DEM山体阴影原理以及算法具体解释
山体阴影原理以及算法具体解释
山体阴影基本原理:
山体阴影是假想一个光源在某个方向和某个太阳高度的模拟下。用过临近像元的计算来生成一副0-255的灰度图。
一、山体阴影的主要參数:
1、 太阳光线的入射角度:这个角度的量算起点是正北方向,依照顺时针的方向,角度的范围是0到360度。例如以下图所看到的,默认的角度是315度,西北方向,例如以下图所看到的:
2、 太阳高度角:太阳高度角也简称太阳高度。是太阳光线和当地地平面之间的夹角,范围是0-90度,默认的太阳高度是45度,例如以下图所看到的:
二、山体阴影计算方法
山体阴影的计算公式例如以下
(1) Hillshade = 255.0 * ((cos(Zenith_rad)* cos(Slope_rad)) +
(sin(Zenith_rad) * sin(Slope_rad) * cos(Azimuth_rad- Aspect_rad)))
假设Hillshade < 0, 则设Hillshade=0.
当中,Zenith_rad是太阳天顶角的的弧度数。Slope_rad是某一点的坡度弧度数,Azimuth_rad是指太阳光线方向角的弧度数。Aspect_rad是某一点的坡向弧度数。
计算山体阴影的照明光源的角度默认是太阳高度角,可是真正计算时。须要用到太阳天顶角,太阳天顶角的计算方法是90°-太阳高度角。所以有例如以下计算公式:
计算太阳天顶角弧度数:
(2) Zenith_deg = 90 - Altitude
转换为弧度数:
(3) Zenith_rad = Zenith * pi / 180.0
计算照明的方向:
照明的方向角是指定的角度数,山体阴影的计算公式须要弧度数。
首先,须要将地理上的指南针方向转换为数学上的向右的方向。即向右为起算的方向;其次。须要将角度转换为弧度。
转为数学上的方向角:
(4) Azimuth_math = 360.0 - Azimuth + 90
注意假设 Azimuth_math >=360.0, 那么:
(5) Azimuth_math = Azimuth_math - 360.0
转换为弧度:
(6) Azimuth_rad = Azimuth_math * pi / 180.0
计算坡度和坡向
坡度和坡向是利用一个3*3的窗体在输入影像中訪问每一个像素,9个像素从左到右、从上到下分别用a-i表示,如图所看到的:
| a | b | c |
| d | e | f |
| g | h | i |
E像元X方向上的变化率採用例如以下的算法:
(7) [dz/dx] = ((c + 2f + i) - (a + 2d + g)) / (8 * cellsize)
E像元Y方向上的变化率採用例如以下的算法:
(8) [dz/dy] = ((g + 2h + i) - (a + 2b + c)) / (8 * cellsize)
坡度的弧度计算公式,考虑了Z因子(协调Z方向的单位和Xy平面上单位的一个系数):
(9) Slope_rad = atan (z_factor * sqrt ([dz/dx]
2
+ [dz/dy]
2
))
坡向通过以下的方法进行计算:
If [dz/dx] is non-zero:
Aspect_rad= atan2 ([dz/dy], -[dz/dx])
if Aspect_rad< 0 then
Aspect_rad= 2 * pi + Aspect_rad
If [dz/dx] iszero:
if [dz/dy] >0 then
Aspect_rad= pi / 2
else if [dz/dy]< 0 then
Aspect_rad= 2 * pi - pi / 2
else
Aspect_rad = Aspect_rad
山体阴影计算演示样例:出自arcgis10.0帮助文档。
最后,奉上OpenCL实现的代码:
__kernel void hillshade_kernel( __global const float *pSrcData,
__global float *pDestData,const int nWidth,const int nHeight
, struct HillshadeOption hillOption)
{
int j = get_global_id(0);
int i = get_global_id(1); if (j >= nWidth || i >= nHeight)
return; int nTopTmp = i-1;
int nBottomTmp = i+1;
int nLeftTep = j-1;
int nRightTmp = j+1; //处理边界情况
if (0 == i)
{
nTopTmp = i;
}
if (0 == j)
{
nLeftTep = j;
}
if (i == nHeight-1)
{
nBottomTmp = i;
}
if (j == nWidth-1)
{
nRightTmp = j;
}
