CN114694030A - 一种滑坡检测方法、装置、设备及存储介质 - Google Patents
一种滑坡检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114694030A CN114694030A CN202210423650.1A CN202210423650A CN114694030A CN 114694030 A CN114694030 A CN 114694030A CN 202210423650 A CN202210423650 A CN 202210423650A CN 114694030 A CN114694030 A CN 114694030A
- Authority
- CN
- China
- Prior art keywords
- earthquake
- remote sensing
- sensing image
- post
- image
- 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
Links
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明的实施例提供了一种滑坡检测方法、装置、设备及存储介质,涉及地质灾害预测技术领域,包括:从光学遥感影像***中获取待检测区域的震前、震后遥感影像并进行配准,根据配准后的震前遥感影像对震后遥感影像进行变化检测;根据震后非变化区域的影像以及待检测区域的预设形变速率图从震后非变化区域中提取预测形变区域,并和震后变化区域进行合并得到目标区域;根据待检测区域的预设雷达影像计算得到的灰度纹理特征图,震后遥感影像、预设数字高程模型、预设形变速率图计算目标区域中每个对象的特征参数,基于参数剔除目标区域中的非滑坡地物所在的区域,得到滑坡隐患区域。采用本发明,可提高滑坡隐患检测的准确度、全面性。
Description
技术领域
本发明涉及地质灾害预测技术领域,具体而言,涉及一种滑坡检测方法、装置、设备及存储介质。
背景技术
滑坡最为常见的地质灾害,给公路、房屋等基础设施带来巨大的损害,严重威胁了人们的生命和财产安全,还会导致明显的地表形变。
因此,进行及时准确地滑坡检测是地质灾害预测中必不可少的。
但是,常规使用的变化检测方法虽然能快速识别出地表变化的区域,但是仅能识别出已发生滑坡的区域,对于可能发生的次生滑坡并不识别;而使用InSAR技术虽然能识别出次生滑坡,但是常常出现失相干的现象,会造成部分区域数据缺失出现数据空洞,且需要人工干预,准确性不高。
发明内容
本发明实施例提供一种滑坡检测方法、装置及存储介质,可以提高滑坡隐患检测的准确度和效率,保障地质分析的全面性。
第一方面,本发明实施例提供一种滑坡检测方法,包括:
从光学遥感影像***中获取待检测区域的震前遥感影像和震后遥感影像;
以所述震后遥感影像为基准,将所述震前遥感影像配准至所述震后遥感影像,得到配准后的震前遥感影像;
根据所述配准后的震前遥感影像,对所述震后遥感影像进行变化检测,得到震后变化区域的影像和震后非变化区域的影像;
根据所述震后非变化区域的影像以及所述待检测区域的预设形变速率图,从所述震后非变化区域中提取预测形变区域;所述预设形变速率图的坐标系与所述光学遥感影像***的坐标系一致;
根据所述待检测区域的预设雷达影像的灰度共生矩阵计算所述预设雷达影像的灰度纹理特征图;所述预设雷达影像的坐标系与所述光学遥感影像***的坐标系一致;
将所述震后变化区域和所述预测形变区域进行合并,得到目标区域;
根据所述灰度纹理特征图、所述震后遥感影像、所述待检测区域的预设数字高程模型和所述预设形变速率图计算所述目标区域中每个对象的特征参数;
根据所述目标区域中每个对象的特征参数剔除所述目标区域中的非滑坡地物所在的区域,得到滑坡隐患区域。
可选地,所述以所述震后遥感影像为基准,将所述震前遥感影像配准至所述震后遥感影像,得到配准后的震前遥感影像,包括:
对所述震前遥感影像和所述震后遥感影像进行正射校正,得到震前正射遥感影像以及震后正射遥感影像;
分别对所述震前正射遥感影像和所述震后正射遥感影像中的全色波段数据和多光谱数据进行融合,得到融合后的震前遥感影像和融合后的震后遥感影像;
以所述融合后的震后遥感影像为基准,将所述融合后的震前遥感影像配准至所述融合后的震后遥感影像为基准,得到所述配准后的震前遥感影像。
可选地,所述根据所述配准后的震前遥感影像,对所述震后遥感影像进行变化检测,得到震后变化区域的影像和震后非变化区域的影像,包括:
分别对所述配准后的震前遥感影像和所述震后遥感影像进行主成分变换,得到所述配准后的震前遥感影像的第一主成分影像和所述震后遥感影像的第一主成分影像;所述配准后的震前遥感影像的第一主成分影像中的地物信息与所述配准后的震前遥感影像的地物信息一一对应,所述震后遥感影像的第一主成分影像中的地物信息与所述震后遥感影像的地物信息一一对应;
将所述震后遥感影像的第一主成分影像中的像元与所述配准后的震前遥感影像的第一主成分影像中对应的像元之间的位置偏移量超过预设偏移量的区域确定为,所述震后遥感影像的第一主成分影像中的震后变化区域;
根据所述震后变化区域,从所述震后遥感影像中确定所述震后变化区域的影像;
将所述震后遥感影像中所述震后变化区域之外的其他区域的影像,确定为所述震后非变化区域的影像。
可选地,所述根据所述震后非变化区域的影像以及所述待检测区域的预设形变信息图,从所述震后非变化区域中提取预测形变区域,包括:
根据所述预设形变速率图计算所述震后非变化区域的影像中每个像元的形变速率值;
确定所述震后非变化区域的影像中形变速率值在预设形变阈值范围内的像元所组成的区域为所述预测形变区域。
可选地,所述每个对象的特征参数包括:灰度纹理特征值、多光谱值、地形特征值、形变速率值;所述根据所述灰度纹理特征图、所述震后遥感影像、所述待检测区域的预设数字高程模型和所述预设形变速率图计算所述目标区域中每个对象的特征参数,包括:
将所述目标区域的边界进行矢量化,得到所述目标区域的矢量边界图;
采用所述矢量边界图,从所述震后遥感影像、所述预设数字高程模型、所述预设形变速率图、所述灰度纹理特征图中分别提取得到所述目标区域的遥感影像图、所述目标区域的数字高程模型、所述目标区域的形变速率图、所述目标区域的灰度纹理特征图;
根据所述目标区域的数字高程模型,计算得到所述目标区域中每个对象的地形特征值;
根据所述目标区域的灰度纹理特征图、所述目标区域的遥感影像图、所述目标区域的形变速率图,计算所述目标区域中每个对象的所述灰度纹理特征值、所述多光谱值和所述形变速率值。
可选地,所述根据所述目标区域中每个对象的特征参数剔除所述目标区域中的非滑坡地物所在的区域,得到滑坡隐患区域,包括:
以对象为单位选取所述目标区域的遥感影像中的多个地物样本;所述多个地物样本包含所述目标区域的遥感影像中所有的地物种类,其中一个地物样本包含唯一一种地物种类;
根据所述多个地物样本中所有对象的特征参数,利用预设的决策树算法,得到各个地物种类对象的特征参数的取值范围;
根据所述各个地物种类对象的特征参数的取值范围,得到所述目标区域中每个对象的特征参数取值范围与各个地物种类之间的对应关系,生成所述目标区域的预设地物分类规则;
采用所述目标区域的预设地物分类规则,对所述目标区域的遥感影像图进行分类处理,得到所述目标区域内的地物分类结果;
根据所述地物分类结果,剔除所述目标区域中的非滑坡地物所在的区域,得到所述滑坡隐患区域。
可选地,所述地形特征值包括:坡度值、地面高程值、山体阴影值、地形起伏度值,所述根据所述目标区域的数字高程模型,计算得到所述目标区域中每个对象的地形特征值,包括:
根据所述目标区域的数字高程模型,计算得到所述目标区域的坡度图、山体阴影图、地表起伏度图、地面高程图;
根据所述坡度图、所述山体阴影图、所述地表起伏度图、所述地面高程图,分别计算所述目标区域中每个对象的所述坡度值、所述山体阴影值、所述地形起伏度值、所述地面高程值。
第二方面,本发明实施例还提供一种滑坡检测装置,所述装置包括:
获取模块,用于从光学遥感影像***中获取待检测区域的震前遥感影像和震后遥感影像;
配准模块,用于以所述震后遥感影像为基准,将所述震前遥感影像配准至所述震后遥感影像,得到配准后的震前遥感影像;
检测模块,用于根据所述配准后的震前遥感影像,对所述震后遥感影像进行变化检测,得到震后变化区域的影像和震后非变化区域的影像;
提取模块,用于根据所述震后非变化区域的影像以及所述待检测区域的预设形变速率图,从所述震后非变化区域中提取预测形变区域;所述预设形变速率图的坐标系与所述光学遥感影像***的坐标系一致;
第一计算模块,用于根据所述待检测区域的预设雷达影像的灰度共生矩阵计算所述预设雷达影像的灰度纹理特征图;所述预设雷达影像的坐标系与所述光学遥感影像***的坐标系一致;
合并模块,用于将所述震后变化区域和所述预测形变区域进行合并,得到目标区域;
第二计算模块,还用于根据所述灰度纹理特征图、所述震后遥感影像、所述待检测区域的预设数字高程模型和所述预设形变速率图计算所述目标区域中每个对象的特征参数;
剔除模块,用于根据所述目标区域中每个对象的特征参数剔除所述目标区域中的非滑坡地物所在的区域,得到滑坡隐患区域。
第三方面,本发明实施例还提供一种滑坡检测设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的程序指令,当滑坡检测设备运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述程序指令,以执行如上述第一方面任一所述的滑坡检测方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述第一方面任一所述的滑坡检测方法。
本发明提供的一种滑坡检测方法、装置及存储介质,通过将从光学遥感影像***获取的待检测区域的震前遥感影像和震后遥感影像进行配准,根据配准后的震前遥感影像对震后遥感影像进行变换检测,得到震后变化区域和震后非变化区域,并根据震后非变化区域以及预设的形变速率图得到预测形变区域,根据待检测区域的预设雷达影像的灰度共生矩阵计算得到预设雷达影像的灰度纹理特征图,将震后变化区和预测形变区进行合并得到目标区域,再利用灰度纹理特征图、震后遥感影像、预设数字高程模型、预设形变速率图计算目标区域中每个对象的特征参数,最终根据目标区域中每个对象的特征参数在目标区域剔除非滑坡地物所在的区域,得到滑坡隐患区域。通过这样的方法,在配准后的遥感影像上进行变化检测,并利用形变速率图得到预测形变区域,使得最终得到的目标区域不光具有变化检测得到的变化区域,还具有发生了形变的区域,使得进行分析滑坡检测的目标区域信息更为完整全面;同时,利用灰度纹理特征图、震后遥感影像、预设数字高程模型、预设形变速率图计算得到的目标区域中每个对象的特征参数,在目标区域中剔除掉非滑坡地物的区域,使得最终得到的滑坡隐患区域的更为精准,不仅可以为滑坡检测以供有力支撑,也加快了滑坡检测的效率,使得面对滑坡灾情时可以更为高效、可靠地进行地质检测和分析,便于及时对滑坡隐患区域进行防护。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明提供的一种滑坡检测方法的流程示意图;
图2为本发明提供的一种遥感影像配准方法的流程示意图;
图3为本发明提供的一种变化检测方法的流程示意图;
图4为本发明提供的一种提取预测形变区域的流程示意图;
图5为本发明提供的一种计算对象特征参数的流程示意图;
图6为本发明提供的一种得到滑坡隐患区域的流程示意图;
图7为本发明提供的一种计算地形特征值的流程示意图;
图8为本发明提供的一种滑坡检测装置的示意图;
图9为本发明提供的一种滑坡检测设备的示意图。
图标:1000,获取模块;2000,配准模块;3000,检测模块;4000,提取模块;5000,第一计算模块;6000,合并模块;7000,第二计算模块;8000,剔除模块;10,滑坡检测设备;11,处理器;12,存储器;13,总线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在对本发明进行详细地解释之前,先对本发明的应用场景予以介绍。
滑坡大多发生在山区,经常还伴随着其他次生灾害。但是由于山区地形崎岖、交通不便,很困难在短时间内依靠人力进行现场地质分析,而常规使用的滑坡检测法均具有一定的局限性,例如,基于变化检测的滑坡方法可以快速获取变化区域,但是普遍存在过度识别的情况,对于可能发生的次生滑坡并不识别;InSAR(Interferometric SyntheticAperture Radar,合成孔径雷达干涉测量技术)可以识别震后次生滑坡隐患,但是失相干问题是其最大的障碍之一;基于面向对象方法虽然可以提高地物分类方精度,但是在大范围进行滑坡识别效率较低,对于未发生灾害的滑坡隐患不敏感,且光学影像的光谱、纹理等特征如今已无法满足滑坡信息定量且快速提取的要求。这些在滑坡检测上的局限性,导致无法提供一种可靠的滑坡检测方法,以保障结果的准确性。
基于此,本发明提出一种滑坡检测方法、装置及存储介质,通过将从光学遥感影像***获取的待检测区域的震前遥感影像和震后遥感影像进行配准,根据配准后的震前遥感影像对震后遥感影像进行变换检测,得到震后变化区域和震后非变化区域,并根据震后非变化区域以及预设的形变速率图得到预测形变区域,根据待检测区域的预设雷达影像的灰度共生矩阵计算得到预设雷达影像的灰度纹理特征图,最终将震后变化区和预测形变区进行合并得到目标区域,再利用灰度纹理特征图、震后遥感影像、预设数字高程模型、预设形变速率图计算目标区域中每个对象的特征参数,最终根据目标区域中每个对象的特征参数在目标区域剔除非滑坡地物所在的区域,得到滑坡隐患区域。本发明下述实施例提供的滑坡检测方法可由滑坡检测设备执行,该设备可为台式计算机、笔记本计算机等,也可以是便于携带的智能终端,本发明对此不做限制。
如下结合附图通过多个实施例进行解释说明。图1为本发明提供的一种滑坡检测方法的流程示意图。如图1所示,该滑坡检测方法,包括:
S110,从光学遥感影像***中获取待检测区域的震前遥感影像和震后遥感影像。
遥感技术是具有成像速度快、覆盖范围广、成本低等优势,是灾害及环境监测的有效手段。光学遥感影像***一般由遥感器、遥感平台、信息传输装置构成。其中遥感器是构成光学遥感影像***的基础,可以为合成孔径雷达或者多光谱扫描仪等。在本实施例中,可以使用无人机遥感技术,通过在待检测区域进行航拍,从而形成待检测区域的全景光学遥感影像。
通过信息传输装置,地面可以从光学遥感影像***中获取到由遥感器拍摄的待检测区域的震前遥感影像和震后遥感影像。其中震前遥感影像和震后遥感影像都为光学遥感影像。
S120,以震后遥感影像为基准,将震前遥感影像配准至震后遥感影像,得到配准后的震前遥感影像。
由于震后遥感影像与震前遥感影像获取时间不一致,为了消除畸变,防止因图像错位而增加后续检测的错误率,需要对两幅遥感影像进行预处理。在本实施例中,以震后遥感影像为基准,将震前遥感影像配准至震后遥感影像,使得震前遥感影像的坐标与震后遥感影像的坐标一致,得到配准后的震前遥感影像。可选地,在配准过程中,可以先确定两幅待配准遥感影像中的特征点,根据特征点进行空间关系转换,使得震前遥感影像可以根据转换矩阵配准至震后遥感影像的坐标***中,得到配准后的震前遥感影像。在一种可能的实现方式中,可以使用开源程序平台编译的配准算法进行两幅图像的自动化配准,本发明对此不做限制。
