CN114743059A - 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 PDFInfo
- Publication number
- CN114743059A CN114743059A CN202210658865.1A CN202210658865A CN114743059A CN 114743059 A CN114743059 A CN 114743059A CN 202210658865 A CN202210658865 A CN 202210658865A CN 114743059 A CN114743059 A CN 114743059A
- Authority
- CN
- China
- Prior art keywords
- feature points
- topographic
- sight
- 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.)
- Granted
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
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,其中,Model表示数字模型,Depth表示水深,()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,其中,Model表示数字模型,表示二维离散小波,()为二维离散小波值对应的平面位置坐标;然后,对二维离散小波模型进行内积运算,得到多尺度变换模型,其中,代表多尺度变换,为多尺度变换值,和分别为沿x轴和y轴方向的两个分量值,()为多尺度变换值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):,其中,为二维离散小波对应的模值;使用公式(1)计算多尺度变换模型,得到模值数据集;公式(2):,其中,为二维离散小波对应的幅角;使用公式(2)计算多尺度变换模型,得到幅角数据集;和分别为沿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沿幅角方向检测相邻格网点的模值,其中,代表相邻格网,若中心格网点的模值为极大值,则该点被认为是准地形地貌特征点;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,其中,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):;其中,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对应的坡度值,为窗口检测算子内所有格网点的地形平均坡度值,代表在邻域为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,使用公式(3)对准地形地貌特征点做投影运算,得到该分解等级下符合阈值的地形地貌特征点;
步骤2.2:剔除异常值
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
步骤3.2:计算视距和视角
选取中的地形地貌特征点P (x, y)为中心,沿视线方向设置视距范围为定值,其中,为第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,则中心特征点P (x, y)到最邻近特征点的视距为,其中,代表视距范围内的地形特征点,代表视距范围内最邻近的地形特征点,代表视距范围,代表沿视线方向中心特征点P (x, y)到最邻近特征点的视距,其中i=1,8;
在地形地貌特征点的基本视线方向上视距范围内,分别计算中心特征点P (x, y)与最邻近特征点的视角,其中,为中心特征点P (x, y)与最邻近特征点的高差,为中心特征点P (x, y)与最邻近特征点的水平距离;
步骤3.3:计算判定参数
公式(4):,其中,与分别表示以地形地貌特征点为视中心,在视线方向为的视距内视角θ DL 的最大值和最小值,t为坡度阈值;基于基本视线方向和视角,使用公式(4)进行计算,得到地形识别单元判定参数数据集;
步骤3.4:计算覆盖面积
基于基本视线方向的视距,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,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。
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,其中,Type代表识别类型,代表海山/海丘类型,代表洼地类型,代表海脊类型,代表海谷类型,代表台地类型,代表斜坡类型,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,根据基本视线方向上不同值出现的个数以及识别类型,然后将所有地形识别单元覆盖面积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;
步骤4.3:划分地理实体类别
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,其中,Model表示数字模型,Depth表示水深,()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,其中,Model表示数字模型,表示二维离散小波,()为二维离散小波值对应的平面位置坐标。
然后,对二维离散小波模型进行内积运算,得到多尺度变换模型,其中,代表多尺度变换,为多尺度变换值,和分别为沿x轴和y轴方向的两个分量值,()为多尺度变换值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。
以3×3移动窗口基于中心格网点沿幅角方向检测相邻格网点的模值,其中,代表相邻格网,若中心格网点的模值为极大值,则该点被认为是准地形地貌特征点;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,其中,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。
步骤2.2:剔除异常值。
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。
步骤3.2:计算视距和视角。
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,则中心特征点P (x, y)到最邻近特征点的视距为,其中,代表视距范围内的地形特征点,代表视距范围内最邻近的地形特征点,代表视距范围,代表沿视线方向中心特征点P (x, y)到最邻近特征点的视距,其中i=1,8。
在地形地貌特征点的基本视线方向上视距范围内,分别计算中心特征点P (x, y)与最邻近特征点的视角,其中,为中心特征点P (x, y)与最邻近特征点的高差,为中心特征点P (x, y)与最邻近特征点的水平距离。
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、西两个方向上视距内视角θ DL 的实际范围。
步骤3.3:计算判定参数。
步骤3.4:计算覆盖面积。
根据8个方向的视距,每个地形识别单元覆盖面积利用条柱法计算,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:
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,其中,Type代表识别类型,代表海山/海丘类型,代表洼地类型,代表海脊类型,代表海谷类型,代表台地类型,代表斜坡类型,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。
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。
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;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 (9)
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。
2.如权利要求1所述的方法,其特征在于,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。
3.如权利要求2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。
4.如权利要求3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。
5.如权利要求4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。
6.如权利要求5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,其中,Model表示数字模型,Depth表示水深,()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,其中,Model表示数字模型,表示二维离散小波,()为二维离散小波值对应的平面位置坐标;然后,对二维离散小波模型进行内积运算,得到多尺度变换模型,其中,代表多尺度变换,为多尺度变换值,和分别为沿x轴和y轴方向的两个分量值,()为多尺度变换值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):,其中,为二维离散小波对应的模值;使用公式(1)计算多尺度变换模型,得到模值数据集;公式(2):,其中,为二维离散小波对应的幅角;使用公式(2)计算多尺度变换模型,得到幅角数据集;和分别为沿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;
