CN106845498A - 结合高程的单幅山脉遥感图像滑坡泥石流检测方法 - Google Patents

结合高程的单幅山脉遥感图像滑坡泥石流检测方法 Download PDF

Info

Publication number
CN106845498A
CN106845498A CN201710043591.4A CN201710043591A CN106845498A CN 106845498 A CN106845498 A CN 106845498A CN 201710043591 A CN201710043591 A CN 201710043591A CN 106845498 A CN106845498 A CN 106845498A
Authority
CN
China
Prior art keywords
landslide
region
remote sensing
feature
mountain range
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.)
Pending
Application number
CN201710043591.4A
Other languages
English (en)
Inventor
陈强
盛婷婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201710043591.4A priority Critical patent/CN106845498A/zh
Publication of CN106845498A publication Critical patent/CN106845498A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明公开了一种结合高程的单幅山脉遥感图像滑坡泥石流检测方法。该方法首先对滑坡泥石流区域提取特征并进行预处理，利用机器学习训练模型，检测疑似滑坡泥石流区域；然后结合基于暗通道原理计算出的高程信息图，分析疑似区域周围的高程信息，基于直方图计算标准差，判断该区域是否发生滑坡泥石流。本发明能够准确检测出单幅山脉遥感图像中的滑坡泥石流区域。

