CN109447984A - 一种基于图像处理的抗干扰滑坡监测方法 - Google Patents

一种基于图像处理的抗干扰滑坡监测方法 Download PDF

Info

Publication number
CN109447984A
CN109447984A CN201811354174.2A CN201811354174A CN109447984A CN 109447984 A CN109447984 A CN 109447984A CN 201811354174 A CN201811354174 A CN 201811354174A CN 109447984 A CN109447984 A CN 109447984A
Authority
CN
China
Prior art keywords
image
monitoring
interference
landslide
region
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
Application number
CN201811354174.2A
Other languages
English (en)
Other versions
CN109447984B (zh
Inventor
蓝章礼
申德兴
王庆珍
谭立云
李建明
唐苒然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Jiaotong University
Original Assignee
Chongqing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Jiaotong University filed Critical Chongqing Jiaotong University
Priority to CN201811354174.2A priority Critical patent/CN109447984B/zh
Publication of CN109447984A publication Critical patent/CN109447984A/zh
Application granted granted Critical
Publication of CN109447984B publication Critical patent/CN109447984B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Abstract

本发明公开了一种基于图像处理的抗干扰滑坡监测方法，通过设置参考靶标，解决了图像采集装置因为支架热胀冷缩或其它原因造成图像采集装置偏移而影响监测的问题；本发明还对图像进行抗干扰处理，去除光照产生的阴影及物体摆动对图像产生的影响，解决基于图像处理的滑坡监测方法容易受到干扰而发生误判的问题。采用本发明的方法具有硬件造价低，监控覆盖面宽，抗干扰能力强的优点。

Description

一种基于图像处理的抗干扰滑坡监测方法
技术领域
本发明涉及山体滑坡监测技术领域，具体为一种基于图像处理的抗干扰滑坡监测方法。
背景技术
我国地形复杂，山区众多，滑坡灾害频发，研究如何对山体进行有效监测，是一项非常有必要的工作。目前国内外山体滑坡监测的方法主要有三种。
一是传感器监测。该应用指通过在坡体部署多种传感器来采集滑坡数据，进而对滑坡进行监测。该应用可以实现数据的现场采集、远程监控滑坡的实时状况，但是需要在山体的适当位置部署多种、大量的传感器，部署复杂，实施受地理限制，且设备成本高。
二是遥感设备监测。该应用主要是通过卫星或航空等平台上的遥感技术采集图像，再结合勘探和调查的信息，综合完成滑坡状况的判断。由于遥感技术具有无接触、远距离监测的特点，故具有不受地理条件限制的优势，但是受气候条件影响严重，且精度相对较低。
三是人工取景监测。该应用指通过设置在山体附近的监测站点利用专用测量相机等相关仪器采集信息。该应用可以获取更详细的滑坡信息，但是需要维护人员进行定期维护巡检。人力成本较高，工作效率也相对较低。
