CN110991019A - 一种沿海潮沟自动分级算法 - Google Patents
一种沿海潮沟自动分级算法 Download PDFInfo
- Publication number
- CN110991019A CN110991019A CN201911153367.6A CN201911153367A CN110991019A CN 110991019 A CN110991019 A CN 110991019A CN 201911153367 A CN201911153367 A CN 201911153367A CN 110991019 A CN110991019 A CN 110991019A
- Authority
- CN
- China
- Prior art keywords
- tidal
- ditch
- ditches
- roundabout
- node
- 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
Links
Images
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
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Other Liquid Machine Or Engine Such As Wave Power Use (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种沿海潮钩自动分级算法,主要流程包括1、通过分而治之的方法自动提取沿海潮沟;2、对提取的沿海潮沟进行骨架化处理;3、潮沟节点进行个分类;4、针对树状和环岛状潮沟设计不同的分级原则,实现潮沟网络的自动分级。本发明算法优化了汇出节点的计算,现有方法往往需要手动选取,而本发明算法结合水边线信息,实现了自动选取;整个计算分级的过程全自动,且无需手动修正,准确性更高;可以获得准确的潮沟流向信息。
Description
技术领域
本发明涉及水文信息管理技术领域,具体涉及一种沿海潮沟自动分级算法。
背景技术
潮沟网络编码是水文信息管理工作的基础,编码能够直观准确地反映潮沟网络中各个潮沟间的水文拓扑关系,是水文管理***研究的关键。目前采用的潮沟网络编码方法主要是通过DEM生成模拟潮沟网络,然后在模拟栅格潮沟网络上完成潮沟网络编码。然而由于DEM本身的精度以及生成模拟潮沟网络的单流向算法不够完善,使得实际潮沟网络与模拟潮沟网络存在较大的误差。此外沿海潮滩区域难以获得高精度DEM数据,考虑到国内LiDAR DEM数据获取的困难性及数据本身的保密性,难以使用LiDAR DEM数据源建立时间序列分析潮沟演化发育过程。因此结合遥感影像建立尺度密集的时间序列,监测潮沟的动态发育、摆动、退化过程面临迫切的需求。
发明内容
针对现有技术的不足,本发明旨在提供一种沿海潮沟自动分级算法。
为了实现上述目的,本发明采用如下技术方案:
一种沿海潮沟自动分级算法,包括如下步骤:
第一步、潮沟自动提取;
第二步、对第一步提取得到的潮沟数据进行数据预处理
2.1、水边线提取;
2.2、潮沟中心线提取;
2.3、环岛潮沟标记;
2.4、节点分类;
2.4.1)对步骤2.3得到的标记了环岛潮沟的潮沟网络,统计每一个节点出现的次数,将出现次数为1的潮节点分为源头节点,出现次数大于1的节点分为汇流节点;
2.4.2)对步骤2.4.1)划分得到的源头节点进行进一步细分:首先对潮沟数据进行连通分量标记,然后计算每个连通分量内源头节点到水边线的距离;每一个单独连通分量内,距离水边线最近的源头节点被定义为汇出节点,余下的源头节点仍然定义为源头节点;
对步骤2.4.1)划分得到的汇流节点进行进一步划分:首先判断汇流节点是否与环岛潮沟相交,如没有相交,则为非环岛节点,否则为环岛节点;然后对环岛节点进行细分,对于与非环岛潮沟连接的环岛节点,将其定义为环岛外部节点,对于仅连接环岛潮沟的环岛节点,将其定义为环岛内部节点;
第三步、潮沟分级:
3.1、将与源头节点相交的潮沟定义为1级潮沟,源头节点定义为该1级潮沟的启点,而该1级潮沟的另一个节点定义为1级潮沟的终点;
3.2、检索步骤3.1中得到的1级潮沟的终点,判断与该终点相交的潮沟的数量,当与该终点相交的潮沟数量等于1时,该终点参与下次迭代运算,并跳转至步骤3.3;若与该终点相交的潮沟大于1时,判断其是否属于环岛潮沟,如果不是,该终点不参与下一次迭代计算,如果是,则跳转至步骤3.6;