Description

结合高程的单幅山脉遥感图像滑坡泥石流检测方法
技术领域
本发明属于遥感图像处理和分析领域，特别是一种结合高程的单幅山脉遥感图像滑坡泥石流检测方法。
背景技术
遥感图像在民用和军事领域都有非常广泛的应用，产生了巨大的社会和经济效益。根据单幅遥感影像估计高程信息可以应用于滑坡、泥石流等自然灾害的检测。我国是一个自然灾害多发的国家，因此，结合高程的单幅山脉遥感图像滑坡泥石流检测方法在遥感图像处理中具有重要的应用价值。
遥感图像研究的目的就是为了实际应用，它可以成为一种自然灾害调查和监测手段。近年来，随着卫星的不断发展和遥感图像分辨率的不断提高，地质灾害研究人员开始关注起遥感图像的实用价值。一直到上世纪90年代末期，立体镜航空照片解译仍然是滑坡制图和监测滑坡特征及影响因素最常用的方法，滑坡遥感解译主要是通过遥感图像的灰度、纹理、色调、地形、地貌等特征来识别滑坡。近年来，开始利用Photoshop,ArcGIS,Coreldraw等软件平台上结合DEM进行人机交互方式解译，这种解译手段可以增强图像，并叠加DEM后某滑坡空间特征更加直观。但是这些方法都需要额外的辅助信息，并且没有分析该地区真实的相对高程信息来得简单可靠。
由上可知，现有技术中在未知DEM数据的前提下，尚不能准确地检测出单幅山脉遥感图像中的滑坡泥石流区域。
发明内容
本发明的目的在于提供一种结合高程的单幅山脉遥感图像滑坡泥石流检测方法，能够检测出单幅山脉遥感图像中的滑坡泥石流区域。
实现本发明目的的技术解决方案为：一种结合高程的单幅山脉遥感图像滑坡泥石流检测方法，包括以下步骤：
步骤1、确定滑坡泥石流区域的特征并引入慢特征分析函数进行预处理，输入支持向量机训练得到模型；
步骤2、利用步骤1中输出的模型，对山脉遥感图像提取的特征进行处理，得到山脉遥感图像的疑似滑坡泥石流区域模板；
步骤3、结合基于暗通道原理和阴影处理方法得到的高程信息图，确定步骤2中疑似滑坡泥石流区域的***；
步骤4、提取步骤3中***区域的高程值，基于直方图计算标准差，根据阈值T判断滑坡泥石流区域。
本发明与现有技术相比，其显著优点为：1)本发明能够较为准确地检测出单幅遥感山脉图像中的滑坡泥石流区域；2)本发明的方法易于理解，操作简单，通过图像可以直接得到图像中的滑坡泥石流区域；3)本发明的方法运算结果准确度高，与事实相符合。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明中疑似泥石流区域检测的示意图，其中图(a)是带泥石流的遥感图，图(b)是检测出的疑似泥石流区域模板。
图2是本发明中疑似滑坡泥石流区域***及***高程值分布的示意图，其中图2(a)、(c)、(e)是各个连通区域的***，图2(b)、(d)、(f)是区域***高程值直方图。
图3是本发明中舟曲泥石流图像一检测的示意图，其中图3(a)为带泥石流的遥感图，图3(b)为检测出的疑似滑坡泥石流区域模板，图3(c)为从原始图像提取的高程信息图，图3(d)为人工标定的滑坡泥石流区域，图3(e)为本发明检测出的滑坡泥石流区域，图3(f)为本发明算法的结果与GT之间的误差(深灰色表示误检区域，浅灰色表示漏检区域)。
图4为本发明结合高程的单幅山脉遥感图像滑坡泥石流检测方法的流程图。
具体实施方式
本发明的一种结合高程的单幅山脉遥感图像滑坡泥石流检测方法，包括以下步骤：
步骤1、确定滑坡泥石流区域的特征并引入慢特征分析函数进行预处理，输入支持向量机训练得到模型；具体为：
步骤1-1、对滑坡泥石流区域进行分析，提取这些区域的特征：RGB颜色特征，图像纹理特征相关的对比度、相关性、能量和同质性；
步骤1-2、引入慢特征分析函数对上述图像纹理特征相关的对比度、相关性、能量和同质性进行预处理，具体是将对比度、相关性、能量和同质性以列向量形式输入慢特征分析函数，输出中的第一列数据即区分度较高的特征；
步骤1-3、将RGB颜色特征和步骤1-2中得到的区分度较高的特征输入支持向量机训练得到模型。
步骤2、利用步骤1中输出的模型，对山脉遥感图像提取的特征进行处理，得到山脉遥感图像的疑似滑坡泥石流区域模板；具体为：
步骤2-1、利用步骤1中的方法提取输入山脉遥感图像的特征数据并预处理，通过步骤1得到的模型判定图像中疑似滑坡泥石流的点；
步骤2-2、将面积S小于面积阈值M的区域排除，保留面积S大于等于面积阈值M的区域；
步骤2-3、使用形态学闭运算去除疑似滑坡泥石流区域内部的空隙，得到山脉遥感图像中疑似滑坡泥石流的区域。
步骤3、结合基于暗通道原理和阴影处理方法得到的高程信息图，确定步骤2中疑似滑坡泥石流区域的***；具体为：
步骤3-1、分别将每一块疑似滑坡泥石流区域向外膨胀N个像素；
步骤3-2、将膨胀前后的图像做差，得到每一块疑似滑坡泥石流区域的***。
上述步骤中，结合基于暗通道原理和阴影处理方法得到的高程信息图是现有技术，在专利《基于暗通道原理的单幅山脉遥感图像高程值提取方法》(专利号：201510534980.8)中已经公开。
步骤4、提取步骤3中***区域的高程值，基于直方图计算标准差，根据阈值T判断滑坡泥石流区域。具体为：
步骤4-1、提取疑似滑坡泥石流区域***的高程值，并计算高程值的标准差；
步骤4-2、进行判断，标准差大于阈值T的则判断是滑坡泥石流区域，否则将该区域排除。
其中，面积阈值M的取值为200。像素个数N的取值为3。标准差阈值T的取值为0.11。
本发明能够较为准确地检测出单幅遥感山脉图像中的滑坡泥石流区域；本发明的方法易于理解，操作简单，通过图像可以直接得到图像中的滑坡泥石流区域。
下面结合实施例对本发明做进一步详细的描述：
实施例
本发明结合高程的单幅山脉遥感图像滑坡泥石流检测方法，步骤如下：
第一步，通过机器学习训练得到模型。步骤如下：经过对典型滑坡泥石流区域的分析，确定两大重要特征：RGB颜色特征、图像纹理特征(具体为对比度、相关性、能量和同质性)；然后引入慢特征分析，用来预处理图像纹理特征，将对比度、相关性、能量和同质性以列向量形式输入慢特征分析函数，输出中的第一列数据即区分度较高的特征；最后将RGB颜色特征和区分度较高的特征数据输入支持向量机训练得到模型。
第二步，检测疑似滑坡泥石流区域。具体实现如下：提取输入山脉遥感图像的特征数据并预处理，通过第一步中得到的模型判定图像中的疑似滑坡泥石流点；在判定为滑坡泥石流的区域中，存在一些比较小而稀疏的部分，根据先验知识，知道它们并不是滑坡泥石流区域。因此，根据实验结果，对其面积S设置一个阈值200，若S＞200，则保留此疑似滑坡泥石流区域；保留的疑似滑坡泥石流区域还有一个缺陷，内部存在缝隙，使用形态学闭运算，先膨胀后腐蚀，尽可能去除阴影内部空隙，得到相对最佳的疑似滑坡泥石流区域模板，如图1(b)所示。
第三步，确定疑似滑坡泥石流区域的***。首先提取第二步中得到的疑似滑坡泥石流区域模板中的各个连通区域。由于我们对区域***的信息感兴趣，因此可以通过膨胀得到各区域的***。需要注意的是，***区域并非越大越好，因为距离越远，最外侧区域的高程极有可能发生变化，则不能用来近似疑似滑坡泥石流区域的高程。通过实验效果比对，本发明确定向外膨胀3个像素点，膨胀效果如图2(a)、(c)、(e)所示。
第四步，确定滑坡泥石流区域。取出***区域所对应的高程值，并统计这些高程值的分布，作出直方图，如图2(b)、(d)、(f)所示。判断发生滑坡泥石流的一大依据即检测出的疑似滑坡泥石流区域周围高程有一个由高到低的下降趋势，这在直方图中表现为数据分布比较分散，该离散程度可以用标准差来描述。即用标准差来估计高程的下降趋势，标准差越大，高程值越离散，则下降趋势明显，判断此处发生滑坡泥石流；标准差越小，高程值越集中，则下降趋势较弱，判断此处未发生滑坡泥石流。
图2是一幅疑似滑坡泥石流区域***及***高程值分布的示意图，第一行表示连通区域一的***及对应高程值直方图，第二行代表连通区域二，第三行是连通区域三。其中，连通区域三***高程值直方图分布最为分散，且标准差为0.168，连通区域一次之，标准差为0.1306，连通区域二最集中，标准差为0.1031。因此判断连通区域一、三发生滑坡泥石流，区域二并未发生滑坡泥石流。
图3是一组定量分析的实验结果。图3(a)为带泥石流的遥感图，图3(b)为检测出的疑似滑坡泥石流区域模板，图3(c)为从原始图像提取的高程信息图，图3(d)为人工标定的滑坡泥石流区域，图3(e)为本发明检测出的滑坡泥石流区域，图3(f)为本发明算法的结果与GT之间的误差(深灰色表示误检区域，浅灰色表示漏检区域)。观察图3得到，在大部分检测正确的情况下，误检和漏检大都出现在滑坡泥石流区域的边缘，这和GT是由人工标定的存在一定关系。
由上可知，本发明通过确定机器学习训练模型，检测山脉遥感图像中的疑似滑坡泥石流区域，再结合基于暗通道原理计算出的高程信息图，分析疑似区域周围的高程信息，基于直方图计算标准差，最终能够较为准确地检测出单幅山脉遥感图像中的滑坡泥石流区域。

Claims (8)

1.一种结合高程的单幅山脉遥感图像滑坡泥石流检测方法，其特征在于，包括以下步骤：
步骤1、确定滑坡泥石流区域的特征并引入慢特征分析函数进行预处理，输入支持向量机训练得到模型；
步骤2、利用步骤1中输出的模型，对山脉遥感图像提取的特征进行处理，得到山脉遥感图像的疑似滑坡泥石流区域模板；
步骤3、结合基于暗通道原理和阴影处理方法得到的高程信息图，确定步骤2中疑似滑坡泥石流区域的***；
步骤4、提取步骤3中***区域的高程值，基于直方图计算标准差，根据阈值T判断滑坡泥石流区域。
2.根据权利要求1所述的结合高程的单幅山脉遥感图像滑坡泥石流检测方法，其特征在于，步骤1确定滑坡泥石流区域的特征并引入慢特征分析函数进行预处理，输入支持向量机训练得到模型具体为：
步骤1-1、对滑坡泥石流区域进行分析，提取这些区域的特征：RGB颜色特征，图像纹理特征相关的对比度、相关性、能量和同质性；
步骤1-2、引入慢特征分析函数对上述图像纹理特征相关的对比度、相关性、能量和同质性进行预处理，具体是将对比度、相关性、能量和同质性以列向量形式输入慢特征分析函数，输出中的第一列数据即区分度较高的特征；
步骤1-3、将RGB颜色特征和步骤1-2中得到的区分度较高的特征输入支持向量机训练得到模型。
3.根据权利要求1所述的结合高程的单幅山脉遥感图像滑坡泥石流检测方法，其特征在于，步骤2对山脉遥感图像提取的特征进行处理，得到山脉遥感图像的疑似滑坡泥石流区域模板，具体为：
步骤2-1、利用步骤1中的方法提取输入山脉遥感图像的特征数据并预处理，通过步骤1得到的模型判定图像中疑似滑坡泥石流的点；
步骤2-2、将面积S小于面积阈值M的区域排除，保留面积S大于等于面积阈值M的区域；
步骤2-3、使用形态学闭运算去除疑似滑坡泥石流区域内部的空隙，得到山脉遥感图像中疑似滑坡泥石流的区域。
4.根据权利要求1所述的结合高程的单幅山脉遥感图像滑坡泥石流检测方法，其特征在于，步骤3中确定疑似滑坡泥石流区域的***具体为：
步骤3-1、分别将每一块疑似滑坡泥石流区域向外膨胀N个像素；
步骤3-2、将膨胀前后的图像做差，得到每一块疑似滑坡泥石流区域的***。
5.根据权利要求1所述的结合高程的单幅山脉遥感图像滑坡泥石流检测方法，其特征在于，步骤4中确定滑坡泥石流区域具体为：
步骤4-1、提取疑似滑坡泥石流区域***的高程值，并计算高程值的标准差；
步骤4-2、进行判断，标准差大于阈值T的则判断是滑坡泥石流区域，否则将该区域排除。
6.根据权利要求3所述的结合高程的单幅山脉遥感图像滑坡泥石流检测方法，其特征在于，步骤2-2中面积阈值M的取值为200。
7.根据权利要求4所述的结合高程的单幅山脉遥感图像滑坡泥石流检测方法，其特征在于，步骤3-1中像素个数N的取值为3。
8.根据权利要求5所述的结合高程的单幅山脉遥感图像滑坡泥石流检测方法，其特征在于，步骤4-2中标准差阈值T的取值为0.11。
CN201710043591.4A 2017-01-19 2017-01-19 结合高程的单幅山脉遥感图像滑坡泥石流检测方法 Pending CN106845498A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710043591.4A CN106845498A (zh) 2017-01-19 2017-01-19 结合高程的单幅山脉遥感图像滑坡泥石流检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710043591.4A CN106845498A (zh) 2017-01-19 2017-01-19 结合高程的单幅山脉遥感图像滑坡泥石流检测方法

Publications (1)

Publication Number Publication Date
CN106845498A true CN106845498A (zh) 2017-06-13

Family

ID=59119910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710043591.4A Pending CN106845498A (zh) 2017-01-19 2017-01-19 结合高程的单幅山脉遥感图像滑坡泥石流检测方法

Country Status (1)