8.如权利要求7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
步骤3.2:计算视距和视角
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,则中心特征点P(x, y)到最邻近特征点的视距为,其中,代表视距范围内的地形特征点,代表视距范围内最邻近的地形特征点,代表视距范围,代表沿视线方向中心特征点P (x, y)到最邻近特征点的视距,其中i=1,8;
在地形地貌特征点的基本视线方向上视距范围内,分别计算中心特征点P(x, y)与最邻近特征点的视角,其中,为中心特征点P (x,y)与最邻近特征点的高差,为中心特征点P (x, y)与最邻近特征点的水平距离;
步骤3.3:计算判定参数
公式(4):,其中,与分别表示以地形地貌特征点为视中心,在视线方向为的视距内视角θ DL 的最大值和最小值,t为坡度阈值;基于基本视线方向和视角,使用公式(4)进行计算,得到地形识别单元判定参数数据集;
步骤3.4:计算覆盖面积
9.如权利要求8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,其中,Type代表识别类型,代表海山/海丘类型,代表洼地类型,代表海脊类型,代表海谷类型,代表台地类型,代表斜坡类型,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,根据基本视线方向上不同值出现的个数以及识别类型,将所有地形识别单元覆盖面积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;
步骤4.3:划分地理实体类别
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 true CN114743059A (zh) | 2022-07-12 |
CN114743059B 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) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173548A (zh) * | 2023-08-10 | 2023-12-05 | 中国地质大学(武汉) | 一种海底地貌智能分类模型构建方法、装置及分类方法 |
Citations (6)
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 |
US20140333616A1 (en) * | 2013-05-13 | 2014-11-13 | Electronics And Telecommunications Research Institute | Method for representing terrain, method for creating terrain primitives, and apparatus using the methods |
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 |
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 |
-
2022
- 2022-06-13 CN CN202210658865.1A patent/CN114743059B/zh active Active
Patent Citations (6)
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 |
US20140333616A1 (en) * | 2013-05-13 | 2014-11-13 | Electronics And Telecommunications Research Institute | Method for representing terrain, method for creating terrain primitives, and apparatus using the methods |
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 |
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 (5)
Title |
---|
MINGWEI WANG ET AL.: "Multifeature Extraction and Seafloor Classification Combining LiDAR and MBES Data around Yuanzhi Island in the South China Sea", 《SENSORS》 * |
ZHENGREN ZHU ET AL.: "DNN-based seabed classification using differently weighted MBES multifeatures", 《MARINE GEOLOGY》 * |
刘双琳 等: "黄土地貌类型的坡谱自动识别分析", 《地球信息科学》 * |
李艳雯 等: "基于海底地名命名的海底地理实体分类进展", 《地球科学进展》 * |
王嘉翀 等: "海底声学底质分类的 ELM-AdaBoost 方法", 《海洋学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173548A (zh) * | 2023-08-10 | 2023-12-05 | 中国地质大学(武汉) | 一种海底地貌智能分类模型构建方法、装置及分类方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN114743059B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7995055B1 (en) | Classifying objects in a scene | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
San et al. | Building extraction from high resolution satellite images using Hough transform | |
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 | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
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 | |
CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
Özdemir et al. | Automatic extraction of trees by using multiple return properties of the lidar point cloud | |
CN116704333B (zh) | 一种基于激光点云数据的单株林木检测方法 | |
Salah et al. | Evaluation of the self‐organizing map classifier for building detection from lidar data and multispectral aerial images | |
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 | |
CN107563296B (zh) | 基岩海岸岸线的提取方法及*** | |
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 | |
CN117171533B (zh) | 一种地理测绘作业数据实时采集处理方法及*** | |
Xiao et al. | Individual tree detection and crown delineation with 3D information from multi-view satellite images | |
Zhang et al. | Building footprint and height information extraction from airborne LiDAR and aerial imagery | |
Awrangjeb et al. | An automatic technique for power line pylon detection from point cloud data | |
Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
CN116958808A (zh) | 一种基于实时目标检测网络的森林参数估测方法 | |
A Farrag et al. | Detecting land cover changes using VHR satellite images: A comparative study | |
CN115619953A (zh) | 一种面向崎岖地形的移动机器人地形建图方法及*** |
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 |