CN103714339B - 基于矢量数据的sar影像道路损毁信息提取方法 - Google Patents
基于矢量数据的sar影像道路损毁信息提取方法 Download PDFInfo
- Publication number
- CN103714339B CN103714339B CN201310750917.9A CN201310750917A CN103714339B CN 103714339 B CN103714339 B CN 103714339B CN 201310750917 A CN201310750917 A CN 201310750917A CN 103714339 B CN103714339 B CN 103714339B
- Authority
- CN
- China
- Prior art keywords
- road
- vector data
- sar image
- area
- width
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种基于矢量数据的SAR影像道路损毁信息提取方法,根据灾后的SAR影像的范围,获取对应区域的矢量数据;将矢量数据投影到SAR影像的坐标系之后,将矢量数据配准到SAR影像上;提取SAR影像的疑似道路损毁区,包括利用道路检测算子进行线检测,将道路宽度信息与道路矢量数据进行形状水平集分割,融合得到疑似道路损毁区;建立贝叶斯网络模型对疑似道路损毁区进行进一步判断,提取出道路损毁信息。本发明利用矢量数据作为先验信息,辅助SAR影像道路变化检测,检测率高;提出的线检测与形状水平集相结合的方法能够很好的提取断裂区,漏检率低;建立的贝叶斯网络模型能够有效的剔除干扰信息,减少道路损毁提取的虚警。
Description
技术领域
本发明涉及遥感影像处理技术领域,特别涉及一种矢量数据辅助下的高分辨率SAR影像道路损毁信息提取方法。
背景技术
道路是国家经济和军事的动脉,在军事和民用上都有很重要的意义。当各种灾害发生的时候,道路生命线就可能被阻断,例如洪涝,滑坡,泥石流等自然灾害都可能导致道路的堵塞,使得派遣救援人员和往灾区运送救援物质受到极大的阻碍,给抢险救灾带来巨大的不便。在自然灾害发生后,由于人工实地勘测的方式是一件耗时耗力的工作,遥感技术由于“天眼”的特点使之成为提取道路损毁极为重要的方式。
纵观近年来各国学者对遥感影像道路损毁提取的研究,大多数学者都使用多光谱的光学影像作为数据源来进行道路损毁提取,而光学影像的快速获取受灾后恶劣天气的影响较大,使其在抢险救灾决策中受到了很大的限制。SAR由于其特殊的成像机理,能够克服天气和光照条件的影响,对目标区域进行全天候、全天时、大范围的观测,因此在灾害发生之后,利用SAR影像来提取道路、找出道路损毁区域更具有优势。尽管有不少学者研究了SAR影像道路提取的方法,但是针对SAR影像、尤其是高分辨率SAR图像的道路损毁提取则鲜有人涉足。
发明内容
针对上述问题,本发明采用矢量数据作为辅助引导道路的损毁提取,实现了高分辨率SAR图像的道路损毁提取。
本发明的技术方案为一种基于矢量数据的SAR影像道路损毁信息提取方法,包括以下步骤:
步骤1,根据灾后的SAR影像的范围,获取对应区域的矢量数据,所述矢量数据包括道路矢量数据;
步骤2,将步骤1所得对应区域的矢量数据投影到SAR影像的坐标系之后,将矢量数据配准到SAR影像上;
步骤3,提取SAR影像的疑似道路损毁区,包括以下子步骤,
步骤3.1,在根据道路矢量数据建立的缓冲区中,利用道路检测算子进行线检测,得到道路线段基元和道路宽度信息,根据道路线段基元的检测结果找到道路断裂的位置,得到疑似道路损毁区;
步骤3.2,将步骤3.1所得道路宽度信息与道路矢量数据结合,得到形状水平集分割的先验形状约束,利用先验形状约束进行水平集演化,得到道路区域的分割结果并找到道路的断裂位置,得到疑似道路损毁区;
步骤3.3,将步骤3.1和3.2所得疑似道路损毁区融合,得到最终的疑似道路损毁区;
步骤4,建立贝叶斯网络模型对步骤3提取出的疑似道路损毁区进行进一步判断,提取出道路损毁信息。
而且,步骤1中,从OpenStreetMap服务器下载矢量数据。
而且,步骤1中,所述矢量数据还包括房屋轮廓矢量数据和水域轮廓矢量数据。
而且,步骤1包括如下子步骤,
步骤1.1,将SAR影像的4个角点坐标投影到矢量数据的坐标系下,设投影所得经纬度坐标分别为(X1,Y1),(X2,Y2),(X3,Y3),(X4,Y4);
步骤1.2,求取X1,X2,X3,X4的最大、最小值Xmax,Xmin和Y1,Y2,Y3,Y4的最大、最小值Ymax,Ymin;
步骤1.3,将(Xmin,Ymax),(Xmin,Ymin),(Xmax,Ymax),(Xmax,Ymin)作为下载范围的4个角点,获取对应区域的矢量数据。
而且,步骤3.1中,所述道路检测算子如下,
道路检测算子的模板是宽度为2W、长度为L的长方形,模板的中央区域为宽度为W、长度为L的长方形,模板的左右两侧区域分别为宽度为W/2、长度为L的长方形;采用模板计算响应值Gap=min(1-avr2/avr1,1-avr2/avr3),如果计算得Gap<0,令Gap=0。
而且,步骤3.1中,利用道路检测算子进行线检测,得到道路线段基元和道路宽度信息,实现方式为,
