CN117975315A - 一种基于无人机影像的库区地质灾害差分识别方法 - Google Patents

Abstract

本发明涉及地质灾害预警技术领域，具体涉及一种基于无人机影像的库区地质灾害差分识别方法。该方法首先获取库区图像集；基于库区图像集构建多组两帧图像对；针对各组两帧图像对，保持参考帧中计算窗口的位置不变，控制当前帧的计算窗口的位置在搜索窗口内移动，并根据预设的增强型互相关算法对参考帧与当前帧在计算窗口内的像素灰度值进行图像匹配分析，以确定目标库区表面物体对应计算窗口的物体形变位移；根据各组两帧图像对所对应的物体形变位移，确定目标库区表面物体是否存在地质灾害风险。由此，通过最小化像素灰度平方差的方式来识别图像对中的匹配区域，增强了对目标物体的识别精度，提高了库区地质灾害的识别结果的准确率。

Description

一种基于无人机影像的库区地质灾害差分识别方法

技术领域

本发明涉及地质灾害预警技术领域，具体涉及一种基于无人机影像的库区地质灾害差分识别方法。

背景技术

通过无人机数据采集，实现在地质灾害发生前，对其地灾发生的概率及危险性进行评估，对于保障人民生命财产安全有着重要意义，且地质灾害往往发生在危险或难以到达的地区，使用无人机可以避免人员直接进入危险区域，减少人员伤亡的风险；无人机可以从不同的角度和高度获取影像数据，包括垂直、斜视和俯视等，从而提供全面的信息，有助于更准确地识别地质灾害的类型和范围。目前，粒子图像测速技术（Particle ImageVelocimetry，PIV）在地质灾害监测领域尤其是库区监测中扮演着重要角色，主要用于分析和监测流体运动和表面变形。近年来，随着无人机技术的发展，将PIV技术与无人机影像相结合，为监测地质灾害提供了新的可能性。

然而，传统的PIV技术中普遍采用的归一化互相关算法（Normalized crosscorrelation，NCC）在处理无人机获取的地质灾害影像时，虽然可以满足LSPIV技术的基本要求，但其在计算过程中出现的错误矢量却明显较传统PIV测量多了许多。具体地，在基于无人机影像的LSPIV技术的实施过程中，相机与待测目标物体距离相距更远，导致处理精度无法满足地质灾害识别任务的需求。

发明内容

为了解决传统的PIV技术中普遍采用的归一化互相关算法在处理无人机获取的地质灾害影像时，存在出现的错误矢量较多的技术问题，本发明的目的在于提供一种基于无人机影像的库区地质灾害差分识别方法，所采用的技术方案具体如下：

获取库区图像集；所述库区图像集包含多个由无人机相机所采集的针对库区范围的库区图像帧；所述库区范围包含多个待进行识别的库区表面物体；

基于所述库区图像集构建多组两帧图像对；每组所述两帧图像对均包含不同的图像采集时刻的第一库区图像帧和第二库区图像帧，且所述第一库区图像帧和所述第二库区图像帧为包含目标库区表面物体的库区图像帧；

对于所述两帧图像对，以所述第一库区图像帧为参考帧，以第二库区图像帧为当前帧，保持所述参考帧中计算窗口的位置不变，控制所述当前帧的计算窗口在当前帧内移动，根据预设的增强型互相关算法对所述参考帧与所述当前帧在计算窗口内的像素灰度值进行图像匹配分析，以确定所述目标库区表面物体对应所述计算窗口的物体形变位移；所述增强型互相关算法采用最小平方差算法，以通过最小化两帧图像对的像素灰度平方差来识别参考帧与当前帧在计算窗口中最匹配的像素区域；

根据各组所述两帧图像对所对应的物体形变位移，确定所述目标库区表面物体是否存在地质灾害风险。

优选的，所述根据预设的增强型互相关算法对所述参考帧与所述当前帧在计算窗口内的像素灰度值进行图像匹配分析，包括：

两帧图像对的像素灰度平方差的计算公式为：

；

其中，和/>分别表示参考帧和当前帧所对应的图像像素矩阵，所述图像像素矩阵中的矩阵元素为计算窗口中的图像灰度值；/>表示两帧图像对的像素灰度平方差；和/>分别表示计算窗口分别在x轴方向和y轴方向上的长度；/>和/>分别表示所述目标库区表面物体变形前后对应所述两帧图像对中计算窗口在x轴方向和y轴方向的位移值；/>和/>分别表示两帧图像对中计算窗口的灰度值分布函数；/>为参考帧中坐标为/>的像素点的灰度值；/>为当前帧中坐标为/>的像素点的灰度值。

优选的，所述根据各组所述两帧图像对所对应的物体形变位移，确定所述目标库区表面物体是否存在地质灾害风险，包括：

针对各组所述两帧图像对所对应的物体形变位移，将所述物体形变位移分别与预设位移阈值进行比较，以筛选超过所述预设位移阈值的计算窗口作为目标计算窗口，并在所述两帧图像对中标注所述目标计算窗口所对应的形变位移向量；所述形变位移向量包含形变位移距离和形变位移方向；

根据各组经标注了相应的形变位移向量的两帧图像对，以二维多项式曲面拟合针对所述目标库区表面物体的形变位移曲面区域；

根据所述形变位移曲面区域，评估所述目标库区表面物体所对应的地质灾害风险。

优选的，所述根据各组经标注了相应的形变位移向量的两帧图像对，以二维多项式曲面拟合针对所述目标库区表面物体的形变位移曲面区域，包括：

构建针对在x轴方向上的形变位移向量的多项式模型：

，

构建针对在y轴方向上的形变位移向量的多项式模型：

，

其中，表示对应所述目标库区表面物体的在图像帧中的位置点的坐标，和/>分别表示图像帧中每个位置点的水平位移和垂直位移的预测值；分别表示/>中多项式的系数，以及/>分别表示/>中多项式的系数，其是通过最小二乘法而计算得到的，使得拟合曲面能有效表示形变位移向量的分布。

优选的，所述根据所述形变位移曲面区域，评估所述目标库区表面物体所对应的地质灾害风险，包括：

，

其中，表示在位置点/>处的地质灾害风险评估值；/>和/>分别表示水平和垂直位移曲面在位置点/>的梯度；/>和/>分别表示水平位移曲面和垂直位移曲面在位置点/>的曲率；/>分别表示相应的权重系数，用于权衡梯度和曲率对风险评估结果的影响程度。

优选的，所述对于所述两帧图像对，以所述第一库区图像帧为参考帧，以第二库区图像帧为当前帧，保持所述参考帧中计算窗口的位置不变，控制所述当前帧的计算窗口在当前帧内移动，根据预设的增强型互相关算法对所述参考帧与所述当前帧在计算窗口内的像素灰度值进行图像匹配分析，以确定所述目标库区表面物体对应所述计算窗口的物体形变位移，包括：

针对各组所述两帧图像对，将所述两帧图像对依据多个计算窗口进行相应多轮次的图像匹配分析，以确定所述目标库区表面物体对应各个所述计算窗口的窗口物体形变位移，根据各个所述窗口物体形变位移确定所述物体形变位移；其中，各个所述计算窗口所对应的窗口长度互异。

优选的，计算窗口的窗口长度是根据初始计算窗口确定的，且所述计算窗口的窗口长度随着图像匹配分析的轮次数量而等比例缩小。

优选的，确定初始计算窗口的窗口长度的过程为：

解析所述两帧图像对所对应的图像像素分辨率；

根据所述两帧图像对中对应所述目标库区表面物体的图像特征信息和所述图像像素分辨率，确定所述初始计算窗口所对应的窗口大小。

优选的，所述基于所述库区图像集构建多组两帧图像对的过程为：

从所述库区图像集中筛选出目标图像帧子集；所述目标图像帧子集中的各个库区图像帧均包含所述目标库区表面物体；

根据所述目标图像帧子集中各个库区图像帧的图像采集时刻，从所述目标图像帧子集中确定多组两帧图像对；所述两帧图像对包含所述目标图像帧子集中在图像采集时刻上最邻近的两个库区图像帧。

优选的，所述根据所述目标图像帧子集中各个库区图像帧的图像采集时刻，从所述目标图像帧子集中确定多组两帧图像对，包括：

对于各组所述两帧图像对，确定所述两帧图像对中的最新图像采集时刻与***当前时间之间的时间差；

根据各个所述时间差的排序，为各个所述两帧图像对分配相应的图像匹配分析优先级；其中，在所述各组两帧图像对中，对应所述时间差最小的两帧图像对具有最高的图像匹配分析优先级；依次按照图像匹配分析优先级从大到小的顺序，分别确定两帧图像对。

本发明实施例至少具有如下有益效果：

（1）本发明实施例通过采用增强型互相关算法中的最小平方差算法，相比传统的NCC算法，能够更准确地识别出图像间微小的变化，可以有效降低错误矢量的出现，提高了基于无人机影像的库区地质灾害识别的精度，尤其是在物体形变位移的精细分析上，提高了物体识别结果的精度。

（2）采用增强型互相关算法，通过最小化像素灰度平方差的方式来识别匹配区域，相较于传统的NCC算法，可以更高效地处理大量数据，且具有更小对于快速分析大范围地质灾害场景尤其有利，有效提升了处理效率。