3.3、检索与步骤3.2中筛选出来参与迭代运算的终点相连接的潮沟,该终点定义为该潮沟的启点,该潮沟的另一个节点定义为该潮沟的终点;
3.4、为步骤3.3中筛选出来的潮沟判断等级:
检索上一轮迭代中将步骤3.3筛选出的潮沟的启点作为终点的潮沟,统计这些潮沟的等级,按照Horton-Strahler分级原则对步骤3.3中的潮沟进行赋值;第二轮迭代结束;
3.5、重复步骤3.1到3.4,每次迭代,都对新查找出来的潮沟赋予等级,当检测到某一条潮沟的终点为汇出节点时,循环结束;
3.6、对环岛潮沟赋予等级:检测环岛潮沟的环岛外部节点,找到流入该环岛潮沟的非环岛潮沟,若是流入该环岛潮沟的非环岛潮沟等级一致,则该环岛潮沟的等级等于流入该环岛潮沟的非环岛潮沟等级;若是流入该环岛潮沟的非环岛潮沟等级不一致,则该环岛潮沟的等级等于流入该环岛潮沟的非环岛潮沟中等级最高者;
3.7、当环岛潮沟的环岛外部节点仅剩一个没有被检测到时,该环岛潮沟的环岛流出潮沟即为连接未被检测到的环岛外部节点的非环岛潮沟,则该非环岛潮沟的等级等于该环岛潮沟的等级,其启点设置为未被检测的环岛外部节点,终点设置为该非环岛潮沟的另一个节点;
3.8、按照树状潮沟的分级方法,判断与步骤3.7筛选得到的非环岛潮沟的终点相交的潮沟的数量;当与某个终点相交的潮沟的数量等于1时,该终点参与迭代运算;若与某个终点相交的潮沟的数量大于1,则该终点不参与迭代运算;
3.9、检索与步骤3.8中筛选出来参与迭代运算的终点相连接的潮沟,该终点定义为该潮沟的启点,该潮沟的另一个节点定义为该潮沟的终点;
3.10、为步骤3.9中筛选出来的潮沟判断等级:
检索上一轮迭代中的潮沟,得到其中将步骤3.9筛选出的潮沟的启点作为终点的潮沟,并统计这些潮沟的等级,按照Horton-Strahler分级原则对步骤3.9中的潮沟进行赋值;第二轮迭代结束;
3.11、重复步骤3.6到3.10,每次迭代,都对新查找出来的潮沟赋予等级,当检测到某一条潮沟的终点为汇出节点时,循环结束。
进一步地,第一步的具体过程如下:从遥感影像将宽阔潮沟与细小潮沟分开进行提取,并将细小潮沟同宽阔潮沟的提取结果融合得到完整的潮沟数据。
进一步地,所述细小潮沟提取过程如下:
1.1)复杂背景均一化:对于盐沼潮沟区域仅利用归一化水体指数区分潮沟和潮滩;对于泥滩潮沟区域,采用SEaTH算法,利用J-M距离计算类间可分离性,选择潮沟和潮滩差异较大的绿光波段,在此基础之上,针对选择的波段,利用改进的模糊C均值算法MFCM,抑制潮滩背景异质性造成的目标与背景间的差异性对比;
1.2)多尺度线状增强:对经过步骤1.1)处理的潮沟数据,采用多尺度高斯匹配滤波MGMF增强具有高斯形的细小潮沟,以解潮沟决宽度变化问题;
1.3)对经过步骤1.2)处理的潮沟数据,旋转滤波器以涵盖所有可能的方向,削弱潮沟强各向异性带来的影响;
1.4)使用自适应阈值分割细小潮沟;
1.5)碎屑斑块去除。
更进一步地,宽阔潮沟的提取过程为:
宽阔潮沟内部充满海水,通过NDWI和最大类间方差法OTSU进行划分。
更进一步地,细小潮沟和宽阔潮沟的融合过程为:将细小潮沟同宽阔潮沟结果采用逻辑或运算合并,形成完整的潮沟。
进一步地,步骤2.1的具体过程如下:
2.1.1)对于第一步提取得到的潮沟数据,利用形态学膨胀方法闭合潮沟以及河道,形态学膨胀会增长或粗化二值图像中的物体;
2.1.2)利用空洞填充算法,填充未封闭河道部分;
2.1.3)利用canny边缘算子提取水边线。
进一步地,步骤2.2的具体过程如下:
2.2.1)将步骤2.1)得到的经过水边线提取的潮沟区域数据编码至二维空间张量域,对编码后的张量进行稀疏投票及稠密投票,稀疏投票仅对潮沟斑块所处格网点进行投票,稠密投票则对所有位置进行投票,将张量投票后得到的结果进行张量分解,由于遥感影像对应二维空间,因此可分解为棒张量分量及球张量分量;通过统计各邻近点处棒张量及球张量投票,从而细化重建潮沟特征;
2.2.2)利用局部极大值算法对张量投票结果进行精化,提取得到潮沟中心线,并通过多元自适应样条回归连接中断的潮沟中线斑块,从而获得完整的潮沟网络。
进一步地,步骤2.3的具体过程如下:
2.3.1)对步骤2.2得到的潮沟网络,统计每一个节点出现的次数,将出现次数为1的节点定义为悬挂点;
2.3.2)寻找连接悬挂点的潮沟线段,并将其删除;
2.3.3)重新统计节点出现次数,更新悬挂点;不断迭代循环,直到悬挂点的数量等于零,停止迭代;最后剩下的潮沟定义为环岛潮沟。
本发明的有益效果在于:
1、优化了汇出节点的计算,现有方法往往需要手动选取,而本发明算法结合水边线信息,实现了自动选取;