设某幅SAR影像分辨率为N米,令W1=8/N,W2=16/N,W3=24/N,W4=32/N,对道路矢量数据中每段道路矢量依次设道路宽度W=W1,W2,W3,W4,在每个取值下进行以下操作,在该段道路矢量两旁进行扩展,建立总宽度为4W的缓冲区,移动道路检测算子在缓冲区内进行检测,当响应值Gap大于预设阈值时记录该线段;移动道路检测算子的移动方式为,从该段道路矢量起点开始,将缓冲区分为数个小缓冲区,每个小缓冲区长度和移动道路检测算子的模板长度一致;在每一个小缓冲区中,从道路矢量中心沿垂直于道路矢量方向往两侧移动,宽度每相隔W/4计算一次;记录每一个超过阈值的计算结果下相应移动道路检测算子的模板中心线段,并计算从缓冲区内检测出的线段总数;
比较在每个取值下从缓冲区内检测出的线段总数,选择检测出最多线段的取值为道路的实际宽度。
而且,步骤3.2中,对道路矢量数据中每段道路矢量,将该段道路矢量作为中心线,根据道路的宽度往两侧扩展成一个闭合的长条型区域作为道路的形状约束信息,长条型区域的长度为某段道路的长度,宽度为道路的宽度。
而且,步骤4中,所述贝叶斯网络模型包括6个先验证据信息变量A,B,C,D,E,F、2个观测值G,H和疑似道路损毁区实际属性X,6个先验证据信息变量A,B,C,D,E,F是疑似道路损毁区实际属性X的条件,疑似道路损毁区实际属性X是2个观测值G,H的条件;通过求解疑似道路损毁区的实际属性的后验概率分布如下,选择概率最大的情况作为最终判定结果,
其中,P(X/A,B,C,D,E,F)表示在各种证据条件下,疑似道路损毁区属于某种情况的先验概率,P(G/X),P(H/X)分别表示疑似道路损毁区的属性与观测值之间的关系。
而且,所述6个先验证据信息变量A,B,C,D,E,F分别为房屋轮廓矢量数据、滑坡隐患点数据、灾种和其强度、DSM数据、道路矢量数据、水域轮廓矢量数据;2个观测值G,H分别为疑似道路损毁区灰度、疑似道路损毁区纹理。
本发明提出了一种改进缓冲区线检测和水平集分割相结合的方法,提取SAR影像道路的变化,进而结合其他辅助证据和断裂区的观测值建立贝叶斯网络模型,对这些变化区域进行进一步的判断,剔除虚假检测,提取出道路的真实损毁信息。
附图说明
图1为本发明实施例的总流程图。
图2为本发明实施例的道路检测算子的窗口模型图。
图3为本发明实施例的道路检测模板在缓冲区内的移动方式图。
图4为本发明实施例的结合断裂区观测值和辅助证据的贝叶斯网络模型图。
具体实施方式
本发明提供一种地理信息矢量数据辅助下的SAR影像道路损毁提取方法。主要以高分辨率SAR影像道路损毁提取为研究内容,采用地理信息矢量数据作为先验信息,基于改进的缓冲区线检测和水平集分割集成的方法找到疑似道路损毁区。进一步考虑SAR影像中叠掩、相干斑的干扰以及道路背景本身的复杂性等因素,本发明采取贝叶斯后验概率模型对疑似道路损毁区进行深度分析,进而提取道路损毁。
以下结合附图和实施例详细说明本发明技术方案。
OpenStreetMap(简称OSM)是一款开源的网上地图协作计划,用户可以免费的从网上下载各种矢量数据(包括道路矢量数据、房屋及水体轮廓矢量数据等),其数据实时性强而且精度高,可以很好地作为先验信息辅助道路损毁提取。实施例采用公开的地理信息矢量数据OpenStreetMap辅助,提供高分辨率SAR影像道路损毁提取方法。
本发明技术方案可采用计算机软件技术实现自动运行。如图1所示,实施例的技术方案流程包括以下步骤:
步骤一矢量数据的获取。根据SAR影像范围可以自动获取对应范围最新的OSM道路矢量数据、房屋轮廓矢量数据、水域轮廓矢量数据,SAR影像范围内的每种矢量数据可能分别包括多段矢量线段,每段矢量线段由一系列的点组成。其中道路矢量数据被用作灾前数据源,辅助提取道路的变化信息;后两种矢量数据可以被作为辅助证据用以对变化信息是否为损毁作进一步的分析判断。具体实施时,可以根据灾后高分辨率SAR影像的范围,从网上自动下载对应区域的矢量数据。
实施例使用OpenStreetMap API(XAPI),选择下载区域,构建一个范围边界框,再构建一个下载地址,从OpenStreetMap服务器下载矢量原始数据。下载范围的确定方式为:
(1)将SAR影像的4个角点坐标投影到OpenStreetMap矢量数据的坐标系下,设投影所得经纬度坐标分别为(X1,Y1),(X2,Y2),(X3,Y3),(X4,Y4)。
(2)求取X1,X2,X3,X4的最大、最小值Xmax,Xmin和Y1,Y2,Y3,Y4的最大、最小值Ymax,Ymin。
(3)将(Xmin,Ymax),(Xmin,Ymin),(Xmax,Ymax),(Xmax,Ymin)作为下载范围的4个角点,获取对应区域的矢量数据。
在实际操作情况中,由于矢量数据和SAR影像坐标上存在着一定的偏差,因此下载的范围实际可略大于上述方法所确定的范围。
步骤二将对应区域的矢量数据投影到SAR影像的坐标系之后,将矢量数据配准到SAR影像上。
实施例获取OpenStreetMap矢量数据并将其投影到SAR影像坐标系之后,SAR影像和矢量数据之间可能存在坐标偏差。具体实施时,可以SAR影像作为基准,参考现有技术中同名点或同名线的配准方式纠正OpenStreetMap矢量数据,包括对步骤一所得道路矢量数据、房屋轮廓矢量数据、水域轮廓矢量数据均进行配准。
如果图像上存在大量特征明显的交叉点和拐点,例如道路矢量数据和相应图像上的道路存在交叉点或者拐点,那么采取选择同名点的配准方式较为合适,在矢量数据和SAR影像上分别选择相应交叉点或者拐点作为同名点对后,即可利用现有技术中多项式纠正的方法计算出转换的系数。然后对每一段矢量线段上的每一个点,根据多项式方程和已经计算出的转换系数计算出纠正之后的位置。为提高效率起见,具体实施时可通过人机交互界面(例如触摸屏)向用户提供矢量数据和SAR影像,同名点可由用户指定选择。