（3）由于无人机可以在不同的高度和角度获取图像，通过固定参考帧的计算窗口位置，而允许当前帧的计算窗口在搜索窗口内移动，能够更好地适应无人机拍摄角度和距离的变化。由此，使得算法在处理从不同角度和高度拍摄的图像时更为稳定，适应对不同距离和角度的无人机相机采集图像的处理，增强了对复杂地形区域的地质灾害识别性能。

（4）通过分析无人机连续采集的图像来监测库区表面物体的微小形变，这种连续监测能力使得可以及时发现地质灾害的早期迹象，如裂缝的形成和发展，从而提供更有效的灾害预警，提升了灾害预警能力。

通过本发明实施例，对传统的PIV技术进行改进和优化，在提高地质灾害识别精度、适应性和处理效率等方面具有显著优势，同时具备较强的适用性和灵活性，能够有效支持复杂环境下的地质灾害监测和预警。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。

图1为本发明一个实施例所提供的一种基于无人机影像的库区地质灾害差分识别方法的方法流程图；

图2为本发明一个实施例所提供的步骤S300的一示例的操作流程示意图；

图3为本发明一个实施例所提供的步骤S400的一示例的操作流程示意图；

图4为本发明一个实施例所提供的一种基于无人机影像的库区地质灾害差分识别方法的另一示例的流程图；

图5为本发明一个实施例所提供的根据本发明实施例的像素尺寸的标定操作的一示例的流程图；

图6为本发明一个实施例所提供的根据本发明实施例的调整计算窗口的一示例的操作流程图；

图7为本发明一个实施例所提供的执行基于无人机影像的库区地质灾害差分识别方法的电子设备的硬件结构示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于无人机影像的库区地质灾害差分识别方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明实施例提供了一种基于无人机影像的库区地质灾害差分识别方法的具体实施方法，该方法适用于库区地质灾害识别场景。为了解决传统的PIV技术中普遍采用的归一化互相关算法在处理无人机获取的地质灾害影像时，存在出现的错误矢量较多的技术问题。本发明实施例对传统的PIV技术进行改进和优化，在提高地质灾害识别精度、适应性和处理效率等方面具有显著优势，同时具备较强的适用性和灵活性，能够有效支持复杂环境下的地质灾害监测和预警。

下面结合附图具体的说明本发明所提供的一种基于无人机影像的库区地质灾害差分识别方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于无人机影像的库区地质灾害差分识别方法的步骤流程图，该方法包括以下步骤：

步骤S100，获取库区图像集。

其中，库区图像集包含多个由无人机相机所采集的针对库区范围的库区图像帧，库区范围包含多个待进行识别的库区表面物体。

在一些实施方式中，通过无人机定期对库区进行巡检并调用相机对库区图像进行采集，上传至库区地质灾害识别平台的数据库中进行存储，以完成对库区图像集的采集和更新。

应理解的是，库区表面物体的物体类型可以是多样化的，例如河床区域、堤坝区域或公路区域等等，并可以根据实际的地质监测业务场景的需求而进行调整。

步骤S200，基于所述库区图像集构建多组两帧图像对。

其中，每组两帧图像对均包含分别对应于不同的图像采集时刻的第一库区图像帧和第二库区图像帧，且第一库区图像帧和第二库区图像帧为包含目标库区表面物体的库区图像帧。这里，目标库区表面物体可以是非特指的，但需要说明的是，第一库区图像帧和第二库区图像帧均为指示或包含同一个库区表面物体的库区图像帧。

基于所述库区图像集构建多组两帧图像对的过程为：从所述库区图像集中筛选出目标图像帧子集；所述目标图像帧子集中的各个库区图像帧均包含所述目标库区表面物体；

根据所述目标图像帧子集中各个库区图像帧的图像采集时刻，从所述目标图像帧子集中确定多组两帧图像对；所述两帧图像对包含所述目标图像帧子集中在图像采集时刻上最邻近的两个库区图像帧。

