GeoScenePro中的“地理处理\分析工具\擦除”工具，将DH1中与FS骨架线位置重叠的特征点擦除并标记为0、其它特征点标记为1，实现特征点的精选。图6为特征点精选后的效果图。
在本例实施中，所述步骤S5基于提取的特征要素采用启发式方法进行DEM综合，基于D、FS和DH2数据集，融合生成分辨率为β的低分辨率DEM。具体步骤如下：
步骤5.1，特征点重采样，对于FS和DH2数据集中的骨架线和特征点，以5β作缓冲区，以生成的缓冲区对D叠加分析，提取对应区域内的DEM格网点，并以β为分辨率进行重采样，结果栅格数据集分辨率为β，记为D1。其中，缓冲区采用GeoScene Pro中的“地理处理\分析工具\缓冲区”工具，叠加分析采用GeoScene Pro中的“地理处理\空间分析工具\相交”工具，重采样采用GeoScene Pro中的“地理处理\数据管理工具\重采样”工具。
步骤5.2，非特征点内插，对于D中非特征点缓冲区(5.1步生成的)内的格网数据，进行反距离权重内插，结果栅格数据集分辨率为β，记为D2。其中，反距离权重内插采用GeoScene Pro中的“地理处理\空间分析工具\反距离权重法”工具。
步骤5.3，融合D1和D2的数据，生成新的、低分辨率(β)的目标比例尺DEM数据，记为Dβ，实现DEM综合。其中，D1和D2的数据集的融合采用GeoScene Pro中的“地理处理\空间分析工具\镶嵌至新栅格”工具。图7为综合后50米分辨率的结果DEM数据。
以上所述仅为本发明的较佳实施例，而并非用作对本发明的限定。凡是依据本发明的技术实质对上述实施例进行的变化、变形等均属于本发明的涵盖范围。
Claims (1)
1.一种基于山体阴影分析的启发式DEM综合方法，其特征在于包括如下步骤：
步骤1，设定山体阴影分析及DEM综合的超参数，即确定DEM山体阴影分析的天顶距参数α，天顶距指的是与水平面的夹角，单位为度；确定输出DEM的分辨率β；
步骤2，构建山体阴影分析的光照系列，基于给定的天顶距参数，以10°为间距，构建36个不同方位角的光照模型，方位角指的是与正北方向的夹角，单位为度；模型的天顶距和方位角参数分别为：(α,0)、(α,10)、(α,20)、(α,30)、(α,40)、(α,50)、(α,60)、(α,70)、(α,80)、(α,90)、(α,100)、(α,110)、(α,120)、(α,130)、(α,140)、(α,150)、(α,160)、(α,170)、(α,180)、(α,190)、(α,200)、(α,210)、(α,220)、(α,230)、(α,240)、(α,250)、(α,260)、(α,270)、(α,280)、(α,290)、(α,300)、(α,310)、(α,320)、(α,330)、(α,340)、(α,350)；
步骤3，基于山体阴影分析方法提取DEM地形骨架特征，对于待综合的DEM数据D，基于山体阴影分析，提取地形骨架特征线，步骤如下：
步骤3.1，取步骤2中的36个光照参数(α,0)…(α,350)，分别对D进行山体阴影分析，分析结果为36个山体阴影栅格数据集，记为HS1，HS2，…,HS36；
步骤3.2，对36个山体阴影栅格数据集HS1，HS2，…,HS36分别进行拉普拉斯高通滤波边缘探测，运算结果为边缘探测分析的36个栅格数据集，记为ED1，ED2，…,ED36；
步骤3.3，对36个边缘探测结果的栅格数据集ED1，ED2，…,ED36进行叠加融合，该叠加操作提取所有滤波层ED1，ED2，…,ED36的每个输入单元的最大边缘值，生成的栅格层包含有关地形骨架特征候选点，记为C；
步骤3.4，设定选取比例参数r，对C进行二分类，将C中的点分为DEM骨架特征点和非骨架特征点，分类结果栅格数据集记为B；
步骤3.5，对二分类栅格B用数学形态学中的侵蚀和扩张算子进行综合操作，将包含骨架线的区域转换为骨架特征线，综合结果栅格数据集记为S；
步骤3.6，对骨架特征线数据集S进行矢量化，设定长度参数l，提取其中长度大于l的线特征作为最终的保留骨架线，并栅格化，结果栅格数据集记为FS；
步骤4，基于局部邻域分析提取DEM地形特征点，对于待综合的DEM数据D，基于邻域分析，提取地形特征点，步骤如下：
步骤4.1，对DEM数据进行统计分析，计算高程值的标准差σ；定义局部邻域半径参数k，局部极大值和极小值的高程差阈值δ；
步骤4.2，以k作为焦点函数的半径参数，逐点遍历D，计算各点局部邻域内的高程最大值、最小值和平均值，如果当前点为最高点或最低点且与平均高程值的差异值大于δ，则标记为局部特征点1，否则标记为非特征点0；所有点遍历完后形成特征候选点二值图像DH0；
步骤4.3，剔除无意义特征点，对于DH0中的各点，以5β为半径作缓冲区，如果缓冲区多边形内只有一个特征点，则标记为候选特征点1，否则标记为0；所有特征点遍历完后形成一次筛选后的特征候选点二值图像记为DH1；
步骤4.4，剔除特征线上的特征点，对DH1和FS作叠置分析，将DH1中与FS骨架线位置重叠的特征点标记为0；筛选后的最终特征点二值图像记为DH2；
步骤5，基于提取的特征要素采用启发式方法进行DEM综合，基于D、FS和DH2数据集，融合生成分辨率为β的低分辨率DEM，步骤如下：
步骤5.1，特征点重采样，对于FS和DH2数据集中的骨架线和特征点，以5β作缓冲区，以生成的缓冲区对D叠加分析，提取对应区域内的DEM各网点，并以β为分辨率进行重采样，结果栅格数据集分辨率为β，记为D1；
步骤5.2，非特征点内插，对于D中非特征点缓冲区内的格网数据，进行反距离权重内插，结果栅格数据集分辨率为β，记为D2；
步骤5.3，融合D1和D2的数据，生成新的、低分辨率的目标比例尺DEM数据，记为Dβ，实现DEM综合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311363933.2A CN117671167B (zh) | 2023-10-19 | 2023-10-19 | 一种基于山体阴影分析的启发式dem综合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311363933.2A CN117671167B (zh) | 2023-10-19 | 2023-10-19 | 一种基于山体阴影分析的启发式dem综合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117671167A CN117671167A (zh) | 2024-03-08 |
| CN117671167B true CN117671167B (zh) | 2024-05-28 |
Family
ID=90079718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311363933.2A Active CN117671167B (zh) | 2023-10-19 | 2023-10-19 | 一种基于山体阴影分析的启发式dem综合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117671167B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101937083A (zh) * | 2009-07-01 | 2011-01-05 | 中国科学院电子学研究所 | 一种机载干涉sar联合地理编码抑制山体阴影方法 |