S130,根据配准后的震前遥感影像,对震后遥感影像进行变化检测,得到震后变化区域的影像和震后非变化区域的影像。
为了得到待检测区域在不同事件观测到的状态之间的差异,需要根据配准后的震前遥感影像,对震后遥感影像进行变换检测,从而得到震后变化区域的影像和震后非变化区域的影像。一般地,可以根据选择的变化检测方法,如代数运算法、变换法、分类法等,从而选择合适的阈值确定变化和未变化的图像。其中,震后变化区域的影像即为与配准后的震前遥感影像相比,发生了明显地表变化的影像区域的影像,该区域为原生灾害已受害区域,通过变化检测的结果,可以及时锁定灾情已受害区域。
S140,根据震后非变化区域的影像以及待检测区域的预设形变速率图,从震后非变化区域中提取预测形变区域。
其中,预设形变速率图的坐标系与光学遥感影像***的坐标系一致。
为了提升滑坡检测的准确性,除了关注在变化检测中发生了明显地表变化的震后变化区域的影像以外,还应注意到可能发生次生灾害的震后非变化区域。在本实施例中,根据震后非变化区域的影像以及待检测区域的预设形变速率图,从震后非变化区域中提取预测形变区域,其中,预测形变区域即为震后非变化区域中预测的可能发生次生灾害的区域。
具体地,对待检测区域的SAR(Synthetic Aperture Radar,合成孔径雷达)影像通过如Stacking(干涉图叠加技术)、PS(Persistent Scatterer,永久散射体)和SBAS(SmallBaseline Subsets,小基线集)等技术进行处理,得到待检测区域的未处理的预设形变速率图;然后,为了方便后续处理,需要对待检测区域的未处理的预设形变速率图进行投影处理,使得处理后的预设形变速率图的坐标系与光学遥感影像***的坐标系一致。在一种可能的实现方式中,还可以对预设形变速率图进行重采样处理,使得预设形变速率图的分辨率与光学遥感影像***中影像分辨率一致。
S150,根据待检测区域的预设雷达影像的灰度共生矩阵计算预设雷达影像的灰度纹理特征图。
其中,预设雷达影像的坐标系与光学遥感影像***的坐标系一致。
在本实施例中,可以从待检测区域的SAR影像中得到未处理的震后SAR影像,即未处理的震后雷达影像。通过对未处理的震后雷达影像通过图像处理平台,如ENVI平台进行校正、滤波处理,得到处理后的震后雷达影像。接着,以震后遥感影像为基准,将震后雷达影像配准至震后遥感影像,得到配准后的震后雷达影像。然后,对配准后的震后雷达影像进行投影、重采样,使其与光学遥感影像***的坐标系一致、分辨率一致,得到预设雷达影像。
根据预设雷达影像,可以计算预设雷达影像的灰度共生矩阵(Gray-level co-occurrence matrix,GLCM)。
具体地,一个像素的灰度(i,j)在图像中某一方向θ、某一距离s上出现的统计规律来可以用来反映该图像的灰度纹理特征,这个特征一般通过一个矩阵表示,这就是灰度共生矩阵。
在本实施例中,取θ为:0°,45°,90°,135°。
设预设雷达影像的灰度级为N,则预设雷达影像的灰度共生矩阵P是一个N×N的方阵,取预设雷达影像上任意一点(x,y)及在该点θ方向上距离为s的点(Δx,Δy),设点(x,y)的灰度值为(i,j)。令点(x,y)在整个图像上移动,则会得到点(x,y)的N×N种(i,j)值。对于整个图像,统计出每一种(i,j)值出现的频次,然后排列成一个方阵,构成预设雷达影像的灰度共生矩阵。同时,根据(i,j)出现的总次数将它们归一化为这种灰度值(i,j)出现的概率p(i,j)。
接着基于预设雷达影像的灰度共生矩阵按照公式(1)~(8)得到预设雷达影像的八种灰度纹理特征图,包括:均匀性图、角二阶矩图、对比度图、熵图、相关性图、均和值图、方差和图、差异性图。具体过程如下所述:
根据公式(1)得到预设雷达影像的均匀性图:
其中,HOM为均匀性(Homogeneity),表征图像均匀程度的度量。
根据公式(2)得到预设雷达影像的角二阶矩图:
其中,ASM为角二阶矩(angle second moment),表示图像灰度纹理变化均匀性,反映图像灰度分布情况和纹理粗细度。
根据公式(3)得到预设雷达影像的对比度图:
其中,CON为对比度(Contract),反映图像纹理的清晰程度。
根据公式(4)得到预设雷达影像的熵图:
其中,ENT为熵(Entropy),反映图像所包含的信息量。
根据公式(5)得到预设雷达影像的相关性图:
其中,COR为相关性(Correlation),是图像灰度线性关系的度量,反映图像纹理的方向性。
根据公式(6)得到预设雷达影像的均和值图:
其中,MEA为均和值(Mean),一般简称为均值,反映图像纹理的规则程度。
根据公式(7)得到预设雷达影像的方差和图:
其中,VAR为方差和(Variance),一般简称为方差,表示图像亮度值的离散值。
根据公式(8)得到预设雷达影像的差异性图:
其中,DIS为差异性(Dissimilarity),表示图像灰度值差异的大小情况。
基于上述步骤,就可以得到预设雷达影像的八种灰度纹理特征图。
S160,将震后变化区域和预测形变区域进行合并,得到目标区域。
通过将得到的预测形变区域和震后变化区域进行合并,即可以得到包含了震后变化区域和预测形变区域的目标区域,该目标区域为本实施例中需要进行滑坡隐患检测的区域。
S170,根据灰度纹理特征图、震后遥感影像、待检测区域的预设数字高程模型和预设形变速率图计算目标区域中每个对象的特征参数。
在进行计算之前,需要对目标区域进行分割,得到目标区域的多个对象。
具体地,可以采用多尺度分割法对目标区域进行分割,从而得到目标区域的多个对象。
由于分割结果的好坏直接影响着影像分类精度的高低。其中,分割尺度的设置对分割结果的影响很大。在一种可能的实现方式中,为了避免分割出来的对象过小或过大,可以在分割前确定好最优分割尺度。根据最优分割尺度进行分割,使得得到的目标区域的多个对象可以有效地区分地物。
为了弥补单独从光学遥感影像进行滑坡检测的局限性,本实施例根据光学遥感影像的特征、SAR影像的灰度纹理特征、待检测区域的地形特征、SAR影像的形变速率特征进行综合判断。
首先,可以从高精度地形网格数据中下载得到待检测区域的未处理的预设DEM(Digital Elevation Model,数字高程模型),并且对未处理的预设DEM数据进行投影、重采样,使其与光学遥感影像***的坐标系一致、分辨率一致,得到处理后的待检测区域的预设数字高程模型。
然后,可以根据得到的八种灰度纹理特征图、震后遥感影像、待检测区域的预设数字高程模型、预设形变速率图计算目标区域中每个对象的特征参数。其中,对象的特征参数可以指示该对象的光学遥感影像的特征、SAR影像的灰度纹理特征、地形特征、SAR影像的形变速率特征。
S180,根据目标区域中每个对象的特征参数剔除目标区域中的非滑坡地物所在的区域,得到滑坡隐患区域。
根据目标区域中每个对象的特征参数在目标区域中剔除非滑坡地物所在的区域,即剔除一些如道路、人工建筑物、水体等不会发生滑坡的地物的区域,这些区域可能由于道路堵塞、房屋倒塌、水位变化被检测出地表变化,但是为非滑坡地物所在的区域,在目标区域中剔除掉这些区域,就可以得到滑坡隐患区域,即得到存在滑坡隐患的区域。具体地,在滑坡隐患的区域中,一些区域为已经发生原生滑坡存在次生滑坡风险区域,一些区域为尚未发生滑坡但是由于地表变化存在滑坡风险的区域。通过根据目标区域中每个对象的特征参数得到滑坡隐患区域,使得对滑坡隐患区域的判断更为准确,可以进一步对滑坡隐患区域进行防护,预防灾害进一步地的发生。