考虑到某些影像拐点和交叉点难以寻觅的情况,可以采用同名线的方式,只需要选择矢量数据和SAR影像上位于同一条直线上的线段,并不需要线段之间严格匹配。为了简化用户的操作,可以设计软件运行方式为,在矢量数据上,用户只需要选点即可,软件会自动遍历所有的矢量线段,并找出离该点最近的线段(矢量上两点连成的直线段)作为被选取的线段。选择线段配准的具体步骤建议如下:
(1)在SAR影像上选择数条不平行的线段。为了保证配准的精度,选取线段之间的夹角不能太小。
(2)在矢量数据上选择对应的矢量线段,实行方式为,当用户选择距离对应线段最近的点,***会自动遍历所有矢量线段,选取包含该点(该点投影到线段的垂点位于线段之内)且距离最小的矢量线段。
(3)根据SAR影像和矢量数据上选择的线段分别求取线段交点。
(4)把步骤(3)中求取的交叉点作为同名点,利用前面所介绍的选取同名点配准的方法将矢量数据配准到影像上。即可利用现有技术中多项式纠正的方法计算出转换的系数,然后对每一段矢量上的每一个点,根据多项式方程和已经计算出的转换系数计算出纠正之后的位置。
根据配准后的影像与矢量进行后续步骤。
步骤三结合线检测和形状水平集分割的方法提取SAR影像的疑似道路损毁区。
实施例实现方式如下,
(1)在经步骤二配准后的OpenStreetMap道路矢量数据的辅助下,在根据道路矢量数据建立的缓冲区中,利用道路检测算子进行线检测,可以得到道路的线段基元和道路宽度信息。基于断裂区不会检测出道路中心线基元的思想,可以根据道路线段基元的检测结果找到道路断裂的位置,得到一部分疑似道路损毁区。
(2)本发明将线检测得到的道路宽度信息与道路矢量数据结合,作为形状水平集分割的先验形状约束。利用先验形状约束进行水平集演化,也可得到道路区域的分割结果并找到道路的断裂位置,也得到一部分疑似道路损毁区。
(3)将线检测结果和形状水平集分割结果中疑似道路损毁区进行融合,以减少漏检情况的发生。
在(1)中,得到道路宽度的方法是基于以下思想:当道路检测模板的中央区域宽度越契合于某段道路的实际宽度,那么利用该模板在该段缓冲区内检测得到的道路线段基元的总数就会越多。
在(2)中,建立形状水平集先验形状约束的方法为:将每一段道路矢量线作为中心线,根据道路的宽度往两侧扩展成一个闭合的长条型区域,长条型区域的长度为某段道路的长度,宽度为道路的宽度。
实施例在OpenStrertMap道路矢量数据的辅助下,利用改进D1算子的道路检测算子检测出道路中心线基元和道路宽度信息。本发明改进D1算子后采用的道路检测算子的模板见附图2。其中模板宽度为2W,中央区域宽度为W(W是选择的道路宽度,为可选择的变量);L为模板长度,即模板是宽度为2W、长度为L的长方形,模板中长度为L的中心线段可将模板分为两个宽度为W、长度为L的长方形。实施例的算子主要考虑中心区域和左右区域,模板的中央区域为宽度为W、长度为L的长方形,模板的左右两侧区域分别为宽度为W/2、长度为L的长方形。具体实施时,L可以根据道路矢量线段长度计算,例如某段道路矢量线段长为S,一般预设L为模板宽度W的2倍,那么这段道路矢量线段可分为N=integer(S/L)整数段,最终将L的长度修正为L=S/N,integer表示取整。设其中央区域(如图2中黑色区域部分)灰度均值为avr2,左右两侧区域灰度均值分别为avr1,avr3。采用模板计算该线段的响应值Gap的方法为:
Gap=min(1-avr2/avr1,1-avr2/avr3);
如果上式计算得Gap<0,令Gap=0,否则保存上式计算结果不变。
道路根据其功能的不同分为各种级别,不同级别的道路宽度是不同的。2车道、4车道、6车道、8车道的道路是我们最常见的,而且由于道路旁的人行道的影响,在高分辨率SAR影像上道路呈现的实际宽度还要略大一些。本发明实施例粗略的把道路按照宽度划分成8米,16米,24米,32米几个级别,假定某幅SAR影像分辨率为N米,那么道路在SAR影像上的可选择的宽度分别为W1=8/N,W2=16/N,W3=24/N,W4=32/N。具体实施时,可根据实际道路情况设置级别。
实施例利用线检测的方法,对道路矢量数据中每段道路矢量进行处理得到道路线段基元和道路宽度的具体方法为:
(1)先假定道路宽度W为W1,则相应的道路检测算子宽度为2W1,中央区域的宽度为W1,然后在某段道路矢量两旁进行扩展,建立总宽度为4W1的缓冲区。移动道路检测算子(见上述改进D1算子而来的道路检测算子)在缓冲区内进行检测,当算子响应值Gap大于预设阈值(本领域技术人员可自行预设取值,建议取值为0.12—0.2之间)时记录该线段。检测算子的移动方式为:在宽度为4W1的缓冲区中,道路检测模板从该段道路矢量起点开始,将缓存区分为数段(即N段)的小段缓冲区域,每个分段小区域记为一个小缓冲区,长度为L。在每一个小缓冲区中,从道路矢量中心沿垂直于道路矢量方向往两侧移动,宽度每相隔W1/4计算一次,设道路矢量中心处记为0,将模板从0处往一侧移动至W1/4、W1/2、3W1/4、W1、5W1/4、3W1/2、7W1/4、2W1处分别计算,在另一侧同样的移动并分别计算。在一个小缓冲区的17次计算完成之后沿缓冲区向下移动一个模板的长度L,在下一部分的小缓冲区内继续重复上述操作,直到整个缓冲区检测完毕为止。记录每一个超过阈值的计算结果下相应移动道路检测算子的模板中心线段并计算从缓冲区内检测出的线段总数。道路检测模板在缓冲区内的移动方式如附图3所示。
(2)把道路宽度换成W2,W3,W4分别再重新建立缓冲区用本发明提出的道路检测算子计算每个位置算子的响应值,并记录响应值超过阈值的线段。
(3)如果道路检测算子的中央区域宽度越契合道路的实际宽度,那么在缓冲区内检测出来符合要求的线段也就越多。因此比较算子中央区域宽度分别为W1,W2,W3,W4不同情况下从缓冲区内检测出的线段条数,选择检测出线段条数最多的中央区域宽度为道路的实际宽度,并把这次检测出来最多线段的检测结果作为后续处理的初始数据,即以这次检测出的每一个超过阈值的线段为道路基元。
经过上述道路缓冲区线检测步骤之后,得到了每一段道路矢量的线段基元和道路宽度信息。由于每段小缓冲区之间是不完全重合的(见附图2所示),因此即便是道路未发生断裂,道路基元之间也可能存在细微的断裂。具体实施时,在检测出道路基元之后,可利用线段基元之间的距离、曲率、曲率变化等信息,将道路基元进行编组成为折线段。另外由于道路两侧可能存在和道路相似的干扰信息(例如成排建筑物形成的和道路特征相似的阴影),因此在编组之后还要对编组结果进行筛选。筛选的算法是基于干扰信息弱于真实的道路信息的思想进行的:对于编组之后的折线段,如果两条折线段在道路矢量上投影的重叠范围达到一定阈值(可设为较短折线段的1/3),根据折线段包含的道路线段基元段数,剔除线段基元数量较少的折线段,保留线段基元数量较大的折线段。经过编组和筛选步骤之后,将得到的折线段投影到道路矢量之上,其中不存在线段投影的道路矢量范围,则被认定为断裂区域。
而经过缓冲区线检测得到的道路宽度信息则和道路矢量数据相结合,组成形状水平集的先验形状约束。具体方法是对道路矢量数据中每段道路矢量,将该段道路矢量作为中心线,根据道路的宽度往两侧扩展成一个闭合的长条型区域作为道路的形状约束信息,长条型区域的长度为某段道路的长度,宽度为道路的宽度。得到道路的形状约束信息之后,利用现有技术中形状水平集分割的方法分割得到每段道路矢量的道路区域。对每段道路矢量的道路区域可以进行分段判断,例如根据L进行分段,并根据每小段道路区域所占道路像素个数的多少来判断是否发生断裂(例如每小段道路区域所占道路像素个数少于相应预设阈值时判断为发生断裂),从而找出道路断裂的区域。本发明加入道路目标的形状约束,用目标的先验形状来约束水平集分割就能有效的剔除干扰,获得更加精确的提取结果。
为了减少可能存在的漏检,本发明将这基于线检测和形状水平集分割的两种方法提取出的疑似道路损毁区结合起来,将两者结果融合(可采用求并的方式融合)。
步骤四利用各种辅助信息和疑似道路损毁区观测值,建立贝叶斯网络模型,对步骤三提取出的疑似道路损毁区进行进一步判断,提取出道路的损毁信息。
传统的道路损毁提取方法中,只是根据灾前灾后影像(灾前的影像可利用道路矢量数据代替)提取出道路变化信息,然后将这些变化的区域作为道路的损毁区域。但是实际上由于其他各种干扰的影响,变化检测得到的道路变化信息并非一定是真实损毁所引起的,因此本发明采用了贝叶斯网络模型对检测的断裂区作了进一步分析判断,具有更高的可靠度。
本发明把前面提取出的道SAR影像疑似损毁区域分为以下几类情况:
(1)道路两旁建筑物在地震后倒塌,导致道路堵塞。
(2)地震或者其他原因造成的滑坡泥石流阻断道路。
(3)暴雨或者地震引起的堰塞湖等原因造成道路被洪水淹没。
(4)高大建筑物和地形起伏引起的叠掩。
(5)复杂的道路交叉口和桥梁。
(6)相干斑噪声和其他干扰。
与前面这六项事件相关联的包括决定其先验概率的各种辅助证据和这些事件在影像上的观测值。首先和前面三项损毁相关的就是具体的灾种,比如房屋倒塌基本都是由于地震引起的,如果没有发生地震,那么可以认为由于房屋倒塌造成道路损毁的概率为0,如果发生了地震那么房屋倒塌的概率还与具体震级有关。另外还有很多原因与这六项事件相关,下面将分别加以说明。
房屋倒塌主要与是否发生地震和其震级有关,但是房屋倒塌造成的道路损毁则与房屋与道路的距离相关了。如果在该段道路两旁不存在着房屋,那么这段区域因为房屋倒塌造成损毁的概率就为0。因此房屋和道路的距离是造成这类损毁的原因之一。
滑坡泥石流的发生也与该区域的地质条件有关,如果有滑坡隐患点数据,那么就能把滑坡隐患点数据与该处发生滑坡造成道路损毁的概率联系起来。另外该段道路旁山地的坡度等也是可以与滑坡造成道路损毁的概率联系在一起的,如果根据DEM/DSM判断出道路两旁没有山坡,属于平地,那么也就不可能发生滑坡泥石流了。
洪水淹没则与该段道路所处的高程有关,该地的DEM/DSM模型与其是否会被洪水淹没有着重要的联系。另外该段区域旁的水域信息,也是与这段道路被洪水淹没的概率有关的。
除了灾害造成真实道路损毁之外,叠掩是由高大建筑物和地形起伏造成的,它主要是跟DEM/DSM信息相关联;道路经过水域(桥梁)造成的断裂与水域信息相关。
另外断裂区的实际属性除了与这六件证据相关联之外,还与该区域本身在SAR影像上表现出的观测值是直接关联的。不同的情况造成的道路断裂在SAR影像上的观测值是有所区别的,通常情况下观测值以灰度和纹理来加以表示,附图4是本发明所采取的道路损毁的贝叶斯网络模型。