__local float afRectData[9];
afRectData[0] = pSrcData[nTopTmp*nWidth+nLeftTep];
afRectData[1] = pSrcData[nTopTmp*nWidth+j];
afRectData[2] = pSrcData[nTopTmp*nWidth+nRightTmp]; afRectData[3] = pSrcData[i*nWidth+nLeftTep];
afRectData[4] = pSrcData[i*nWidth+j];
afRectData[5] = pSrcData[i*nWidth+nRightTmp]; afRectData[6] = pSrcData[nBottomTmp*nWidth+nLeftTep];
afRectData[7] = pSrcData[nBottomTmp*nWidth+j];
afRectData[8] = pSrcData[nBottomTmp*nWidth+nRightTmp]; const float degreesToRadians = (M_PI_F / 180); float dx = ((afRectData[2]+ afRectData[5]*2 + afRectData[8]) -
(afRectData[0] + afRectData[3]*2 + afRectData[6])) / (8 * hillOption.dbEwres); float dy = ((afRectData[6] + afRectData[7]*2 + afRectData[8]) -
(afRectData[0]+ afRectData[1]*2 + afRectData[2])) / (8 * hillOption.dbNsres); //计算坡度(弧度)
float key = sqrt(dx *dx + dy * dy);
float dfSlope = atan( hillOption.dfzScaleFactor * key); //计算坡向(弧度)
float dfAspect = 0;
if (dx != 0)
{
dfAspect = atan2(dy,-dx);
if (dfAspect < 0)
{
dfAspect += 2* M_PI_F;
}
} if (dx == 0)
{
if (dy > 0.0f)
{
dfAspect = M_PI_F / 2;
} else if (dy < 0.0f)
dfAspect = M_PI_F + M_PI_F / 2;
} //将太阳高度和太阳光线角度转换为要求的格式
float dfZenithDeg = hillOption.dfAltitude; float dfAzimuthRad = hillOption.dfAzimuth; //最后计算山体阴影值
float dfHillshade = 255 * (cos(dfZenithDeg)*cos(dfSlope) +
sin(dfZenithDeg)*sin(dfSlope)*cos(dfAzimuthRad-dfAspect));
if (dfHillshade < 0)
{
dfHillshade = 0;
} if (dfHillshade >= 255)
{
dfHillshade = 255;
} pDestData[i*nWidth+j] = (int)(dfHillshade+1/2); }
DEM山体阴影原理以及算法具体解释的更多相关文章
- ArcGIS使用技巧(四)——山体阴影
新手,若有错误还请指正! 最近在制图的时候出现如下的情况(图1),怎么调整Display的三个参数都没用. 图 1 查看其信息,发现dem的像元大小为0.00027(图2),是未投影的 图 2 查看A ...
- Python下探究随机数的产生原理和算法
资源下载 #本文PDF版下载 Python下探究随机数的产生原理和算法(或者单击我博客园右上角的github小标,找到lab102的W7目录下即可) #本文代码下载 几种随机数算法集合(和下文出现过的 ...
- 3D模板阴影原理
3D模板阴影原理 1:先从3dsMax中导出一个简单的场景,一个园环,球,平面. 2:园环直接面向光源,园环对球体来说是一个光线的阻挡物,园环在它上面形成阴影,同时,园环和球体对平面来说是光线的阻挡物 ...
- 机器学习经典算法具体解释及Python实现--线性回归(Linear Regression)算法
(一)认识回归 回归是统计学中最有力的工具之中的一个. 机器学习监督学习算法分为分类算法和回归算法两种,事实上就是依据类别标签分布类型为离散型.连续性而定义的. 顾名思义.分类算法用于离散型分布预測, ...
- 机器学习经典算法具体解释及Python实现--K近邻(KNN)算法
(一)KNN依旧是一种监督学习算法 KNN(K Nearest Neighbors,K近邻 )算法是机器学习全部算法中理论最简单.最好理解的.KNN是一种基于实例的学习,通过计算新数据与训练数据特征值 ...