| WO2013121340A1 (en) * | 2012-02-13 | 2013-08-22 | Stellenbosch University | Digital elevation model |
| WO2016106950A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种基于太阳照射阴影补偿的带状地下结构探测方法 |
| CN112017288A (zh) * | 2020-08-28 | 2020-12-01 | 滁州学院 | 一种基于地形图数据的dem综合与简化方法 |
| CN112465976A (zh) * | 2020-12-14 | 2021-03-09 | 广州港数据科技有限公司 | 堆场三维地图建立方法、库存管理方法、设备及介质 |
| CN115546648A (zh) * | 2022-10-24 | 2022-12-30 | 南京师范大学 | 基于光线追踪的dem冲积扇提取方法 |
-
2023
- 2023-10-19 CN CN202311363933.2A patent/CN117671167B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101937083A (zh) * | 2009-07-01 | 2011-01-05 | 中国科学院电子学研究所 | 一种机载干涉sar联合地理编码抑制山体阴影方法 |
| WO2013121340A1 (en) * | 2012-02-13 | 2013-08-22 | Stellenbosch University | Digital elevation model |
| WO2016106950A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种基于太阳照射阴影补偿的带状地下结构探测方法 |
| CN112017288A (zh) * | 2020-08-28 | 2020-12-01 | 滁州学院 | 一种基于地形图数据的dem综合与简化方法 |
| CN112465976A (zh) * | 2020-12-14 | 2021-03-09 | 广州港数据科技有限公司 | 堆场三维地图建立方法、库存管理方法、设备及介质 |
| CN115546648A (zh) * | 2022-10-24 | 2022-12-30 | 南京师范大学 | 基于光线追踪的dem冲积扇提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 顾及地形梯度变化特征的DEM构建方法及其应用实例研究;滕敏;赵明伟;;现代测绘;20190925(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117671167A (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| MacMillan et al. | Automated analysis and classification of landforms using high-resolution digital elevation data: applications and issues | |
| CN103236086B (zh) | 一种顾及地表水文上下文的多尺度dem建模方法 | |
| CN105513127A (zh) | 基于密度峰值聚类的杆状物规则化三维建模方法及系统 | |
| CN114926602B (zh) | 基于三维点云的建筑物单体化方法及系统 | |
| CN110363178B (zh) | 基于局部和全局深度特征嵌入的机载激光点云分类方法 | |
| CN113837892A (zh) | 基于3s技术的坡耕地划分方法 | |
| Wang et al. | The isotropic organization of DEM structure and extraction of valley lines using hexagonal grid | |
| CN114648617A (zh) | 一种基于数字高程模型dem的水系提取方法 | |
| CN110660027B (zh) | 一种针对复杂地形的激光点云连续剖面地面滤波方法 | |
| Zhou et al. | A parcel-based deep-learning classification to map local climate zones from sentinel-2 images | |
| CN111833224B (zh) | 一种基于人口栅格数据的城市主副中心边界识别方法 | |
| CN114862715A (zh) | 一种融合地形特征语义信息的tin渐进加密去噪方法 | |
| CN117949920A (zh) | 一种基于激光雷达的地形测绘方法 | |
| CN105894553B (zh) | 一种基于格栅选择的街巷空间形态布局方法 | |
| CN113987969A (zh) | 多高程尺度水流网的陆地水动态仿真模型 | |
| CN117671167B (zh) | 一种基于山体阴影分析的启发式dem综合方法 | |
| Costantino et al. | Features and ground automatic extraction from airborne LiDAR data | |
| CN115544789B (zh) | 基于数字高程模型和坡度成本距离的河谷平原提取方法 | |
| Jalan | Exploring the potential of object based image analysis for mapping urban land cover | |
| Gvozdev et al. | Constructing 3D models of rigid objects from satellite images with high spatial resolution using convolutional neural networks | |
| Ma et al. | Discrimination of residential and industrial buildings using LiDAR data and an effective spatial-neighbor algorithm in a typical urban industrial park | |
| Kazemi et al. | Deriving multi‐scale GEODATA from TOPO‐250K road network Data | |
| CN118113802B (zh) | 一种融合分区统计和邻域统计的栅格数据空间分析方法 | |
| Ye et al. | Gaussian mixture model of ground filtering based on hierarchical curvature constraints for airborne lidar point clouds | |
| CN111612869A (zh) | 一种基于栅格数据进行地质编图的分析方法 |
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 |