其中，根据所述目标图像帧子集中各个库区图像帧的图像采集时刻，从所述目标图像帧子集中确定多组两帧图像对，具体的：对于各组所述两帧图像对，确定所述两帧图像对中的最新图像采集时刻与***当前时间之间的时间差；根据各个所述时间差的排序，为各个所述两帧图像对分配相应的图像匹配分析优先级；其中，在所述各组两帧图像对中，对应所述时间差最小的两帧图像对具有最高的图像匹配分析优先级；依次按照图像匹配分析优先级从大到小的顺序，分别确定两帧图像对。也即分别对目标图像帧子集中的各个库区图像帧进行两两匹配，并计算两两匹配的库区图像帧之间的时间差，根据时间差的排序，为各个两帧图像对分配相应的图像匹配分析优先级，时间差最小的两帧图像对分配最高的图像匹配分析优先级，依次按照图像匹配分析优先级从大到小的顺序，对于一帧库区图像帧，保留图像匹配分析优先级最高时所对应的两帧图像对。需要说明的是，所有组两帧图像对中的库区图像帧均不相同。由此，将各组两帧图像对与***当前时间进行比较并计算时间差，并为越邻近于***当前时间的两帧图像对分别更高的优先级，实现了优先处理最新两帧图像对的模式，例如当无人机实时采集并上传库区图像帧至库区地质灾害识别平台时，库区地址灾害识别平台能够优先处理该图像帧所对应的两帧图像对，实现针对无人机实时采集影像的实时分析的目标。

步骤S300，对于所述两帧图像对，以所述第一库区图像帧为参考帧，以第二库区图像帧为当前帧，保持所述参考帧中计算窗口的位置不变，控制所述当前帧的计算窗口在当前帧内移动，根据预设的增强型互相关算法对所述参考帧与所述当前帧在计算窗口内的像素灰度值进行图像匹配分析，以确定所述目标库区表面物体对应所述计算窗口的物体形变位移。

其中，所述增强型互相关算法采用最小平方差算法，以通过最小化两帧图像对的像素灰度平方差来识别参考帧与当前帧在计算窗口中最匹配的像素区域。

需要说明的是，不同于传统的PIV技术中使用NCC算法作为图像匹配算法，在本发明实施例中，对互相关算法进行了增强设计，并采用增强型互相关算法，以通过最小化两帧图像对的像素灰度平方差来识别参考帧与当前帧在计算窗口中最匹配的像素区域。其中，该增强型互相关算法采用最小平方差算法。

采用增强型互相关算法中的最小平方差算法（MQD），相比传统的归一化互相关算法（NCC），能够更准确地识别出图像间微小的变化，可以有效降低错误矢量的出现，提高了基于无人机影像的库区地质灾害识别的精度，尤其是在物体形变位移的精细分析上，提高了物体识别结果的精度。

请参阅图2，图2示出了步骤S300的一示例的操作流程示意图，具体的：

步骤S310，对于所述两帧图像对，以所述第一库区图像帧为参考帧，以第二库区图像帧为当前帧，保持所述参考帧中计算窗口的位置不变，控制所述当前帧的计算窗口在当前帧内移动，根据预设的增强型互相关算法对所述参考帧与所述当前帧在计算窗口内的像素灰度值进行图像匹配分析，以确定所述目标库区表面物体对应所述计算窗口的物体形变位移。

步骤S320，对于各组两帧图像对，根据该两帧图像对所对应的各个窗口物体形变位移确定物体形变位移；各个计算窗口所对应的窗口长度互异。

在本发明实施例的一些示例中，各个计算窗口的窗口长度是根据初始计算窗口而确定的，且计算窗口的窗口长度随着图像匹配分析的轮次数量而等比例缩小，例如以初始窗口的窗口长度的1/2的比例进行等比例缩小。

其中，确定初始计算窗口的窗口长度的过程为：解析所述两帧图像对所对应的图像像素分辨率；根据所述两帧图像对中对应所述目标库区表面物体的图像特征信息和所述图像像素分辨率，确定所述初始计算窗口所对应的窗口大小。

由此，在依据两帧图像对进行形变位移计算时，使用多个不同尺寸的计算窗口，实现了通过多尺度的形变位移感知，有效提高了针对物体形变的检测精度。

且在本发明实施例的一个示例中，初始计算窗口的窗口大小可以是根据用户输入信息而确定的，例如由管理员进行手动设置。在本发明实施例的另一示例中，库区地质灾害识别平台能够自动确定初始计算窗口的窗口长度。具体地，库区地质灾害识别平台解析两帧图像对所对应的图像像素分辨率，进而根据两帧图像对中对应目标库区表面物体的图像特征信息和图像像素分辨率，确定初始计算窗口所对应的窗口大小。由此，根据无人机相机的分辨率和待监测目标自适应设置初始计算窗口，更加智能化，能够满足各类地质监测场景的自适应监测需求。

步骤S400，根据各组所述两帧图像对所对应的物体形变位移，确定所述目标库区表面物体是否存在地质灾害风险。

通过本发明实施例，依据物体形变位移来监测库区表面物体的微小形变，连续监测能力使得可以及时发现地质灾害的早期迹象，如裂缝的形成和发展，从而提供更有效的灾害预警，提升了灾害预警能力。

在一些实施方式中，MQD算法采用包括以下的方式，也可以称两帧图像对的像素灰度平方差的计算公式为：

；

其中，和/>分别表示参考帧和当前帧所对应的图像像素矩阵，所述图像像素矩阵中的矩阵元素为计算窗口中的图像灰度值；/>表示两帧图像对的像素灰度平方差；和/>分别表示计算窗口分别在x轴方向和y轴方向上的长度；/>和/>分别表示所述目标库区表面物体变形前后对应所述两帧图像对中计算窗口在x轴方向和y轴方向的位移值；/>和/>分别表示两帧图像对中计算窗口的灰度值分布函数；/>为参考帧中坐标为/>的像素点的灰度值；/>为当前帧中坐标为/>的像素点的灰度值。

通过两帧图像对的像素灰度平方差的计算公式，利用计算窗口的像素灰度比对处理过程，能够得到目标库区表面物体变形的方向信息和距离信息，即和/>。进一步地，结合标定结果对比设定单个像素与现实物体尺寸对应关系，将所得像素形变位移乘以对应系数，得到现实物体形变位移，实现对现实物体形变位移的精细化感知。

关于上述步骤S200的实施细节，在一些实施方式中，从库区图像集中筛选目标图像帧子集，目标图像帧子集中的各个库区图像帧均包含所述目标库区表面物体。进而，根据目标图像帧子集中各个库区图像帧的图像采集时刻，从目标图像帧子集中确定多组两帧图像对。这里，两帧图像对包含目标图像帧子集中在图像采集时刻上最邻近的两个库区图像帧。由此，将邻近图像采集时刻的两个具有监测目标物体的图像帧归为两帧图像对，实现基于库区图像集对两帧图像对的自动分组，并且每组两帧图像对能直观地表达监测目标物体在对应图像采集时刻的时间差内的形变情况。

请参阅图3，图3示出了步骤S400的一示例的操作流程示意图，具体的：

步骤S410，针对各组两帧图像对所对应的物体形变位移，将物体形变位移分别与预设位移阈值进行比较，以筛选超过预设位移阈值的目标计算窗口，并在两帧图像对中标注目标计算窗口所对应的形变位移向量。

其中，筛选超过预设位移阈值的目标计算窗口，也即筛选超过所述预设位移阈值的计算窗口作为目标计算窗口。

这里，形变位移向量包含形变位移距离和形变位移方向。示例性地，依据每个计算窗口的计算结果所对应的物体形变位移，将其与预设位移阈值进行比较，当物体形变位移超过预设位移阈值时，说明存在潜在的异常风险。进而，需要对此计算窗口的计算结果进行预警，对形变位移向量进行标注。

步骤S420，根据各组经标注了相应的形变位移向量的两帧图像对，以二维多项式曲面拟合针对目标库区表面物体的形变位移曲面区域。

这里，通过使用二维多项式曲面来拟合被标注位移向量的区域，其将有助于更好地理解库区表面物体的地表整体形变情况，找到一个曲面，也即找到一个形变位移曲面区域，以最好地逼近所有被标注的位移向量点。

通过上述步骤S420的实施细节，具体地，构建针对在x轴方向上的形变位移向量的多项式模型：

，

构建针对在y轴方向上的形变位移向量的多项式模型：

，

其中，表示对应所述目标库区表面物体的在图像帧中的位置点的坐标，和/>分别表示图像帧中每个位置点的水平位移和垂直位移的预测值；分别表示/>中多项式的系数，以及/>分别表示/>中多项式的系数，其是通过最小二乘法而计算得到的，使得拟合曲面能有效表示形变位移向量的分布。

由此，使用最小二乘法计算各个多项式系数，使得拟合曲面最好地表示形变位移向量的分布。

步骤S430，根据形变位移曲面区域，确定目标库区表面物体是否存在地质灾害风险。

在一些实施方式中，通过拟合出的曲面区域，可以清晰地展示形变区域的几何特性，如坡度变化、凹凸变形等，其能够更直观地指导对地质灾害风险的分析结果。

进一步地，关于上述步骤S430的实施细节，具体地，利用拟合得到的曲面，分析形变位移的模式和趋势，通过对曲面的形态、斜率和极值点进行分析，识别可能存在的地质灾害风险区域，例如将拟合曲面的特征与地质灾害的典型特征，进行比较，其中，拟合曲面的特征与地质灾害的典型特征如滑坡的倾斜方向和幅度。

在一些实施方式中，可以通过以下方式对形变位移曲面区域进行分析，以评估目标库区表面物体所对应的地质灾害风险：

，

其中，表示在位置点/>处的地质灾害风险评估值；/>和/>分别表示水平和垂直位移曲面在位置点/>的梯度；/>和/>分别表示水平位移曲面和垂直位移曲面在位置点/>的曲率；/>分别表示相应的权重系数，用于权衡梯度和曲率对风险评估结果的影响程度。