中国专利“CN104596459A”名为“滑坡监测系统及其监测方法”将常规直线位移传感器、微测直线位移传感器、温度传感器湿度传感器、地震检波传感器等多种传感器分别通过导线连接至采集器，在实际部署过程中，受山体地形影响，部署可能十分困难，且由有限个点的监测来估计整个滑坡面的状态，存在漏报的问题。系统由多种传感器和硬件设施构成，结构复杂，维护难度高。
中国专利“CN206248829U”名为“一种基于地基合成孔径雷达遥感技术的路域滑坡监测装置”通过地基合成孔径雷达获得地物目标的三维信息，来对滑坡进行监测。该雷达要求摆放在一定高度的建筑物或构筑物上，且四周空旷。实际监测时复杂的地形可能导致使用条件无法满足，且设备成本极其昂贵，无法在大面积推广。
基于图像处理的山体滑坡监测方法尚比较少见，该类方法具有低成本、精度高、稳定性好的特点。中国专利“CN 104715255 A”名为“一种基于SAR图像的滑坡信息提取方法”虽然属于图像处理技术领域，但它是基于SAR图像的，SAR图像是地物目标对雷达波束的反映，与光学图像在成像机理、几何特征、辐射特征等方面均有较大的区别。
基于图像处理的山体滑坡监测方法尚比较少见，与上述三类方法相比，基于图像处理的山体滑坡监测方法具有低成本、精度高、稳定性好的特点。基于光学图像处理的滑坡监测方法会由于山体上树木等物体的摆动和光照阴影变化的存在受到干扰，进而发生误判。
因此，如何利用图像处理技术排除干扰因素，准确监测滑坡成为了本领域技术人员亟待解决的问题。
发明内容
针对上述现有技术的不足，本发明提供了一种基于图像处理的抗干扰滑坡监测方法，本发明通过设置参考靶标，解决了图像采集装置因为支架热胀冷缩或其它原因造成图像采集装置偏移而影响监测的问题；本发明还对图像进行抗干扰处理，对光照使物体产生的阴影特点和树木等物体的摆动在判定图像中的特点来排除干扰因素，解决基于图像处理的滑坡监测方法容易受到干扰而发生误判的难题。
为了解决现有技术中的技术问题，本发明采用了如下的技术方案：
一种基于图像处理的抗干扰滑坡监测方法，包括如下步骤：
(1)获取图像采集装置按预设频率拍摄的监测图像序列，监测图像序列中包括多张监测图像，每张监测图像中包括参考靶标图像及待监测山体图像；所述参考靶标图像为图像采集装置所拍摄到的固定布设在待监测山体拍摄场景中的靶标物体的图像；
(2)对所有监测图像进行第一次去干扰处理，获取每张监测图像各自的非阴影区域的像素点集合Pi；
(3)对比监测图像与其之前一个拍摄周期的监测图像，基于监测图像中非阴影区域的像素点集合Pi，监测山体图像与参考靶标图像的相对位移关系计算得到变化区域、无变化区域及干扰区域，并基于变化区域、无变化区域及干扰区域生成二值图像IB；
(4)对二值图像IB进行第二次去干扰处理，将二值图像IB中变化区域内连通域面积小于第二面积阈值δ4的区域作为干扰区域，得到去干扰二值图像I'B；
(5)若去干扰二值图像I'B中大于滑坡山体特征值，则判断发生山体滑坡，将干扰二值图像I'B中的变化区域作为滑坡区域。
优选地，步骤(2)中对任意一张监测图像Ii的做第一次去干扰处理的方法包括如下步骤：
将监测图像Ii转换至HLS色彩空间下，提取监测图像Ii的饱和度通道；
提取监测图像Ii的饱和度通道中饱和度在(δ1，δ2)内且连通域面积大于等于δ3的像素点集合Asi，作为监测图像Ii中因光照产生的阴影区域，δ1为饱和度下限阈值，δ2为饱和度上限阈值，δ3为第一面积阈值；
对监测图像Ii的像素点集合与Asi做减法操作，得到监测图像Ii中非阴影区域的像素点集合Pi。
优选地，步骤(3)具体包括如下步骤：
获取任意监测图像Ii的参考靶标的质心在监测图像Ii中的位置；
获取监测图像Ii-1的参考靶标的质心在监测图像Ii-1中的位置，监测图像Ii-1为监测图像Ii之前一个拍摄周期的监测图像；
若监测图像Ii中质心的位置与监测图像Ii-1中质心的位置相同，则将监测图像Ii与监测图像Ii-1分别转换为灰度图像GIi与灰度图像GIi-1；
将灰度图像GIi与灰度图像GIi-1进行对比，得到两灰度图像的变化区域、无变化区域及干扰区域，将变化区域设置为第一颜色，将无变化区域及干扰区域设置为第二颜色得到二值图像IB。
优选地，若监测图像Ii中质心的位置与监测图像Ii-1中质心的位置不相同，则执行下一拍摄周期的干扰监测图像的处理。
优选地，将任一监测图像Ii转换为灰度图像的转换公式为Yj(i)＝0.299Rj(i)+0.587Gj(i)+0.114Bj(i)，其中，Yj(i)表示灰度图像GIi中任一像素点的灰度值，Rj(i)表示灰度图像GIi中对应像素点的红色亮度值，Gj(i)表示灰度图像GIi对应像素点的绿色亮度值，Bj(i)表示灰度图像GIi对应像素点的蓝色亮度值。
优选地，当|Yj(i)-Yj(i-1)|＜T，则像素点pj(i)属于无变化区域，pj(i)为灰度图像GIi中任意一个像素点，Yj(i)为pj(i)的灰度值，pj(i-1)是灰度图像GIi-1中与pj(i)位置相同的像素点，Yj(i-1)为pj(i-1)的灰度值，T为变化判断阈值；
当|Yj(i)-Yj(i-1)|≥T，则像素点pj(i)属于变化区域；
当则像素点pj(i)属于干扰区域，Pi为灰度图像GIi中对应监测图像Ii中非阴影区域的像素点集合。
优选地，在判断发生滑坡之后，还包括如下步骤：
获取参考靶标的面积、参考靶标的像素点个数、滑坡区域的像素点个数、参考靶标与图像采集装置的距离及滑坡区域与图像采集装置的距离，计算滑坡区域的面积。
优选地，计算滑坡区域面积Sl的具体方式为：
其中St为参考靶标的面积，t为参考靶标的像素点个数，n为滑坡区域的像素点个数，dl为滑坡区域与图像采集装置的距离，dt为参考靶标与图像采集装置的距离。
优选地，在计算滑坡区域的面积之后，还进一步的计算滑坡面积Sl与山体面积Sm的比例k,即：
综上所述，本发明公开了一种基于图像处理的抗干扰滑坡监测方法，包括如下步骤：(1)获取图像采集装置按预设频率拍摄的监测图像序列，监测图像序列中包括多张监测图像，每张监测图像中包括参考靶标图像及待监测山体图像；所述参考靶标图像为图像采集装置所拍摄到的固定布设在待监测山体拍摄场景中的靶标物体的图像；(2)对所有监测图像进行第一次去干扰处理，获取每张监测图像各自的非阴影区域的像素点集合Pi；(3)对比监测图像与其之前一个拍摄周期的监测图像，基于监测图像中非阴影区域的像素点集合Pi，监测山体图像与参考靶标图像的相对位移关系计算得到变化区域、无变化区域及干扰区域，并基于变化区域、无变化区域及干扰区域生成二值图像IB；(4)对二值图像IB进行第二次去干扰处理，将二值图像IB中变化区域内连通域面积小于第二面积阈值δ4的区域作为干扰区域，得到去干扰二值图像I'B；(5)若去干扰二值图像I'B中大于滑坡山体特征值，则判断发生山体滑坡，将干扰二值图像I'B中的变化区域作为滑坡区域。本发明通过设置参考靶标，解决了图像采集装置因为支架热胀冷缩或其它原因造成图像采集装置偏移而影响监测的问题；本发明还对图像进行抗干扰处理，去除光照产生的阴影及物体摆动对图像产生的影响，解决基于图像处理的滑坡监测方法容易受到干扰而发生误判的问题。采用本发明的方法具有硬件造价低，监控覆盖面宽，抗干扰能力强的优点。
附图说明
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为本发明公开的一种基于图像处理的抗干扰滑坡监测方法的流程图；
图2为本发明实施例中图像采集装置及参考靶标的设置位置示意图；
图3为本发明中采集到的相邻两张图像参考点靶标重合判断示意图。
附图标记说明：参考靶标1、图像采集装置2、处理器3。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
如图1所示，本发明公开了一种基于图像处理的抗干扰滑坡监测方法，包括如下步骤：
(1)获取图像采集装置按预设频率拍摄的监测图像序列，监测图像序列中包括多张监测图像，每张监测图像中包括参考靶标图像及待监测山体图像；所述参考靶标图像为图像采集装置所拍摄到的固定布设在待监测山体拍摄场景中的靶标物体的图像；
(2)对所有监测图像进行第一次去干扰处理，获取每张监测图像各自的非阴影区域的像素点集合Pi；
(3)对比监测图像与其之前一个拍摄周期的监测图像，基于监测图像中非阴影区域的像素点集合Pi，监测山体图像与参考靶标图像的相对位移关系计算得到变化区域、无变化区域及干扰区域，并基于变化区域、无变化区域及干扰区域生成二值图像IB；
Pi表示第i张监测图像的非阴影区域的像素点集合。
(4)对二值图像IB进行第二次去干扰处理，将二值图像IB中变化区域内连通域面积小于第二面积阈值δ4的区域作为干扰区域，得到去干扰二值图像I'B；
本步骤是为了去除树木等物体的摆动造成的干扰。
(5)若去干扰二值图像I'B中大于滑坡山体特征值，则判断发生山体滑坡，将干扰二值图像I'B中的变化区域作为滑坡区域。
如图2所示，在山体附近设置参考靶标，参考靶标可以不设置在山上，以免受滑坡影响发生位移，朝滑坡检测区域设置图像采集装置，图像采集装置包括相机和摄影机等设备，图像采集装置及参考靶标设置在待监测山体的同一侧，且图像采集装置与待监测山体之间的距离大于参考靶标与待监测山体之间的距离，并且图像采集装置与参考靶标之间的距离大于参考靶标与待监测山体之间的距离，这样可以使一个图像采集装置能够监测更大面积的山体。
本方法中的图像处理及结果判断等步骤采用与图像采集装置通信连接的处理器或计算机完成。
本发明通过设置参考靶标，解决了图像采集装置因为支架热胀冷缩或其它原因造成图像采集装置偏移而影响监测的问题；本发明还对图像进行抗干扰处理，去除光照产生的阴影及物体摆动对图像产生的影响，解决基于图像处理的滑坡监测方法容易受到干扰而发生误判的问题。采用本发明的方法具有硬件造价低，监控覆盖面宽，抗干扰能力强的优点。
如图3所示，具体实施时，步骤(2)中对任意一张监测图像Ii的做第一次去干扰处理的方法包括如下步骤：
将监测图像Ii转换至HLS色彩空间下，提取监测图像Ii的饱和度通道；
提取监测图像Ii的饱和度通道中饱和度在(δ1，δ2)内且连通域面积大于等于δ3的像素点集合Asi，作为监测图像Ii中因光照产生的阴影区域，δ1为饱和度下限阈值，δ2为饱和度上限阈值，δ3为第一面积阈值；
对监测图像Ii的像素点集合与Asi做减法操作，得到监测图像Ii中非阴影区域的像素点集合Pi。
对任意监测图像Ii，选取两个饱和度阈值δ1，δ2和一个面积阈值δ3。
找出饱和度通道S中寻找满足饱和度s在阈值区域(δ1，δ2)内的且连通域面积Sc不小于阈值δ3的区域Asi，公式表示如下：
Asi＝A1&A2
再对Asi删除连通域面积Sc小于阈值δ3的区域，即得到新的阴影像素点集合，并将新的阴影像素点集合记作Asi。
本方案通过相邻两张图像的差异来判断是否发生滑坡。实际操作中，太阳光照射在物体上会产生阴影，而且随着时间推移日照方向发生改变，阴影也会有所改变。对于坡面上体积较大的物体，如巨石，将产生较大的阴影，且阴影会有变化，这将导致两张图像的差异很大，进而被误判为发生滑坡。
常见的去阴影算法，如基于边缘检测的阴影检测算法，在边坡环境下表现效果很不理想。边坡地形复杂，存在大量边缘，基于边缘检测的阴影检测算法很难找到合适的阈值，甚至会将边坡上的岩石、树木的一些边缘识别为阴影边缘，检测出的边缘也存在非常严重的断裂现象。
本方案采用基于饱和度的算法来检测阴影。图像中阴影区域和普通区域的一个明显区别在于，阴影区域的色彩饱和度发生变化，一般比区域中的物体不在阴影中时的饱和度低。即可以通过检测图像中像素的饱和度来识别可能的阴影区域，并且可以避免上文中陈述的其它方法的缺点。
具体实施时，步骤(3)具体包括如下步骤：
获取任意监测图像Ii的参考靶标的质心在监测图像Ii中的位置；
获取监测图像Ii-1的参考靶标的质心在监测图像Ii-1中的位置，监测图像Ii-1为监测图像Ii之前一个拍摄周期的监测图像；
若监测图像Ii中质心的位置与监测图像Ii-1中质心的位置相同，则将监测图像Ii与监测图像Ii-1分别转换为灰度图像GIi与灰度图像GIi-1；
将灰度图像GIi与灰度图像GIi-1进行对比，得到两灰度图像的变化区域、无变化区域及干扰区域，将变化区域设置为第一颜色，将无变化区域及干扰区域设置为第二颜色得到二值图像IB。
本发明中，第一颜色可为白色，第二颜色可为黑色。
具体实施时，若监测图像Ii中质心的位置与监测图像Ii-1中质心的位置不相同，则执行下一拍摄周期的干扰监测图像的处理。
具体实施时，将任一监测图像Ii转换为灰度图像的转换公式为Yj(i)＝0.299Rj(i)+0.587Gj(i)+0.114Bj(i)，其中，Yj(i)表示灰度图像GIi中任一像素点的灰度值，Rj(i)表示灰度图像GIi中对应像素点的红色亮度值，Gj(i)表示灰度图像GIi对应像素点的绿色亮度值，Bj(i)表示灰度图像GIi对应像素点的蓝色亮度值。
本方案选择将监测图像转化为灰度图像。灰度图像表示简单，仅一个通道，在足以表现物体的基础上简化了运算，使得算法所需的阈值减少，运算量减少，鲁棒性提高。
具体实施时，当|Yj(i)-Yj(i-1)|＜T，则像素点pj(i)属于无变化区域，pj(i)为灰度图像GIi中任意一个像素点，Yj(i)为pj(i)的灰度值，pj(i-1)是灰度图像GIi-1中与pj(i)位置相同的像素点，Yj(i-1)为pj(i-1)的灰度值，T为变化判断阈值；
当|Yj(i)-Yj(i-1)|≥T，则像素点pj(i)属于变化区域；
当则像素点pj(i)属于干扰区域，Pi为灰度图像GIi中对应监测图像Ii中非阴影区域的像素点集合。
具体实施时，在判断发生滑坡之后，还包括如下步骤：
获取参考靶标的面积、参考靶标的像素点个数、滑坡区域的像素点个数、参考靶标与图像采集装置的距离及滑坡区域与图像采集装置的距离，计算滑坡区域的面积。
具体实施时，计算滑坡区域面积Sl的具体方式为：
其中St为参考靶标的面积，t为参考靶标的像素点个数，n为滑坡区域的像素点个数，dl为滑坡区域与图像采集装置的距离，dt为参考靶标与图像采集装置的距离。
具体实施时，在计算滑坡区域的面积之后，还进一步的计算滑坡面积Sl与山体面积Sm的比例k,即：
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (9)

1.一种基于图像处理的抗干扰滑坡监测方法，其特征在于，包括如下步骤：
(1)获取图像采集装置按预设频率拍摄的监测图像序列，监测图像序列中包括多张监测图像，每张监测图像中包括参考靶标图像及待监测山体图像；所述参考靶标图像为图像采集装置所拍摄到的固定布设在待监测山体拍摄场景中的靶标物体的图像；
(2)对所有监测图像进行第一次去干扰处理，获取每张监测图像各自的非阴影区域的像素点集合Pi；
(3)对比监测图像与其之前一个拍摄周期的监测图像，基于监测图像中非阴影区域的像素点集合Pi，监测山体图像与参考靶标图像的相对位移关系计算得到变化区域、无变化区域及干扰区域，并基于变化区域、无变化区域及干扰区域生成二值图像IB；
(4)对二值图像IB进行第二次去干扰处理，将二值图像IB中变化区域内连通域面积小于第二面积阈值δ4的区域作为干扰区域，得到去干扰二值图像I'B；
(5)若去干扰二值图像I'B中大于滑坡山体特征值，则判断发生山体滑坡，将干扰二值图像I'B中的变化区域作为滑坡区域。
2.如权利要求1所述的基于图像处理的抗干扰滑坡监测方法，其特征在于，步骤(2)中对任意一张监测图像Ii的做第一次去干扰处理的方法包括如下步骤：
将监测图像Ii转换至HLS色彩空间下，提取监测图像Ii的饱和度通道；
提取监测图像Ii的饱和度通道中饱和度在(δ1，δ2)内且连通域面积大于等于δ3的像素点集合Asi，作为监测图像Ii中因光照产生的阴影区域，δ1为饱和度下限阈值，δ2为饱和度上限阈值，δ3为第一面积阈值；
对监测图像Ii的像素点集合与Asi做减法操作，得到监测图像Ii中非阴影区域的像素点集合Pi。
3.如权利要求1所述的基于图像处理的抗干扰滑坡监测方法，其特征在于，步骤(3)具体包括如下步骤：
获取任意监测图像Ii的参考靶标的质心在监测图像Ii中的位置；
获取监测图像Ii-1的参考靶标的质心在监测图像Ii-1中的位置，监测图像Ii-1为监测图像Ii之前一个拍摄周期的监测图像；
若监测图像Ii中质心的位置与监测图像Ii-1中质心的位置相同，则将监测图像Ii与监测图像Ii-1分别转换为灰度图像GIi与灰度图像GIi-1；
将灰度图像GIi与灰度图像GIi-1进行对比，得到两灰度图像的变化区域、无变化区域及干扰区域，将变化区域设置为第一颜色，将无变化区域及干扰区域设置为第二颜色得到二值图像IB。
4.如权利要求3所述的基于图像处理的抗干扰滑坡监测方法，其特征在于，若监测图像Ii中质心的位置与监测图像Ii-1中质心的位置不相同，则执行下一拍摄周期的干扰监测图像的处理。
5.如权利要求3所述的基于图像处理的抗干扰滑坡监测方法，其特征在于，将任一监测图像Ii转换为灰度图像的转换公式为Yj(i)＝0.299Rj(i)+0.587Gj(i)+0.114Bj(i)，其中，Yj(i)表示灰度图像GIi中任一像素点的灰度值，Rj(i)表示灰度图像GIi中对应像素点的红色亮度值，Gj(i)表示灰度图像GIi对应像素点的绿色亮度值，Bj(i)表示灰度图像GIi对应像素点的蓝色亮度值。
6.如权利要求3所述的基于图像处理的抗干扰滑坡监测方法，其特征在于，当|Yj(i)-Yj(i-1)|＜T，则像素点pj(i)属于无变化区域，pj(i)为灰度图像GIi中任意一个像素点，Yj(i)为pj(i)的灰度值，pj(i-1)是灰度图像GIi-1中与pj(i)位置相同的像素点，Yj(i-1)为pj(i-1)的灰度值，T为变化判断阈值；
当|Yj(i)-Yj(i-1)|≥T，则像素点pj(i)属于变化区域；
当则像素点pj(i)属于干扰区域，Pi为灰度图像GIi中对应监测图像Ii中非阴影区域的像素点集合。
7.如权利要求1所述的基于图像处理的抗干扰滑坡监测方法，其特征在于，在判断发生滑坡之后，还包括如下步骤：
获取参考靶标的面积、参考靶标的像素点个数、滑坡区域的像素点个数、参考靶标与图像采集装置的距离及滑坡区域与图像采集装置的距离，计算滑坡区域的面积。
8.如权利要求7所述的基于图像处理的抗干扰滑坡监测方法，其特征在于，计算滑坡区域面积Sl的具体方式为：
其中St为参考靶标的面积，t为参考靶标的像素点个数，n为滑坡区域的像素点个数，dl为滑坡区域与图像采集装置的距离，dt为参考靶标与图像采集装置的距离。
9.如权利要求7所述的基于图像处理的抗干扰滑坡监测方法，其特征在于，在计算滑坡区域的面积之后，还进一步的计算滑坡面积Sl与山体面积Sm的比例k,即：
CN201811354174.2A 2018-11-14 2018-11-14 一种基于图像处理的抗干扰滑坡监测方法 Expired - Fee Related CN109447984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811354174.2A CN109447984B (zh) 2018-11-14 2018-11-14 一种基于图像处理的抗干扰滑坡监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811354174.2A CN109447984B (zh) 2018-11-14 2018-11-14 一种基于图像处理的抗干扰滑坡监测方法

Publications (2)

Publication Number Publication Date
CN109447984A true CN109447984A (zh) 2019-03-08
CN109447984B CN109447984B (zh) 2021-05-04

Family

ID=65553463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811354174.2A Expired - Fee Related CN109447984B (zh) 2018-11-14 2018-11-14 一种基于图像处理的抗干扰滑坡监测方法

Country Status (1)

Country Link
CN (1) CN109447984B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037276A (zh) * 2020-08-11 2020-12-04 浙江大华技术股份有限公司 一种二次滑坡监测方法、装置、电子设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000227959A (ja) * 1999-02-08 2000-08-15 Sakata Denki 地表面画像監視装置
CN101900687A (zh) * 2010-07-06 2010-12-01 重庆大学 一种基于图像处理的小型水域水华监测预警方法
CN102629378A (zh) * 2012-03-01 2012-08-08 西安电子科技大学 基于多特征融合的遥感图像变化检测方法
CN102721370A (zh) * 2012-06-18 2012-10-10 南昌航空大学 基于计算机视觉的山体滑坡实时监测方法
CN103208126A (zh) * 2013-04-17 2013-07-17 同济大学 一种自然环境下运动物体监测方法
CN104715255A (zh) * 2015-04-01 2015-06-17 电子科技大学 一种基于sar图像的滑坡信息提取方法
CN104851360A (zh) * 2014-02-14 2015-08-19 杭州贵仁科技有限公司 一种洪水风险图的生成方法和系统
CN105321163A (zh) * 2014-07-31 2016-02-10 中国科学院遥感与数字地球研究所 检测全极化sar图像的变化区域的方法和装置
CN105989322A (zh) * 2015-01-27 2016-10-05 同济大学 一种基于高分辨率遥感影像的多指标融合滑坡检测方法
CN106092059A (zh) * 2016-06-27 2016-11-09 重庆交通大学 一种基于多点拟合的结构物平面位移监测方法
CN106197292A (zh) * 2016-06-27 2016-12-07 重庆交通大学 一种建筑物位移监测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000227959A (ja) * 1999-02-08 2000-08-15 Sakata Denki 地表面画像監視装置
CN101900687A (zh) * 2010-07-06 2010-12-01 重庆大学 一种基于图像处理的小型水域水华监测预警方法
CN102629378A (zh) * 2012-03-01 2012-08-08 西安电子科技大学 基于多特征融合的遥感图像变化检测方法
CN102721370A (zh) * 2012-06-18 2012-10-10 南昌航空大学 基于计算机视觉的山体滑坡实时监测方法
CN103208126A (zh) * 2013-04-17 2013-07-17 同济大学 一种自然环境下运动物体监测方法
CN104851360A (zh) * 2014-02-14 2015-08-19 杭州贵仁科技有限公司 一种洪水风险图的生成方法和系统
CN105321163A (zh) * 2014-07-31 2016-02-10 中国科学院遥感与数字地球研究所 检测全极化sar图像的变化区域的方法和装置
CN105989322A (zh) * 2015-01-27 2016-10-05 同济大学 一种基于高分辨率遥感影像的多指标融合滑坡检测方法
CN104715255A (zh) * 2015-04-01 2015-06-17 电子科技大学 一种基于sar图像的滑坡信息提取方法
CN106092059A (zh) * 2016-06-27 2016-11-09 重庆交通大学 一种基于多点拟合的结构物平面位移监测方法
CN106197292A (zh) * 2016-06-27 2016-12-07 重庆交通大学 一种建筑物位移监测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZHONGBIN LI 等: "Semi-automated landslide inventory mapping from bitemporal aerial photographs using change detection and level set method", 《REMOTE SENSING OF ENVIRONMENT》 *
张帅娟: "变化检测和面向对象结合的高分辨率遥感影像滑坡体提取方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
李松 等: "基于变化检测的滑坡灾害自动识别", 《遥感应用》 *
杨俊 等: "一种高分辨率遥感影像阴影去除方法", 《武汉大学学报•信息科学版》 *
蔡利梅 等编著: "《数字图像处理》", 31 August 2014, 中国矿业大学出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037276A (zh) * 2020-08-11 2020-12-04 浙江大华技术股份有限公司 一种二次滑坡监测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN109447984B (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
CN105915846B (zh) 一种单双目复用的入侵物监测方法及系统
JP2669753B2 (ja) ビデオ画像プロセッサおよび車両検出方法
CN102175613B (zh) 基于图像亮度特征的ptz视频能见度检测方法
CN103646250B (zh) 基于距离图像头肩特征的行人监测方法及装置
CN100520362C (zh) 基于彩色ccd图像分析的森林火情烟雾检测方法
CN105225482A (zh) 基于双目立体视觉的车辆检测系统和方法
CN110040595B (zh) 一种基于图像直方图的电梯门状态检测方法及系统
CN110889327B (zh) 一种基于热红外图像的水域周边排污口智能检测方法
KR101488214B1 (ko) 카메라 영상을 이용한 조간대 지형 변화 모니터링 장치 및 그 방법
CN106339657A (zh) 基于监控视频的秸秆焚烧监测方法、装置
CN106131376A (zh) 一种室内外场景确定方法及装置
CN108871290B (zh) 一种基于光流法检测与贝叶斯预测的可见光动态定位方法
CN114419825A (zh) 基于毫米波雷达和摄像头的高铁周界入侵监测装置及方法
CN105426837A (zh) 移动网络视觉雾霾检测系统
CN111879292B (zh) 一种海岸线动态监控方法、监控设备及存储介质
CN104182992B (zh) 一种基于全景视觉的海上弱小目标检测方法
CN104778723A (zh) 红外图像中利用三帧差法进行移动侦测的方法
CN105913464A (zh) 一种基于视频的多人体目标在线测量方法
CN110020642A (zh) 一种基于车辆检测的能见度识别方法
CN109447984A (zh) 一种基于图像处理的抗干扰滑坡监测方法
KR101520293B1 (ko) 시각 집중에 의한 관심객체 검지와 포렌식 영상 획득 스케쥴링 방법 및 시스템
KR101500267B1 (ko) 시공간 영상의 화소 강도의 시간적 변화 특성 분석 결과를 이용한 하천 수표면 검출 방법
Yadav et al. Supervised learning based greenery region detection using unnamed aerial vehicle for smart city application
JP3817611B2 (ja) 可視画像式路面状況把握装置における路面状況判定方法
JP2002162343A (ja) 可視画像式路面状況把握装置における路面状況判定方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210504

Termination date: 20211114