本实施例通过在配准后的遥感影像上进行变化检测,并利用形变速率图得到预测形变区域,使得最终得到的目标区域不光具有变化检测得到的变化区域,还具有发生了形变的区域,使得进行分析滑坡检测的目标区域信息更为完整全面;同时,用灰度纹理特征图、震后遥感影像、预设数字高程模型、预设形变速率图计算得到的目标区域中每个对象的特征参数在目标区域中剔除掉非滑坡地物的区域,使得最终得到的滑坡隐患区域的更为精准,不仅可以为滑坡检测以供有力支撑,也加快了滑坡检测的效率,使得面对滑坡灾情时可以更为高效、可靠地进行地质检测和分析,便于及时对滑坡隐患区域进行防护。
在上述图1提供的一种滑坡检测方法的基础上,本发明还通过了一种遥感影像配准方法的可能实现方式。图2为本发明提供的一种遥感影像配准方法的流程示意图。如图2所示,上述S120中,以震后遥感影像为基准,将震前遥感影像配准至震后遥感影像,得到配准后的震前遥感影像,包括:
S122,对震前遥感影像和震后遥感影像进行正射校正,得到震前正射遥感影像以及震后正射遥感影像。
为了保证配准的精度,在进行配准之前,需要对震前遥感影像和震后遥感影像进行正射校正。对于光学遥感影像来说,每幅光学遥感影像包含全色波段数据和四波段多光谱数据。具体地,可以利用光学遥感影像数据自带的RPC(Rational PolynomialCoefficients,有理多项式系数)文件和RPC模型形得到完整的RPC模型;再利用待检测区域的预设数字高程模型和完整的RPC模型分别对震前遥感影像和震后遥感影像的全色波段数据与四波段多光谱数据进行正射校正,分别得到包括全色波段数据和四波段多光谱数据的震前正射遥感影像以及震后正射遥感影像。在一种可能的实现方式中,还可以对震前遥感影像和震后遥感影像进行辐射校正,以使消除由于大气折光、太阳高度角造成的辐射失真问题。
S124,分别对震前正射遥感影像和震后正射遥感影像中的全色波段数据和多光谱数据进行融合,得到融合后的震前遥感影像和融合后的震后遥感影像。
在进行正射校正之后,为了丰富影像的光谱信息,还需要对影像进行融合处理。具体的,可以采用预设的图像融合算法,如NNDiffuse Pan Sharpening算法分别对震前正射遥感影像和震后正射遥感影像中的全色波段数据和多光谱数据进行融合,得到融合后的震前遥感影像和融合后的震后遥感影像。
S126,以融合后的震后遥感影像为基准,将融合后的震前遥感影像配准至融合后的震后遥感影像为基准,得到配准后的震前遥感影像。
在融合处理后,以融合后的震后遥感影像为基准,将融合后的震前遥感影像配准至融合后的震后遥感影像为基准,得到配准后的震前遥感影像。具体配准过程如S120所述,不再赘述。
在本实施例中,通过在配准之前对光学遥感影像进行预处理,可以提升配准的精度,避免无效图像信息的干扰。
在上述图1提供的一种滑坡检测方法的基础上,本发明还通过了一种变化检测方法的可能实现方式。图3为本发明提供的一种变化检测方法的流程示意图。如图3所示,上述S130中,根据配准后的震前遥感影像,对震后遥感影像进行变化检测,得到震后变化区域的影像和震后非变化区域的影像,包括:
S132,分别对配准后的震前遥感影像和震后遥感影像进行主成分变换,得到配准后的震前遥感影像的第一主成分影像和震后遥感影像的第一主成分影像。
配准后的震前遥感影像的第一主成分影像中的地物信息与配准后的震前遥感影像的地物信息一一对应,震后遥感影像的第一主成分影像中的地物信息与震后遥感影像的地物信息一一对应。
具体地,地物信息包括地物位置信息和地物种类信息。
主成分变换可以把包含较多光谱波段的遥感影像用少数几个波段来表示。经主成分变换的影像,其信息几乎不会丢失,但数据大小可明显的减少。在本实施例中,分别对配准后的震前遥感影像和震后遥感影像进行主成分变换,则会得到配准后的震前遥感影像的多个主成分图像和震后遥感影像的多个主成分图像,选取配准后的震前遥感影像的第一主成分影像和震后遥感影像的第一主成分影像。其中,第一主成分影像为遥感影像在主成分变换后的第一个主分量包含的影像。通过观察两幅影像在主成分变换后的第一个主分量包含的影像,就可以在较少数据量的情况下得到两幅影像中包含的所有地物信息。
S134,将震后遥感影像的第一主成分影像中的像元与配准后的震前遥感影像的第一主成分影像中对应的像元之间的位置偏移量超过预设偏移量的区域确定为,震后遥感影像的第一主成分影像中的中的震后变化区域。
其中,震后遥感影像的第一主成分影像中每一个像元与配准后的震前遥感影像的第一主成分影像中每一个像元一一对应;通过将震后遥感影像的第一主成分影像中每一个像元的位置信息与配准后的震前遥感影像的第一主成分影像中对应的每一个像元的位置信息进行比较,得到两幅主成分影像中每一对像元之间的位置偏移量;预设偏移量,将位置偏移量超过预设偏移量的像元对应的区域确定为震后遥感影像的第一主成分影像中的震后变化区域。也就是说,震后遥感影像的第一主成分影像中的震后变化区域中的像元位置,相较于配准后的震前遥感影像的第一主成分影像中对应的像元位置,之间的位置偏移量超过预设偏移量。
S136,根据震后变化区域,从震后遥感影像中确定震后变化区域的影像。
由于震后遥感影像的第一主成分影像中的地物信息与配准后的震前遥感影像的地物信息一一对应,则,根据震后遥感影像的第一主成分影像中的震后变化区域,就可以从震后遥感影像中确定震后变化区域的影像。
S138,将震后遥感影像中震后变化区域之外的其他区域的影像,确定为震后非变化区域的影像。
确定了震后变化区域的影像之后,将震后遥感影像中震后变化区域之外的其他区域的影像,确定为震后非变化区域的影像。即,震后非变化区域的影像相较于震后遥感影像没有发生明显地表形变。
在本实施例中,通过利用主成分变换进行遥感影像的变化检测,使得减少影像数据量的同时呈现出影像的地物信息,减少了工作量,简单、快速、高效分析出来变化和未变化的区域。
在上述图1提供的一种滑坡检测方法的基础上,本发明还通过了一种提取预测形变区域的可能实现方式。图4为本发明提供的一种提取预测形变区域的流程示意图。如图4所示,上述S140中,根据震后非变化区域的影像以及待检测区域的预设形变信息图,从震后非变化区域中提取预测形变区域,包括:
S142,根据预设形变速率图计算震后非变化区域的影像中每个像元的形变速率值。
根据处理后的待检测区域的形变速率图中每个像元的位置,即可对应震后非变化区域的影像中每个像元的位置,从而计算得到震后非变化区域的影像中每个像元的形变速率值。
S144,确定震后非变化区域的影像中形变速率值在预设形变阈值范围内的像元所组成的区域为预测形变区域。
根据得到的震后非变化区域的影像中每个像元的形变速率值,设定预设形变阈值范围,将形变速率值在预设形变阈值范围内的像元所组成的区域提取出来为预测形变区域,预测形变区域为震后非变化区域中预测的可能发生次生灾害的区域。
在本实施例中,通过使用预设形变速率图和光学遥感影像得到预测形变区域,使得对滑坡检测的结果更为完整,增加对隐患区域的识别,避免次生滑坡无法检出的问题。
在上述图1提供的一种滑坡检测方法的基础上,本发明还通过了一种计算对象特征参数的可能实现方式。图5为本发明提供的一种计算对象特征参数的流程示意图。如图5所示,每个对象的特征参数包括:灰度纹理特征值、多光谱值、地形特征值、形变速率值;上述S150中,根据灰度纹理特征图、震后遥感影像、待检测区域的预设数字高程模型和预设形变速率图计算目标区域中每个对象的特征参数,包括:
S210,将目标区域的边界进行矢量化,得到目标区域的矢量边界图。
S220,采用矢量边界图,从震后遥感影像、预设数字高程模型、预设形变速率图、灰度纹理特征图中分别提取得到目标区域的遥感影像图、目标区域的数字高程模型、目标区域的形变速率图、目标区域的灰度纹理特征图。