作为可附加的优选实施方式，还可以结合其他数据，如地下水位、降雨量记录等，以更全面地评估地质灾害风险。

通过本发明实施例，更直接地将形变位移向量与二维多项式曲面模型相结合，不仅能够提供对形变区域详细的视觉表示，还能帮助***和管理员更好地理解和预测地质灾害风险。

请参阅图4，图4示出了本发明实施例的一种基于无人机影像的库区地质灾害差分识别方法的另一示例的流程图，具体的：

步骤S510，获取图像序列。

在一些实施方式中，裁剪航拍影像，配准形成前后两期同一坐标点一一对应的图像序列。

步骤S520，执行图像预处理操作。

在一些实施方式中，根据相机的内参矩阵(Intrinsic Matrix)、外置参数矩阵(Camera Extrinsics)，消除相机的几何及光学误差，并将RGB形式的彩色图像变换为仅有分布于0~255像素值的单通道灰度图像。

示例性地，手绘遮罩区域并应用至全部帧，去除无需计算的区域。选择与特定应用场景相匹配的预处理方法。使用的算法有：

限制对比度的自适应直方图均衡化（Contrast Limited Adaptive HistogramEqualization，CLAHE），使图像像素的灰度值分布于0~255之间的大部分值，增强图像中有价值部分的信息，同时抑制噪声的放大。

高通滤波，强调图像中高频部分，即灰度变化较大的部分，同时削弱低频部分。用于突出图像中的细节或边缘。

限制图像中像素的强度值，仅适用于过曝、光照不均等异常情况，排除异常值。

二维自适应去噪滤波（Wiener2 denoise），基于一种自适应滤波器Wiener filter的原理，根据图像中的信噪比（SNR）自动调整滤波参数；通过在频域上对图像进行滤波，减小噪声的影响，同时保留图像中的信号。

低通滤波，去除高频噪声或细节，保留图像中的低频信息，平滑图像。

自动对比度拉伸（Contrast stretch），调整图像的灰度级别分布，充分利用整个0-255的像素灰度范围。

背景差分法（Background subtraction），从图像序列中提取背景，对图像序列中的每一帧与背景图像进行比较，找出差异部分。

步骤S530，执行像素尺寸的标定操作。

请参阅图5，图5示出了根据本发明实施例的像素尺寸的标定操作的一示例的流程图。如图5所示，完整的坐标转换过程涉及世界坐标系、相机坐标系、图像坐标系、像素坐标系4个坐标系之间的相互转换。利用已知的标定物体尺寸和其在图像中的像素数量，计算每个像素的实际世界尺寸。这涉及到简单的比例关系，即实际尺寸与像素数量之间的比率。例如，如果标定物体在图像中有100个像素，而其实际尺寸为10厘米，那么每个像素的实际尺寸就是10厘米/100像素=0.1厘米/像素。将计算得到的像素尺寸与摄像头参数一起保存，以便后续将PIV计算得到的以像素为单位的图像位移值转换为物体在空间中的真实位移值，以便根据相机的标定结果获取物体在真实空间中的位移值。

步骤S540，自适应设定计算窗口。

请参阅图6，图6示出了根据本发明实施例的调整计算窗口的一示例的操作流程图。具体地，确定用于分析的窗口的大小，根据待测目标的特征以及图像像素质量综合考虑选取最优的计算窗口大小初始值，各轮计算窗口边长，例如缩小为上一轮的一半。如图6所示的图像匹配算法流程中，IW(Interrogate Window)代表计算窗口，SW(Search Window)代表搜索窗口，以前一帧图像计算窗口中心处的像素坐标为中心，在其周围逐个选定计算窗口，周围范围的大小即为搜索区域。

步骤S550，计算物体的形变位移。

具体地，首先划定预计位移值分布上下限。通过标准差滤波，计算某点周围窗口内的位移值的标准差(stdev)，检测噪声、异常值。此处设置阈值为n*stdev，所有位移值大于阈值的部分被认为是异常值或噪声，并将被滤除或替换。通过中值滤波，对于位移场中的每个点，计算其周围窗口内的位移值的中值，得到该点位移值与其局部中值之间的差异，超过阈值时对该点的位移值进行调整。通过幅度陷波滤波器，消除位移场频谱中的特定频率，如周期性干扰或噪声。最终实现过滤低对比度部分、过亮、互相关系数过低的区域，并插值估算被过滤、缺失的数据。匹配算法的计算精度理论上不大于一个像素的大小，为满足更高级别的精度要求，本发明实施例通过对图像匹配计算过后得到的位移分布结果进行插值拟合，实现亚像素精度计算。结合标定结果对比设定单个像素与现实物体尺寸对应关系，将所得位移乘以对应系数，得到实际位移。

步骤S560，可视化展示库区地质灾害差差分识别结果。

具体地，分析PIV算法输出的文本形式计算结果，提取坐标和位移分量，计算位移阈值，提取对应背景图像，标注每个窗口的位移数值、方向，标识出超阈值位移的计算窗口，以二维多项式曲面拟合移动区域，统计移动区域大小，合成图像，以直观地展示结果。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作合并，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在一些实施例中，本发明实施例提供一种非易失性计算机可读存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备读取并执行，包括但不限于计算机，服务器，或者网络设备等，以用于执行本申请上述的基于无人机影像的库区地质灾害差分识别方法。

在一些实施例中，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述的基于无人机影像的库区地质灾害差分识别方法。

在一些实施例中，本发明实施例还提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行基于无人机影像的库区地质灾害差分识别方法。

图7是本发明另一实施例提供的执行基于无人机影像的库区地质灾害差分识别方法的电子设备的硬件结构示意图，如图7所示，该设备包括：

一个或多个处理器810以及存储器820，图7中以一个处理器810为例。

执行基于无人机影像的库区地质灾害差分识别方法的设备还可以包括：输入装置830和输出装置840。

处理器810、存储器820、输入装置830和输出装置840可以通过总线或者其他方式连接，图7中以通过总线连接为例。

存储器820作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的基于无人机影像的库区地质灾害差分识别方法对应的程序指令/模块。处理器810通过运行存储在存储器820中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的基于无人机影像的库区地质灾害差分识别方法。

存储器820可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器820可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器820可选包括相对于处理器810远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置830可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的信号。输出装置840可包括显示屏等显示设备。

所述一个或者多个模块存储在所述存储器820中，当被所述一个或者多个处理器810执行时，执行上述任意方法实施例中的基于无人机影像的库区地质灾害差分识别方法。

上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。

本发明实施例的电子设备以多种形式存在，包括但不限于：

(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机、多媒体手机、功能性手机，以及低端手机等。

(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等。

(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。

(4)其他具有数据交互功能的机载电子装置，例如安装上车辆上的车机装置。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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，执行各个实施例或者实施例的某些部分所述的方法。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种基于无人机影像的库区地质灾害差分识别方法，其特征在于，该方法包括以下步骤：

获取库区图像集；所述库区图像集包含多个由无人机相机所采集的针对库区范围的库区图像帧；所述库区范围包含多个待进行识别的库区表面物体；

基于所述库区图像集构建多组两帧图像对；每组所述两帧图像对均包含不同的图像采集时刻的第一库区图像帧和第二库区图像帧，且所述第一库区图像帧和所述第二库区图像帧为包含目标库区表面物体的库区图像帧；

对于所述两帧图像对，以所述第一库区图像帧为参考帧，以第二库区图像帧为当前帧，保持所述参考帧中计算窗口的位置不变，控制所述当前帧的计算窗口在当前帧内移动，根据预设的增强型互相关算法对所述参考帧与所述当前帧在计算窗口内的像素灰度值进行图像匹配分析，以确定所述目标库区表面物体对应所述计算窗口的物体形变位移；所述增强型互相关算法采用最小平方差算法，以通过最小化两帧图像对的像素灰度平方差来识别参考帧与当前帧在计算窗口中最匹配的像素区域；

根据各组所述两帧图像对所对应的物体形变位移，确定所述目标库区表面物体是否存在地质灾害风险。

2.根据权利要求1所述的基于无人机影像的库区地质灾害差分识别方法，其特征在于，所述根据预设的增强型互相关算法对所述参考帧与所述当前帧在计算窗口内的像素灰度值进行图像匹配分析，包括：

两帧图像对的像素灰度平方差的计算公式为：

；

其中，和/>分别表示参考帧和当前帧所对应的图像像素矩阵，所述图像像素矩阵中的矩阵元素为计算窗口中的图像灰度值；/>表示两帧图像对的像素灰度平方差；/>和分别表示计算窗口分别在x轴方向和y轴方向上的长度；/>和/>分别表示所述目标库区表面物体变形前后对应所述两帧图像对中计算窗口在x轴方向和y轴方向的位移值；/>和/>分别表示两帧图像对中计算窗口的灰度值分布函数；/>为参考帧中坐标为/>的像素点的灰度值；/>为当前帧中坐标为/>的像素点的灰度值。

3.根据权利要求1所述的基于无人机影像的库区地质灾害差分识别方法，其特征在于，所述根据各组所述两帧图像对所对应的物体形变位移，确定所述目标库区表面物体是否存在地质灾害风险，包括：

