CN104700399A - 一种基于高分遥感影像的大变形滑坡位移场标定方法 - Google Patents
一种基于高分遥感影像的大变形滑坡位移场标定方法 Download PDFInfo
- Publication number
- CN104700399A CN104700399A CN201510008277.3A CN201510008277A CN104700399A CN 104700399 A CN104700399 A CN 104700399A CN 201510008277 A CN201510008277 A CN 201510008277A CN 104700399 A CN104700399 A CN 104700399A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- landslide
- sensing image
- displacement
- 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
Abstract
本发明公开了一种基于高分遥感影像的大变形滑坡位移场标定方法,该方法针对研究区不同时相的高分遥感影像和相应DEM,利用“双几何模型”进行正射校正,在进行预处理和高精度影像匹配之后,基于匹配正确的同名特征点生成矢量集模型,依据该模型可标定滑坡体的空间位移场。在大型滑坡灾害尤其在复杂地形下的滑坡灾害的预警中利用该方法,能够自动找寻正在滑动的滑坡体并对其进行宏观监测,得到大变形滑坡体在某个时间段宏观位移方向和位移量大小,并圈定滑移范围。从而为进一步布设GPS控制网、以便更精确监测滑坡位移和预警滑坡灾害提供基础数据和依据。该系统和方法,技术成熟、成本较低、操作方便、计算迅速、准确度较高,可为滑坡灾害监测与评价提供更科学的依据,为防灾减灾提供安全保障。
Description
技术领域
本发明涉及目标监测技术领域,是一种基于高分影像的大变形滑坡位移场标定的系统和方法。
背景技术
随着经济社会发展的加速,经济活动的加剧,对自然资源的过度开发,生态环境的恶化,使得我国自然灾害呈现日趋严重的发展趋势。在众多自然灾害中,滑坡灾害是分布范围广、影响大、破坏严重的地质灾害之一,滑坡运动具有时空不确定性,并且运动过程出现巨大的能量转化,给人类的生活、生产等领域带来不便,甚至重大的经济损失。
滑坡灾害是斜坡岩土体沿着惯通的剪切破坏面所发生的滑移现象,其机制是某一滑移面上剪应力超过了该面的抗剪强度所致。中国众多地区,特别是西南丘陵山区,最基本的地形地貌特征就是山体众多,山势陡峻,沟谷河流遍布于山体之中,与之相互切割,因而形成众多的具有足够滑动空间的斜坡体和切割面,广泛存在滑坡发生的基本条件,滑坡灾害相当频繁。另外,地震对滑坡的影响很大,首先是地震的强烈作用使斜坡土石的内部结构发生破坏和变化,原有的结构面张裂、松弛,加上地下水也有较大变化,特别是地下水位的突然升高或降低对斜坡稳定是很不利的。此外,由于地质构造、降雨造成的滑坡也在全国各地时有发生,例如2009年发生的重庆武隆、云南文山、威信、凤庆山体滑坡等等。这些滑坡对建筑物、农田、道路及地下管线等产生危害或破坏,造成一系列的生态环境问题。
针对滑坡,国内外已经做了很多研究,传统检测滑坡的方法有:大地精密测量法、GPS监测点布设,InSAR技术,三维激光扫描技术等,但具有一定优势的同时存在一定的缺点。例如,传统的大地测量方式和GPS监测点布设为点式监测手段,难以获取空间场的信息。而InSAR作为高精度监测地表形变的技术,适合于小变形滑坡或滑坡初期变形量较小的测量,但对于滑坡发展后期或大变形滑坡,易产生相位失相干或相位解缠困难,从而不能有效获取滑坡位移场信息。地面三维激光扫描技术受到测量距离的限制,机载三维激光扫描设备昂贵,作业方式复杂。
大变形滑坡是指那些维持稳定滑动、位移量很大、但未发生最终的突然性、灾害性滑动的滑坡。这些滑坡在自然界占有相当的数量。对其进行全场性位移量观测,对于了解滑坡发展趋势、进而进行灾害预警具有重要意义。作为空间信息技术之一的遥感技术,已经在滑坡自然灾害动态监测及预报预测方面发挥了非常重要的作用和优势。高分遥感技术提取滑坡区域和计算位移量的显著特点是:①具有宏观性和直观性;②获得的信息量巨大;③其应用受地面条件限制少,可用于自然条件恶劣,地面工作困难的地区;④经济效益好,成本低,收益高。因此在高分遥感领域监测滑坡的研究方案大多基于灰度的匹配算法即相关匹配算法,即利用模板图像在实时图像进行滑动获取基准子图,并计算模板图与基准子图的相似性度量,以确定在实时图像中是否存在与该模板相同或相似的区域,若该区域存在,还可确定其位置并提取该区域。由于该方法不需考虑图像的结构信息,利用区域相关的方法对图像的灰度信息进行匹配。因此该算法易受噪声的干扰,并且匹配精度较低,匹配结果并不理想,造成在复杂地形下圈定滑坡体范围和计算滑坡体位移量上存在很大误差,另外遥感影像相对于一般图像有复杂性,在遥感影像的像素灰度匹配中也存在一定劣势。因此,目前还没有针对大变形滑坡普适性的空间位移场监测方法。
本研究方法中的基于特征的图像配准方法通过图像上具有代表性的特征信息进行图像之间的匹配,首先提取两幅图像各自的特征点集,然后再建立这两个特征点集之间的映射关系,找到匹配的点对,从而达到图像配准的目的。由于该方法只考虑特征信息,并且有较强的抗噪声、形变能力,所以具有计算量小和鲁棒性高的优点。能较准确地在复杂地形下圈定滑坡体范围和计算滑坡体位移量。
发明内容
本发明的目的是针对大变形滑坡体,提供一种基于高分影像的滑坡空间位移矢量场标定的系统和方法。该方法在滑坡灾害尤其在复杂地形下的滑坡地质灾害的监测中,能够自动找寻正在移动的滑坡体并对其进行监测,得到滑坡体在某个时间段内位移矢量的发生方向、位移大小和空间范围,从而为进一步分析滑坡发展趋势以及布设GPS控制网、更精确监测空间位移,并开展灾害预警提供基础数据与依据。
为达到上述目的,本发明的技术解决方案是:
一种基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,该方法包括遥感影像处理、遥感影像匹配和空间场位移量计算,具体步骤操作如下:
A)选取研究区不同时相的两幅高分辨率遥感影像(分辨率为0.5m之内)和同一研究区与遥感影像时间同步的两期数字高程模型(DEM);
B) 建立“基于高分影像特征集的双几何模型”,通过该模型,利用步骤A)选取的DEM对步骤A)中选取的遥感影像进行正射校正;
C)对正射校正后的影像,依次进行影像融合、影像裁剪预处理,并输出预处理后的遥感影像;
D)分别对步骤C)中输出的两幅遥感影像,基于高斯卷积核构建影像尺度空间,检测极值点,获得尺度不变性;
E)将步骤D)中生成的遥感影像中特征点,利用空间尺度函数,过滤掉低对比度的特征点和不稳定的边缘响应点,并精确定位过滤后的特征点;
F)为过滤后的特征点分配方向值,生成特征描述子;
G)当两幅遥感影像的特征向量生成以后,采用关键点特征向量的欧式距离作为两幅遥感影像中关键点的相似性判定度量;
H)通过“基于标准偏差基准的斜率过滤法”去除两幅遥感影像中匹配错误的特征点;
I)通过“滑坡体运动特征矢量集模型”计算正确匹配的特征点位移量,在步骤C)选取的遥感影像中,标定滑坡体空间位移矢量场,并圈出滑坡体范围;最后进行滑坡位移矢量精度检验。
所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述A)步,所述的遥感影像为多光谱影像或全色影像中的任意一种,数量上至少为两幅,本专利申请书采用了两幅遥感影像;所述的时间同步,为影像1与DEM1获取时间基本一致,影像2与DEM2获取时间基本一致,从而确保影像正射校正的准确性。
所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述B)步,所述的“基于高分影像特征集的双几何模型”,其中模型一:将较低分辨率的遥感影像依照较高分辨率的遥感影像的分辨率,取采样点到周围4邻域像元的距离加权计算栅格值,建立新的栅格矩阵;模型二:在“小视场角内的中心投影近似于平行光投影”的假设下,求解方位参数, 可克服方位参数的相关性,高分辨率的影像视场角更小, 因而其方位参数之间的相关性必然更强,因此该模型近似效果较好。
所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述C)步,在处理过程中,两幅遥感影像的分辨率要始终保持一致。
所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述D)步,所述输出预处理后的遥感影像,两张遥感影像必须满足:同一研究区、同一坐标系、同等分辨率、同等面积、以及同种图片格式条件。
所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述G)步,两幅遥感影像中特征点的相似性判定的度量是特征点间的欧式距离,即取图像1的某个关键点,通过遍历找到图像2中的距离最近的两个关键点;在这两个关键点中,如果次近距离除以最近距离小于某个阈值,则判定为一对匹配点。
所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述H)步,所述的“基于标准偏差基准的斜率过滤法”,即影像已经过正射校正,若数对匹配点是正确的匹配关系,则其连线的斜率应该一致或近似一致,若出现明显超出一定斜率界限的匹配点,则可以判定匹配精度较低甚至错误,因此本专利根据标准偏差的3倍为基准,求得残差决定该匹配点是否保留。
所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述I)步,所述的“滑坡体运动特征矢量集模型”,即以步骤D)输出的影像的左上角点为原点建立像方坐标系,分别将两幅影像中获取的滑坡体上的特征点依次首尾相连,连接成特征矢量集;两幅影像二维图像坐标之差便是潜在滑坡体在两幅影像时间段间的位移像素个数,像素个数与单个像素所代表的实地距离相乘,便是潜在滑坡体在两幅影像所处的时间段内已滑动的位移量;所述的圈出滑坡体范围,即在步骤D)输出的影像中,画出滑坡位移的等值线图,可直观地看出不同滑坡位移量的空间移动范围。
所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述滑坡体,为被监测区域有滑动倾向或正在滑动的地表;所述的滑坡体空间位移矢量场,为被监测影像上通过遥感影像匹配算法提取的特征点矢量位移在空间场的分布。
所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述的滑坡位移矢量精度检验,即理论上,影响滑坡精度的来源主要包括正射校正精度和影像匹配精度;正射校正的精度主要与影像分辨率、DEM精度和卫星位置姿态参数的精度有关,本申请书应用案例采用了法国的Pleiades高分遥感影像,其分辨率0.5m,DEM分辨率也是0.5m,经理论分析与试验验证,正射校正精度可以达到1.5个像元左右,即中误差±0.75m;影像匹配精度的获得,是通过曲面拟合的模板匹配算法,该方法只能用于模板匹配,但匹配精度可以达到1/20像元;通过验证本案例采用影像匹配算法精度能达到像元的0.4倍,即中误差±0.2m;综合以上两项误差影响因素分析,理论精度为0.78m;本案例基于高分影像的位移量观测结果经过3个GPS点验证,中误差为±1.01m,略大于理论误差。
附图说明