由于得到的目标区域的边界很模糊细碎,为了得到清晰的目标区域的边界,需要将目标区域的边界进行矢量化,便于确定边界的得到目标区域的矢量边界图,从而可以采用矢量边界图,从震后遥感影像中勾勒出目标区域的遥感影像图,从而提取得到目标区域的遥感影像图;采用矢量边界图,从预设数字高程模型勾勒出目标区域的遥感影像图,从而提取得到目标区域的数字高程模型;采用矢量边界图,从预设形变速率图中勾勒出目标区域的遥感影像图,从而提取得到目标区域的形变速率图;采用矢量边界图,从灰度纹理特征图中勾勒出目标区域的灰度纹理特征图,从而提取得到目标区域的灰度纹理特征图;可选地,若S140得到了预设雷达影像的八种灰度纹理特征图,则,采用矢量边界图,可以从八种灰度纹理特征图提取得到目标区域的八种灰度纹理特征图。
得到了目标区域的遥感影像图后,在进行计算之前,可以对目标区域的遥感影像图中的多光谱数据进行分割,得到目标区域的多个对象。
具体地,可以采用多尺度分割法对目标区域的遥感影像图中的多光谱数据进行分割,从而得到目标区域的多个对象。
S230,根据目标区域的数字高程模型,计算得到目标区域中每个对象的地形特征值。
先根据目标区域的数字高程模型获取得到目标区域中每个对象中组成对象的所有像元的地形特征值,再分别计算每个对象中组成对象的所有像元的地形特征值平均值,一个对象中所有像元的地形特征值的平均值即为该对象的地形特征值。
S240,根据目标区域的灰度纹理特征图、目标区域的遥感影像图、目标区域的形变速率图,计算目标区域中每个对象的灰度纹理特征值、多光谱值和形变速率值。
先根据目标区域的灰度纹理特征图、目标区域的遥感影像图、目标区域的形变速率图,计算目标区域中每个对象中组成对象的所有像元的八种灰度纹理特征值、四波段多光谱值、形变速率值。八种灰度纹理特征值包括:均匀性值、角二阶矩值、对比度值、熵值、相关性值、均和值图、方差和值、差异性值。
其次,再分别计算每个对象中组成对象的所有像元的八种灰度纹理特征值中每一种灰度纹理特征值的平均值、四波段多光谱值的平均值、形变速率的平均值。
则,一个对象中所有像元的灰度纹理特征值的平均值即为该对象的灰度纹理特征值,例如一个对象中所有像元的均匀性值的平均值即为该对象的均匀性值;一个对象中所有像元的四波段多光谱值的平均值即为该对象的四波段多光谱值;一个对象中所有像元的四波段多光谱值的平均值即为该对象的四波段多光谱值。
则,最终得到目标区域中每个对象的地形特征值、形变速率值、多光谱值和灰度纹理特征值,即得到目标区域中每个对象的特征参数。
在本实施例中,通过计算每个对象的特征参数,使得可以基于目标区域的光学遥感影像的特征、SAR影像的灰度纹理特征、地形特征、SAR影像的形变速率特征进行目标区域中的滑坡的划分,提高滑坡检测的准确性。
在上述图5提供的一种计算对象特征参数的方法的基础上,本发明还通过了一种得到滑坡隐患区域的可能实现方式。图6为本发明提供的一种得到滑坡隐患区域的流程示意图。如图6所示,上述S180中,根据目标区域中每个对象的特征参数剔除目标区域中的非滑坡地物所在的区域,得到滑坡隐患区域,包括:
S310,以对象为单位选取目标区域的遥感影像中的多个地物样本。
其中,多个地物样本包含目标区域的遥感影像中所有的地物种类,其中一个地物样本包含唯一一种地物种类;
在目标区域的遥感影像中包含多种地物,为了得到地物分类规则,需要目视分析,以对象为单位选取目标区域的遥感影像图中的多个地物样本。例如,选取样本一为水体样本,样本二为山体样本,以此类推,选取的多个样本种类需要包含目标区域的遥感影像图中所有的地物种类。并且,需要保证选取的单一样本中仅能包含一种地物种类。
S320,根据多个地物样本中所有对象的特征参数,利用预设的决策树算法,得到各个地物种类对象的特征参数的取值范围。
每一个地物样本的基本组成单位为对象,每一个对象具有对应的特征参数,根据多个地物样本中所有对象的特征参数,利用预设的决策树算法,例如CART(ClassificationAnd Regression Tree,分类与回归树)算法,就可以得到每一种地物种类对应的对象应有的特征参数的取值范围。
S330,根据各个地物种类对象的特征参数的取值范围,得到目标区域中每个对象的特征参数取值范围与各个地物种类之间的对应关系,生成目标区域的预设地物分类规则。
由于多个地物样本包含目标区域的遥感影像图中所有的地物种类,则根据各个地物种类对象的特征参数的取值范围,就可以得到目标区域中每个对象的特征参数取值范围与各个地物种类之间的对应关系,即,可以根据目标区域中每个对象的特征参数值,去比对各个地物种类对象的特征参数的取值范围,就可以得到每个对象所属的地物种类,进而生成了目标区域的预设地物分类规则,根据预设地物分类规则,就可以根据任一对象的特征参数,对应出该对象所属的地物种类,进而对目标区域的遥感影像图来说,就可以得到这个区域中各个地物对应的位置。
S340,采用目标区域的预设地物分类规则,对目标区域的遥感影像图进行分类处理,得到目标区域内的地物分类结果。
由于目标区域中地物表现形式多样,为了精确最终滑坡隐患区域的划分,需要使用预设的地物分类规则对目标区域的遥感影像图进行分类处理,得到目标区域内的地物分类结果。例如,将目标区域的遥感影像图分类出水体、植被、裸地、道路、山体、人工建筑物等地物种类。
S350,根据地物分类结果,剔除目标区域中的非滑坡地物所在的区域,得到滑坡隐患区域。
根据对目标区域的遥感影像图的地物分类结果,剔除一些如道路、人工建筑物、水体等不会发生滑坡的地物的区域,最终得到滑坡隐患区域。
在本实施例中,通过得到各个地物对象对应的特征参数,使得可以生成适应于目标区域每个对象的预设地物分类规则,可以更好地反映目标区域中的地物情况,避免全部目视分类造成的误判通过对目标地物进行分类,从而便于将非滑坡地物剔除,使得快速、有效地得到滑坡隐患区域,减少滑坡分析的区域,省去不必要的分析。
在上述图5提供的一种计算对象特征参数的基础上,本发明还通过了一种计算地形特征值的可能实现方式。图7为本发明提供的一种计算地形特征值的流程示意图。如图7所示,地形特征值包括:坡度值、地面高程值、山体阴影值、地形起伏度值,上述S320中,以对象为单位选取目标区域的遥感影像图中的多个地物样本之后,包括:
S410,根据目标区域的数字高程模型,计算得到目标区域的坡度图、山体阴影图、地表起伏度图、地面高程图。
具体地,根据公式(9)计算目标区域的坡度图;
其中,slope为坡度,fx为目标区域的数字高程模型中X方向高程变化率,fy为目标区域的数字高程模型中Y方向高程变化率;
根据公式(10)计算目标区域的山体阴影图;
hillshade=255×(cos(zenithrad)×cos(sloperad))+
(sin(zenithrad)×sin(sloperad)×cos(azimuthrad-aspectrad)) (10)
其中,hillshade为山体阴影值、zenithrad为获取的遥感影像的太阳天顶角的弧度数,sloperad为目标区域的数字高程模型中坡度弧度数,azimuthrad为获取的遥感影像的太阳光线方向的弧度数,aspectrad为目标区域的数字高程模型中坡向弧度数。
根据公式(11)计算目标区域的地表起伏图、地面高程图;
R=Hmax-Hmin,R>0,Hmax,Hmin∈R (11)
其中,R为地面起伏度,Hmax为目标区域的数字高程模型中固定分析窗口内的最大高程,Hmin为目标区域的数字高程模型中相应的固定分析窗口内的最低高程。
S420,根据坡度图、山体阴影图、地表起伏度图、地面高程图,分别计算目标区域中每个对象的坡度值、山体阴影值、地形起伏度值、地面高程值。
首先,分别根据目标区域的坡度图、山体阴影图、地表起伏度图、地面高程图获取得到目标区域中每个对象中组成对象的所有像元的坡度值、地面高程值、山体阴影值、地形起伏度值。