2、本发明算法的整个计算分级的过程全自动,且无需手动修正,准确性更高;
3、可以获得准确的潮沟流向信息。
附图说明
图1为本发明实施例1的整体流程示意图;
图2为本发明实施例1中潮沟自动提取过程示例图;
图3为本发明实施例1中水边线提取过程示例图;
图4为本发明实施例1中张量投票过程示意图;
图5为本发明实施例1中环岛检测过程示例图;
图6为本发明实施例1中汇出节点计算过程示例图;
图7为本发明实施例1中节点分类示例图;
图8为本发明实施例1中Strahler分级示意图;
图9为本发明实施例1中树状潮沟分级示意图;
图10为本发明实施例1中环状潮沟分级示意图;
图11为本发明实施例1中潮沟分级的整体流程图;
图12为本发明实施例2中黄河三角洲潮沟分布图;
图13为本发明实施例2中潮沟数量和曲率统计示意图;
图14为本发明实施例2中不同等级潮沟的长度统计示意图。
具体实施方式
以下将结合附图对本发明作进一步的描述,需要说明的是,本实施例以本技术方案为前提,给出了详细的实施方式和具体的操作过程,但本发明的保护范围并不限于本实施例。
实施例1
本实施例提供一种沿海潮钩自动分级算法,如图1所示,整体流程如下:
1、通过分而治之的方法自动提取沿海潮沟;
2、对提取的沿海潮沟进行骨架化处理;
3、潮沟节点进行分类;
4、针对树状和环岛状潮沟设计不同的分级原则,实现潮沟网络的自动分级。同时还可以实现对潮沟网络中河段基础参数的统计,从而使得在python中实现潮沟网络分析成为可能。
第一步:潮沟自动提取
本实施例中,采用分而治之的方法从遥感影像(图2(a))中提取潮沟,将宽阔潮沟与细小潮沟分开提取,并将细小潮沟同宽阔潮沟的提取结果融合得到完整的潮沟数据;
细小潮沟提取过程如下:
1.1)复杂背景均一化:对于盐沼潮沟区域仅利用归一化水体指数[NDWI,NDWI=(GREEN-NIR)/(GREEN+NIR),其中,GREEN指绿光波段,NIR指近红外波段]就可以较好地区分潮沟和潮滩(图2(b));对于泥滩潮沟区域,采用SEaTH算法,利用J-M(Jeffries-Matusita)距离计算类间可分离性,选择潮沟和潮滩差异较大的绿光波段,在此基础之上,针对选择的波段,利用改进的模糊C均值算法(MFCM),抑制潮滩背景异质性造成的目标与背景间的差异性对比。
1.2)多尺度线状增强:对经过步骤1.1)处理的潮沟数据,采用多尺度高斯匹配滤波(MGMF)增强具有高斯形的细小潮沟,以解潮沟决宽度变化问题(图2(c))。
1.3)对经过步骤1.2)处理的潮沟数据,旋转滤波器以涵盖所有可能的方向,削弱潮沟强各向异性带来的影响。
1.4)使用自适应阈值分割细小潮沟(图2(d))。
1.5)碎屑斑块去除。
宽阔潮沟的提取过程为:
宽阔潮沟内部充满海水,可以通过NDWI(图2(e))和最大类间方差法(OTSU)进行划分(图2(f))。
细小潮沟和宽阔潮沟的融合过程为:
将细小潮沟同宽阔潮沟结果采用逻辑或运算合并(图2(g)),形成完整的潮沟。
第二步、对第一步提取得到的潮沟数据进行数据预处理
2.1、水边线提取
提取水边线最大的难点就是潮沟和黄河蜿蜒至潮滩内部,割裂了潮滩,打破其完整性。因此本实施例中对潮沟与河道进行封闭处理,保持潮滩的完整性。
2.1.1)对于第一步提取得到的潮沟数据(图3(a)),利用形态学膨胀方法闭合潮沟以及河道,形态学膨胀会增长或粗化二值图像中的物体(图3(b))。
2.1.2)通过图像可以看出,在步骤2.1.1)的处理后,潮沟大部分已经封闭,但是还有部分河道未能合并,因此,本实施例利用空洞填充算法,填充未封闭河道部分(图3(c))。
2.1.3)最后,利用canny边缘算子提取水边线(图3(d))。
2.2、潮沟中心线提取
受潮流侵蚀的影响,潮沟边界模糊,提取时在潮沟边缘处产生了一些破碎和误提现象,影响中心线提取的效果,因此本实施例中,采用张量投票算法提取潮沟中心线。
首先,将步骤2.1)得到的经过水边线提取的潮沟区域数据编码至二维空间张量域,对编码后的张量进行稀疏投票及稠密投票,稀疏投票仅对潮沟斑块所处格网点进行投票,稠密投票则对所有位置进行投票,如张量投票过程所示(图4),原点O产生的张量场作用于点P上,其中投票基本算子利用显著性衰减函数,公式如下:
将张量投票后得到的结果进行张量分解,由于遥感影像对应二维空间,因此可分解为棒张量分量及球张量分量,公式如下:
然后利用局部极大值算法(Local Maxima Algorithm,LMA)对张量投票结果进行精化,提取得到潮沟中心线,并通过多元自适应样条回归(Multivariate AdaptiveRegression Splines,MARS)连接中断的潮沟中线斑块,从而获得完整的潮沟网络。
2.3、环岛潮沟标记
2.3.1)对步骤2.2得到的潮沟网络,统计每一个节点出现的次数,将出现次数为1的节点定义为悬挂点(图5(a));
2.3.2)寻找连接悬挂点的潮沟线段(图5(b)),并将其删除(图5(c));
2.3.3)重新统计节点出现次数,更新悬挂点(图5(c))。不断迭代循环,直到悬挂点的数量等于零,停止迭代;最后剩下的潮沟定义为环岛潮沟(图5(d))。
2.4、节点分类
2.4.1)对步骤2.3得到的标记了环岛潮沟的潮沟网络,统计每一个节点出现的次数,将出现次数为1的潮节点分为源头节点,出现次数大于1的节点分为汇流节点(图6(a));
2.4.2)对步骤2.4.1)划分得到的源头节点进行进一步细分:首先对潮沟数据进行连通分量标记,然后计算每个连通分量内源头节点到水边线的距离;每一个单独连通分量内,距离水边线最近的源头节点被定义为汇出节点,余下的源头节点仍然定义为源头节点(图6(b)、(c))。
对步骤2.4.1)划分得到的汇流节点进行进一步划分:首先判断汇流节点是否与环岛潮沟相交,如没有相交,则为非环岛节点,否则为环岛节点;然后对环岛节点进行细分,对于与非环岛潮沟连接的环岛节点,将其定义为环岛外部节点,对于仅连接环岛潮沟的环岛节点,将其定义为环岛内部节点(图7)。
第三步、潮沟分级
为描述潮沟发育演变过程和地貌形态特征,需要对潮沟级别进行定义。最早的潮沟分级源自潮沟网络分级方法,Gravelius定义在任何一个潮沟网络内,最大的主流为第一级水道,汇入主流的最大支流为第二级水道,汇入大支流的小支流为第三级水道,以此类推,直至把全部大小支流命名完毕为止。这种分级方法在潮沟***的研究中仍沿用,但是这种划分方法存在2个困难:(a)很难在分级的起始阶段确定哪一条潮沟为一级主流,通常要先了解整个潮沟***,才能确定潮沟***中主流与支流之间的关系;(b)在大小不同的潮沟网内,这一潮沟网内一级潮沟与另一潮沟网内一级潮沟可能相差很大。Horton提出了与Gravelius完全相反的分级顺序。他定义一级潮沟为最小、末端的支流;多个一级潮沟汇聚形成二级潮沟;多个二级潮沟或一级与二级潮沟连接形成三级潮沟,同理递推。这种分级方法存在的不足之处在于:对于没有分枝的大型潮沟,从定义上属于Horton分级方法中最基础的潮沟,但从其尺度上看,又具有Horton分级方法中高级潮沟的特征,从而对各级潮沟特性的研究造成偏差。Strahler对Horton的定义方法进行了修正。他认为较高级的潮沟,不可能伸展到潮沟的末梢部分,而那些顶端不再分枝的部分,只能划归为一级潮沟。因此按照Strahler的分级原则,末梢不再有分支的潮沟划归为一级潮沟,同级潮沟汇聚形成的潮沟等级加一级,不同等级潮沟汇聚形成的潮沟等级,等于汇入潮沟中等级较高者(图8)。许宝荣等通过潮沟网络结构水道级别确定方法试验,证明了Strahler的分级模式更为合理。为便于潮沟的统计和特性研究,Vlaswinkel等和Iwasaki等在物理模型和数值模拟中也都沿用了Strahler分级方法,定义末端分支为一级潮沟,以保证无分支的潮沟为同一级。
在本实施例中,采用Strahler分级原则作为分级的准则。
潮沟发育过程中一般呈现出树枝状发散分布和环岛状分布两种特征,以下先分别阐述树状和环岛状潮沟的分级方法,最后阐述总体的潮沟分级策略。
1、树状潮沟的分级,如图9所示:
1)将与源头节点相交的潮沟定义为1级潮沟,源头节点定义为该1级潮沟的启点,而该1级潮沟的另一个节点定义为1级潮沟的终点,第一轮迭代结束;
2)检索所有1级潮沟的终点,判断与各个终点相交的潮沟的数量;当与某个终点相交的潮沟的数量等于1时,该终点参与下一轮迭代运算;若与某个终点相交的潮沟的数量大于1,则该终点不参与下一轮迭代运算;
3)检索与步骤2)中筛选出来参与迭代运算的终点相连接的潮沟,该终点定义为该潮沟的启点,该潮沟的另一个节点定义为该潮沟的终点;
4)为步骤3)中筛选出来的潮沟判断等级:
检索上一轮迭代中的潮沟,得到其中将步骤3)筛选出的潮沟的启点作为终点的潮沟,并统计这些潮沟的等级,按照Horton-Strahler分级原则对步骤3)中的潮沟进行赋值;第二轮迭代结束;
5)重复步骤1)到4),每次迭代,都对新查找出来的潮沟赋予等级,当检测到某一条潮沟的终点为汇出节点时,循环结束。
2、环岛状潮沟的分级:
环岛潮沟的分级主要分为两步,环岛潮沟内部的潮沟等级的确定以及连接环岛潮沟的潮沟等级确定。
