影像信息提取之——DEM提取
DEM除了包括地面高程信息外,还可以派生地貌特性,包括坡度、坡向等,还可以计算地形特征参数,包括山峰、山脊、平原、位面、河道和沟谷等。在测绘中用于制作正射影像图以及地图的修测。在遥感应用中可作为分类的辅助数据。它还是地理信息系统的基础数据,作为三维GIS的基础地形数据。在军事上可用于导航及导弹制导、作战电子沙盘等。
本文主要包括:
- 几个概念
- 表示模型
- DEM获取途径
- 立体像对DEM提取
数字高程模型(Digital Elevation Model),简称DEM,它是用一组有序数值阵列形式表示地面高程的一种实体地面模型。
1. 几个概念
l 数字地形模型(DTM, Digital Terrain Model)
DTM利用一个任意坐标系中大量选择的已知x、y、z的坐标点对连续地面的一个简单的统计表示,或者说,DTM就是地形表面形态属性信息的数字表达,是带有空间位置特征和地形属性特征的数字描述。地形表面形态的属性信息一般包括高程、坡度、坡向等。最初是为了高速公路的自动设计提出来的(Miller,1956)。此后,它被用于各种线路选线(铁路、公路、输电线)的设计以及各种工程的面积、体积、坡度计算,任意两点间的通视判断及任意断面图绘制。
l 数字高程模型(DEM, Digital Elevation Model)
DEM是高程Z关于平面坐标X,Y两个自变量的连续函数,DEM只是它的一个有限的离散表示。高程模型最常见的表达是相对于海平面的海拔高度,或某个参考平面的相对高度。
l 数字表面模型(DSM,Digital Surface Model)
DSM是指包含了地表建筑物、桥梁和树木等高度的地面高程模型。和DEM相比,DEM只包含了地形的高程信息,并未包含其它地表信息,DSM是在DEM的基础上,进一步涵盖了除地面以外的其它地表信息的高程。在一些对建筑物高度有需求的领域,得到了很大程度的重视。
我们可以看出三个定义相互有交集又有区别。DTM定义的范围最大,是一种广义的定义,用数字方式描述地形的统称。DEM是用高程来描述地形的DTM。DSM可以看成是DEM的衍生,用的较多的是城市DSM和森林DSM。
实际上,在空间信息领域使用最多的是DEM。
2. 表示模型
三个模型都是用数字的方式表达,主要有以下表示模型:
l 规则格网模型
规则网格,通常是正方形,也可以是矩形、三角形等规则网格。规则网格将区域空间切分为规则的格网单元,每个格网单元对应一个数值,这个数值就是高程。数学上可以表示为一个矩阵,在计算机实现中则是一个二维数组。
规则格网的高程矩阵,可以很容易地用计算机进行处理,特别是栅格数据结构的地理信息系统。它还可以很容易地计算等高线、坡度坡向、山坡阴影和自动提取流域地形,使得它成为DEM最广泛使用的格式,目前许多国家提供的DEM数据都是以规则格网的数据矩阵形式提供的。
这里我们可以看到,最常见的规则格网的存在形式就是图像。
l 等高线模型
等高线模型表示高程,高程值的集合是已知的,每一条等高线对应一个已知的高程值,这样一系列等高线集合和它们的高程值一起就构成了一种地面高程模型。
最常见的等高线模型的存在形式是矢量数据,高程值存放在矢量属性表中。
l 不规则三角网(TIN)模型
尽管规则格网DEM在计算和应用方面有许多优点,但也存在许多难以克服的缺陷:1)在地形平坦的地方,存在大量的数据冗余; 2)在不改变格网大小的情况下,难以表达复杂地形的突变现象;3)在某些计算,如通视问题,过分强调网格的轴方向。
不规则三角网(Triangulated Irregular Network, TIN)是另外一种表示数字高程模型的方法[Peuker等,1978],它既减少规则格网方法带来的数据冗余,同时在计算(如坡度)效率方面又优于纯粹基于等高线的方法。
TIN模型根据区域有限个点集将区域划分为相连的三角面网络,区域中任意点落在三角面的顶点、边上或三角形内。如果点不在顶点上,该点的高程值通常通过线性插值的方法得到(在边上用边的两个顶点的高程,在三角形内则用三个顶点的高程)。所以TIN是一个三维空间的分段线性模型,在整个区域内连续但不可微。
TIN的数据存储方式比格网DEM复杂,常见的有ArcGIS中TIN数据模型。
这三种表达模型中,使用最多也最简单的就是栅格图像(格网)。等高线模型往往在地形图或者线画图中表现。TIN由于数据存储较复杂,用的较少。值的注意的是,这三种模型很容易互相转换。
3. DEM获取途径
建立DEM的方法有多种,从数据源及采集方式主要有:根据航空或航天影像,通过摄影测量途径获;野外测量或者从现有地形图上采集高程点或者等高线,后通过内插生成DEM等方法。如下表所示:
方法 |
优点 |
缺点 |
航空摄影测量 |
成熟的方法,精度高,可获取大比例尺DEM |
成本高,周期长,且受航空管制 |
高程点或者等高线差值 |
成本低,操作简单 |
受数据源限制大,很多地区无高程点或等高线数据。 |
卫星遥感 |
可以大范围获取DEM。 |
受天气影响较大,目前可获取的比例尺较小。 |
干涉雷达技术 |
可以大范围获取DEM,不受天气影响。 |
目前获取大比例尺DEM较困难,随着德国高分辨率雷达卫星TanDEM-X的上天会有所突破。 |
激光雷达技术 |
精度高,可获取大比例尺DEM |
起步阶段,技术门槛高 |
要想快速的获取大范围的DEM数据,卫星手段是一种好的方法。而且随着卫星传感器的发展,获取的DEM精度越来越高。如目前商业卫星最高分辨率的0.41米GeoEye-1,在使用高质量控制资料时,垂直精度的中误差可达到0.5米,可满足1:5000的地图比例尺生产。
目前具有单轨立体成像的卫星传感器主要有:
传感器 |
国家 |
分辨率(米) |
重复周期(天) |
Worldview |
美国 |
0.5 |
1~4 |
GeoEye-1 |
美国 |
0.41/0.5 |
2~3 |
CartoSAT -1(P5) |
印度 |
2.5 |
/ |
ALOS |
日本 |
2.5 |
2 |
RapidEye |
意大利 |
5 |
每天 |
EROS-B |
以色列 |
0.7 |
5 |
天绘 |
中国 |
2 |
/ |
资源三号 |
中国 |
2.1 |
3~5 |
当然还有一些侧轨立体成像的卫星,包括IKONOS, KOMPSAT-2, OrbView-3, QuickBird, SPOT 5等。
4. 立体像对DEM提取
下面介绍使用ENVI的DEM Extraction扩展模块,以CartoSAT -1(P5)数据为例,在ENVI5下介绍基于立体像对的方式提取DEM。
图1为基于立体像对的DEM提取流程图,总体上分为六步。
图1 DEM提取流程
第一步:输入立体像对
(1) 单击File->Open,打开BANDA.TIF和BANDF.TIF级数据。
(2) 选择Toolbox/ Terrain/DEM Extraction/DEM Extraction Wizard: New,单击Select Stereo Image按钮,选择BANDA.TIF左影像(left image ), BANDF.TIF为右影像(right image),ENVI自动识别RPC文件,否则需要手动选择RPC文件(BANDA_RPC_ORG_bj.TXT和BANDF_RPC_ORG_bj.TXT)。
(3) 单击Next按钮。
图2 选择左右影像以及控制点方式
第二步:定义地面控制点
提供三种定义地面控制点方式:不定义、交互式定义和读取控制点文件。这里选择不定义控制点,单击Next按钮。
注:不定义地面控制点得到的DEM是相对高程,即以卫星地势面为基准。
第三步:定义连接点
(1) 提供三种定义连接点方式:自动寻找、交互式手工定义和外部读取控制点文件。选择选择自动寻找,参数设置如下所示,
l 连接点数目(Number of Tie Points):60。
l 搜索窗口大小(Search Windows Size):481。
l 移动窗口大小(Moving Window Size):41。
l 平均高程(Region Elevation):自动从影像读取。
l 是否检查连接点(Examine and Edit Tie Points):Yes
(2) 单击Next按钮,进入查看/添加/编辑连接点步骤
(3) 单击Show Table,选择Sort Table By Error,误差大的点排在前面,逐个选择Tie点查看精度,将偏离较大的点进行微调或者直接删除。
(4) 自动寻找的Tie点分布有间隙,手动增加一些点,充分利用Predict Left(或Right)预测功能可以提高效率。
(5) 当误差达到一定范围(Maximum Y Parallax<10),单击Next按钮。
注:1、搜索窗口和移动窗口值设置的都比较大,原因用RPC文件定位的BANDA和BANDF,发现两个图像的地理位置偏差比较大,故这里设置的值都比较大,搜索窗口大小可以参照立体像对两个图像。
2、可先单击Delete ALL删除所有点,再单击Restore加载Tie.pts文件。
图3 Tie点的选择与调整
第四步:设定DEM提取参数
(1) ENVI会生成核线图像,可以用于立体观测,选择一个路径分别输出,单击Next。
(2) 设置DEM输出投影参数。这里直接设置为UTM坐标,输出像元大小为5m(记得回车自动计算输出像元行列数,否则结果会带很多黑背景),单击Next。
(3) 设置DEM输出参数,根据需求设置背景值,地形精细程度等参数。
图4输出核共线图像
图5 DEM输出投影与输出参数设置
第五步:输出DEM并检查结果
将得到的DEM在3D SurfaceView下查看。
第六步:编辑DEM
生成的DEM有些地方如厚云等,对获得的地形有影响,需要手动更改这些区域的高程数据。
最好将整个流程保存为工程文件,以备下次使用。
图6 DEM的编辑
影像信息提取之——DEM提取相关推荐
- ArcGIS中根据DEM提取等高线和高程点(附练习数据)
之前推了一篇关于:CAD等高线数据在ArcGIS转DEM(附练习数据下载)等高线转DEM的,后台小伙伴有人问关于DEM提取等高线的问题. 其实这个我们之前也有推过,今天我们再整理一下关于DEM提取等高 ...
- 立体像对DEM提取——基于PCI Geomatica
以前上学的时候,学校里面老师遥感授课.实验都是Erdas Image.ENVI为主,这两个软件对于地信以及遥感专业的学生来说,最熟悉不过了.尤其后来国内ENVI与ESRI关系,Erdas image在 ...
- dem生成等高线教程-dem提取等高线教程
等高线的获取有很多方式,比如实地量测,比较简单的方法是从dem中生成,本文给大家介绍的便是dem生成等高线教程和dem提取高程数据的教程. 打开dem数据后,在菜单"分析"中点击生 ...
- 哨兵2a 波段组合_一种针对哨兵2A影像的建筑物阴影提取处理方法与流程
本发明涉及建筑物阴影提取技术领域,尤其涉及一种针对哨兵2A影像的建筑物阴影提取处理方法. 背景技术: 阴影在遥感影像中是一种广泛分布,不可忽视的地物.在高分影像中,城市的建筑物阴影通常由于高大的建筑物 ...
- 免费下载谷歌地球高清卫星影像和高程DEM教程
免费下载谷歌地球高清卫星影像和高程DEM教程 1)概述 谷歌地球影像具有精度高,范围广的特点,谷歌地球高程数据质量也比较高,晟兴地球SXEarth支持免费下载谷歌地球影像和高程DEM. 晟兴地球下载, ...
- ArcGIS基于DEM提取微流域单元(附练习数据下载)
流域作为一个相对独立的地理单元,与行政区的划分有着本质上的区别.流域的划分更注重自然因素,流域作为一个综合的自然整体,在其内部形成了一个天然的物质与能量流动的场所,并通过水流的作用,与周围的区域进行物 ...
- 根据dem提取坡度的相关问题
1.将你的dem数据在arcmap中打开. 2.打开ArcToolBox工具,找到空间分析工具--坡度 3.根据要求填写参数 根据dem提取坡度的操作步骤十分简单,但是会有两个小问题. 在使用坡度提取 ...
- arcgis DEM 提取流域范围(详细教程)(空间分析--Hydrology)
arcgis DEM 提取流域范围(详细教程)(空间分析–Hydrology) 1:洼地填充 Fill(生成无洼地的DEM) 2:计算流向 Flow Direction(基于无洼地的DEM 计算流向) ...
- ENVI软件|基于多源遥感影像的红树林范围提取1-数据获取及处理
红树林是一种生长在海岸带的木本植物群落,主要分布在热带.亚热带地区海岸带的海湾.河口等海域,是国际上生物多样性的重点保护对象.红树林具有提供产品.防风御浪.净化环境.保护海岸线.维持生物多样性等生态功 ...
- 影像信息提取之——目视解译
遥感影像通过亮度值或像元值的高低差异(反映地物的光谱信息)及空间变化(反映地物的空间信息)来表示不同地物的差异,这是区分不同影像地物的物理基础. 目前影像都是基于数字,根据传感器的发展,影像信息 ...
最新文章
- java digester_Digester
- android 编写系统应用,Android应用快速开发系统设计与实现
- HTML5 音频audio 和视频video实用基础教程
- 深度学习中Batch、Iteration、Epoch的概念与区别
- [转]蓝牙基带数据传输机理分析
- 飞机大战--显示玩家飞机
- 读书 | IT人如何直击本质洞察底层逻辑?
- Java 7:完整的invokedynamic示例
- asp.net listview 字段太多 滚动条_高考英语阅读理解生僻单词太多怎么办?十大招数帮到你...
- linux fread函数的用法,fread和fwrite用法详解
- bp神经网络java代码_BP神经网络的Java实现
- 基于matlab的图像拼接论文,基于MATLAB的图像拼接算法实现研究
- redis安装之yum安装
- 数组和链表 Array and Linked-List
- spynet(六):光流整体结构
- 以数据为中心的路由协议_腰部零售企业如何以数据中台为中心,加速数字化落地...
- pandas dataframe query()
- 开发中的代码管理工具熟知
- 与技术无关,但却值得码农们好好读一读的怪书:禅与摩托车维修艺术
- Python3通过chmod修改目录或文件权限
热门文章
- 【中移芯昇】3. uart读写
- 必应(bing)广告的费用是多少?bing搜索广告推广简介
- vscode中的maven_在VSCode中使用Maven进行JUnit测试
- 微信扫一扫二维码直接打开外部浏览器下载app怎么解决
- Java混元功法_陈式太极心意混元 入门功法---太极内功 1
- 齐齐哈尔大学计算机专业好么,齐齐哈尔大学(专业学位)计算机技术考研难吗
- js实现排列组合算法(全排列)
- numpy的array_equal函数
- Boot重抽样获取logistic回归内部验证AUC可信区间
- 英国和中国的时差是多