CN106600574B - 一种基于遥感影像与高程数据的滑坡提取方法 - Google Patents
一种基于遥感影像与高程数据的滑坡提取方法 Download PDFInfo
- Publication number
- CN106600574B CN106600574B CN201610718410.9A CN201610718410A CN106600574B CN 106600574 B CN106600574 B CN 106600574B CN 201610718410 A CN201610718410 A CN 201610718410A CN 106600574 B CN106600574 B CN 106600574B
- Authority
- CN
- China
- Prior art keywords
- landslide
- image
- remote sensing
- region
- altitude data
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于大范围遥感影像与高程数据的滑坡提取方法,该方法针对研究区遥感影像和相应的高程数据,利用显著性概念对影像中的裸土区进行增强,得到显著性概率图,即每个像素属于滑坡的概率图。通过形态学运算中的膨胀操作,将影像中琐碎的大斑块裸土连通成较大区域,进而增强与细小的滑坡区域的差异,便于将非滑坡的裸土区域剔除,得到滑坡潜在区。最后基于滑坡常发生在山区这一特点,结合高程数据将位于山坡处的滑坡潜在区保留,得到最终滑坡提取结果。该方法克服了目前针对滑坡提取的实施例研究范围小,情况简单等问题,为大范围实用化的快速提取滑坡提供了技术基础,可以在灾后应急响应和快速定位滑坡区域等应用中发挥重要作用。
Description
技术领域:
本发明涉及图像处理、模式识别领域,是一种基于大范围遥感影像与高程数据的滑坡提 取方法。
背景技术:
滑坡,作为主要的自然灾害之一,经常对人类的生命和财产构成严重的威胁。在过去的 几十年,频繁发生的滑坡已经引起了社会的极大关注。快速、准确的检测滑坡不仅有助于人 们对滑坡发生的机理进行理解,更可以为灾后采取应急措施提供指导性数据,为受灾程度评 估提供可靠的依据。
卫星传感器的不断发展和遥感数据分辨率的持续提高使得大范围滑坡监测成为可能。目 前,滑坡检测的方法多基于变化检测,通过对比同一研究区的多个时相影像判断滑坡的发生。 其中,归一化植被指数NDVI(Normalized Difference Vegetation Index)常用来增强影像 中的植被信息,进而将滑坡从植被中区分出来。其他光谱指数和分类后处理方法也常用来提 取滑坡,尤其针对多波段遥感影像。面向对象的方法在滑坡提取中的应用也较为广泛,但是提 取效果会在较大程度上受图像分割精度影响和不同类型地物的光谱特征以及纹理特征等影 响,算法的鲁棒性受到较大的限制。机器学习方法,作为新兴的模型训练工具,在滑坡提取 领域已经取得了良好的效果。但是机器学习方法通常需要大量的训练样本,而且对样本数据 分布有较高的要求。这大大限制了机器学习方法基于一景遥感影像训练的模型在其他遥感影 像的使用效率和实用性。
此外,针对滑坡提取的研究区大多只覆盖不到5′x5′的范围,而且滑坡类型比较简单, 背景地物多为植被,提取难度较小,对大型研究区和复杂背景地物情况研究较少,算法的实 用性亟待提高。
本发明利用了显著性思想,基于30米分辨率的遥感影像和DEM(DigitalElevation Model)数据,提出了一种针对大范围遥感数据的滑坡提取方法。利用遥感影像的光谱波段特 征通过计算图像的显著性概率图,将滑坡的潜在区域提取出来,并结合DEM高程信息,提高 滑坡提取精度。
发明内容:
本发明的目的是针对大尺度的遥感影像,提供一种快速、准确的滑坡提取方 法。该方法采用了“显著性”概念,即整幅图像容易引起视觉感官注意的区域。 通过选取合适的波段图像,使滑坡区域相对于背景地物有更高的灰度值,可以认 为是显著性区域,进而采用显著性区域提取的方法提取滑坡。本发明在滑坡灾害 中,特别是重大滑坡灾害,可以对复杂背景地物下发生的滑坡高效监测,得到滑 坡发生区域,从而为受灾程度评估和灾后应急响应提供数据支撑。
为达到上述目的,本发明的技术解决方案是:
第一步:针对研究区选取一景Landsat8影像(覆盖空间2°x2°)和与选取 的影像相同区域的30米分辨率的DEM数据为实验数据;
第二步:Landsat8影像去云处理;
1.根据Landsat8影像不同波段的特性,选取第7波段的图像作为提取滑坡 的基础数据,因为第7波段通常用来做地质构造调查,可以较好的区分滑坡与其 他裸土背景地物,而且裸土区域在该波段图像中呈现的灰度值高于植被区域。
2.利用Landsat8影像第9波段的水汽强吸收特性,将第9波段图像二值化 (灰度值大于200的像素认为是云),生成云的掩膜,去除7波段图像中的云。
第三步:生成显著性概率图:
以滑坡区域为显著性区域,采用FASA(A Fast,Accurate,and Size-AwareSalient Object Detection)方法计算遥感影像中每个像素属于滑坡区域的概率, 主要分为两步:
1.计算每种颜色的空间中心和方差