针对各组所述两帧图像对所对应的物体形变位移，将所述物体形变位移分别与预设位移阈值进行比较，以筛选超过所述预设位移阈值的计算窗口作为目标计算窗口，并在所述两帧图像对中标注所述目标计算窗口所对应的形变位移向量；所述形变位移向量包含形变位移距离和形变位移方向；

根据各组经标注了相应的形变位移向量的两帧图像对，以二维多项式曲面拟合针对所述目标库区表面物体的形变位移曲面区域；

根据所述形变位移曲面区域，评估所述目标库区表面物体所对应的地质灾害风险。

4.根据权利要求3所述的基于无人机影像的库区地质灾害差分识别方法，其特征在于，所述根据各组经标注了相应的形变位移向量的两帧图像对，以二维多项式曲面拟合针对所述目标库区表面物体的形变位移曲面区域，包括：

构建针对在x轴方向上的形变位移向量的多项式模型：

，

构建针对在y轴方向上的形变位移向量的多项式模型：

，

其中，表示对应所述目标库区表面物体的在图像帧中的位置点的坐标，/>和分别表示图像帧中每个位置点的水平位移和垂直位移的预测值；/>分别表示/>中多项式的系数，以及/>分别表示/>中多项式的系数，其是通过最小二乘法而计算得到的，使得拟合曲面能有效表示形变位移向量的分布。

5.根据权利要求3所述的基于无人机影像的库区地质灾害差分识别方法，其特征在于，所述根据所述形变位移曲面区域，评估所述目标库区表面物体所对应的地质灾害风险，包括：

，

其中，表示在位置点/>处的地质灾害风险评估值；/>和/>分别表示水平和垂直位移曲面在位置点/>的梯度；/>和/>分别表示水平位移曲面和垂直位移曲面在位置点/>的曲率；/>分别表示相应的权重系数，用于权衡梯度和曲率对风险评估结果的影响程度。

6.根据权利要求1所述的基于无人机影像的库区地质灾害差分识别方法，其特征在于，所述对于所述两帧图像对，以所述第一库区图像帧为参考帧，以第二库区图像帧为当前帧，保持所述参考帧中计算窗口的位置不变，控制所述当前帧的计算窗口在当前帧内移动，根据预设的增强型互相关算法对所述参考帧与所述当前帧在计算窗口内的像素灰度值进行图像匹配分析，以确定所述目标库区表面物体对应所述计算窗口的物体形变位移，包括：

针对各组所述两帧图像对，将所述两帧图像对依据多个计算窗口进行相应多轮次的图像匹配分析，以确定所述目标库区表面物体对应各个所述计算窗口的窗口物体形变位移，根据各个所述窗口物体形变位移确定所述物体形变位移；其中，各个所述计算窗口所对应的窗口长度互异。

7.根据权利要求1所述的基于无人机影像的库区地质灾害差分识别方法，其特征在于，计算窗口的窗口长度是根据初始计算窗口确定的，且所述计算窗口的窗口长度随着图像匹配分析的轮次数量而等比例缩小。

8.根据权利要求7所述的基于无人机影像的库区地质灾害差分识别方法，其特征在于，确定初始计算窗口的窗口长度的过程为：

解析所述两帧图像对所对应的图像像素分辨率；

根据所述两帧图像对中对应所述目标库区表面物体的图像特征信息和所述图像像素分辨率，确定所述初始计算窗口所对应的窗口大小。

9.根据权利要求1所述的基于无人机影像的库区地质灾害差分识别方法，其特征在于，所述基于所述库区图像集构建多组两帧图像对的过程为：

从所述库区图像集中筛选出目标图像帧子集；所述目标图像帧子集中的各个库区图像帧均包含所述目标库区表面物体；

根据所述目标图像帧子集中各个库区图像帧的图像采集时刻，从所述目标图像帧子集中确定多组两帧图像对；所述两帧图像对包含所述目标图像帧子集中在图像采集时刻上最邻近的两个库区图像帧。

10.根据权利要求9所述的基于无人机影像的库区地质灾害差分识别方法，其特征在于，所述根据所述目标图像帧子集中各个库区图像帧的图像采集时刻，从所述目标图像帧子集中确定多组两帧图像对，包括：

对于各组所述两帧图像对，确定所述两帧图像对中的最新图像采集时刻与***当前时间之间的时间差；

根据各个所述时间差的排序，为各个所述两帧图像对分配相应的图像匹配分析优先级；其中，在所述各组两帧图像对中，对应所述时间差最小的两帧图像对具有最高的图像匹配分析优先级；依次按照图像匹配分析优先级从大到小的顺序，分别确定两帧图像对。