1)对环岛潮沟赋予等级:检测环岛潮沟的环岛外部节点,找到流入该环岛潮沟的非环岛潮沟,若是流入该环岛潮沟的非环岛潮沟等级一致,则该环岛潮沟的等级等于流入该环岛潮沟的非环岛潮沟等级;若是流入该环岛潮沟的非环岛潮沟等级不一致,则该环岛潮沟的等级等于流入该环岛潮沟的非环岛潮沟中等级最高者(图10)。
2)当环岛潮沟的环岛外部节点仅剩一个没有被检测到时,该环岛潮沟的环岛流出潮沟即为连接未被检测到的环岛外部节点的非环岛潮沟,则该非环岛潮沟的等级等于该环岛潮沟的等级,其启点设置为未被检测的环岛外部节点,终点设置为该非环岛潮沟的另一个节点;
3)按照树状潮沟的分级方法,判断与步骤2)筛选得到的非环岛潮沟的终点相交的潮沟的数量;当与某个终点相交的潮沟的数量等于1时,该终点参与迭代运算;若与某个终点相交的潮沟的数量大于1,则该终点不参与迭代运算;
4)检索与步骤3)中筛选出来参与迭代运算的终点相连接的潮沟,该终点定义为该潮沟的启点,该潮沟的另一个节点定义为该潮沟的终点;
5)为步骤4)中筛选出来的潮沟判断等级:
检索上一轮迭代中的潮沟,得到其中将步骤4)筛选出的潮沟的启点作为终点的潮沟,并统计这些潮沟的等级,按照Horton-Strahler分级原则对步骤4)中的潮沟进行赋值;第二轮迭代结束;
6)、重复步骤1)到5),每次迭代,都对新查找出来的潮沟赋予等级,当检测到某一条潮沟的终点为汇出节点时,循环结束。
3、根据前述树状潮沟的分级、环岛状潮沟的分级,可以得到本实施例方法中潮沟分级的总体流程如下:
3.1、将与源头节点相交的潮沟定义为1级潮沟,源头节点定义为该1级潮沟的启点,而该1级潮沟的另一个节点定义为1级潮沟的终点;
3.2、检索步骤S3.1中得到的1级潮沟的终点,判断与该终点相交的潮沟的数量,当与该终点相交的潮沟数量等于1时,该终点参与下次迭代运算,并跳转至步骤S3.3;若与该终点相交的潮沟大于1时,判断其是否属于环岛潮沟,如果不是,该终点不参与下一次迭代计算,如果是,则跳转至步骤S3.6;
3.3、检索与步骤3.2中筛选出来参与迭代运算的终点相连接的潮沟,该终点定义为该潮沟的启点,该潮沟的另一个节点定义为该潮沟的终点;
3.4、为步骤3.3中筛选出来的潮沟判断等级:
检索上一轮迭代中将步骤3.3筛选出的潮沟的启点作为终点的潮沟,统计这些潮沟的等级,按照Horton-Strahler分级原则对步骤3.3中的潮沟进行赋值;第二轮迭代结束;
3.5、重复步骤3.1到3.4,每次迭代,都对新查找出来的潮沟赋予等级,当检测到某一条潮沟的终点为汇出节点时,循环结束;
3.6、对环岛潮沟赋予等级:检测环岛潮沟的环岛外部节点,找到流入该环岛潮沟的非环岛潮沟,若是流入该环岛潮沟的非环岛潮沟等级一致,则该环岛潮沟的等级等于流入该环岛潮沟的非环岛潮沟等级;若是流入该环岛潮沟的非环岛潮沟等级不一致,则该环岛潮沟的等级等于流入该环岛潮沟的非环岛潮沟中等级最高者;
3.7、当环岛潮沟的环岛外部节点仅剩一个没有被检测到时,该环岛潮沟的环岛流出潮沟即为连接未被检测到的环岛外部节点的非环岛潮沟,则该非环岛潮沟的等级等于该环岛潮沟的等级,其启点设置为未被检测的环岛外部节点,终点设置为该非环岛潮沟的另一个节点;
3.8、接下来按照树状潮沟的分级方法,判断该条潮沟的终点是否参与下一次运算。
潮沟分级流程图如图11所示。
实施例2
以下将通过实验进一步验证本实施例方法的性能。
将上述实施例1的沿海潮沟自动分级算法通过python3.6编程实现,以黄河三角洲潮沟为对象运行,迭代运算26次,计算完1163条潮沟的等级信息及流向信息,分级没有误差(图12)。
在分级基础之上,计算了各类型潮沟的长度、数量和曲率。如图13所示,就潮沟的数量而言,随潮沟等级的增长,潮沟的数量快速减少,不同等级潮沟数量占比:4/5级∶3级∶2级∶1级=1∶5∶18∶76。就潮沟的长度而言,如图14所示,随着潮沟等级的增加,潮沟总长度递减,不同等级潮沟总长度占比:4/5级∶3级∶2级∶1级=6∶13∶27∶54;平均长度则递增,不同等级潮沟平均长度对比:5级∶4级∶3级∶2级∶1级=11∶7∶4∶2∶1。如图12所示,潮沟的曲率在1-3级潮沟间递增,3-5级潮沟间呈现出递减的趋势。
相较于现有方法,实施例1的算法的优势在于:
1、优化了汇出节点的计算,现有方法往往需要手动选取,而实施例1算法结合水边线信息,做到了自动选取;
2、整个计算分级的过程全自动,且无需手动修正,准确性更高;
3、可以获得准确的潮沟流向信息。