其次,再分别计算每个对象中组成对象的所有像元的坡度值的平均值、山体阴影值的平均值、地表起伏度值的平均值、地面高程值的平均值,则一个对象中所有像元的坡度值的平均值即为该对象的坡度值,一个对象中所有像元的山体阴影值的平均值即为该对象的山体阴影值,一个对象中所有像元的地形起伏度值的平均值即为该对象的地形起伏度值,一个对象中所有像元的地面高程值的平均值即为该对象的地面高程值。
则,最终得到目标区域中每个对象的坡度值、地面高程值、山体阴影值、地形起伏度值。
利用上述特征参数,就可以得到多个地物样本中所有对象的特征参数,进而利用预设的决策树算法,得到各个地物种类对象的特征参数的取值范围。
在本实施例中,通过利用目标区域的数字高程模型计算目标区域的每个对象的坡度值、地面高程值、山体阴影值、地形起伏度值,即得到了目标区域的地形特征,便于利用地形特征去协助滑坡区域的确定。
下述对用以执行的本申请所提供的一种滑坡检测装置及滑坡检测设备进行说明,其具体的实现过程以及技术效果参见上述,下述不再赘述。
图8为本发明提供的一种滑坡检测装置的示意图,如图8所示,该滑坡检测装置,包括:
获取模块1000,用于从光学遥感影像***中获取待检测区域的震前遥感影像和震后遥感影像;
配准模块2000,用于以震后遥感影像为基准,将震前遥感影像配准至震后遥感影像,得到配准后的震前遥感影像;
检测模块3000,用于根据配准后的震前遥感影像,对震后遥感影像进行变化检测,得到震后变化区域的影像和震后非变化区域的影像;
提取模块4000,用于根据震后非变化区域的影像以及待检测区域的预设形变速率图,从震后非变化区域中提取预测形变区域;预设形变速率图的坐标系与光学遥感影像***的坐标系一致;
第一计算模块5000,用于根据待检测区域的预设雷达影像的灰度共生矩阵计算预设雷达影像的灰度纹理特征图;预设雷达影像的坐标系与光学遥感影像***的坐标系一致;
合并模块6000,用于将震后变化区域和预测形变区域进行合并,得到目标区域;
第二计算模块7000,还用于根据灰度纹理特征图、震后遥感影像、待检测区域的预设数字高程模型和预设形变速率图计算目标区域中每个对象的特征参数;
剔除模块8000,用于根据目标区域中每个对象的特征参数剔除目标区域中的非滑坡地物所在的区域,得到滑坡隐患区域。
可选地,配准模块2000,具体还用于对震前遥感影像和震后遥感影像进行正射校正,得到震前正射遥感影像以及震后正射遥感影像;分别对震前正射遥感影像和震后正射遥感影像中的全色波段数据和多光谱数据进行融合,得到融合后的震前遥感影像和融合后的震后遥感影像;以融合后的震后遥感影像为基准,将融合后的震前遥感影像配准至融合后的震后遥感影像为基准,得到配准后的震前遥感影像。
可选地,检测模块3000,具体还用于分别对配准后的震前遥感影像和震后遥感影像进行主成分变换,得到配准后的震前遥感影像的第一主成分影像和震后遥感影像的第一主成分影像;配准后的震前遥感影像的第一主成分影像中的地物信息与配准后的震前遥感影像的地物信息一一对应,震后遥感影像的第一主成分影像中的地物信息与震后遥感影像的地物信息一一对应;将震后遥感影像的第一主成分影像中的像元与配准后的震前遥感影像的第一主成分影像中对应的像元之间的位置偏移量超过预设偏移量的区域确定为,震后遥感影像的第一主成分影像中的中的震后变化区域;根据震后变化区域,从震后遥感影像中确定震后变化区域的影像;将震后遥感影像中震后变化区域之外的其他区域的影像,确定为震后非变化区域的影像。
可选地,提取模块4000,具体还用于根据预设形变速率图计算震后非变化区域的影像中每个像元的形变速率值;确定震后非变化区域的影像中形变速率值在预设形变阈值范围内的像元所组成的区域为预测形变区域。
可选地,每个对象的特征参数包括:灰度纹理特征值、多光谱值、地形特征值、形变速率值。
可选地,提取模块4000,具体还用于将目标区域的边界进行矢量化,得到目标区域的矢量边界图;采用矢量边界图,从震后遥感影像、预设数字高程模型、预设形变速率图、灰度纹理特征图中分别提取得到目标区域的遥感影像图、目标区域的数字高程模型、目标区域的形变速率图、目标区域的灰度纹理特征图。
可选地,第二计算模块7000,具体还用于根据目标区域的数字高程模型,计算得到目标区域中每个对象的地形特征值;根据目标区域的灰度纹理特征图、目标区域的遥感影像图、目标区域的形变速率图,计算目标区域中每个对象的灰度纹理特征值、多光谱值和形变速率值。
可选地,剔除模块8000,具体还用于以对象为单位选取目标区域的遥感影像中的多个地物样本;多个地物样本包含目标区域的遥感影像中所有的地物种类,其中一个地物样本包含唯一一种地物种类;根据多个地物样本中所有对象的特征参数,利用预设的决策树算法,得到各个地物种类对象的特征参数的取值范围;根据各个地物种类对象的特征参数的取值范围,得到目标区域中每个对象的特征参数取值范围与各个地物种类之间的对应关系,生成目标区域的预设地物分类规则;采用目标区域的预设地物分类规则,对目标区域的遥感影像图进行分类处理,得到目标区域内的地物分类结果;根据地物分类结果,剔除目标区域中的非滑坡地物所在的区域,得到滑坡隐患区域。
可选地,地形特征值包括:坡度值、地面高程值、山体阴影值、地形起伏度值。
可选地,第二计算模块7000,具体还用于根据目标区域的数字高程模型,计算得到目标区域的坡度图、山体阴影图、地表起伏度图、地面高程图;根据坡度图、山体阴影图、地表起伏度图、地面高程图,分别计算目标区域中每个对象的坡度值、山体阴影值、地形起伏度值、地面高程值。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个数字信号处理(Digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上***(system-on-a-chip,简称SOC)的形式实现。
图9为本发明提供的一种滑坡检测设备的示意图,该设备可以是具备计算处理功能的计算设备或服务器。
该滑坡检测设备10包括:处理器11、存储介质12和总线13,存储介质12存储有处理器11可执行的程序指令,当该滑坡检测设备10执行时,处理器11与存储介质12之间通过总线13通信,处理器11执行程序指令,以执行上述方法实施例。具体实现方式和技术效果类似,这里不再赘述。
可选地,本发明还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种滑坡检测方法,其特征在于,所述方法包括:
从光学遥感影像***中获取待检测区域的震前遥感影像和震后遥感影像;
以所述震后遥感影像为基准,将所述震前遥感影像配准至所述震后遥感影像,得到配准后的震前遥感影像;
根据所述配准后的震前遥感影像,对所述震后遥感影像进行变化检测,得到震后变化区域的影像和震后非变化区域的影像;
根据所述震后非变化区域的影像以及所述待检测区域的预设形变速率图,从所述震后非变化区域中提取预测形变区域;所述预设形变速率图的坐标系与所述光学遥感影像***的坐标系一致;
根据所述待检测区域的预设雷达影像的灰度共生矩阵计算所述预设雷达影像的灰度纹理特征图;所述预设雷达影像的坐标系与所述光学遥感影像***的坐标系一致;
将所述震后变化区域和所述预测形变区域进行合并,得到目标区域;
根据所述灰度纹理特征图、所述震后遥感影像、所述待检测区域的预设数字高程模型和所述预设形变速率图计算所述目标区域中每个对象的特征参数;
根据所述目标区域中每个对象的特征参数剔除所述目标区域中的非滑坡地物所在的区域,得到滑坡隐患区域。
2.根据权利要求1所述的方法,其特征在于,所述以所述震后遥感影像为基准,将所述震前遥感影像配准至所述震后遥感影像,得到配准后的震前遥感影像,包括:
对所述震前遥感影像和所述震后遥感影像进行正射校正,得到震前正射遥感影像以及震后正射遥感影像;
分别对所述震前正射遥感影像和所述震后正射遥感影像中的全色波段数据和多光谱数据进行融合,得到融合后的震前遥感影像和融合后的震后遥感影像;
以所述融合后的震后遥感影像为基准,将所述融合后的震前遥感影像配准至所述融合后的震后遥感影像为基准,得到所述配准后的震前遥感影像。
3.根据权利要求1所述的方法,其特征在于,所述根据所述配准后的震前遥感影像,对所述震后遥感影像进行变化检测,得到震后变化区域的影像和震后非变化区域的影像,包括:
分别对所述配准后的震前遥感影像和所述震后遥感影像进行主成分变换,得到所述配准后的震前遥感影像的第一主成分影像和所述震后遥感影像的第一主成分影像;所述配准后的震前遥感影像的第一主成分影像中的地物信息与所述配准后的震前遥感影像的地物信息一一对应,所述震后遥感影像的第一主成分影像中的地物信息与所述震后遥感影像的地物信息一一对应;
将所述震后遥感影像的第一主成分影像中的像元与所述配准后的震前遥感影像的第一主成分影像中对应的像元之间的位置偏移量超过预设偏移量的区域确定为,所述震后遥感影像的第一主成分影像中的震后变化区域;
根据所述震后变化区域,从所述震后遥感影像中确定所述震后变化区域的影像;
将所述震后遥感影像中所述震后变化区域之外的其他区域的影像,确定为所述震后非变化区域的影像。
4.根据权利要求1所述的方法,其特征在于,所述根据所述震后非变化区域的影像以及所述待检测区域的预设形变信息图,从所述震后非变化区域中提取预测形变区域,包括:
根据所述预设形变速率图计算所述震后非变化区域的影像中每个像元的形变速率值;
确定所述震后非变化区域的影像中形变速率值在预设形变阈值范围内的像元所组成的区域为所述预测形变区域。
5.根据权利要求1所述的方法,其特征在于,所述每个对象的特征参数包括:灰度纹理特征值、多光谱值、地形特征值、形变速率值;所述根据所述灰度纹理特征图、所述震后遥感影像、所述待检测区域的预设数字高程模型和所述预设形变速率图计算所述目标区域中每个对象的特征参数,包括:
将所述目标区域的边界进行矢量化,得到所述目标区域的矢量边界图;
采用所述矢量边界图,从所述震后遥感影像、所述预设数字高程模型、所述预设形变速率图、所述灰度纹理特征图中分别提取得到所述目标区域的遥感影像、所述目标区域的数字高程模型、所述目标区域的形变速率图、所述目标区域的灰度纹理特征图;
根据所述目标区域的数字高程模型,计算得到所述目标区域中每个对象的地形特征值;
根据所述目标区域的灰度纹理特征图、所述目标区域的遥感影像图、所述目标区域的形变速率图,计算所述目标区域中每个对象的所述灰度纹理特征值、所述多光谱值和所述形变速率值。
6.根据权利要求5所述的方法,其特征在于,所述根据所述目标区域中每个对象的特征参数剔除所述目标区域中的非滑坡地物所在的区域,得到滑坡隐患区域,包括:
以对象为单位选取所述目标区域的遥感影像中的多个地物样本;所述多个地物样本包含所述目标区域的遥感影像中所有的地物种类,其中一个地物样本包含唯一一种地物种类;
根据所述多个地物样本中所有对象的特征参数,利用预设的决策树算法,得到各个地物种类对象的特征参数的取值范围;
根据所述各个地物种类对象的特征参数的取值范围,得到所述目标区域中每个对象的特征参数取值范围与各个地物种类之间的对应关系,生成所述目标区域的预设地物分类规则;
采用所述目标区域的预设地物分类规则,对所述目标区域的遥感影像图进行分类处理,得到所述目标区域内的地物分类结果;
根据所述地物分类结果,剔除所述目标区域中的非滑坡地物所在的区域,得到所述滑坡隐患区域。
7.根据权利要求5所述的方法,其特征在于,所述地形特征值包括:坡度值、地面高程值、山体阴影值、地形起伏度值,所述根据所述目标区域的数字高程模型,计算得到所述目标区域中每个对象的地形特征值,包括:
根据所述目标区域的数字高程模型,计算得到所述目标区域的坡度图、山体阴影图、地表起伏度图、地面高程图;
根据所述坡度图、所述山体阴影图、所述地表起伏度图、所述地面高程图,分别计算所述目标区域中每个对象的所述坡度值、所述山体阴影值、所述地形起伏度值、所述地面高程值。
8.一种滑坡检测装置,其特征在于,所述装置包括:
获取模块,用于从光学遥感影像***中获取待检测区域的震前遥感影像和震后遥感影像;
配准模块,用于以所述震后遥感影像为基准,将所述震前遥感影像配准至所述震后遥感影像,得到配准后的震前遥感影像;
检测模块,用于根据所述配准后的震前遥感影像,对所述震后遥感影像进行变化检测,得到震后变化区域的影像和震后非变化区域的影像;
提取模块,用于根据所述震后非变化区域的影像以及所述待检测区域的预设形变速率图,从所述震后非变化区域中提取预测形变区域;所述预设形变速率图的坐标系与所述光学遥感影像***的坐标系一致;
第一计算模块,用于根据所述待检测区域的预设雷达影像的灰度共生矩阵计算所述预设雷达影像的灰度纹理特征图;所述预设雷达影像的坐标系与所述光学遥感影像***的坐标系一致;
合并模块,用于将所述震后变化区域和所述预测形变区域进行合并,得到目标区域;
第二计算模块,还用于根据所述灰度纹理特征图、所述震后遥感影像、所述待检测区域的预设数字高程模型和所述预设形变速率图计算所述目标区域中每个对象的特征参数;
剔除模块,用于根据所述目标区域中每个对象的特征参数剔除所述目标区域中的非滑坡地物所在的区域,得到滑坡隐患区域。
9.一种滑坡检测设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的程序指令,当滑坡检测设备运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述程序指令,以执行如权利要求1至7任一所述的滑坡检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-7任一所述的滑坡检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210423650.1A CN114694030A (zh) | 2022-04-21 | 2022-04-21 | 一种滑坡检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210423650.1A CN114694030A (zh) | 2022-04-21 | 2022-04-21 | 一种滑坡检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114694030A true CN114694030A (zh) | 2022-07-01 |
Family
ID=82145125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210423650.1A Pending CN114694030A (zh) | 2022-04-21 | 2022-04-21 | 一种滑坡检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114694030A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188300A (zh) * | 2022-12-30 | 2023-05-30 | 北京华云星地通科技有限公司 | 一种真彩色图像的合成方法、***、电子设备及存储介质 |
CN116243269A (zh) * | 2023-05-06 | 2023-06-09 | 南京航天宏图信息技术有限公司 | 一种基于Insar数据的震后滑坡灾害监测方法和装置 |
-
2022
- 2022-04-21 CN CN202210423650.1A patent/CN114694030A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188300A (zh) * | 2022-12-30 | 2023-05-30 | 北京华云星地通科技有限公司 | 一种真彩色图像的合成方法、***、电子设备及存储介质 |
CN116188300B (zh) * | 2022-12-30 | 2023-08-08 | 北京华云星地通科技有限公司 | 一种真彩色图像的合成方法、***、电子设备及存储介质 |
CN116243269A (zh) * | 2023-05-06 | 2023-06-09 | 南京航天宏图信息技术有限公司 | 一种基于Insar数据的震后滑坡灾害监测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8913826B2 (en) | Advanced cloud cover assessment for panchromatic images | |
Hou et al. | Unsupervised change detection in SAR image based on gauss-log ratio image fusion and compressed projection | |
Berberoglu et al. | Assessing different remote sensing techniques to detect land use/cover changes in the eastern Mediterranean | |
CN114694030A (zh) | 一种滑坡检测方法、装置、设备及存储介质 | |
US11227367B2 (en) | Image processing device, image processing method and storage medium | |
Jiang et al. | The potential of more accurate InSAR covariance matrix estimation for land cover mapping | |
CN106940887B (zh) | 一种gf-4卫星序列图像云与云***影检测方法 | |
US11747498B1 (en) | Method, system, device and medium for landslide identification based on full polarimetric SAR | |
Huang et al. | Landslide monitoring using change detection in multitemporal optical imagery | |
Axel et al. | Building damage assessment using airborne lidar | |
Schmitt et al. | Investigation on the separability of slums by multi-aspect TerraSAR-X dual-co-polarized high resolution spotlight images based on the multi-scale evaluation of local distributions | |
tong Yang et al. | Land cover changed object detection in remote sensing data with medium spatial resolution | |
CN112183434B (zh) | 建筑物变化检测方法和装置 | |
Lubin et al. | Remote sensing-based mapping of the destruction to Aleppo during the Syrian Civil War between 2011 and 2017 | |
Romaniello et al. | Earthquake damage mapping by using remotely sensed data: the Haiti case study | |
Durieux et al. | Monitoring forest disturbance using change detection on synthetic aperture radar imagery | |
Gu et al. | Building extraction method based on the spectral index for high-resolution remote sensing images over urban areas | |
Phartiyal et al. | An improved land cover classification using polarization signatures for PALSAR 2 data | |
Azevedo et al. | Shadow detection using object area-based and morphological filtering for very high-resolution satellite imagery of urban areas | |
Valdiviezo-Navarro et al. | Inland water body extraction in complex reliefs from Sentinel-1 satellite data | |
Byun et al. | Relative radiometric normalization of bitemporal very high-resolution satellite images for flood change detection | |
Ghanbari et al. | Radiometric normalization of multitemporal and multisensor remote sensing images based on a Gaussian mixture model and error ellipse | |
Sakieh et al. | An integrated spectral-textural approach for environmental change monitoring and assessment: analyzing the dynamics of green covers in a highly developing region | |
CN114545410A (zh) | 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法 | |
Saidi et al. | A refined automatic co-registration method for high-resolution optical and sar images by maximizing mutual information |
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 |