Country Link
CN (1) CN106845498A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635726A (zh) * 2018-12-11 2019-04-16 陕西科技大学 一种基于对称式深度网络结合多尺度池化的滑坡识别方法
CN112418363A (zh) * 2021-01-25 2021-02-26 中国地质大学（武汉） 一种复杂背景区滑坡分类模型建立、识别方法及装置
CN114049565A (zh) * 2021-11-08 2022-02-15 中国公路工程咨询集团有限公司 基于遥感影像和dem数据的地质灾害判识方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632155A (zh) * 2013-12-16 2014-03-12 武汉大学 基于慢特征分析的遥感影像变化检测方法
CN105096275A (zh) * 2015-08-27 2015-11-25 南京理工大学 基于暗通道原理的单幅山脉遥感图像高程值提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632155A (zh) * 2013-12-16 2014-03-12 武汉大学 基于慢特征分析的遥感影像变化检测方法
CN105096275A (zh) * 2015-08-27 2015-11-25 南京理工大学 基于暗通道原理的单幅山脉遥感图像高程值提取方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
孙洪雨: "基于数学形态学的图像增强与边缘检测方法的研究", 《中国优秀硕士学位论文全文数据库》 *
徐俊峰: "多特征融合的遥感影像变化检测技术研究", 《中国优秀硕士学位论文全文数据库》 *
许高程, 张文君，王卫红: "支持向量机技术在遥感影像滑坡体提取中的应用", 《安徽农业科学》 *
谢飞，杨树文，李轶鲲，刘涛: "基于SPOT5图像的泥石流自动提取方法", 《国土资源遥感》 *
鄢圣藜，霍宏，方涛: "基于SFA和GLCM的影像特征提取方法", 《计算机工程》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635726A (zh) * 2018-12-11 2019-04-16 陕西科技大学 一种基于对称式深度网络结合多尺度池化的滑坡识别方法
CN109635726B (zh) * 2018-12-11 2023-03-24 陕西科技大学 一种基于对称式深度网络结合多尺度池化的滑坡识别方法
CN112418363A (zh) * 2021-01-25 2021-02-26 中国地质大学（武汉） 一种复杂背景区滑坡分类模型建立、识别方法及装置
CN112418363B (zh) * 2021-01-25 2021-05-04 中国地质大学（武汉） 一种复杂背景区滑坡分类模型建立、识别方法及装置
CN114049565A (zh) * 2021-11-08 2022-02-15 中国公路工程咨询集团有限公司 基于遥感影像和dem数据的地质灾害判识方法和装置

Similar Documents

Publication Publication Date Title
CN111080629B (zh) 一种图像拼接篡改的检测方法
CN110929607B (zh) 一种城市建筑物施工进度的遥感识别方法和***
CN109447068A (zh) 一种从图像中分离***并校准***的方法
WO2018076138A1 (zh) 基于大尺度高分辨率高光谱图像的目标探测方法及装置
CN111611861B (zh) 一种基于多尺度特征关联的图像变化检测方法
CN106951898B (zh) 一种车辆候选区域推荐方法及***、电子设备
CN110826429A (zh) 一种基于景区视频的旅游突发事件自动监测的方法及***
CN105279772A (zh) 一种红外序列图像的可跟踪性判别方法
Zhao et al. Tampered region detection of inpainting JPEG images
CN104966054A (zh) 无人机可见光图像中的弱小目标检测方法
CN106845498A (zh) 结合高程的单幅山脉遥感图像滑坡泥石流检测方法
Janalipour et al. A novel and automatic framework for producing building damage map using post-event LiDAR data
Kumar et al. Comparative analysis for edge detection techniques
Gong et al. Earthquake building damage detection with object-oriented change detection
Adu-Gyamfi et al. Functional evaluation of pavement condition using a complete vision system
Manandhar et al. Segmentation based building detection in high resolution satellite images
CN116543308A (zh) 一种基于多模型融合的滑坡检测预警模型及预警方法
Liu et al. An automatic high confidence sets selection strategy for SAR images change detection
Si-ming et al. Moving shadow detection based on Susan algorithm
Zhan et al. An image splicing detection method based on PCA minimum eigenvalues.
Gecen et al. Road detection from high and low resolution satellite images
Yuan et al. Graph neural network based multi-feature fusion for building change detection
Abraham et al. A fuzzy based automatic bridge detection technique for satellite images
Liu et al. Intelligent recognition and identification of fracture types and parameters for borehole images based on developed convolutional neural networks and post-processing
CN112307873A (zh) 一种基于全卷积神经网络的违章建筑自动识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170613

RJ01 Rejection of invention patent application after publication