对于本领域的技术人员来说,可以根据以上的技术方案和构思,给出各种相应的改变和变形,而所有的这些改变和变形,都应该包括在本发明权利要求的保护范围之内。
Claims (8)
1.一种沿海潮钩自动分级算法,其特征在于,包括如下步骤:
第一步、潮沟自动提取;
第二步、对第一步提取得到的潮沟数据进行数据预处理
2.1、水边线提取;
2.2、潮沟中心线提取;
2.3、环岛潮沟标记;
2.4、节点分类;
2.4.1)对步骤2.3得到的标记了环岛潮沟的潮沟网络,统计每一个节点出现的次数,将出现次数为1的潮节点分为源头节点,出现次数大于1的节点分为汇流节点;
2.4.2)对步骤2.4.1)划分得到的源头节点进行进一步细分:首先对潮沟数据进行连通分量标记,然后计算每个连通分量内源头节点到水边线的距离;每一个单独连通分量内,距离水边线最近的源头节点被定义为汇出节点,余下的源头节点仍然定义为源头节点;
对步骤2.4.1)划分得到的汇流节点进行进一步划分:首先判断汇流节点是否与环岛潮沟相交,如没有相交,则为非环岛节点,否则为环岛节点;然后对环岛节点进行细分,对于与非环岛潮沟连接的环岛节点,将其定义为环岛外部节点,对于仅连接环岛潮沟的环岛节点,将其定义为环岛内部节点;
第三步、潮沟分级:
3.1、将与源头节点相交的潮沟定义为1级潮沟,源头节点定义为该1级潮沟的启点,而该1级潮沟的另一个节点定义为1级潮沟的终点;
3.2、检索步骤3.1中得到的1级潮沟的终点,判断与该终点相交的潮沟的数量,当与该终点相交的潮沟数量等于1时,该终点参与下次迭代运算,并跳转至步骤3.3;若与该终点相交的潮沟大于1时,判断其是否属于环岛潮沟,如果不是,该终点不参与下一次迭代计算,如果是,则跳转至步骤3.6;
3.3、检索与步骤3.2中筛选出来参与迭代运算的终点相连接的潮沟,该终点定义为该潮沟的启点,该潮沟的另一个节点定义为该潮沟的终点;
3.4、为步骤3.3中筛选出来的潮沟判断等级:
检索上一轮迭代中将步骤3.3筛选出的潮沟的启点作为终点的潮沟,统计这些潮沟的等级,按照Horton-Strahler分级原则对步骤3.3中的潮沟进行赋值;第二轮迭代结束;
3.5、重复步骤3.1到3.4,每次迭代,都对新查找出来的潮沟赋予等级,当检测到某一条潮沟的终点为汇出节点时,循环结束;
3.6、对环岛潮沟赋予等级:检测环岛潮沟的环岛外部节点,找到流入该环岛潮沟的非环岛潮沟,若是流入该环岛潮沟的非环岛潮沟等级一致,则该环岛潮沟的等级等于流入该环岛潮沟的非环岛潮沟等级;若是流入该环岛潮沟的非环岛潮沟等级不一致,则该环岛潮沟的等级等于流入该环岛潮沟的非环岛潮沟中等级最高者;
3.7、当环岛潮沟的环岛外部节点仅剩一个没有被检测到时,该环岛潮沟的环岛流出潮沟即为连接未被检测到的环岛外部节点的非环岛潮沟,则该非环岛潮沟的等级等于该环岛潮沟的等级,其启点设置为未被检测的环岛外部节点,终点设置为该非环岛潮沟的另一个节点;
3.8、按照树状潮沟的分级方法,判断与步骤3.7筛选得到的非环岛潮沟的终点相交的潮沟的数量;当与某个终点相交的潮沟的数量等于1时,该终点参与迭代运算;若与某个终点相交的潮沟的数量大于1,则该终点不参与迭代运算;
3.9、检索与步骤3.8中筛选出来参与迭代运算的终点相连接的潮沟,该终点定义为该潮沟的启点,该潮沟的另一个节点定义为该潮沟的终点;
3.10、为步骤3.9中筛选出来的潮沟判断等级:
检索上一轮迭代中的潮沟,得到其中将步骤3.9筛选出的潮沟的启点作为终点的潮沟,并统计这些潮沟的等级,按照Horton-Strahler分级原则对步骤3.9中的潮沟进行赋值;第二轮迭代结束;
3.11、重复步骤3.6到3.10,每次迭代,都对新查找出来的潮沟赋予等级,当检测到某一条潮沟的终点为汇出节点时,循环结束。
2.根据权利要求1所述的算法,其特征在于,第一步的具体过程如下:从遥感影像将宽阔潮沟与细小潮沟分开进行提取,并将细小潮沟同宽阔潮沟的提取结果融合得到完整的潮沟数据。
3.根据权利要求2所述的算法,其特征在于,所述细小潮沟提取过程如下:
1.1)复杂背景均一化:对于盐沼潮沟区域仅利用归一化水体指数区分潮沟和潮滩;对于泥滩潮沟区域,采用SEaTH算法,利用J-M距离计算类间可分离性,选择潮沟和潮滩差异较大的绿光波段,在此基础之上,针对选择的波段,利用改进的模糊C均值算法MFCM,抑制潮滩背景异质性造成的目标与背景间的差异性对比;
1.2)多尺度线状增强:对经过步骤1.1)处理的潮沟数据,采用多尺度高斯匹配滤波MGMF增强具有高斯形的细小潮沟,以解潮沟决宽度变化问题;
1.3)对经过步骤1.2)处理的潮沟数据,旋转滤波器以涵盖所有可能的方向,削弱潮沟强各向异性带来的影响;