- KMP算法具体解释(贴链接)
---------------------------------------------------------------------------------------------------- ...
- 红黑树之 原理和算法详细介绍(阿里面试-treemap使用了红黑树) 红黑树的时间复杂度是O(lgn) 高度<=2log(n+1)1、X节点左旋-将X右边的子节点变成 父节点 2、X节点右旋-将X左边的子节点变成父节点
红黑树插入删除 具体参考:红黑树原理以及插入.删除算法 附图例说明 (阿里的高德一直追着问) 或者插入的情况参考:红黑树原理以及插入.删除算法 附图例说明 红黑树与AVL树 红黑树 的时间复杂度 ...
- KMP算法具体解释(转)
作者:July. 出处:http://blog.csdn.net/v_JULY_v/. 引记 此前一天,一位MS的朋友邀我一起去与他讨论高速排序,红黑树,字典树,B树.后缀树,包含KMP算法,只有在解 ...
- AdaBoost原理,算法实现
前言: 当做重要决定时,大家可能综合考虑多个专家而不是一个人的意见.机器学习处理问题也是如此,这就是元算法背后的思路.元算法是对其他算法进行组合的一种方式,前几天看了一个称作adaboost方法的介绍 ...
随机推荐
- 【MySQL】percona-toolkit工具包
[说明] percona-toolkit工具包同percona-xtrabackup一样都是用Perl写的工具包,percona-toolkit工具包是一组高级的管理mysql的工具包集,可以用来执行 ...
- JS日期相减得到天数
废话不多说直奔主题,解决思路核心是时间戳相减 灵感来自于我经常用到一个工具方法:格式化时间,也是用时间戳 function GetNumberOfDays(date1,date2){//获得天数 / ...
- @vue/cli 构建得项目eslint配置2
使用ESLint+Prettier来统一前端代码风格 加分号还是不加分号?tab还是空格?你还在为代码风格与同事争论得面红耳赤吗? 正文之前,先看个段子放松一下: 去死吧!你这个异教徒! 想起自己刚入 ...
- ML - 特征选择
1. 决策树中的特征选择 分类决策树是一种描述对实例进行分类的树型结构,决策树学习本质上就是从训练数据集中归纳出一组分类规则,而二叉决策树类似于if-else规则.决策树的构建也是非常的简单,首先依据 ...
- hibernate框架(1)---Hibernate增删改查
Hibernate增删改查 1.首先我们要知道什么是Hibernate Hibernate是一个轻量级的ORMapping对象.主要用来实现Java和数据库表之间的映射,除此之外还提供数据查询和数据获 ...
- Android--UI之ImageView
前言 这篇博客聊一聊在Android下ImageView的使用,在此篇博客中,会讲解到ImageView的一些属性的使用,以及ImageView展示图片的放大.缩小.旋转等操作.最后再讲解一下Andr ...
- Gradle安装使用以及基本操作
这两天看到越来越多的在接触Gradle,然后发现我之前没有做过记录,而且之后下个月的一些有关SpringBoot的东西也需要用到,所以这里就来记录一下,方便以后使用. 简单介绍 Gradle是一个好用 ...
- Java爬取网络博客文章
前言 近期本人在某云上购买了个人域名,本想着以后购买与服务器搭建自己的个人网站,由于需要筹备的太多,暂时先搁置了,想着先借用GitHub Pages搭建一个静态的站,搭建的过程其实也曲折,主要是域名地 ...
- HDFS简单测试
使用Hadoop的Java客户端API操作分布式文件系统#获取文件系统实现//hdfs://master01:9000/FileSystem get(URI uri[,Configuration co ...
- keras入门(三)搭建CNN模型破解网站验证码
项目介绍 在文章CNN大战验证码中,我们利用TensorFlow搭建了简单的CNN模型来破解某个网站的验证码.验证码如下: 在本文中,我们将会用Keras来搭建一个稍微复杂的CNN模型来破解以上的 ...