图 1 为基于高分影像的大变形滑坡空间场位移矢量标定方法流程图;
图 2 为某滑坡灾害研究区全景图;
图 3 为某滑坡灾害研究区遥感影像1(滑动前);
图 4 为某滑坡灾害研究区遥感影像2(滑动后的某时刻);
图 5 为与遥感影像1(图3)时间对应的DEM数据;
图 6 为与遥感影像2(图4)时间对应的DEM数据;
图 7 为遥感影像1经正射校正和预处理后的图像;
图 8 为遥感影像2经正射校正和预处理后的图像;
图 9 自动将大面积遥感影像分成数个小区域进行滑坡体位移的计算(以白框内区域为例);
图 10 为划定的小区域特征点匹配结果(白线代表左右两幅遥感影像中滑坡体属同一地物特征点的连线);
图 11 为划定的小区域掉剔除错误特征点匹配的结果;
图 12 为剔除错误匹配点后对小区域滑坡体位移量的计算结果(图中白色箭头标识两期遥感影像所处时间段内滑坡体运动矢量的大小和方向);
图 13 为剔除错误匹配点后对整个滑坡体空间位移量的计算结果
图 14 为剔除错误匹配点后对整个滑坡体空间位移量的等值线图
具体实施方式
本研究方法实施主要由不低于两幅的同一区域不同时相的遥感影像、对应的DEM数据、滑坡体位移场矢量标定软件和一台计算机构成。该方法的整体功耗很低且计算速度快,有以下6大特点。
特点1:本研究方法需要配套两个核心模块,即遥感影像处理模块和影像匹配计算模块。遥感影像处理模块可实现:1)因遥感影像通常非正射影像,影像各部分有不同程度的投影变形,因此需要进行正射校正。其方法是利用原来已经获取的该影像范围内的数字高程模型(DEM)数据,对影像进行投影差改正,将影像重采样成正射影像。2)影像融合,将多光谱影像与全色影像优势结合,既可以提高多光谱影像空间分辨率,又保留其多光谱特性。3)影像配准,由于卫星传感器和轨道误差等因素,两幅影像没发生位移的地方也可能出现坐标不匹配的情况,需要做配准,确保无地面运动的同名点坐标在两幅影像上保持一致。4)影像裁剪,将两幅影像裁剪成同样大小,方便下一步的计算。影像匹配计算模块由以下2个模块构成:1)滑坡体特征匹配和识别模块,其主要功能是基于高斯卷积核构建影像尺度空间,在不同时刻拍摄的遥感影像中,实现滑坡体目标自动特征提取、匹配和识别;2)滑坡体空间位移矢量场标定模块,其主要功能是基于滑坡体运动特征矢量模型,通过不同时刻获取的遥感影像,计算出滑坡体目标的位移量。
特点2:本方法实现了一种“基于高分影像特征集的双几何模型”的遥感影像正射纠正方法。其中模型一:将较低分辨率的遥感影像依照较高分辨率的遥感影像的分辨率,取采样点到周围4邻域像元的距离加权计算栅格值,建立新的栅格矩阵;模型二:在“小视场角内的中心投影近似于平行光投影”的假设下,求解方位参数, 可克服方位参数的相关性,高分辨率的影像视场角更小, 因而其方位参数之间的相关性必然更强,因此该模型近似效果较好。
特点3:本研究方法采用了一种新的特征点过滤方法,即“基于标准偏差基准的斜率过滤法”,通过建立标准偏差的基准,求得残差决定某匹配点是否保留,这种方法的特点是能高效地剔除错误的匹配点或者匹配精度不高的点,对遥感影像配准精度的提高有着积极意义,进而保证滑坡体位移量的计算更加准确。
特点4:本方法的核心技术是“滑坡体运动特征矢量集模型”,该方法先以监测图像的左上角点为原点建立像方坐标系,计算特征点在两期影像的坐标值,再分别将影像1和影像2中滑坡体上的特征点依次首尾相连,连接成特征矢量集,将影像1和影像2中的滑坡体特征矢量集相减,就可以建立描述该滑坡体在不同时刻发生运动和变化的模型,我们将其称之为“滑坡体运动特征矢量集模型”。
特点5:本发明的一种基于高分影像的滑坡空间位移矢量场标定方法,利用现有的迅猛发展的遥感技术和计算机技术,设计出方便、快速、智能的目标识别、特征提取、影像匹配、以及滑坡体目标位移解算和圈定滑坡区域的新方法。该方法具有结构简单、操作灵活、自动化程度高、功耗小、成本低、监测距离远、监测范围大、对各类不同滑坡体目标和观测环境适应性强等特点。
特点6:本方法可以实现滑坡灾害监测和预警功能,在实际滑坡监测过程中,根据不同时相的遥感影像,并通过图像局部组合特征向量集来识别被监测的滑坡体目标,建立滑坡体目标运动矢量模型,解算出影像2滑坡体特征点同影像1相比发生的位移变化,继而能大范围、快速、较准确地圈定滑坡区域,以及计算大型滑坡的滑动位移量。根据多幅影像之间特征点的匹配计算还可推算出该滑坡体滑动的速度和加速度,从而为滑坡灾害预测预警奠定基础。下表是利用本研究方法对某一滑坡体两幅不同时相影像计算得到的目标坐标和位移信息的样例数据,其中影像a为滑前时刻,影像b为滑动后的某时刻,且影像左上角点为坐标原点,其中,X1:滑前时刻某小区域滑坡体特征点的横坐标;X2:滑动后某时刻对应特征点的横坐标;Y1:滑前时刻某小区域滑坡体特征点的纵坐标;Y2:滑动后某时刻对应特征点的纵坐标;C1(pixel):为X2与X1的差值,即特征点东西向位移的像素个数;C2(pixel):为Y2与Y1的差值,即特征点南北向位移的像素个数;C1(m):特征点东西方向移动的距离,单位米(本专利使用的高分影像空间分辨率为0.5m,下同);C2(m):特征点南北方向移动的距离,单位米。通过对滑坡体目标位移的计算,实现滑坡监测预报功能。
表 某区域滑坡体特征点在影像a和影像b中的坐标与位移信息
实施例
以国内某大型滑坡为例,利用本研究方法对该滑坡体(包括岩石边坡、土体边坡、危岩和滚石)进行监测。
1、遥感影像正射校正:首先购买两期高分遥感影像(空间分辨率为0.5m),如图3、图4。由于两幅遥感影像拍摄角度皆不是正射拍摄,且拍摄角度不同,因此造成两幅影像相对于真实地面情况有着不同程度上的变形,需要进行正射校正。方法是利用与两幅遥感影像时间同步的两期DEM数据(图5、图6)分别将两幅影像纠正为正射影像。
2、遥感影像预处理:进行两幅正射影像的融合、配准等工作。其中融合是为了让影像同时具有全色影像的高分辨率优势和多光谱优势;配准是为了改正传感器损耗、镜头畸变等造成的实际未发生偏移的同名点在影像上坐标不一致的系统误差的出现。并输出两幅同等范围大小的影像数据,如图7、图8。
3、遥感影像匹配计算:将第2步得出的两期影像载入影像匹配算法,自动将大面积遥感影像分成数个小区域进行滑坡体位移量的计算,如图9所示。
4、在影像匹配算法模块中自动对滑坡体目标进行目标识别、特征匹配。特征点匹配结果如图10所示。其中蓝色线连接的是通过特征向量集匹配方法,识别出来的滑动目标。
5、对图10剔除错误的匹配点后生成图11,继而生成该区域滑坡体运动特征矢量模型如图12所示。
6、对整个研究区采用以上方法生成滑坡体目标运动矢量模型,如图13所示。蓝色箭头标识的是滑坡体目标运动矢量大小和方向。图13和图14显示了滑坡体范围和位移量大小(图13蓝色箭头所指区域及图14黄色条纹)。
7、为检验该方法的精度,首先采用了理论分析方法。影响滑坡精度的因素主要有正射校正精度和影像匹配精度。正射校正的精度主要与影像分辨率、DEM精度和卫星位置姿态参数的精度有关,本案例采用的高分影像为法国的Pleiades影像,空间分辨率0.5m,DEM分辨率也是0.5m,经理论分析,精度可达到1.5个像元左右,即中误差±0.75m。影像匹配精度的验证,是通过曲面拟合的模板匹配算法,采用模板匹配,匹配精度可以达到1/20像元。通过验证本案采用影像匹配算法精度能达到像元的0.4倍,即中误差±0.2m。综合以上两项因素中误差为±0.78m。经观测区域内3个GPS监测点验证,中误差为±1.01m,超于理想条件下的验证精度。这是因为,GPS监测点所处位置在本实例中无对应特征点,因此,利用特征点,采用曲面拟合的方法获得GPS监测点所处位置,依据“滑坡体运动特征矢量集模型”计算该实例中的地表滑动位移。与GPS实测位移量相比,这种方法引入了较大误差。
8、该例中滑坡的最大位移量33.7m,Y方向上平均28.9m,属于大变形滑坡体,而滑坡检测中误差±1.01m,Y方向上相对误差相对误差仅为3.4%,满足大变形体变形检测精度要求。
Claims (10)
1.一种基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,该方法针对大变形滑坡,实施过程包括遥感影像处理、遥感影像匹配和空间场位移量计算,具体步骤操作如下:
A)选取研究区不同时相的两幅高分辨率遥感影像(分辨率为0.5m之内)和同一研究区与遥感影像时间同步的两期数字高程模型(DEM);
B) 建立“基于高分影像特征集的双几何模型”,通过该模型,利用步骤A)选取的DEM对步骤A)中选取的遥感影像进行正射校正;
C)对正射校正后的影像,依次进行影像融合、影像裁剪预处理,并输出预处理后的遥感影像;
D)分别对步骤C)中输出的两幅遥感影像,基于高斯卷积核构建影像尺度空间,检测极值点,获得尺度不变性;
E)将步骤D)中生成的遥感影像中特征点,利用空间尺度函数,过滤掉低对比度的特征点和不稳定的边缘响应点,并精确定位过滤后的特征点;
F)为过滤后的特征点分配方向值,生成特征描述子;
G)当两幅遥感影像的特征向量生成以后,采用关键点特征向量的欧式距离作为两幅遥感影像中关键点的相似性判定度量;
H)通过“基于标准偏差基准的斜率过滤法”去除两幅遥感影像中匹配错误的特征点;
I)通过“滑坡体运动特征矢量集模型”计算正确匹配的特征点位移量,在步骤C)选取的遥感影像中,标定滑坡体空间位移矢量场,并圈出滑坡体范围;最后进行滑坡位移矢量精度检验。
2.如权利要求1所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述A)步,所述的遥感影像为多光谱影像或全色影像中的任意一种,数量上至少为两幅,本专利申请书采用了两幅遥感影像;所述的时间同步,为影像1与DEM1获取时间基本一致,影像2与DEM2获取时间基本一致,从而确保影像正射校正的准确性。
3.如权利要求1所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述B)步,所述的“基于高分影像特征集的双几何模型”,其中模型一:将较低分辨率的遥感影像依照较高分辨率的遥感影像的分辨率,取采样点到周围4邻域像元的距离加权计算栅格值,建立新的栅格矩阵;模型二:在“小视场角内的中心投影近似于平行光投影”的假设下,求解方位参数, 可克服方位参数的相关性,高分辨率的影像视场角更小, 因而其方位参数之间的相关性必然更强,因此该模型近似效果较好。
4.如权利要求1所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述C)步,在处理过程中,两幅遥感影像的分辨率要始终保持一致。
5.如权利要求1所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述D)步,所述输出预处理后的遥感影像,两张遥感影像必须满足:同一研究区、同一坐标系、同等分辨率、同等面积、以及同种图片格式条件。
6. 如权利要求1所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述G)步,两幅遥感影像中特征点的相似性判定的度量是特征点间的欧式距离,即取图像1的某个关键点,通过遍历找到图像2中的距离最近的两个关键点;在这两个关键点中,如果次近距离除以最近距离小于某个阈值,则判定为一对匹配点。
7.如权利要求1所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述H)步,所述的“基于标准偏差基准的斜率过滤法”,即影像已经过正射校正,若数对匹配点是正确的匹配关系,则其连线的斜率应该一致或近似一致,若出现明显超出一定斜率界限的匹配点,则可以判定匹配精度较低甚至错误,因此本专利根据标准偏差的3倍为基准,求得残差决定该匹配点是否保留。
8.如权利要求1所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述I)步,所述的“滑坡体运动特征矢量集模型”,即以步骤D)输出的影像的左上角点为原点建立像方坐标系,分别将两幅影像中获取的滑坡体上的特征点依次首尾相连,连接成特征矢量集;两幅影像二维图像坐标之差便是潜在滑坡体在两幅影像时间段间的位移像素个数,像素个数与单个像素所代表的实地距离相乘,便是潜在滑坡体在两幅影像所处的时间段内已滑动的位移量;所述的圈出滑坡体范围,即在步骤D)输出的影像中,画出滑坡位移的等值线图,可直观地看出不同滑坡位移量的空间移动范围。
9.如权利要求1所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述滑坡体,为被监测区域有滑动倾向或正在滑动的地表;所述的滑坡体空间位移矢量场,为被监测影像上通过遥感影像匹配算法提取的特征点矢量位移在空间场的分布。
10.如权利要求1所述的基于高分遥感影像的大变形滑坡位移场标定方法,其特征在于,所述的滑坡位移矢量精度检验,即理论上,影响滑坡精度的来源主要包括正射校正精度和影像匹配精度;正射校正的精度主要与影像分辨率、DEM精度和卫星位置姿态参数的精度有关,本申请书应用案例采用了法国的Pleiades高分遥感影像,其分辨率0.5m,DEM分辨率也是0.5m,经理论分析与试验验证,正射校正精度可以达到1.5个像元左右,即中误差±0.75m;影像匹配精度的获得,是通过曲面拟合的模板匹配算法,该方法只能用于模板匹配,但匹配精度可以达到1/20像元;通过验证本案例采用影像匹配算法精度能达到像元的0.4倍,即中误差±0.2m;综合以上两项误差影响因素分析,理论精度为0.78m;本案例基于高分影像的位移量观测结果经过3个GPS点验证,中误差为±1.01m,略大于理论误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510008277.3A CN104700399A (zh) | 2015-01-08 | 2015-01-08 | 一种基于高分遥感影像的大变形滑坡位移场标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510008277.3A CN104700399A (zh) | 2015-01-08 | 2015-01-08 | 一种基于高分遥感影像的大变形滑坡位移场标定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104700399A true CN104700399A (zh) | 2015-06-10 |
Family
ID=53347481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510008277.3A Pending CN104700399A (zh) | 2015-01-08 | 2015-01-08 | 一种基于高分遥感影像的大变形滑坡位移场标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700399A (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488582A (zh) * | 2015-11-13 | 2016-04-13 | 辽宁工程技术大学 | 一种山体岩堆滑坡预测方法及装置 |
CN106303412A (zh) * | 2016-08-09 | 2017-01-04 | 鞍钢集团矿业有限公司 | 基于监控影像的排土场位移远程实时监测装置与方法 |
CN106295641A (zh) * | 2016-08-09 | 2017-01-04 | 鞍钢集团矿业有限公司 | 一种基于影像surf特征的边坡位移自动监测方法 |
CN106408585A (zh) * | 2016-11-28 | 2017-02-15 | 深圳万智联合科技有限公司 | 一种生态景观边坡监测系统 |
CN106600574A (zh) * | 2016-08-25 | 2017-04-26 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像与高程数据的滑坡提取方法 |
CN106886984A (zh) * | 2017-03-07 | 2017-06-23 | 国家基础地理信息中心 | 一种矢量要素校正方法及装置 |
CN107146227A (zh) * | 2017-05-04 | 2017-09-08 | 江苏省水利科学研究院 | 一种利用高分遥感技术监测水域岸线变化的方法 |
CN107764192A (zh) * | 2017-11-30 | 2018-03-06 | 中国地质调查局水文地质环境地质调查中心 | 一种滑坡多点位移智能监测装置及监测方法 |
CN108168526A (zh) * | 2017-12-15 | 2018-06-15 | 长安大学 | 一种基于地面沉降信息的黄土滑坡早期识别方法 |
CN108444451A (zh) * | 2018-03-19 | 2018-08-24 | 中国人民解放军战略支援部队信息工程大学 | 一种行星表面影像匹配方法与装置 |
CN110210774A (zh) * | 2019-06-10 | 2019-09-06 | 中国地质调查局西安地质调查中心 | 滑坡风险评价方法及系统 |
CN110232683A (zh) * | 2019-06-10 | 2019-09-13 | 北京工业大学 | 一种基于无人机点云的滑坡检测方法 |
CN111175845A (zh) * | 2017-12-26 | 2020-05-19 | 张玲花 | 采用定位系统的自然灾害探测方法 |
CN111445057A (zh) * | 2020-02-27 | 2020-07-24 | 重庆大学 | 一种预测滑坡滑移方向和时刻的位移梯度法 |
CN111968230A (zh) * | 2020-07-16 | 2020-11-20 | 中国自然资源航空物探遥感中心 | 一种区域性活动滑坡识别与圈定方法、装置和设备 |
CN112611323A (zh) * | 2020-11-27 | 2021-04-06 | 江苏海洋大学 | 一种基于图斑矢量监测防波堤变形的方法 |
CN112697997A (zh) * | 2020-12-09 | 2021-04-23 | 南京大学 | 基于分布式光纤应变传感的边坡状态反演方法 |
CN112834432A (zh) * | 2021-01-08 | 2021-05-25 | 兰州大学 | 一种基于遥感技术与运动学原理的滑坡厚度反演方法 |
CN113673632A (zh) * | 2021-10-22 | 2021-11-19 | 交通运输部公路科学研究所 | 边坡视频监测方法及装置 |
CN113762623A (zh) * | 2021-09-09 | 2021-12-07 | 甘肃中星鸿图科技有限公司 | 一种滑坡方向与趋势的识别和预测方法、装置及电子设备 |
CN113776451A (zh) * | 2021-11-11 | 2021-12-10 | 长江空间信息技术工程有限公司(武汉) | 一种基于无人机摄影测量的变形监测自动化方法 |
CN114820552A (zh) * | 2022-05-11 | 2022-07-29 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种利用光学卫星立体影像检测滑坡位移场的方法 |
CN117132913A (zh) * | 2023-10-26 | 2023-11-28 | 山东科技大学 | 基于无人机遥感与特征识别匹配的地表水平位移计算方法 |
CN117372893A (zh) * | 2023-02-03 | 2024-01-09 | 河海大学 | 一种基于改进遥感图像特征匹配算法的洪涝灾害评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003219398A (ja) * | 2002-01-18 | 2003-07-31 | Fujitsu Ltd | 災害監視装置 |
CN102005104A (zh) * | 2009-09-02 | 2011-04-06 | 吴立新 | 滑坡体位移和姿态远距离快速监测报警装置及方法 |
CN102542295A (zh) * | 2012-01-08 | 2012-07-04 | 西北工业大学 | 一种采用图像分类技术从遥感图像中进行滑坡检测的方法 |
-
2015
- 2015-01-08 CN CN201510008277.3A patent/CN104700399A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003219398A (ja) * | 2002-01-18 | 2003-07-31 | Fujitsu Ltd | 災害監視装置 |
CN102005104A (zh) * | 2009-09-02 | 2011-04-06 | 吴立新 | 滑坡体位移和姿态远距离快速监测报警装置及方法 |
CN102542295A (zh) * | 2012-01-08 | 2012-07-04 | 西北工业大学 | 一种采用图像分类技术从遥感图像中进行滑坡检测的方法 |
Non-Patent Citations (4)
Title |
---|
杨金中,秦绪文等: "《矿山遥感监测理论方法与实践》", 30 September 2011 * |
汪道寅: "基于SIFT图像配准算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
蒋云志,房世波: "《遥感时间序列分析——以西南退耕还林检测系统为例》", 30 November 2014 * |
贺少帅: "高分辨率卫星影像快速几何纠正研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488582A (zh) * | 2015-11-13 | 2016-04-13 | 辽宁工程技术大学 | 一种山体岩堆滑坡预测方法及装置 |
CN106303412A (zh) * | 2016-08-09 | 2017-01-04 | 鞍钢集团矿业有限公司 | 基于监控影像的排土场位移远程实时监测装置与方法 |
CN106295641A (zh) * | 2016-08-09 | 2017-01-04 | 鞍钢集团矿业有限公司 | 一种基于影像surf特征的边坡位移自动监测方法 |
CN106303412B (zh) * | 2016-08-09 | 2019-03-29 | 鞍钢集团矿业有限公司 | 基于监控影像的排土场位移远程实时监测方法 |
CN106600574A (zh) * | 2016-08-25 | 2017-04-26 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像与高程数据的滑坡提取方法 |
CN106600574B (zh) * | 2016-08-25 | 2019-07-23 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像与高程数据的滑坡提取方法 |
CN106408585B (zh) * | 2016-11-28 | 2019-03-15 | 江苏省山水生态环境建设工程有限公司 | 一种生态景观边坡监测系统 |
CN106408585A (zh) * | 2016-11-28 | 2017-02-15 | 深圳万智联合科技有限公司 | 一种生态景观边坡监测系统 |
CN106886984A (zh) * | 2017-03-07 | 2017-06-23 | 国家基础地理信息中心 | 一种矢量要素校正方法及装置 |
CN106886984B (zh) * | 2017-03-07 | 2019-10-08 | 国家基础地理信息中心 | 一种矢量要素校正方法及装置 |
CN107146227A (zh) * | 2017-05-04 | 2017-09-08 | 江苏省水利科学研究院 | 一种利用高分遥感技术监测水域岸线变化的方法 |
CN107764192A (zh) * | 2017-11-30 | 2018-03-06 | 中国地质调查局水文地质环境地质调查中心 | 一种滑坡多点位移智能监测装置及监测方法 |
CN108168526B (zh) * | 2017-12-15 | 2020-09-01 | 长安大学 | 一种基于地面沉降信息的黄土滑坡早期识别方法 |
CN108168526A (zh) * | 2017-12-15 | 2018-06-15 | 长安大学 | 一种基于地面沉降信息的黄土滑坡早期识别方法 |
CN111175845A (zh) * | 2017-12-26 | 2020-05-19 | 张玲花 | 采用定位系统的自然灾害探测方法 |
CN108444451A (zh) * | 2018-03-19 | 2018-08-24 | 中国人民解放军战略支援部队信息工程大学 | 一种行星表面影像匹配方法与装置 |
CN108444451B (zh) * | 2018-03-19 | 2020-10-20 | 中国人民解放军战略支援部队信息工程大学 | 一种行星表面影像匹配方法与装置 |
CN110210774B (zh) * | 2019-06-10 | 2021-06-11 | 中国地质调查局西安地质调查中心 | 滑坡风险评价方法及系统 |
CN110210774A (zh) * | 2019-06-10 | 2019-09-06 | 中国地质调查局西安地质调查中心 | 滑坡风险评价方法及系统 |
CN110232683A (zh) * | 2019-06-10 | 2019-09-13 | 北京工业大学 | 一种基于无人机点云的滑坡检测方法 |
CN111445057A (zh) * | 2020-02-27 | 2020-07-24 | 重庆大学 | 一种预测滑坡滑移方向和时刻的位移梯度法 |
CN111968230A (zh) * | 2020-07-16 | 2020-11-20 | 中国自然资源航空物探遥感中心 | 一种区域性活动滑坡识别与圈定方法、装置和设备 |
CN112611323A (zh) * | 2020-11-27 | 2021-04-06 | 江苏海洋大学 | 一种基于图斑矢量监测防波堤变形的方法 |
CN112697997A (zh) * | 2020-12-09 | 2021-04-23 | 南京大学 | 基于分布式光纤应变传感的边坡状态反演方法 |
CN112834432A (zh) * | 2021-01-08 | 2021-05-25 | 兰州大学 | 一种基于遥感技术与运动学原理的滑坡厚度反演方法 |
CN113762623A (zh) * | 2021-09-09 | 2021-12-07 | 甘肃中星鸿图科技有限公司 | 一种滑坡方向与趋势的识别和预测方法、装置及电子设备 |
CN113762623B (zh) * | 2021-09-09 | 2024-04-05 | 雷添杰 | 一种滑坡方向与趋势的识别和预测方法、装置及电子设备 |
CN113673632A (zh) * | 2021-10-22 | 2021-11-19 | 交通运输部公路科学研究所 | 边坡视频监测方法及装置 |
CN113673632B (zh) * | 2021-10-22 | 2022-02-01 | 交通运输部公路科学研究所 | 边坡视频监测方法及装置 |
CN113776451A (zh) * | 2021-11-11 | 2021-12-10 | 长江空间信息技术工程有限公司(武汉) | 一种基于无人机摄影测量的变形监测自动化方法 |
CN114820552A (zh) * | 2022-05-11 | 2022-07-29 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种利用光学卫星立体影像检测滑坡位移场的方法 |
CN117372893A (zh) * | 2023-02-03 | 2024-01-09 | 河海大学 | 一种基于改进遥感图像特征匹配算法的洪涝灾害评估方法 |
CN117132913A (zh) * | 2023-10-26 | 2023-11-28 | 山东科技大学 | 基于无人机遥感与特征识别匹配的地表水平位移计算方法 |
CN117132913B (zh) * | 2023-10-26 | 2024-01-26 | 山东科技大学 | 基于无人机遥感与特征识别匹配的地表水平位移计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700399A (zh) | 一种基于高分遥感影像的大变形滑坡位移场标定方法 | |
WO2022213673A1 (zh) | 融合无人机dom和星载sar影像的地表三维形变提取方法 | |
Dall’Asta et al. | Unmanned Aerial Systems and DSM matching for rock glacier monitoring | |
Jiang et al. | Efficient structure from motion for oblique UAV images based on maximal spanning tree expansion | |
Haala et al. | Extracting 3D urban models from oblique aerial images | |
Li et al. | AutoMine: An unmanned mine dataset | |
CN112305559A (zh) | 基于地面定点激光雷达扫描的输电线距离测量方法、装置、系统和电子设备 | |
CN102496181A (zh) | 面向规模化生产的真正射影像制作方法 | |
Sun et al. | Building displacement measurement and analysis based on UAV images | |
Wang et al. | A new method for measuring the attitude and straightness of hydraulic support groups based on point clouds | |
Jiang et al. | Parallel structure from motion for UAV images via weighted connected dominating set | |
Hu et al. | A novel approach to extracting street lamps from vehicle-borne laser data | |
Xu et al. | Fast and accurate registration of large scene vehicle-borne laser point clouds based on road marking information | |
Tong et al. | Estimating geometric parameters of highways and railways using least-squares adjustment | |
Tian et al. | Application oriented quality evaluation of Gaofen-7 optical stereo satellite imagery | |
Gong et al. | Roof-cut guided localization for building change detection from imagery and footprint map | |
Guan et al. | Digital beijing construction and application based on the urban three-dimensional modelling and remote sensing monitoring technology | |
Hammoudi et al. | Generating virtual 3D model of urban street facades by fusing terrestrial multi-source data | |
Zhu | A pipeline of 3D scene reconstruction from point clouds | |
He et al. | Rapid assessment of slope deformation in 3D point cloud considering feature-based simplification and deformed area extraction | |
Liao et al. | Unmanned Aerial Vehicle Surveying and Mapping Trajectory Scheduling and Autonomous Control for Landslide Monitoring | |
Chunsen et al. | Research on volumetric calculation of multi-vision geometry UAV image volume | |
CN111398958A (zh) | 一种确定地面沉降与黄土填挖方区建筑高度相关性的方法 | |
Cao et al. | Slope topography monitoring based on UAV Tilt photography technology and sensor technology | |
Guo et al. | Research on 3D geometric modeling of urban buildings based on airborne lidar point cloud and image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150610 |