机载DEM特征点提取及压缩方法研究.docx

? ? 机载DEM特征点提取及压缩方法研究 ? ? 赵鸿森， 冯 琦， 周德云 (西北工业大学电子信息学院，西安 710129) 0 引言 机载数字高程模型(Digital Elevation Model，DEM)数据信息量庞大［1］，100 km2的3 m分辨率DEM数据就包含11亿个数据，以32位字节的浮点数表示其高程，将至少需要8.5 GB存储空间。另一方面，这些数据因为受到目前各种通讯网络带宽的限制，无法高效地进行网络传输。未来DEM数据要显示在手持终端(PDA)上，关键的一个问题就是DEM数据的压缩与解压算法的硬件实现。为了提高数据传输的效率，以及解决这一类海量数据的存储问题，必须进行DEM数据的压缩。研究数字高程模型数据的压缩技术有重要的意义。 机载DEM数据无损压缩可以采用普通的栅格数据压缩方式，如游程编码、块码等，但是由于DEM数据反映了地形的连续起伏变化，通常比较“破碎”，普通压缩方式难以达到很好的效果。因此对于网格DEM数据，可以采用哈夫曼编码进行无损压缩。有时，在牺牲细节信息的前提下，可以对网格DEM进行有损压缩，通常的压缩大都是基于离散余弦变换或小波变换的［1－2］，由于小波变换具有能较好保持细节的特性，因此，将小波变换应用于DEM数据处理的研究较多。 已有压缩方法都没有充分考虑DEM数据不同于其他海量数据集的特点:地形的连续变化特征，鲜有高程的剧烈变化部分;几乎所有分块地形都由一些特征点或特征线确定，如山脊线、山谷线等，因此，压缩效率(比率)还有潜力可挖。提取DEM特征点(线)，以这些点集作为样本集采用RBF神经网络来完成压缩，将存储的网格点高程转换为存储神经网络权值，可以进一步提高压缩比率。 1 原始DEM数据去噪 由于测量设备和传输介质等的不完善，DEM数据在其形成、传输记录过程中往往会引入多种噪声［3］，噪声往往表现为或大或小的极值。滤波去噪，即在尽量保留地形细节特征的条件下对噪声进行抑制，其处理效果将直接影响到后续特征点提取的有效性。 噪点大部分是随机性的，它们对其他位置的点不会产生影响，和邻近各点相比，该点的某一坐标分量值将会有明显的不同。基于这一分析，可以用邻域平均的方法来判断每一点是否为噪声点，并用适当插值方法消除。在一个3×3的栅格窗口中，如Zi，j表示该点的高程值，直接利用中心格网高程值与8个邻域格网点的高程数值大小来进行判断，如表1所示。 表1 噪点判断Table 1 Noise judgement 式(1)中，ε为门限值，它可以根据对误差允许范围的程度由用户设定选择合适的值。这种方法可以去除DEM数据中的噪点，起到滤波的作用，如图1、图2所示。 图1 含噪点的原始DEMFig.1 Original DEM 图2 去噪后DEMFig.2 DEM excluding noises 2 特征点提取 地形特征点主要包括山顶点(peak)、凹陷点(pit)、脊点(ridge)、谷点(channel)、鞍点(pass)、平地点(plane)等［4］。利用DEM提取地形特征点，可通过一个3×3或者更大的栅格窗口，利用中心网格点与领域8个点的高程关系来进行判断与获取。即在一个局部内，用X方向和Y方向上关于高程Z的二阶导数的正负组合关系来判断。 2.1 去噪后特征点的提取 判断矩阵形式DEM数据特征点的方法类似于噪点的判断，也是利用3×3的滑动窗口，具体方法为假设有一个 3 ×3 的窗口，如果(Zi，j－1－ Zi，j)(Zi，j+1－ Zi，j) ＞0， 1) 当 Zi，j+1＞ Zi，j则 VR(i，j)= － 1; 2) 当 Zi，j+1＜ Zi，j则 VR(i，j)=1; 如果(Zi－1，j－ Zi，j)(Zi+1，j－ Zi，j) ＜ 0， 3) 当 Zi+1，j＞ Zi，j则 VR(i，j)=1; 4) 当 Zi+1，j＜ Zi，j则 VR(i，j)= － 1。 如果1)和4)或者2)和3)同时成立，则VR(i，j)=2，如果以上条件都不成立，则VR(i，j)=0。 其中:VR(i，j)= －1，表示谷点;VR(i，j)=1，表示脊点;VR(i，j)=2，表示鞍点;VR(i，j)=0，表示其他点。 这种判断特征点的方法利用了判断点Zi，j周围4个数据点，可以对山顶点、山谷点、鞍点做出判断。 2.2 山脊线和山谷线确定 在地貌特征描述中，山脊线和山谷线发挥着巨大作用，可以在提取特征点之前确定下来。 山顶点通常是在山脊线上，山谷点通常存在于山谷线上。DEM数据特征点的求取可以先求出山脊线和山谷线，然后进行局部判断，在山脊线上求出局部最大值为山顶点，在山谷线上求取局部最小值作为山谷点。 定义设:L为选择判断山脊线的段长;N为选择段长内数据个数;n为DEM数据间距。则N=L/n，取整数