基于对象分割的DEM 数据编辑

原创 已于 2023-06-07 12:34:49 修改 · 1.3k 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#遥感

于 2021-07-26 19:25:07 首次发布

上一篇《高分7(GF7)卫星数据制作DEM》得到的DEM初级产品，经下述处理可得到更为精细的产品。NCC方法生成DSM后，得到2层数据：DSM结果和可靠性系数映像数据。观察初级DSM数据，可能如图1所示。

图1 NCC DEM结果

可见这样的脏数据是无法直接使用的。从图2菜单项选择 DEM编辑，使之被处理成可用数据。

 图2  DEM处理菜单

下述处理不是每步必须进行，仅必要时执行相应处理。

一、洼地异常检测

除干旱区域沙漠盐碱地等地区外，山区天然的大片洼地通常是不存在的，要么形成积水的水体，要么从低矮处水流走了，当然小区域比较浅的低洼地是有的。图1中颜色比较黑的区域地低矮区域多是不可靠数据。需要滤除并对其进行插值修复。从层列表窗口勾选需要处理的层，从图2选择洼地异常检测。出现图3对话框。 

图3  洼地检测参数对话框

图3中第1、2项的单位是像素数。里面的值表示意思是从数据集中检测从5*5到100*100个像元的孤立洼地，分10阶搜索。结束值越大、阶数越多搜索时间越长。搜索结束后进行删除和插值填充。处理结果见图4。

图4 洼地检测结果

最低0.47元/天 解锁文章
DEM编辑——建筑物移除
副组长的博客
07-26 2267
上一篇《基于对象分割的DEM 数据编辑》介绍了如何使用对象分割编辑DEM。这里介绍如何将DEM数据的人造建筑移除。 首先用图1的GF7 BWDPAN 和对应的 FWDPAN 数据制作初级的DEM，见图2。 图1 制作DEM区域的BWDPAN图像 可见区域内村镇楼房、山林、农田、道路、水体等地物丰富。与FWDPAN一起可以生成初级未处理的高程数据。这里使用NCC匹配，祥见《高分7(GF7)卫星数据制作DEM》。结果见图2。 图2 生成高程数据的结果 图2中高程数据的一些异常数据可以处理掉使.
DEM编辑——基于PCI Geomatica
moshi_09的博客
05-10 8006
数字高程模型（DEM）是高程值的网格化数组。DEM可以有许多不同的来源；例如，轮廓线、三角形不规则格网（TIN）或立体像对。当从立体像对中提取DEM时，未编辑的结果通常被称为数字表面模型或DSM，因为它表示的是地表面高度（树木、建筑物等顶部的高度）而不是地表高度。当编辑DSM移除了树木或建筑物等特征的高度时，生成的产品通常称为数字地形模型或DTM，因为它反映了地表高度而不是地表高度加上对象高度。DEM可以认为是数字地形模型DTM的一个分支。 DTM是描述包括高程在内的各种地貌因子，如坡度、坡向、坡度变化率等
DEM数据读取与三维地形可视化实战
weixin_34718952的博客
09-05 720
GDAL支持超过100种栅格数据格式，包括GeoTIFF、HDF、NetCDF、JPEG、PNG、ASCII Grid等，广泛应用于遥感、GIS、地形建模等领域。其核心类结构设计清晰，便于开发者进行高效的数据访问与处理。以下是一些GDAL库中常用的核心类及其功能：类名功能描述Dataset表示一个完整的数据集，包含元信息、波段、地理变换等信息RasterBand表示一个数据波段，用于读取/写入像素值Driver数据格式的驱动类，用于创建、打开或保存数据集。
DEM的精细修改及其三维可视化
zhaomaomi的博客
03-27 5934
无论是搭建二维水动力模型，还是构建三维虚拟现实场景，都离不开DEM（Digital Elevation Map）。DEM的获取途径可以是卫星影像，或是无人机航拍。针对DEM的编辑，网络上的教程大部分是通过gis进行拼接、提取、填洼以及简单的栅格计算等。笔者一直希望能够对DEM进行较为细致的加工，例如将获取的实际地形编辑为其他预设工况下的地形，或将较为精细的河道断面数据镶嵌在DEM上。通过收集相关资料并对多个软件学习研究后终于找到了较为可靠的方法。
dem数据修改工具
06-30
基于GlobalMapper16的二次开发接口实现的DEM修改工具。 实现指定区域的DEM数据投影到自定义平面之上。
inpho DEM编辑说明书
11-18
inpho DEM模块 INPHO OrthoMaster中文操作手册.pdfINPHO OrthoMaster中文操作手册.pdf
高分7(GF7)卫星数据制作DEM
副组长的博客
07-26 1万+
RSD平台新增利用GF7卫星前视PAN数据（FWDPAN）和后视PAN数据（BWDPAN）制作数字高程模型/数字表面模型（DEN/DSM）。实际上多光谱后视数据（BWDMUX）的参与能进一步提高前后视配准精度从而提高DEM/DSM产品质量，但目前RSD仅有前后视全色波段的DEM制作部分。 支持GF7卫星DEM制作的RSD软件需要2021年7月以后发布的版本。 一、选择数据集 准备好GF7 -L1A原始数据集，启动RSD。点击图1的菜单。有两个菜单项可以开始DEM制作。先选择第一个（红框内）DEM生
农业领域的地形智慧：DEM数据的潜力与应用剖析
数字高程模型（DEM）数据是地理信息系统和遥感分析中不可或缺的要素，本文对DEM数据的获取、预处理以及在农业领域应用进行了系统阐述。内容涵盖DEM数据的来源、类型和采集技术，以及数据预处理方法的重要性。在农业...
OpenGL内存管理攻略：DEM数据高效读取与存储的黄金法则
本文系统地探讨了OpenGL内存管理的基础理论与实践应用，涵盖内存管理的基本概念、内存对象、管理策略与原则，以及OpenGL在DEM数据处理中的内存优化技术。通过分析OpenGL中的缓冲对象、纹理对象和帧缓冲对象等内存...
一种新的DEM人工编辑方法
VisualMan_whu的专栏
01-01 1万+
为了实现高效率高精确度的DEM，一方面要研究高可靠性的滤波算法，另一方面要使用高效的人工编辑工具。本文阐述DEM人工编辑软件，并介绍一种高效率低成本的DEM人工编辑方法。该方法对作业员的要求只是做一个判断问题（识别哪些是非地面点），因此大大降低了专业化程度要求。更重要的是，本文方法无需专业测图软件，仅仅需要photoshop，GlobalMapper和点云内插DEM小程序就可以完成，是一种轻量级的编辑方法。
Agisoft Metashape DEM编辑
penglu366366的博客
11-18 2372
本文讲解Agisoft Metashape中DEM编辑功能以及不同方式的使用场景
地形数据分析（1）——DEM地形数据编辑
m0_54729864的博客
12-07 532
在工具中设置等高线输出路径和线间距，我这里设置的是20m，其他的根据需求设置，也可以按照默认。2.新建一个点或线要素（在数据库里面建或者直接建个shp，别忘了定义坐标），在要素中添加高程字段，在创建的高程字段中输入高程。4.再把生成的TIN格式数据再转换为DEM。添加图片注释，不超过 140 字（可选）添加图片注释，不超过 140 字（可选）添加图片注释，不超过 140 字（可选）添加图片注释，不超过 140 字（可选）添加图片注释，不超过 140 字（可选）添加图片注释，不超过 140 字（可选）
ArcGIS / global mapper / MATLAB—裁剪DEM高程数据
weixin_72925698的博客
11-29 5310
对DEM高程数据（tif文件）方法较多，现将使用的方法进行总结，内容主要包括三个方面：1、使用ARCGIS裁剪2、使用globalmapper裁剪3、使用MATLAB裁剪。
使用GDAL库实现对dem的修改
weixin_41623673的博客
03-08 910
一、代码 #include "iostream" #include "string" #include "gdal_priv.h" #include "cpl_conv.h" #include "gdalwarper.h" #include "stdlib.h" typedef unsigned short UINT; int main() { //Opening the File GDALAllRegister(); std::string pszFilename("srtm30plus_s
利用 DTMaster 立体编辑 DEM 方法
u011322358的博客
02-16 8008
利用 DTMaster 立体编辑 DEM 方法 1 Match-t DSM 操作流程 1，打开 inpho 工程，之后，打开 MATCH-T-DSM,图标为 2，打开 MATCH-T-DSM 模块之后，进入以下界面： Add：添加一个项目，里面可以进行 DTM 参数设置 inport：导入一个 DXF 文件，这里是测区的分块范围，相当于一些子区，如果一个测区地 形比较复杂，可以分出城区，山地，郊区...
裁剪DEM高程数据
热门推荐
weixin_48648760的博客
07-31 1万+
裁剪DEM高程数据方法 对DEM高程数据（tif文件）方法较多，现将使用的方法进行总结，内容主要包括三个方面： 使用ARCGIS裁剪 使用globalmapper裁剪 使用MATLAB裁剪 1、使用ARCGIS裁剪 Arcgis将一幅影像裁剪成一幅或多幅，此时可以应用ArcGIS中的工具箱ArcToolbox进行相关裁剪操作，ArcToolbox提供了许多可以应用的工具。 裁剪工具提取 总的步骤为：“数据管理工具”——“栅格”——“栅格处理”——"裁剪"工具 ①"输出范围"项可以选择一个矢量要素，选择之
[杂项小记]利用Global Mapper裁剪指定大小DEM地图数据
victorenemy的博客
05-29 3003
利用Global Mapper编辑DEM地图数据为机器人仿真提供虚拟地图环境。
ArcGIS-裁剪遥感影像及dem图像
siwenaiyou的博客
05-05 1万+
6、选择【工具箱】-【数据管理工具】-【栅格】-【裁剪】。在【输入栅格】里选择要裁剪的dem，在【输出范围】里选择刚创建的裁剪范围。选择一个输出路径，其他参数保存默认。2、起一个名称，要素类型选择【面】。点击【编辑】选择与要裁剪的dem一致的地理坐标系。1、创建需要裁剪区域的面层shp，右击选择【新建】-【shapefile】3、点击编辑器，选择开始编辑。4、选择【裁剪范围】，点击确定。5、画出想要裁剪的范围并保存。
DEM接边软件（不同DEM之间平滑过渡、拼接）
珞珈小怪的专栏
05-10 5068
名称：DEM接边平差软件 V2.0 功能：不同精度、不同分辨率、过渡生硬的DEM之间，进行平差解算，实现平滑过渡。 输入：原有DEM、新增DEM、拼接线。 输出：拼接后的DEM。 参数：平差权重配比、坐标类型、成果栅格属性、拼接线与输入DEM的拓扑关系。 效果展示： ...
怎么使用哨兵2号数据集用易康软件面向对象的方法进行梯田分类
最新发布
09-17
<think> 我们正在讨论使用eCognition（易康）软件，基于哨兵2号数据集，通过面向对象的方法进行梯田分类。 根据引用内容，我们可以总结出以下几个关键步骤： 1. 数据准备：导入哨兵2号数据，并对波段进行重命名（蓝、绿、红、近红外等），并计算NDVI和NDWI等指数（引用[1]）。 2. 多尺度分割：这是面向对象分类的关键步骤，将影像分割成有意义的对象（引用[3]）。 3. 特征选择：为分类选择特征，包括波段均值、标准差，以及自定义特征（如NDVI的计算公式）（引用[4]）。 4. 分类器训练：使用支持向量机（SVM）等分类器进行训练（引用[2]）。 5. 样本选择与分类：批量选择样本，应用分类器进行分类（引用[2][3]）。 6. 导出结果：将分类结果导出为shp等格式（引用[3]）。 由于梯田分类的特殊性，我们需要关注梯田的特征（如形状、纹理、位置等），因此在特征选择时可能需要加入形状特征、纹理特征等。 下面我们详细说明步骤： ### 步骤1: 数据准备 1. 新建工程，导入哨兵2号影像数据（通常包含多个波段）。 2. 将波段重命名为：BLUE（蓝波段，对应哨兵2号第2波段）、GREEN（绿波段，第3波段）、RED（红波段，第4波段）、NIR（近红外波段，第8波段）等。 3. 计算指数：如NDVI（归一化植被指数）和NDWI（归一化水体指数），这些指数有助于区分植被和水体，而梯田通常与植被覆盖和水体（如稻田中的水）有关。 - NDVI计算公式：$$ \text{NDVI} = \frac{\text{NIR} - \text{RED}}{\text{NIR} + \text{RED}} $$ - NDWI计算公式（这里使用McFeeters公式）：$$ \text{NDWI} = \frac{\text{GREEN} - \text{NIR}}{\text{GREEN} + \text{NIR}} $$ 4. 将计算得到的指数作为新的图层添加到工程中（引用[1][4]）。 ### 步骤2: 多尺度分割 1. 使用“多尺度分割”算法（Multiresolution Segmentation）将影像分割成对象。 2. 分割参数设置：尺度参数（Scale Parameter）、形状因子（Shape）和紧致度（Compactness）需要根据梯田的特点进行调整。 - 梯田通常具有规则的形状和边界，因此可能需要适当提高形状因子的权重。 - 建议尝试不同的尺度参数，直到分割结果能够较好地勾画出梯田的边界。 3. 分割结果：得到影像对象（Image Objects），这些对象将作为后续分类的基本单元（引用[3]）。 ### 步骤3: 特征选择 1. 在【Features】窗口中选择特征。梯田分类可能需要以下特征： - 光谱特征：各波段的均值（Mean）和标准差（Standard deviation）。 - 指数特征：NDVI和NDWI的均值。 - 形状特征：如形状指数（Shape Index）、边界指数（Border Index）等。 - 纹理特征：如GLCM（灰度共生矩阵）的对比度（Contrast）、同质性（Homogeneity）等。 - 自定义特征：如果需要，可以创建算术特征（Arithmetic Feature）（引用[4]）。 ### 步骤4: 样本选择与分类器训练 1. 新建类别（Classes），例如：梯田、非梯田（或更细的类别，如水田梯田、旱地梯田、森林、水体、建筑等）。 2. 通过样本编辑器（Sample Editor）为每个类别选择足够多的样本。可以使用引用[3]中提到的批量选择样本的方法提高效率。 3. 使用分类器（如SVM）进行训练。在Process Tree窗口中，添加分类器训练进程，选择SVM算法，并设置好特征（引用[2]）。 - 注意：在训练之前，确保已经选择了样本并分配了类别。 ### 步骤5: 应用分类器 1. 在Process Tree窗口中，添加一个新的进程（Append New），设置Algorithm为classifier，Domin选择Image Object level，Operation选择Apply，Configuration选择之前训练好的SVM模型（引用[2]）。 2. 执行进程，得到分类结果。 ### 步骤6: 后处理与结果导出 1. 分类后可能需要进行后处理，如去除小图斑、类别合并等。 2. 导出结果：将分类结果导出为shp文件（引用[3]）或其他格式。 ### 注意事项 - 梯田在遥感影像中通常表现为规则的阶梯状，且多位于山区。因此，在特征选择时，可以考虑加入地形特征（如坡度、坡向），但地形特征通常需要DEM数据支持。如果只有哨兵2号数据，则可能需要额外导入DEM数据。 - 梯田的季节变化：如果有多时相数据，可以考虑加入时相特征。 以上是基于引用内容并结合梯田分类的特点整理的使用指南。由于梯田分类的复杂性，可能需要反复调整参数和特征，以达到最佳分类效果。 §§相关问题§§ 1. 在易康软件中，如何计算NDVI和NDWI指数？ 2. 多尺度分割参数（尺度、形状、紧致度）如何影响梯田分割效果？ 3. 在梯田分类中，哪些特征（光谱、形状、纹理）最为重要？ 4. 如何利用地形数据（如DEM）辅助梯田分类？ </think> ### 易康软件使用哨兵2号数据进行面向对象梯田分类指南 梯田分类需结合其独特的光谱、几何及纹理特征（如阶梯状结构、规则边缘）。以下是基于哨兵2号数据的操作流程： #### 一、数据准备与预处理 1. **导入数据** - 新建工程，导入哨兵2号影像（需包含蓝、绿、红、近红外波段）[^1][^4]。 - 重命名波段：`BLUE`（B2）、`GREEN`（B3）、`RED`（B4）、`NIR`（B8）[^1]。 2. **计算植被/水体指数** - **NDVI**（增强植被识别）： $$ \text{NDVI} = \frac{\text{NIR} - \text{RED}}{\text{NIR} + \text{RED}} $$ - **NDWI**（增强水体识别）： $$ \text{NDWI} = \frac{\text{GREEN} - \text{NIR}}{\text{GREEN} + \text{NIR}} $$ - 在 `Features` → `Customized` 中创建算术特征，输入公式[^1][^4]。 #### 二、多尺度分割 1. **分割参数设置** - 关键参数： - **尺度(Scale)**：建议**50-100**（梯田边界清晰需较高值） - **形状因子(Shape)**: **0.3-0.7**（突出几何特征） - **紧致度(Compactness)**: **0.5-0.8**（保持梯田规则形状）[^3][^4]。 - 执行分割生成影像对象（Image Objects）[^3]。 2. **分割效果验证** - 通过图层叠加检查对象边界是否对齐梯田边缘（需避免过分割或欠分割）[^3]。 #### 三、特征选择与分类 1. **关键特征提取** | 特征类型 | 推荐特征 | 作用 | |----------------|----------------------------------|--------------------| | 光谱特征 | 各波段均值(`Mean`)、标准差(`StdDev`) | 区分植被覆盖差异 | | 指数特征 | `NDVI Mean`, `NDWI Mean` | 增强植被/水体响应 | | **几何特征** | 形状指数(`Shape Index`)、长宽比 | 捕获阶梯状结构 | | **纹理特征** | GLCM同质性(`GLCM Homogeneity`) | 识别规则纹理 | [^4] 2. **分类器训练与应用** - **样本选择**： - 使用样本编辑器批量选取梯田/非梯田样本（需覆盖不同坡向、光照区域）[^3]。 - **SVM分类器设置**： ```plaintext Algorithm: classifier Domin: Image Object level Operation: Apply Configuration: SVM (加载训练结果) ``` [^2] - 执行分类并验证精度（混淆矩阵/Kappa系数）。 #### 四、后处理与输出 1. **优化分类结果** - 合并碎斑：`Merge Regions` 工具整合细小对象。 - 平滑边缘：`Smooth Boundary` 修正锯齿状边界。 2. **结果导出** - 导出矢量：批量生成梯田分类的SHP文件（支持GIS平台分析）[^3]。 --- ### 关键注意事项 - **地形辅助**：若需更高精度，导入DEM数据计算坡度(`Slope`)、曲率(`Curvature`)作为分类特征。 - **多时相分析**：结合不同季节数据（如种植期NDVI突增）提升梯田识别鲁棒性。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值