本发明的主要目的是为了计算出在各种证据的辅助下结合实际观测值判断断裂区属于各种情况可能性,所以并不需要计算出所有变量之间的联合概率密度。除房屋轮廓矢量数据、水域轮廓矢量数据,本发明还可考虑其他辅助证据。附图4所示网络模型中暴露出的6个先验证据信息变量——房屋轮廓数据(即步骤二配准后的房屋轮廓矢量数据)、滑坡隐患点数据、灾种和其强度、DSM数据、道路矢量数据、水域信息(即步骤二配准后的水域轮廓矢量数据)分别用A,B,C,D,E,F来代替,2个观测值——疑似道路损毁区灰度、疑似道路损毁区纹理分别用G,H来表示,隐藏的疑似道路损毁区实际属性用X表示,6个先验证据信息变量A,B,C,D,E,F是疑似道路损毁区实际属性X的条件,疑似道路损毁区实际属性X是2个观测值G,H的条件。那么本发明需要求取的条件概率为P(X/A,B,C,D,E,F,G,H),其计算公式为:
其中P(X/A,B,C,D,E,F)表示在各种证据条件下,该疑似道路损毁区属于某种情况的先验概率。这个条件概率是由专家经验确定的,在本发明作为已知条件预先输入。
由A,B,C,D,E,F这六项辅助证据就可以得到疑似道路损毁区属性的先验概率P(X/A,B,C,D,E,F)。灾种一般有地震、暴雨等,引起的道路损毁的原因则有滑坡、房屋倒塌、洪水等,本领域技术人员可以根据具体情况自行预设相应函数,例如X属于滑坡(Rockslid)引起的道路损毁的概率P(X=Rockslid/A,B,C,D,E,F)的大小可设定为与灾害强度(由变量C确定)和由D(DEM/DSM数据)决定的地形坡度成正比,同时如果A属于滑坡隐患点那么其概率应该更大;X属于房屋倒塌(BuildingCollaps)引起的道路损毁的概率P(X=BuildingCollaps/A,B,C,D,E,F)的大小可设定为与灾害强度(由变量C确定)成正比,与由A(房屋轮廓数据)决定的断裂区与房屋的距离成反比;X属于洪水(Flood)淹没的概率P(X=Flood/A,B,C,D,E,F)的大小可设定为与灾害强度(由变量C确定)成正比,与由F(水域信息)决定的断裂区与水体的距离和由D(DEM/DSM数据)决定的高程成反比。另外X属于某种情况的概率都与灾种(由变量C确定)相关,地震暴雨等自然灾害引起各种道路损毁的概率也是不一样的。
其他因素也会影响到X属于各种真实损毁的概率,比如当根据道路矢量数据E判断得知该断裂区位于交叉路口之上的时候,断裂区属于真实损毁的概率就要降低,而属于干扰信息的概率则增加(因为交叉路口在本发明第三步中经常会被检测为断裂区);根据道路矢量数据E和水域数据F判断得知该断裂区位于桥梁之上的时候,断裂区属于真实损毁的概率就要降低,而属于干扰信息的概率则增加(因为当桥梁和雷达入射方向平行时,由于没有二面角反射效应,且水体与道路的反射强度都很低,可能导致桥梁在SAR影像上不可见);根据DEM/DSM和SAR影像的传感器参数求取的叠掩范围,判断出断裂区位于叠掩范围的时候,那么断裂区属于真实损毁的概率就为0。
P(G/X),P(H/X)分别表示疑似道路损毁区的属性与其观测值之间的关系,可以通过分别求解当X属于不同情况下观测值的分布来计算这两个概率,具体实施时,可将初始的概率分布设为正态分布,然后用观测值训练获得其参数。由先验知识可以确定X属于不同情况下其灰度和纹理的特性(包含未知参数的函数),如果有大量的观察数据,则可以用最大似然法的方法求解出未知参数,从而获得当X属于某种属性的情况下的概率分布。例如,假如X等于滑坡引起的道路损毁,那么就需要利用滑坡引起道路损毁的区域的大量观测值进行训练,得出滑坡引起的道路损毁的灰度和纹理的概率分布。
预先确定P(X/A,B,C,D,E,F)和P(G/X),P(H/X),便可以求解出基于各种证据和观测值的情况下,疑似道路损毁区的实际属性的后验概率分布P(X/A,B,C,D,E,F,G,H),选择概率最大的情况作为最终判定结果。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (9)
1.一种基于矢量数据的SAR影像道路损毁信息提取方法,其特征在于,包括以下步骤:
步骤1,根据灾后的SAR影像的范围,获取对应区域的矢量数据,所述矢量数据包括道路矢量数据;
步骤2,将步骤1所得对应区域的矢量数据投影到SAR影像的坐标系之后,将矢量数据配准到SAR影像上;
步骤3,提取SAR影像的疑似道路损毁区,包括以下子步骤,
步骤3.1,在根据道路矢量数据建立的缓冲区中,利用道路检测算子进行线检测,得到道路线段基元和道路宽度信息,根据道路线段基元的检测结果找到道路断裂的位置,得到第一疑似道路损毁区;
步骤3.2,将步骤3.1所得道路宽度信息与道路矢量数据结合,得到形状水平集分割的先验形状约束,利用先验形状约束进行水平集演化,得到道路区域的分割结果并找到道路的断裂位置,得到第二疑似道路损毁区;
步骤3.3,将步骤3.1和3.2所得第一疑似道路损毁区和第二疑似道路损毁区融合,得到最终的疑似道路损毁区;
步骤4,建立贝叶斯网络模型对步骤3提取出的疑似道路损毁区进行进一步判断,提取出道路损毁信息。
2.根据权利要求1所述基于矢量数据的SAR影像道路损毁信息提取方法,其特征在于:步骤1中,从OpenStreetMap服务器下载矢量数据。
3.根据权利要求1或2所述基于矢量数据的SAR影像道路损毁信息提取方法,其特征在于:步骤1中,所述矢量数据还包括房屋轮廓矢量数据和水域轮廓矢量数据。
4.根据权利要求3所述基于矢量数据的SAR影像道路损毁信息提取方法,其特征在于:步骤1包括如下子步骤,
步骤1.1,将SAR影像的4个角点坐标投影到矢量数据的坐标系下,设投影所得经纬度坐标分别为(X1,Y1),(X2,Y2),(X3,Y3),(X4,Y4);
步骤1.2,求取X1,X2,X3,X4的最大、最小值Xmax,Xmin和Y1,Y2,Y3,Y4的最大、最小值Ymax,Ymin;
步骤1.3,将(Xmin,Ymax),(Xmin,Ymin),(Xmax,Ymax),(Xmax,Ymin)作为下载范围的4个角点,获取对应区域的矢量数据。
5.根据权利要求4所述基于矢量数据的SAR影像道路损毁信息提取方法,其特征在于:步骤3.1中,所述道路检测算子如下,
道路检测算子的模板是宽度为2W、长度为L的长方形,模板的中央区域为宽度为W、长度为L的长方形,模板的左右两侧区域分别为宽度为W/2、长度为L的长方形;采用模板计算响应值Gap=min(1-avr2/avr1,1-avr2/avr3),如果计算得Gap<0,令Gap=0。
6.根据权利要求5所述基于矢量数据的SAR影像道路损毁信息提取方法,其特征在于:步骤3.1中,利用道路检测算子进行线检测,得到道路线段基元和道路宽度信息,实现方式为,设某幅SAR影像分辨率为N米,令W1=8/N,W2=16/N,W3=24/N,W4=32/N,对道路矢量数据中每段道路矢量依次设道路宽度W=W1,W2,W3,W4,在每个取值下进行以下操作,在该段道路矢量两旁进行扩展,建立总宽度为4W的缓冲区,移动道路检测算子在缓冲区内进行检测,当响应值Gap大于预设阈值时记录该线段;移动道路检测算子的移动方式为,从该段道路矢量起点开始,将缓存区分为数个小缓冲区,每个小缓冲区长度和移动道路检测算子的模板长度一致;在每一个小缓冲区中,从道路矢量中心沿垂直于道路矢量方向往两侧移动,宽度每相隔W/4计算一次;记录每一个超过阈值的计算结果下相应移动道路检测算子的模板中心线段,并计算从缓冲区内检测出的线段总数;
比较在每个取值下从缓冲区内检测出的线段总数,选择检测出最多线段的取值为道路的实际宽度。
7.根据权利要求6所述基于矢量数据的SAR影像道路损毁信息提取方法,其特征在于:步骤3.2中,对道路矢量数据中每段道路矢量,将该段道路矢量作为中心线,根据道路的宽度往两侧扩展成一个闭合的长条型区域作为道路的形状约束信息,长条型区域的长度为某段道路的长度,宽度为道路的宽度。
8.根据权利要求7所述基于矢量数据的SAR影像道路损毁信息提取方法,其特征在于:步骤4中,所述贝叶斯网络模型包括6个先验证据信息变量A,B,C,D,E,F、2个观测值G,H和疑似道路损毁区实际属性X,6个先验证据信息变量A,B,C,D,E,F是疑似道路损毁区实际属性X的条件,疑似道路损毁区实际属性X是2个观测值G,H的条件;通过求解疑似道路损毁区的实际属性的后验概率分布如下,选择概率最大的情况作为最终判定结果,
其中,P(X/A,B,C,D,E,F)表示在各种证据条件下,疑似道路损毁区属于某种情况的先验概率,P(G/X),P(H/X)分别表示疑似道路损毁区的属性与观测值之间的关系。
9.根据权利要求8所述基于矢量数据的SAR影像道路损毁信息提取方法,其特征在于:所述6个先验证据信息变量A,B,C,D,E,F分别为房屋轮廓矢量数据、滑坡隐患点数据、灾种和其强度、DSM数据、道路矢量数据、水域轮廓矢量数据;2个观测值G,H分别为疑似道路损毁区灰度、疑似道路损毁区纹理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310750917.9A CN103714339B (zh) | 2013-12-30 | 2013-12-30 | 基于矢量数据的sar影像道路损毁信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310750917.9A CN103714339B (zh) | 2013-12-30 | 2013-12-30 | 基于矢量数据的sar影像道路损毁信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103714339A CN103714339A (zh) | 2014-04-09 |
CN103714339B true CN103714339B (zh) | 2017-01-18 |
Family
ID=50407296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310750917.9A Active CN103714339B (zh) | 2013-12-30 | 2013-12-30 | 基于矢量数据的sar影像道路损毁信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103714339B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050473B (zh) * | 2014-05-20 | 2019-07-19 | 中国人民解放军理工大学 | 一种基于矩形邻域分析的道路数据提取方法 |
CN104091369B (zh) * | 2014-07-23 | 2017-02-22 | 武汉大学 | 一种无人机遥感影像建筑物三维损毁检测方法 |
CN104268879B (zh) * | 2014-09-28 | 2017-03-01 | 民政部国家减灾中心 | 基于遥感多光谱图像的建筑物实物量损毁评估方法 |
CN104408437B (zh) * | 2014-12-08 | 2018-09-21 | 电子科技大学 | 一种基于合成孔径雷达的道路检测方法 |
CN106169086B (zh) * | 2016-07-21 | 2019-04-09 | 武汉大学 | 导航数据辅助下的高分辨率光学影像损毁道路提取方法 |
CN106295699A (zh) * | 2016-08-11 | 2017-01-04 | 北京师范大学 | 一种基于高分辨率遥感数据的地震损毁评估方法和装置 |
CN108229273B (zh) * | 2017-02-27 | 2021-03-05 | 北京市商汤科技开发有限公司 | 多层神经网络模型训练、道路特征识别的方法和装置 |
CN108388828A (zh) * | 2017-07-13 | 2018-08-10 | 中国科学院遥感与数字地球研究所 | 一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法 |
CN107886505B (zh) * | 2017-11-08 | 2019-06-04 | 电子科技大学 | 一种基于线基元聚合的合成孔径雷达机场检测方法 |
CN108645342B (zh) * | 2018-04-25 | 2020-07-07 | 国交空间信息技术(北京)有限公司 | 一种基于道路轨迹和高分辨率影像的道路宽度提取方法 |
CN108921076B (zh) * | 2018-09-21 | 2022-02-18 | 南京信息工程大学 | 基于图像的道面裂缝病害自适应恒虚警检测方法 |
CN109785307B (zh) * | 2019-01-09 | 2020-08-07 | 武汉大学 | 一种基于矢量引导的无人机影像道路损毁评估方法 |
CN109828999A (zh) * | 2019-01-24 | 2019-05-31 | 厦门大学 | 基于多源跨域城市大数据的灾后道路故障检测识别方法 |
CN110176000B (zh) * | 2019-06-03 | 2022-04-05 | 斑马网络技术有限公司 | 道路质量检测方法及装置、存储介质、电子设备 |
CN111260637B (zh) * | 2020-01-19 | 2022-12-13 | 石家庄铁道大学 | 一种基于区域差分的沥青道路横向断裂检测方法 |
CN111582280B (zh) * | 2020-05-11 | 2023-10-17 | 吉林省森祥科技有限公司 | 一种面向多光谱救援机器人的数据深层融合图像分割方法 |
CN112241806B (zh) * | 2020-07-31 | 2021-06-22 | 深圳市综合交通运行指挥中心 | 道路破损概率预测方法、装置终端设备及可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831423A (zh) * | 2012-07-26 | 2012-12-19 | 武汉大学 | 一种sar图像道路提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102144173B (zh) * | 2008-05-29 | 2014-08-20 | 电视广播有限公司 | 合成孔径雷达成像的海域中的目标检测 |
-
2013
- 2013-12-30 CN CN201310750917.9A patent/CN103714339B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831423A (zh) * | 2012-07-26 | 2012-12-19 | 武汉大学 | 一种sar图像道路提取方法 |
Non-Patent Citations (4)
Title |
---|
Road Extraction from High-Resolution SAR Image on Urban Area;C. Han et al.;《2006 IEEE International Symposium on Geoscience and Remote Sensing》;20061231;第1454 - 1457页 * |
SAR图像道路检测及其仿真;梅珍 等;《计算机仿真》;20100531;第27卷(第5期);第201-203,251页 * |
基于道路网矢量数据的遥感影像道路损毁检测;徐阳 等;《测绘通报》;20111231(第4期);第14-16,22页 * |
基于高分辨率遥感影像的汶川地震道路损毁评估;陈世荣 等;《遥感学报》;20081130;第12卷(第6期);第949-955页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103714339A (zh) | 2014-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103714339B (zh) | 基于矢量数据的sar影像道路损毁信息提取方法 | |
Trier et al. | Automatic detection of mound structures in airborne laser scanning data | |
Lechner et al. | Remote sensing of small and linear features: Quantifying the effects of patch size and length, grid position and detectability on land cover mapping | |