1.4)使用自适应阈值分割细小潮沟;
1.5)碎屑斑块去除。
4.根据权利要求2所述的算法,其特征在于,宽阔潮沟的提取过程为:
宽阔潮沟内部充满海水,通过NDWI和最大类间方差法OTSU进行划分。
5.根据权利要求2所述的算法,其特征在于,细小潮沟和宽阔潮沟的融合过程为:将细小潮沟同宽阔潮沟结果采用逻辑或运算合并,形成完整的潮沟。
6.根据权利要求1所述的算法,其特征在于,步骤2.1的具体过程如下:
2.1.1)对于第一步提取得到的潮沟数据,利用形态学膨胀方法闭合潮沟以及河道,形态学膨胀会增长或粗化二值图像中的物体;
2.1.2)利用空洞填充算法,填充未封闭河道部分;
2.1.3)利用canny边缘算子提取水边线。
7.根据权利要求1所述的算法,其特征在于,步骤2.2的具体过程如下:
2.2.1)将步骤2.1)得到的经过水边线提取的潮沟区域数据编码至二维空间张量域,对编码后的张量进行稀疏投票及稠密投票,稀疏投票仅对潮沟斑块所处格网点进行投票,稠密投票则对所有位置进行投票,将张量投票后得到的结果进行张量分解,由于遥感影像对应二维空间,因此可分解为棒张量分量及球张量分量;通过统计各邻近点处棒张量及球张量投票,从而细化重建潮沟特征;
2.2.2)利用局部极大值算法对张量投票结果进行精化,提取得到潮沟中心线,并通过多元自适应样条回归连接中断的潮沟中线斑块,从而获得完整的潮沟网络。
8.根据权利要求1所述的算法,其特征在于,步骤2.3的具体过程如下:
2.3.1)对步骤2.2得到的潮沟网络,统计每一个节点出现的次数,将出现次数为1的节点定义为悬挂点;
2.3.2)寻找连接悬挂点的潮沟线段,并将其删除;
2.3.3)重新统计节点出现次数,更新悬挂点;不断迭代循环,直到悬挂点的数量等于零,停止迭代;最后剩下的潮沟定义为环岛潮沟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911153367.6A CN110991019B (zh) | 2019-11-22 | 2019-11-22 | 一种沿海潮沟自动分级算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911153367.6A CN110991019B (zh) | 2019-11-22 | 2019-11-22 | 一种沿海潮沟自动分级算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991019A true CN110991019A (zh) | 2020-04-10 |
CN110991019B CN110991019B (zh) | 2023-05-05 |
Family
ID=70085838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911153367.6A Active CN110991019B (zh) | 2019-11-22 | 2019-11-22 | 一种沿海潮沟自动分级算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991019B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614367A (zh) * | 2020-12-11 | 2021-04-06 | 国汽(北京)智能网联汽车研究院有限公司 | 车辆控制方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156527A (zh) * | 2014-08-12 | 2014-11-19 | 大连海事大学 | 一种用于航海模拟器仿真的雷达模拟数据合并方法 |
KR101493486B1 (ko) * | 2014-07-03 | 2015-02-17 | (주)지오시스템리서치 | 해양구조물 설치용 자동이탈식 후크 |
CN107704850A (zh) * | 2017-10-30 | 2018-02-16 | 河海大学 | 一种潮沟***地形识别处理方法 |
CN109801306A (zh) * | 2019-01-22 | 2019-05-24 | 首都师范大学 | 基于高分遥感影像的潮沟提取方法 |
-
2019
- 2019-11-22 CN CN201911153367.6A patent/CN110991019B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101493486B1 (ko) * | 2014-07-03 | 2015-02-17 | (주)지오시스템리서치 | 해양구조물 설치용 자동이탈식 후크 |
CN104156527A (zh) * | 2014-08-12 | 2014-11-19 | 大连海事大学 | 一种用于航海模拟器仿真的雷达模拟数据合并方法 |
CN107704850A (zh) * | 2017-10-30 | 2018-02-16 | 河海大学 | 一种潮沟***地形识别处理方法 |
CN109801306A (zh) * | 2019-01-22 | 2019-05-24 | 首都师范大学 | 基于高分遥感影像的潮沟提取方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614367A (zh) * | 2020-12-11 | 2021-04-06 | 国汽(北京)智能网联汽车研究院有限公司 | 车辆控制方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110991019B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598727B (zh) | 一种基于深度神经网络的ct图像肺实质三维语义分割方法 | |
CN108830876B (zh) | 一种水域轮廓提取及面积检测方法 | |
Meyer | The watershed concept and its use in segmentation: a brief history | |
CN111768411A (zh) | 冠脉中心线提取方法、装置、计算机设备和存储介质 | |
CN110717251A (zh) | 一种考虑多要素的分布式水文模型子流域划分方法 | |
CN103353986A (zh) | 一种基于超像素模糊聚类的脑部mr图像分割方法 | |
CN102609898A (zh) | 一种顾及地理特征的溺谷海岸线化简方法 | |
CN103778627A (zh) | 一种基于sar图像的海域溢油检测方法 | |
CN103353989A (zh) | 基于先验和融合灰度与纹理特征的sar图像变化检测方法 | |
CN110008602B (zh) | 一种大比例尺下顾及多特征协调的路网选取方法 | |
CN115147401B (zh) | 一种基于数字图像处理的土石坝坝料合格性智能检测方法 | |
CN108596920A (zh) | 一种基于彩色图像的目标分割方法及装置 | |
CN112270266B (zh) | 多特征约束的网状河流主流识别方法 | |
CN108268460A (zh) | 一种基于大数据的自动选择最优模型的方法 | |
CN109285219B (zh) | 一种基于dem的网格型水文模型网格演算次序编码方法 | |
CN107315813A (zh) | 一种stroke特征约束的树状河系层次关系构建及简化方法 | |
CN114862877B (zh) | 基于置信度评分的细胞粘连分割方法和装置 | |
CN104317908A (zh) | 基于三支决策和距离的离群点检测方法 | |
CN115272866A (zh) | 一种基于正负地貌的山区地貌形态分类的方法与应用 | |
CN110991019A (zh) | 一种沿海潮沟自动分级算法 | |
CN112509134A (zh) | 一种潮滩数字高程模型构建方法及*** | |
Gonzalez et al. | Solving the over segmentation problem in applications of Watershed Transform | |
Siddiqui et al. | Mathematical morphology applied to spot segmentation and quantification of gene microarray images | |
Deepa et al. | Improved watershed segmentation for apple fruit grading | |
CN102194224A (zh) | 一种光学遥感图像坦克群的识别方法 |
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 |