(1)计算每个像素的位置向量Pi和颜色向量Colori
其中,xi和yi是像素Pi的横、纵坐标,L*(Pi),a*(Pi)和b*(Pi)是像 素Pi在颜色空间CIEL*a*b*中每个通道的灰度值,CIEL*a*b*颜色空 间常用于图像分割和颜色量化。
(2)计算每个像素Pi在水平和垂直方向的空间中心(Mx,My)和颜色方差(Vx,Vy),为后面 对高方差的像素区域增强做准备
其中,Mx(Pi)和Vx(Pi)分别表示像素Pi在水平方向上的空间中心和颜色方差,垂 直方向上的空间中心和颜色方差可以采用相似的公式计算。颜色权重 wc(Colori,Colorj)可以通过高斯函数计算:
(3)将图像中的颜色根据直方图分布重新量化成Nc种颜色,计算每种颜色的空间中 心和颜色方差:
其中,Qck表示量化后的第k种颜色,hj表示由第i种颜色量化为第j种颜色的像素个数。
2.计算图像中每个像素属于显著性物体的概率
像素Pi属于滑坡潜在区域的概率为:
其中,nw和nh分别代表图像的宽度和高度,系数μ和∑分别为:
第四步:利用形态学方法去除裸土背景地物
1.通常情况下,裸土与滑坡区域相比占地面积较大,而且呈现多个斑块琐 碎连接的形式。因此,利用形态学原理,对显著性概率图连续做6次膨胀运算, 将图像中琐碎的裸土斑块连通起来,形成大的连通区。膨胀运算的具体原理如下:
其中,f(x,y)是输入图像,b(x,y)是结构元素。
由于显著性概率图描述的是像素属于滑坡的概率,通过连续多次膨胀运算可 以将本来面积较大的裸土斑块连接起来,使得裸土整体变得更大,而滑坡区域占 地较小,所受影响不大。
2.计算每个连通区的外接矩形的宽和高,如果大于整幅图像的宽和高的十 分之一,则认为是占地面积较大的裸土区域,从显著性概率图中剔除相应的区域, 即灰度值设置为0。
第五步:结合DEM数据,进一步提取滑坡区域
由于滑坡多发生在山坡上,在高程数据中相应的滑坡区域灰度值较高,将高 程图像中灰度值小于等于5的像素都从步骤四得到的结果图像中去除,得到最终 的滑坡提取结果图。
附图说明:
图1为本发明实施例提供的流程图。
图2为本发明实施例提供的全景图(第7波段图像)。
图3为本发明实施例提供的全景DEM数据。
图4为本发明实施例提供的去云后全景图(第7波段图像)。
图5为本发明实施例提供的显著性概率全景图。
图6为本发明实施例提供的滑坡潜在区域结果全景图。
图7为本发明实施例提供的滑坡提取结果全景图。
图8为本发明实施例提供的滑坡提取结果详细实例一图:(a)为滑坡实例假彩色图(第 5,4,3波段组合图像);(b)为滑坡提取结果图。
图9为本发明实施例提供的滑坡提取结果详细实例二图:(a)为滑坡实例假彩色图(第 5,4,3波段组合图像);(b)为滑坡提取结果图。
图10为本发明实施例提供的滑坡提取结果详细实例三图:(a)为滑坡实例假彩色图(第 5,4,3波段组合图像);(b)为滑坡提取结果图。
具体实施方式:
下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行描述。显然,所描 述的实施例仅是本申请的部分实施例,不是全部实例。
本申请的实施例以尼泊尔靠近喜马拉雅山脉区域为研究区,选取2015年6月1日30米 分辨率的一景Landsat8影像(覆盖空间2°x2°)(如图2所示)和相应区域的30米分辨率的DEM数据为实验数据(如图3所示)。图2所示的云可以利用Landsat8的第9波段图像生 成云掩膜,进而被去除,得到图4。
如图5所示,FASA方法可以较好的增强裸土区域信息,削弱植被等信息。但是,裸土中 有大部分属于建设用地等非滑坡区域,而且呈现琐碎的大斑块状;滑坡呈现细小、琐碎状。 为了更好的区分裸土中非滑坡区域与滑坡区域,采用形态学运算中的膨胀方法使得大斑块的 琐碎裸土区域相互连通,而相比之下,滑坡区域仍然占地面积较小。因此,通过对比膨胀运 算后连通区的外接矩形与图像的尺寸,将宽和高大于图像的宽和高的十分之一的外接矩形的 连通区剔除,剩下的连通区即为初步提取的滑坡潜在区域,如图6所示。由于滑坡多发生在 山坡等地势较高的地方,结合图3所示的DEM高程图,将灰度值低于5的像素都去除,得到 最终的滑坡提取结果图7。
为了更详细、清晰的说明本申请在滑坡提取的表现,截取了三处滑坡典型区作为实施例 (如图8-图10所示),其中每一个实施例都包含一张由Landsat8的第5,4和3波段组合而 成的假彩色图和一张滑坡提取结果图,假彩色图是为了更加清晰的显示以植被为主要背景的 滑坡区域。图8-图10中的滑坡均被较好的提取出来,具有一定的应用潜力。
Claims (6)
1.一种基于遥感影像和高程数据的滑坡提取方法,其特征在于,该方法针对大面积滑坡,实施过程包括遥感影像去云处理、显著性区域增强、形态学操作提取连通区和结合高程信息提取滑坡,具体步骤操作如下:
(1)针对研究区选取一景覆盖空间范围为2°x2°的30米分辨率的多光谱Landsat8遥感影像,和与选取的影像相同区域的30米分辨率的高程数据为实验数据;
(2)Landsat8影像去云处理:
根据Landsat8影像不同波段的特性,选取第7波段的图像作为提取滑坡的基础数据,因为第7波段通常用来做地质构造调查,可以较好的区分滑坡与其他裸土背景地物,而且裸土区域在该波段图像中呈现的灰度值高于其他地物;
利用Landsat8影像第9波段的水汽强吸收特性,将第9波段图像中灰度值大于200的像素认为是云,对其进行二值化,生成云的掩膜,去除7波段图像中的云;
(3)生成显著性概率图:
以滑坡区域为显著性区域,采用FASA,全称为A Fast,Accurate,and Size-AwareSalient Object Detection,方法计算遥感影像中每个像素属于滑坡区域的概率,生成显著性概率图;
(4)利用形态学方法去除裸土背景地物:
通常情况下,非滑坡的裸土与滑坡区域相比占地面积较大,而且呈现多个大斑块琐碎连接的特征; 因此,利用形态学原理,对显著性概率图连续进行6次膨胀运算,将图像中琐碎的裸土斑块连通起来,形成大的连通区;
由于显著性概率图描述的是像素属于滑坡的概率,通过连续多次膨胀运算可以将本来面积较大的裸土斑块连接起来,使得裸土整体变得更大,而滑坡区域占地较小,所受影响不大;
计算每个连通区的外接矩形的宽和高,如果大于整幅图像的宽和高的十分之一,则认为是占地面积较大的裸土区域,从显著性概率图中剔除相应的区域,将其灰度值设置为0;
(5)结合高程数据,进一步提取滑坡区域:
由于滑坡多发生在山坡上,在高程数据中相应的滑坡区域灰度值较高,将高程图像中灰度值小于等于5的像素都从步骤(4)得到的结果图像中去除,得到最终的滑坡提取结果图。
2.如权利要求1所述的基于遥感影像和高程数据的滑坡提取方法,其特征在于,所述步骤(1),所述的遥感影像为单景滑坡灾后30米分辨率的多光谱Landsat8遥感影像。
3.如权利要求1所述的基于遥感影像和高程数据的滑坡提取方法,其特征在于,所述步骤(2),所述的选取第7波段图像为基础数据,该波段常用来做地质构造调查,而且裸土区域相比于其他背景地物呈现较高的灰度值。
4.如权利要求1所述的基于遥感影像和高程数据的滑坡提取方法,其特征在于,所述步骤(3),所述的采用FASA,全称为A Fast,Accurate,and Size-Aware Salient ObjectDetection,方法计算遥感影像中每个像素属于滑坡区域的概率,生成显著性概率图,其中:根据图像的直方图分布构建映射,将图像的颜色重新量化为更少的颜色,进而增强裸土相对于其他地物的差异; 计算每个量化后的颜色的空间中心和颜色中心,并根据高斯核函数计算每个像素属于显著性区域的概率。
5.如权利要求1所述的基于遥感影像和高程数据的滑坡提取方法,其特征在于,所述步骤(4),所述的利用形态学原理,对显著性概率图连续进行6次膨胀运算,将图像中琐碎的裸土斑块连通起来,进而凸显非滑坡的裸土区域占图像较大比例这一特征,通过连通区属性筛选,将面积较小,而且呈细小形状的区域保留下来,构成滑坡潜在区域提取图。
6.如权利要求1所述的基于遥感影像和高程数据的滑坡提取方法,其特征在于,所述步骤(5),所述的结合高程数据,考虑滑坡通常发生在山坡,将位于平坦、地势较低的潜在滑坡区域进一步剔除,得到滑坡的最终提取结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610718410.9A CN106600574B (zh) | 2016-08-25 | 2016-08-25 | 一种基于遥感影像与高程数据的滑坡提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610718410.9A CN106600574B (zh) | 2016-08-25 | 2016-08-25 | 一种基于遥感影像与高程数据的滑坡提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106600574A CN106600574A (zh) | 2017-04-26 |
CN106600574B true CN106600574B (zh) | 2019-07-23 |
Family
ID=58555692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610718410.9A Expired - Fee Related CN106600574B (zh) | 2016-08-25 | 2016-08-25 | 一种基于遥感影像与高程数据的滑坡提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600574B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280812B (zh) * | 2018-01-23 | 2022-03-11 | 中国科学院遥感与数字地球研究所 | 一种基于图像增强的过火区域提取方法 |
CN108647567B (zh) * | 2018-03-29 | 2021-10-29 | 中国人民解放军61540部队 | 基于条件证据理论的场景可识别性分析方法 |
CN108846347B (zh) * | 2018-06-06 | 2021-06-08 | 广西师范学院 | 一种公路滑坡区域的快速提取方法 |
CN111028255B (zh) * | 2018-10-10 | 2023-07-21 | 千寻位置网络有限公司 | 基于先验信息与深度学习的农田区域预筛选方法及装置 |
CN109767409B (zh) * | 2018-11-28 | 2021-04-09 | 中国科学院空天信息创新研究院 | 基于遥感影像的滑坡变化检测方法、存储介质和电子设备 |
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 |
CN111104896B (zh) * | 2019-12-18 | 2021-08-27 | 河南大学 | 一种基于Sentinel-1微波卫星影像的陆表水自动识别方法 |
CN111160296B (zh) * | 2019-12-31 | 2024-01-26 | 中国科学院电子学研究所 | 滑坡灾害检测方法 |
CN111626269B (zh) * | 2020-07-07 | 2021-08-27 | 中国科学院空天信息创新研究院 | 一种实用的大空间范围滑坡提取方法 |
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 |
CN114299290B (zh) * | 2021-12-24 | 2023-04-07 | 腾晖科技建筑智能(深圳)有限公司 | 裸土识别方法、装置、设备及计算机可读存储介质 |
CN116108758B (zh) * | 2023-04-10 | 2023-06-27 | 中南大学 | 滑坡易发性评价方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254174A (zh) * | 2011-07-08 | 2011-11-23 | 中铁第四勘察设计院集团有限公司 | 崩滑体中裸地信息的自动提取方法 |
CN102426395A (zh) * | 2011-11-11 | 2012-04-25 | 铁道第三勘察设计院集团有限公司 | 一种基于三维地质遥感判释技术的滑坡体体积参数量测方法 |
CN104700399A (zh) * | 2015-01-08 | 2015-06-10 | 东北大学 | 一种基于高分遥感影像的大变形滑坡位移场标定方法 |
CN104899437A (zh) * | 2015-05-29 | 2015-09-09 | 杭州辰青和业科技有限公司 | 强降雨型滑坡灾害预警方法 |
KR20160061445A (ko) * | 2014-11-17 | 2016-06-01 | 서울대학교산학협력단 | 기하학적 증폭계수를 고려한 지진시 산사태 재해도 도출방법 및 도출시스템 |
-
2016
- 2016-08-25 CN CN201610718410.9A patent/CN106600574B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254174A (zh) * | 2011-07-08 | 2011-11-23 | 中铁第四勘察设计院集团有限公司 | 崩滑体中裸地信息的自动提取方法 |
CN102426395A (zh) * | 2011-11-11 | 2012-04-25 | 铁道第三勘察设计院集团有限公司 | 一种基于三维地质遥感判释技术的滑坡体体积参数量测方法 |
KR20160061445A (ko) * | 2014-11-17 | 2016-06-01 | 서울대학교산학협력단 | 기하학적 증폭계수를 고려한 지진시 산사태 재해도 도출방법 및 도출시스템 |
CN104700399A (zh) * | 2015-01-08 | 2015-06-10 | 东北大学 | 一种基于高分遥感影像的大变形滑坡位移场标定方法 |
CN104899437A (zh) * | 2015-05-29 | 2015-09-09 | 杭州辰青和业科技有限公司 | 强降雨型滑坡灾害预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106600574A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600574B (zh) | 一种基于遥感影像与高程数据的滑坡提取方法 | |
Amuti et al. | Analysis of land cover change and its driving forces in a desert oasis landscape of Xinjiang, northwest China | |
Velpuri et al. | Influence of resolution in irrigated area mapping and area estimation | |
CN102842044B (zh) | 高分辨率可见光遥感图像变化检测方法 | |
Saeed et al. | Coastline extraction using satellite imagery and image processing techniques | |
Mather et al. | An evaluation of Landsat TM spectral data and SAR-derived textural information for lithological discrimination in the Red Sea Hills, Sudan | |
He et al. | Cross-modal change detection flood extraction based on convolutional neural network | |
Zhang et al. | Surface water extraction from Landsat 8 OLI imagery using the LBV transformation | |
CN107358161A (zh) | 一种基于遥感影像分类的海岸线提取方法及系统 | |
CN109308451A (zh) | 一种高分数据信息提取系统及方法 | |
Guo et al. | Mozambique flood (2019) caused by tropical cyclone idai monitored from sentinel-1 and sentinel-2 images | |
Sun et al. | Identifying terraces in the hilly and gully regions of the Loess Plateau in China | |
Wang et al. | Edge enhanced channel attention-based graph convolution network for scene classification of complex landscapes | |
Wang et al. | Rapid identification of post-earthquake collapsed buildings via multi-scale morphological profiles with multi-structuring elements | |
De la Cruz et al. | Near-realtime flood detection from multi-temporal sentinel radar images using artificial intelligence | |
Liu et al. | Intelligent identification of landslides in loess areas based on the improved YOLO algorithm: a case study of loess landslides in Baoji City | |
Ji et al. | Discriminating saltcedar (Tamarix ramosissima) from sparsely distributed cottonwood (Populus euphratica) using a summer season satellite image | |
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 | |
Franci et al. | Flood mapping using VHR satellite imagery: a comparison between different classification approaches | |
Dong et al. | A review of research on remote sensing images shadow detection and application to building extraction | |
Buehler et al. | Rapid mapping with remote sensing data during flooding 2005 in Switzerland by object-based methods: A case study | |
Miao et al. | Deep learning landslide extraction based on multi-temporal image difference local spatial information | |
Robertson et al. | Aerial image segmentation for flood risk analysis | |
Luo et al. | When to Detect Changes in Object-Based Image Analysis: Before or after Classification? | |
Chrysoulakis et al. | Remote sensing in support of tsunami mitigation planning in the Mediterranean |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190723 Termination date: 20200825 |
|
CF01 | Termination of patent right due to non-payment of annual fee |