[發明專利]一種基于網格的地形特征點提取方法及處理終端

有效

• 申請號: 202010121941.6
• 申請日: 2020-02-26
• 公開（公告）號: CN111369604B
• 公開（公告）日: 2023-10-13
• 發明（設計）人: 劉勝旋;關永賢
• 申請（專利權）人: 廣州海洋地質調查局
• 主分類號: G06T7/33
• 分類號: G06T7/33;G06V10/40;G06T17/05
• 代理公司: 廣州君咨知識產權代理有限公司 44437
• 代理人: 譚啟斌

本發明涉及一種基于網格的地形特征點提取方法及處理終端，所述方法包括如下步驟：步驟1：獲取表征實際地形特征的原始離散數據，根據原始離散數據制作由若干網格單元組成的網格圖；步驟2：依次讀入原始離散數據的數據點，若該數據點落入網格圖范圍內，則確定該數據點位于網格圖中的網格單元，否則，舍棄該數據點；步驟3：將當前數據點與所在網格單元的當前最淺點和當前最深點進行比較，如果當前數據點的水深值z小于所在網格單元的當前最淺點，或，如果當前數據點的水深值z大于所在網格單元的當前最深點，則當前數據點為特征點。本發明可以處理海量輸入數據而提取特征點，不因數據量過大而無法處理；并且能夠實現復雜的地形特征點提取。

技術領域

本發明涉及數字地形分析技術領域，具體是一種基于網格的地形特征點提取方法及處理終端。

背景技術

在制作海圖、水深地形圖或者陸地地形圖時，一般都需要標注地形的特征點，特征點即是一定區域范圍內的地形極值點，從而構成完整精確的地形表達圖。如何提取特征點，目前常用自動選取方法可分為兩類：一是等距隨機選取數據點，即按照一定的規則網格間距來隨機選取數據點，該方法標注的數據點整齊美觀，但很容易漏標特征點，無法滿足制圖的要求；二是不等間距選取特征點，通常根據人工經驗選取特征點，需要標注特征點的位置一般包括山頂、山脊、洼地、狹長山谷等地形突變的地方。針對第二種方法，需要依賴于制圖員自己對地形的認識、知識經驗、思維方式，且對自己熟悉的、常用的地形場景，其應用效果較好，而對于其他場景下的地形，往往提取的特征點并以此制作出的地形表達效果與期望存在較大偏差，其實際應用效果并不好。

目前現有的地形、海底特征點提取方法，主要存在以下兩方面的不足：

1.無法處理海量數據：

以上提及的不等間距選取特征點方法，無論是基于人工智能法、Delaunay三角網法、Vononoi構造圖法，還是基于其它算法，都需要首先將制圖區域內所有的離散數據一次性讀進計算機內存進行結構化處理，從而能夠得到各離散點間的拓撲關系,形態分布、密度分布等重要參數。然后對所有相鄰點之間的相互關系進行分析與運算，最后才能得到符合條件的地形特征點。如果數據量較小(幾百MB以內)，一般計算機都能夠輕松處理，但如果面對海量的離散數據(例如GB級別的數據)，例如多波束水深測量成果數據，一個調查區的數據量通常都達到幾GB至幾十GB，甚至上百GB，普通計算機因內存限制而根本無法處理。如果先將大數據分割成多個小區塊數據然后再依次處理，則存在效率低下的問題。

2.DEM為簡化后的原始數據：

一些基于DEM的特征點提取算法，雖然一般不存在數據量大小的問題，但由于DEM本身就是由原始離散數據進行規則網格化而得，在網格化過程中，原始特征點的高程值與位置均發生了變化，無法精確表達真實的地形特征。地形特征點，特別是航海圖的水深特征淺點，作為最重要的水深數據，其首要作用是保障航行安全，特征淺點不可輕易進行化簡和刪除，應原樣保留，從而保證海圖制圖規范的基本要求，如果特征淺點出現丟失，不僅使水深反映的海底地形失真，而且更嚴重的是為航行安全帶來隱患。因此，特征點的選取必須從原始離散數據開始，而不能從經過任何簡化后的數據中提取地形特征點。

相關的參考文獻如下：

[1]王家耀,田震.海圖水深綜合的人工神經元網絡方法[J].測繪學報,1999,28(4):335-339.

[2]劉穎,翟京生,陸毅,et al.數字海圖水深注記的自動綜合研究[J].測繪學報,2005,34(2):179-184.

[3]繆志修,齊華,王國昌,et al.基于機載LiDAR數據構建的DEM抽稀算法研究[J].鐵道勘察,2010,36(4):39-44.

[4]徐景中,萬幼川,張圣望.LIDAR地面點云的簡化方法研究[J].測繪信息與工程,2008,33(1):32-34.