KR102399089B1 (ko) | 인공위성 영상정보를 이용한 홍수 피해 탐지 시스템 및 그 방법 | |
CN110009010A (zh) | 基于兴趣区域重检测的宽幅光学遥感目标检测方法 | |
Mora et al. | Small landslide susceptibility and hazard assessment based on airborne lidar data | |
Rogers et al. | VEdge_Detector: automated coastal vegetation edge detection using a convolutional neural network | |
Weidner et al. | Classifying rock slope materials in photogrammetric point clouds using robust color and geometric features | |
Uzar et al. | Automatic building extraction using LiDAR and aerial photographs | |
CN116246169A (zh) | 基于SAH-Unet的高分辨率遥感影像不透水面提取方法 | |
Weidner et al. | The influence of training data variability on a supervised machine learning classifier for Structure from Motion (SfM) point clouds of rock slopes | |
CN116205522B (zh) | 一种多维cnn耦合的滑坡易发性评价方法及*** | |
Liu et al. | Intelligent identification of landslides in loess areas based on the improved YOLO algorithm: a case study of loess landslides in Baoji City | |
Chen et al. | A Multi-Input Channel U-Net Landslide Detection Method Fusing SAR Multi-Source Remote Sensing Data | |
Fang et al. | Recognizing global dams from high-resolution remotely sensed images using convolutional neural networks | |
CN113128559A (zh) | 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法 | |
Kouchi et al. | Damage detection based on object-based segmentation and classification from high-resolution satellite images for the 2003 Boumerdes, Algeria earthquake | |
Lian et al. | End-to-end building change detection model in aerial imagery and digital surface model based on neural networks | |
Khine et al. | Change analysis of indices (NDWI, NDVI, NDBI) for Mawlamyine City area using *** earth engine | |
Alba-Flores | Evaluation of the use of high-resolution satellite imagery in transportation applications | |
CN106339423A (zh) | 一种甘蔗种植信息动态更新方法及装置 | |
Islam | Bank erosion and movement of river channel: A study of Padma and Jamuna Rivers in Bangladesh using remote sensing and GIS | |
White et al. | Automated Land Cover Change Detection through Rapid UAS Updates of Digital Surface Models | |
Samodra et al. | Benchmarking landslide inventory data handling strategies for landslide susceptibility modeling based on different random forest machine learning workflows | |
Yastikli et al. | Building extraction using multi sensor systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |