,xtƩ�����3�i��i��i����v��w��C�QZ�$1��C9����+r���w��C��3`�1�ky"https://www.kkmfz.com/list-125-1.html" target="_blank" class="keylink">思想是通过局部极大值间距的确定，对2维矩阵进行图像膨胀运算，通过局部极大值的算法寻找局部极大值并进行标注。该算法的优点在于，可以自定义极大值之间的距离，从而人工的调节极大值疏密程度，满足不同的使用者对于地形图信息的需求。当地形图使用者仅仅是需要整个区域内的地形大致分信息时，可以将极大值的间距调稍大一些。如果地形图使用者对区域内的地形图的地形信息要求非常的详细准确时，可以极大值的间距调稍小一些，生成密度较大的高程点群，满足使用者的要求。当寻找完DEM区域内的高程点后，可以将高程点群的平面坐标和高程值进行输出，并将高程点所在矩阵的行列数转换为大地平面直角坐标系，以便用于高程点在地形图上的标注。对于寻找洼地等最低值，可以将DEM的高程值取其绝对值的负数，然后运行此算法，即可将寻找洼地的最低值转换为寻找局部最大值的问题。整个程序在MATLAB軟件中进行编译和运行。寻找高程点的算法流程图如图1所示。

3.1DEM数据从地理坐标转换为矩阵坐标

无人机处理软件得到的DEM数据一般为.tif格式或者为.img格式，通常带有DEM的坐标信息，而坐标信息详细的描述了每一个点所在的平面直角坐标系所处的位置，将DEM数据转换为二维矩阵，导入到MATLAB软件之后，每一个DEM点对应矩阵的一个元素，需要将DEM点的地理坐标转换为矩阵的行列数，地理坐标和矩阵坐标之间的关系可以由公式（1）进行描述：

x_image=y_matlab;

y_image=a（1）-x_matlab;

x_arcgis=R*x_image+x1;

y_arcgis=R*y_image+y1;（1）

其中，x_matlab，y_matlab，表示矩阵的行列数，而x_arc-gis，y_arcgis表示了DEM点的地理坐标，R为DEM的空间分辨率，x1，y1分别为DEM在地理坐标系中x轴最小值和y轴最小值。x_image，y_image表示了DEM点在一幅普通的影像上的坐标值。通过公式（1），即可将DEM的点映射到相应的二维矩阵上。

3.2确定局部极大值之间的间距

对于一副地形图，不同的使用者对高程点的疏密程度有不同的要求。如果为了得到更加详尽的高程点信息，可以先将局部极大值的间距调整为一个较小的值，本文使用的地形图为1∶5000比例尺的地形图，采用了50m的极大值间距进行处理。如果发现生成的高程点分布过密，可以加大极大值的间距，重新进行运算，得到相对稀疏的高程群分布。在程序中，通过设定mindist变量的值进行极大值间距定义，具体语句为：

minDist=[2525];

因为DEM的分辨率为2m，所以实际的极大值间距为50m。

3.3通过局部极大值搜索算法寻找高程点群

本文采用的局部极大值的搜索算法为数学形态学的膨胀算法，膨胀算法主要用途为消除噪声;分割出独立的图像元素，在图像中连接相邻的元素;寻找图像中明显的极大值区域;其基本算法步骤如下：

1定义一个卷积核B

核可以是任何的形状和大小，且拥有一个单独定义出来的参考点-锚点（anchorpoint）;

通常和为带参考点的正方形或者圆盘，可将核称为模板或掩膜;

2将核B与图像A进行卷积，计算核B覆盖区域的像素点最大值;

3将这个最大值赋值给参考点指定的像素。通过局部极大值的算法，可以寻找到二维矩阵的局部极大值，其原理示意图如图2所示。

从图2中可以看出，标注为黑色“*”的点即为局部极大值点，标注为青色“*”极为局部极小值的点，通过该算法就可以寻找山峰和洼地两类高程点。

3.4调整局部极大值的间距并且得到需要的高程点群

根据使用者的需求，调整mindist变量的值，根据不同的局部极大值的间距的值，得到不同疏密程度的高程点群的空间分布，直到该分布满足使用者的预期要求为止，图3显示了不同的间距对于高程点群的空间分布的影像，可以看出，间距为50m时，得到的高程点密度明显要大于间距为100m时的高程点密度。

3.5转换高程点群的坐标并输出高程点文件

高程点在矩阵中的位置为行列数，应该将行列数转换为平面直角坐标，才能与地形图的坐标系相匹配。本步骤也可以通过公式（1）进行坐标系的转换。得到平面直角坐标之后，和高程点的高程值一起，用xlswrite命令输出到Ex-cel文件中，将.xls文件导入到Arcgis软件之中，便可以得到高程点文件。

4.研究结果

本文对陕西省丹凤县和紫阳县无人机航测生成的地形图进行了高程点的提取，结果如图4所示，地形图使用的比例尺为1∶10000，该地形图的主要用途的地质灾害遥感解译。图4分别展示了丹凤县和紫阳县的局部地形，从图中可以看出，该算法很好的提取了所需要的高程点，较好地完成了高程点的标注任务。

5.结论

本文提出了一种自适应动态的高程点提取算法，对传统的高程点提取算法进行了改进，该算法相对于传统算法，步骤和计算过程都相对简单，减小了使用者的操作及学习负担。该算法可以自由地调整高程点之间的间距，从而得到最适合使用者需求的高程点群分布。本文通过对不同区域的无人机航摄生成的地形图进行试验，提取了符合要求的高程點群，说明了此算法的稳定性和实用性。表明了此算法是日益发展的无人机航摄地形图制作过程的有效工具。参考文献：

[1]支卫斌.无人机航空摄影测量在地形测绘中的应用[J].江西建材，2015（08）：224-225.

[2]汤国安，刘学军，闾国年.数字高程模型及地学分析的原理与方法[M].科学出版社，2005.

[3]金沙江西藏段河道水情基本恢复正常，中国政府网.

[4]Wood J，1996，The geomorphological characterization of Digital Ele- vation Models， PhD Thesis Department of Geography， University of Lancaster， UK

[5]刘淑琼，邹时林，邹胜武，etal.基于规则格网DEM提取山顶点的研究[J].东华理工大学学报（自然科学版），2013（s1）：93-95.

[6]陈盼盼，张友顺，王春，etal.基于DEM的山顶点快速提取技术[J].现代测绘，2006，29（02）：11-13.

[7]邹宝裕，董丞妍，苟娇娇，etal.数字高程模型提取山顶点及空间格局差异[J].遥感信息，2016，31（02）：124-128.

[8]刘宏建，刘建忠，蔡中祥，etal.一种基于流域剖分的山顶点提取方法[J].测绘科学技术学报，2014（02）：12-15.