CN105469058A - 一种基于序列光谱曲面特征的滑坡识别方法 - Google Patents
一种基于序列光谱曲面特征的滑坡识别方法 Download PDFInfo
- Publication number
- CN105469058A CN105469058A CN201510855658.5A CN201510855658A CN105469058A CN 105469058 A CN105469058 A CN 105469058A CN 201510855658 A CN201510855658 A CN 201510855658A CN 105469058 A CN105469058 A CN 105469058A
- Authority
- CN
- China
- Prior art keywords
- curved surface
- spectrum
- landslide
- unit
- identification method
- 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.)
- Granted
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Geophysics And Detection Of Objects (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种基于序列光谱曲面特征的滑坡识别方法,解决了现有滑坡识别方法实现复杂、识别精度欠佳等缺陷。该识别方法包括以下步骤:(1)将高光谱遥感图像计算成反射率图像;(2)将反射率图像分割成若干目标单元,选定部分目标单元为样本单元;(3)基于单元构建与单元大小一样的光谱曲面,在每个波段图像中每个单元构建一个光谱曲面,将所有波段中,基于同一个单元构建的光谱曲面组合成曲面集合;(4)通过对比目标曲面集合与样本曲面集合的相似程度来确定滑坡灾害的可能性。本发明将滑坡灾害看成一个整体目标单元,而不是一个独立像素,综合考虑了目标单元包含的像素之间的逻辑相关性,客观上符合对滑坡灾害现象的认识。
Description
技术领域
本发明涉及一种识别滑坡地质灾害的方法,具体的说,是涉及一种基于序列光谱曲面特征的滑坡识别方法。
背景技术
当前遥感技术监测与识别滑坡地质灾害的方法较多,但多数是从监测与识别其它目标对象的方法中总借鉴而来的。现有技术中,识别滑坡地质灾害的方法主要有光谱距离方法、光谱角度方法、决策树方法等;现有方法实现原理要么是基于单个像元的光谱信息与选取方法,要么是必须有较多其它数据参与。单像元方法极易导致椒盐现象,产生无效破碎斑块,有其它数据参与的方法依赖性较强,很难切实应用与推广。
发明内容
本发明的目的在于克服上述缺陷,提供一种方法简单、实现方便、科学的基于序列光谱曲面特征的滑坡识别方法。
为了实现上述目的,本发明采用的技术方案如下:
一种基于序列光谱曲面特征的滑坡识别方法,包括以下步骤:
(1)将高光谱遥感图像计算成反射率图像;
(2)将反射率图像分割成若干单元,单元即为目标单元,选定部分目标单元为样本单元;
(3)基于单元构建与单元大小一样的光谱曲面,在每个波段图像中每个单元构建一个光谱曲面,将所有波段中,基于同一个单元构建的光谱曲面组合成曲面集合;目标单元对应的为目标曲面集合,样本单元对应的为样本曲面集合;
(4)通过对比目标曲面集合与样本曲面集合的相似程度来确定滑坡灾害的可能性;
步骤(3)中,一个波段包含m个光谱曲面,m为分割成的单元数目;一个单元则对应n个光谱曲面,其中,n为高光谱遥感波段数目。
进一步的,所述步骤(2)中采用普适方法将反射率图像分割成若干单元,且分割的单元尺寸与滑坡尺度匹配。
进一步的,所述步骤(3)中的光谱曲面为以单元空间轮廓为边界,以对应的波段反射率值为顶点的不规则曲面。
进一步的,所述步骤(4)的具体方法如下:
(41)通过计算光谱曲面的特征参数,得到每个光谱曲面的特征值;
(42)计算样本单元的特征值与目标单元的特征值之间差异,得到差异指数;
(43)结合每个波段形成的差异指数,通过加权方法计算出样本单元与目标单元的综合差异值;
(44)将最终的综合差异值与预设的滑坡识别阀值进行比较,如果差异值小于或者等于阀值,就认为本单元为滑坡分布,否则,本单元为非滑坡分布。
进一步的,所述步骤(43)中的波段为预设置的滑坡灾害的敏感光谱波段。
进一步的,所述步骤(41)中光谱曲面的特征参数包括:曲面面积和投影面积的比例、曲面凹凸点的波动区间、曲面凹凸点平均值和方差。
与现有技术相比,本发明具有以下有益效果:
(1)本发明将滑坡灾害看成一个整体目标单元,而不是一个(系列)独立像素,综合考虑了目标单元包含的像素之间的逻辑相关性,客观上符合对滑坡灾害现象的认识。
(2)本发明充分利用了光谱序列优势,通过计算每个光谱曲面细微差异特征,捕捉滑坡灾害在遥感影像中的细微响应,通过序列特征计算综合特征,更具科学性。
(3)本发明在特征综合时,考虑到了滑坡体物质组成对遥感数据的影响贡献,并通过加权的方法将其贡献进行量化,有效提升了方法可靠性。
附图说明
图1为区域反射率图像。
图2为滑坡识别的效果图。
具体实施方式
下面结合实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
如图1、2所示,本实施例提供了一种基于序列光谱曲面特征的滑坡识别方法,该识别方法结合高光谱序列光谱曲面特征,充分利用了光谱序列优势,通过计算每个光谱曲面细微差异特征,捕捉滑坡灾害在遥感影像中的细微响应,通过序列特征计算综合特征,更具科学性。本识别方法设计原理是:将图像分割成合适的目标单元,然后利用每个目标单元区域内的一个波段的反射率值构建一个与目标单元大小一样的光谱曲面,一个波段包含m个光谱曲面,m为分割成的单元数目;一个单元则对应n个光谱曲面,其中,n为高光谱遥感波段数目;所有波段中,基于同一个单元构建的光谱曲面组合成曲面集合;目标单元对应的为目标曲面集合,样本单元对应的为样本曲面集合。通过对比该目标单元的曲面集合与样本单元的曲面集合的相似程度来确定滑坡灾害的可能性。具体的方法如下:
首先,将高光谱遥感图像计算成反射率图像;对图像进行面向滑坡灾害目标的多尺度分割(方法较多,本实施例采用普适方法),目的是利用光谱信息和空间信息划分出合适单元,选择与滑坡尺度相适应的单元作为待识别的基本单元。
然后利用每个目标单元区域内的一个波段的反射率值构建一个与目标单元大小一样的光谱曲面,一个波段对应一个光谱曲面,一个单元则对应n(高光谱遥感波段数目)个光谱曲面,形成曲面集合,为了便于区分,将其命名为目标单元的曲面集合。选取部分目标单元(已确认为滑坡的单元)的曲面集合为样本单元的曲面集合。其中,光谱曲面为以单元空间轮廓为边界,以对应的波段反射率值为顶点的不规则曲面。
最后,通过对比该目标单元的曲面集合与样本单元的曲面集合的相似程度来确定滑坡灾害的可能性。在本实施例中曲面的相似程度可以由曲面特征进行描述,比如曲面数据集合值的方差、均值、起伏度等。最后,通过预设置的滑坡灾害的敏感光谱波段(敏感光谱曲面),将每个光谱曲面的结果进行加权计算,计算结果为综合差异值,对比该差异值与预设阀值进行滑坡识别。
本实施例中,目标曲面集合与样本曲面集合相似程度的确定方法具体如下:首先,通过计算曲面的特征参数,得到每个曲面的特征值;特征参数如下:
特征参数 | 符号 |
像元计数 | i=1,2,3....n |
象元亮度值 | Ri |
波段号 | j=1,2,3...g |
凹点个数 | m |
凸点个数 | q |
光谱曲面投影面积 | S投影面积 |
光谱曲面面积 | S曲面面积 |
平均值 | Avej |
方差 | S |
平均凸点个数 | d |
平均凹点个数 | b |
权重 | wj |
为了实现方便,优先考虑以下参数:平均值: 方差: 平均凸点个数:平均凹点个数:综合加权: 还有特征的加权值。
根据得到的特征值,计算样本单元的特征值与目标单元的特征值之间差异,得到差异指数;然后,结合每个波段形成的差异指数,通过加权方法计算出样本单元与目标单元的综合差异值;其中,加权值是基于滑坡体的物质组成确定,主要依据是滑坡体物质在高光谱遥感波段范围内的敏感性,比如地质体敏感波段贡献大、水汽空气影响波段贡献小、近红外波段贡献大(岩石诊断光谱分布带)等。
最后,将每个光谱曲面的结果进行加权计算,计算结果与预设阀值进行比较来识别滑坡。
按照上述实施例,便可很好地实现本发明。值得说明的是,基于上述设计原理的前提下,为解决同样的技术问题,即使在本发明所公开的结构基础上做出的一些无实质性的改动或润色,所采用的技术方案的实质仍然与本发明一样,故其也应当在本发明的保护范围内。
Claims (6)
1.一种基于序列光谱曲面特征的滑坡识别方法,其特征在于,包括以下步骤:
(1)将高光谱遥感图像计算成反射率图像;
(2)将反射率图像分割成若干单元,单元即为目标单元,选定部分目标单元为样本单元;
(3)基于单元构建与单元大小一样的光谱曲面,在每个波段图像中每个单元构建一个光谱曲面,将所有波段中,基于同一个单元构建的光谱曲面组合成曲面集合;目标单元对应的为目标曲面集合,样本单元对应的为样本曲面集合;
(4)通过对比目标曲面集合与样本曲面集合的相似程度来确定滑坡灾害的可能性;
步骤(3)中,一个波段包含m个光谱曲面,m为分割成的单元数目;一个单元则对应n个光谱曲面,其中,n为高光谱遥感波段数目。
2.根据权利要求1所述的一种基于序列光谱曲面特征的滑坡识别方法,其特征在于,所述步骤(2)中采用普适方法将反射率图像分割成若干单元,且分割的单元尺寸与滑坡尺度匹配。
3.根据权利要求1所述的一种基于序列光谱曲面特征的滑坡识别方法,其特征在于,所述步骤(3)中的光谱曲面为以单元空间轮廓为边界,以对应的波段反射率值为顶点的不规则曲面。
4.根据权利要求1所述的一种基于序列光谱曲面特征的滑坡识别方法,其特征在于,所述步骤(4)的具体方法如下:
(41)通过计算光谱曲面的特征参数,得到每个光谱曲面的特征值;
(42)计算样本单元的特征值与目标单元的特征值之间差异,得到差异指数;
(43)结合每个波段形成的差异指数,通过加权方法计算出样本单元与目标单元的综合差异值;
(44)将最终的综合差异值与预设的滑坡识别阀值进行比较,如果差异值小于或者等于阀值,就认为本单元为滑坡分布,否则,本单元为非滑坡分布。
5.根据权利要求4所述的一种基于序列光谱曲面特征的滑坡识别方法,其特征在于,所述步骤(43)中的波段为预设置的滑坡灾害的敏感光谱波段。
6.根据权利要求4所述的一种基于序列光谱曲面特征的滑坡识别方法,其特征在于,所述步骤(41)中光谱曲面的特征参数包括:曲面面积和投影面积的比例、曲面凹凸点的波动区间、曲面凹凸点平均值和方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510855658.5A CN105469058B (zh) | 2015-11-30 | 2015-11-30 | 一种基于序列光谱曲面特征的滑坡识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510855658.5A CN105469058B (zh) | 2015-11-30 | 2015-11-30 | 一种基于序列光谱曲面特征的滑坡识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105469058A true CN105469058A (zh) | 2016-04-06 |
CN105469058B CN105469058B (zh) | 2018-12-14 |
Family
ID=55606729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510855658.5A Active CN105469058B (zh) | 2015-11-30 | 2015-11-30 | 一种基于序列光谱曲面特征的滑坡识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105469058B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060273A (zh) * | 2019-04-16 | 2019-07-26 | 湖北省水利水电科学研究院 | 基于深度神经网络的遥感影像滑坡测图方法 |
CN113742438A (zh) * | 2021-08-19 | 2021-12-03 | 中国科学院地理科学与资源研究所 | 滑坡易发性分布图的确定方法、装置及存储介质 |
US20220012460A1 (en) * | 2020-07-07 | 2022-01-13 | Aerospace Information Research Institute, Chinese Academy Of Sciences | Practical method for landslide detection in large space |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788685A (zh) * | 2010-02-11 | 2010-07-28 | 中国土地勘测规划院 | 基于像元的遥感震害信息提取与挖掘方法 |
CN104615999A (zh) * | 2015-02-15 | 2015-05-13 | 北京师范大学 | 基于稀疏表示分类的滑坡泥石流区域检测方法 |
CN104951789A (zh) * | 2015-07-15 | 2015-09-30 | 电子科技大学 | 一种基于全极化sar图像的快速滑坡提取方法 |
-
2015
- 2015-11-30 CN CN201510855658.5A patent/CN105469058B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788685A (zh) * | 2010-02-11 | 2010-07-28 | 中国土地勘测规划院 | 基于像元的遥感震害信息提取与挖掘方法 |
CN104615999A (zh) * | 2015-02-15 | 2015-05-13 | 北京师范大学 | 基于稀疏表示分类的滑坡泥石流区域检测方法 |
CN104951789A (zh) * | 2015-07-15 | 2015-09-30 | 电子科技大学 | 一种基于全极化sar图像的快速滑坡提取方法 |
Non-Patent Citations (4)
Title |
---|
E. BORGOGNO MONDINO ET AL: "A neural network method for analysis of hyperspectral imagery with application to the Cassas landslide (Susa Valley, NW-Italy)", 《GEOMORPHOLOGY》 * |
GUAN NINGNING ET AL: "Landslide Recognition in Remote Sensing Image Based on Fuzzy Support Vector Machine", 《2012 IEEE 12TH INTERNATIONAL CONFERENCE ON COMPUTER AND INFORMATION TECHNOLOGY》 * |
XIANJU LI ET AL: "Identification of Forested Landslides Using LiDar Data,Object-based Image Analysis, and Machine Learning Algorithms", 《REMOTE SENSING》 * |
韩岭 等: "基于高清遥感影像的滑坡自动解译方法探索", 《人民黄河》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060273A (zh) * | 2019-04-16 | 2019-07-26 | 湖北省水利水电科学研究院 | 基于深度神经网络的遥感影像滑坡测图方法 |
CN110060273B (zh) * | 2019-04-16 | 2021-05-18 | 湖北省水利水电科学研究院 | 基于深度神经网络的遥感影像滑坡测图方法 |
US20220012460A1 (en) * | 2020-07-07 | 2022-01-13 | Aerospace Information Research Institute, Chinese Academy Of Sciences | Practical method for landslide detection in large space |
US11574464B2 (en) * | 2020-07-07 | 2023-02-07 | Aerospace Information Research Institute, Chinese Academy Of Sciences | Practical method for landslide detection in large space |
CN113742438A (zh) * | 2021-08-19 | 2021-12-03 | 中国科学院地理科学与资源研究所 | 滑坡易发性分布图的确定方法、装置及存储介质 |
CN113742438B (zh) * | 2021-08-19 | 2022-03-18 | 中国科学院地理科学与资源研究所 | 滑坡易发性分布图的确定方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105469058B (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Du et al. | Similarity-based unsupervised band selection for hyperspectral image analysis | |
Li et al. | A review of remote sensing image classification techniques: The role of spatio-contextual information | |
Yang et al. | An automated method to parameterize segmentation scale by enhancing intrasegment homogeneity and intersegment heterogeneity | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
CN106339674B (zh) | 基于边缘保持与图割模型的高光谱影像分类方法 | |
Yang et al. | A discrepancy measure for segmentation evaluation from the perspective of object recognition | |
CN103177458B (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 | |
CN103208011B (zh) | 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法 | |
S Bhagat | Use of remote sensing techniques for robust digital change detection of land: A review | |
CN102542295A (zh) | 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 | |
CN106778680A (zh) | 一种基于关键波段提取的高光谱图像波段选择方法及装置 | |
CN105469058A (zh) | 一种基于序列光谱曲面特征的滑坡识别方法 | |
CN103729651A (zh) | 基于局部光谱角度量流形近邻的高光谱遥感影像分类方法 | |
CN106529472B (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 | |
CN105005761A (zh) | 一种结合显著性分析的全色高分辨率遥感图像道路检测方法 | |
Yu et al. | Spatio-temporal monitoring of urban street-side vegetation greenery using Baidu Street View images | |
Azadbakht et al. | Improved urban scene classification using full-waveform LiDAR | |
CN107665347A (zh) | 基于滤波优化的视觉显著性目标检测方法 | |
CN113111969B (zh) | 一种基于混合度量的高光谱图像分类方法 | |
Zhou et al. | ICESat waveform-based land-cover classification using a curve matching approach | |
CN107451606B (zh) | 基于局部聚类比例排序的高光谱波段选择方法 | |
Yang et al. | Hyperspectral image classification based on spatial and spectral features and sparse representation | |
CN110929739A (zh) | 一种自动化的不透水面范围遥感迭代提取方法 | |
CN109784209A (zh) | 利用高分辨率遥感影像的高寒山区积雪提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |