CN109829426B - 基于高分遥感影像的铁路建设临时建筑监测方法及系统 - Google Patents
基于高分遥感影像的铁路建设临时建筑监测方法及系统 Download PDFInfo
- Publication number
- CN109829426B CN109829426B CN201910097112.6A CN201910097112A CN109829426B CN 109829426 B CN109829426 B CN 109829426B CN 201910097112 A CN201910097112 A CN 201910097112A CN 109829426 B CN109829426 B CN 109829426B
- Authority
- CN
- China
- Prior art keywords
- image
- change
- geographic objects
- geographic
- remote sensing
- 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.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开一种基于高分遥感影像的铁路建设临时建筑监测方法及系统。方法包括:获取铁路建设期双时相高分遥感影像;对所述铁路建设期双时相高分遥感影像进行多尺度图像分割,得到分割图像;对所述分割图像进行变化分析,得到变化检测结果;对所述分割图像进行分类操作,得到分类操作结果;根据所述变化检测结果和所述分类操作结果对铁路建设临时建筑进行监测。本发明能够提高铁路建设临时建筑监测能力和效果,为有效保护铁路沿线生态环境发挥积极作用。
Description
技术领域
本发明涉及遥感数字图像处理领域,特别是涉及一种基于高分遥感影像的铁路建设临时建筑监测方法及系统。
背景技术
遥感技术是20世纪60年代兴起的一种探测技术,是根据电磁波的理论,应用各种传感仪器对远距离目标所辐射和反射的电磁波信息,进行收集、处理,并最后成像,从而对地面各种景物进行探测和识别的一种综合技术。遥感技术的发展趋势有五个方面:1)进行地面、航空、航天多层次遥感,建立地球环境卫星观测网络。2)传感器向电磁波谱全波段覆盖。3)图像信息处理实现光学-电子计算机混合处理,引入其他技术理论方法,实现自动分类和模式识别。4)实现遥感分析解译的定量化与精确化。5)与GIS和GPS形成一体化的技术系统。遥感应用是《国家中长期科学和技术发展规划(2006-2020)》中确定的16个重点专项之一,是我国科技发展的重中之重。高分遥感影像具有覆盖范围广、分辨率高、实时性强等特点,和无人机航拍、Google地图等技术手段相比较,成本低、周期性强,已成功应用于农业、林业、水利、海洋等领域并发挥了重要作用。
利用遥感技术对农业、林业、水利和海洋等领域的研究已经很成熟,但利用遥感技术对铁路建设临时建筑的监测工作研究较少。目前,我国铁路建设施工环保监测采取以工作人员到现场实地调查和巡视为主,定点定位检测为辅的方法。由于铁路建设项目路线长,穿越多个地区,且地形复杂,很多地方交通不便,所以铁路建设施工过程中的临时建筑的监测存在较大难度。同时,会出现监测遗漏问题。
而未来几年,我国铁路建设必将处于高速发展阶段,铁路的大规模建设在带来经济效益的同时引发了很多环境问题。因此加强在铁路施工过程中的临时建筑的监测显得极其重要。
发明内容
本发明的目的是提供一种基于高分遥感影像的铁路建设临时建筑监测方法及系统,能够提高铁路建设临时建筑监测能力和效果,为有效保护铁路沿线生态环境发挥积极作用。
为实现上述目的,本发明提供了如下方案:
一种基于高分遥感影像的铁路建设临时建筑监测方法,包括:
获取铁路建设期双时相高分遥感影像;
对所述铁路建设期双时相高分遥感影像进行多尺度图像分割,得到分割图像,具体包括:
1)采用简单线性迭代聚类分割方法对所述铁路建设期双时相高分遥感影像进行分割,形成初始分割结果,并对分割结果进行标记,统计邻接关系,得到区域邻接图,获得最初始的地理对象;
2)对所述最初始的地理对象,根据区域相似性准则对相邻的地理对象进行合并,形成高一层次的地理对象;区域相似性准则考虑区域的灰度相似性、公共边缘强度以及区域的面积作为相似性度量Z的依据;具体公式为:
面积加权灰度距离计算如下:
相邻地理对象边缘梯度差值计算如下:
式中MG表示区域边缘处的梯度均值,Ri,Rj分为两个不同的地理对象,i、j分别表示地理对象的编号;
各地理对象相邻关系描述如下:
上式各式中,Ri,Rj分为两个不同的地理对象,i、j分别表示地理对象的编号;
采用基于最大区域熵的方法对图像区域进行合并,合并停止准则采用图像区域最大熵值,原因是从信息论的角度看,灰度变化小的地方其信息量少,局部熵值小;灰度变化大的地方信息量多,局部熵值大;信息熵的计算如下式:
式中pkl表示在地理对象Ri中,像素位置(k,l)上的灰度出现的频率,Ri为地理对象,H(Ri)为信息熵,f(k,l)为像素位置(k,l)上的灰度出现的次数;
3)重复步骤2)直到对所有的区域进行遍历,得到分割图像;
对所述分割图像进行变化分析,得到变化检测结果,具体包括:
对所述分割图像采用变化矢量分析法进行分析,得到变化矢量;
根据所述变化矢量得到变化强度图;
对所述变化强度图采用阈值分割方法,得到变化区域与未变化区域的识别结果;运用变化矢量分析法对分割后的双时相影像进行变化分析,由特征矢量差值运算得到变化矢量,计算其欧式距离生成变化强度图,随后通过分析变化强度图用阈值分割方法实现变化区域与未变化区域的识别;
对所述分割图像进行分类操作,得到分类操作结果;
根据所述变化检测结果和所述分类操作结果对铁路建设临时建筑进行监测。
可选的,所述对所述分割图像进行分类操作,得到分类操作结果,具体包括:
对所述分割图像采用支持向量机方法进行分类操作,得到分类操作结果。
一种基于高分遥感影像的铁路建设临时建筑监测系统,包括:
获取模块,用于获取铁路建设期双时相高分遥感影像;
图像分割模块,用于对所述铁路建设期双时相高分遥感影像进行多尺度图像分割,得到分割图像;
图像分析模块,用于对所述分割图像进行变化分析,得到变化检测结果;
图像分类模块,用于对所述分割图像进行分类操作,得到分类操作结果;
监测模块,用于根据所述变化检测结果和所述分类操作结果对铁路建设临时建筑进行监测;
所述图像分割模块,具体包括:
分割单元,用于采用SLIC分割算法,形成初始分割结果,并对分割结果进行标记,统计邻接关系,得到区域邻接图,获得最初始的地理对象;
合并单元,用于对所述最初始的地理对象,根据区域相似性准则对相邻的地理对象进行合并,形成高一层次的地理对象;区域相似性准则考虑区域的灰度相似性、公共边缘强度以及区域的面积作为相似性度量Z的依据;具体公式为:
面积加权灰度距离计算如下:
相邻地理对象边缘梯度差值计算如下:
式中MG表示区域边缘处的梯度均值,Ri,Rj分为两个不同的地理对象,i、j分别表示地理对象的编号;
各地理对象相邻关系描述如下:
上式各式中,Ri,Rj分为两个不同的地理对象,i、j分别表示地理对象的编号;
采用基于最大区域熵的方法对图像区域进行合并,合并停止准则采用图像区域最大熵值,原因是从信息论的角度看,灰度变化小的地方其信息量少,局部熵值小;灰度变化大的地方信息量多,局部熵值大;信息熵的计算如下式:
式中pkl表示在地理对象Ri中,像素位置(k,l)上的灰度出现的频率,Ri为地理对象,H(Ri)为信息熵,f(k,l)为像素位置(k,l)上的灰度出现的次数;
循环单元,用于对所有的区域进行遍历,得到分割图像;
所述图像分析模块,具体包括:
分析单元,用于对所述分割图像采用变化矢量分析法进行分析,得到变化矢量;
变化强度图获取单元,用于根据所述变化矢量得到变化强度图;
识别结果确定单元,用于对所述变化强度图采用阈值分割方法,得到变化区域与未变化区域的识别结果;运用变化矢量分析法对分割后的双时相影像进行变化分析,由特征矢量差值运算得到变化矢量,计算其欧式距离生成变化强度图,随后通过分析变化强度图用阈值分割方法实现变化区域与未变化区域的识别。
可选的,所述图像分类模块,具体包括:
图像分类单元,用于对所述分割图像采用支持向量机方法进行分类操作,得到分类操作结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供一种基于高分遥感影像的铁路建设临时建筑监测方法,能够有效的利用高分遥感影像覆盖范围广、分辨率高、实时性强等特点,极大地提高铁路建设临时建筑监测能力和效果,为有效保护铁路沿线生态环境发挥积极作用。
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,下面将对实施例中所需要使用的附图作简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于高分遥感影像的铁路建设临时建筑监测方法流程图;
图2为本发明变化矢量分析图;
图3为本发明基于高分遥感影像的铁路建设临时建筑监测系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于高分遥感影像的铁路建设临时建筑监测方法及系统,能够提高铁路建设临时建筑监测能力和效果,为有效保护铁路沿线生态环境发挥积极作用。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于高分遥感影像的铁路建设临时建筑监测方法流程图。如图1所示,一种基于高分遥感影像的铁路建设临时建筑监测方法,包括:
步骤101:获取铁路建设期双时相高分遥感影像;
高分遥感影像相比于中低分辨率遥感影像具有高空间分辨率、高清晰度、信息量丰富及数据时效性强等优点,高分遥感影像具有以下特点:1)单幅影像的数据显著增加;2)成像光谱波段变窄,单色波段的光谱分辨率增加,使利用光谱和空间特征进行地物类别判别的精度大大提高;3)地物的几何结构和纹理信息更加明显。卫星遥感具有探测范围广、重访周期短、成本低且限制条件少等优点,利用高分遥感卫星获取的同一地区不同时相的遥感数据和遥感影像变化检测及分类技术实现铁路建设项目临时建筑的监测工作,能够有效弥补地面调查的不足,形成天地互动,可极大地提高铁路建设临时建筑监测能力和效果。
步骤102:对所述铁路建设期双时相高分遥感影像进行多尺度图像分割,得到分割图像;具体包括:
对所述铁路建设期双时相高分遥感影像采用简单线性迭代聚类分割方法进行图像过分割,得到过分割图像;
对所述过分割图像利用区域邻接图和区域相似性准则进行合并,得到多尺度分割图像。
影像分割是将具有相同特征的像素聚集在一起,形成能反映特定特征的地理对象。但是对于高分辨率影像,选择不同的分割尺度时,分割结果不同。由于地物的结构、纹理、空间特征以及相邻地物的关系等信息十分丰富,采用单一尺度分割,必然会出现过分割或者分割不完全等情况,很难完整地反映对象的特征。而通过多尺度分割,形成了多个地理对象层,可以从不同的角度反映遥感数据的客观表现形态,为描述地理对象的多尺度特征提供了很好的基础。本发明中先用简单线性迭代聚类分割方法(SLIC)对铁路建设期双时相影像进行过分割,然后利用区域邻接图和区域相似性准则进行合并,生成高一级的分割对象。多尺度分割的具体步骤如下所示:
1)采用SLIC分割算法,形成初始分割结果,并对分割结果进行标记,统计邻接关系,得到区域邻接图,获得最初始的地理对象。
SLIC具体实现的步骤如下:
a.初始化种子点(聚类中心):按照设定的超像素个数,在图像内均匀的分配种子点。假设图片总共有N个像素点,预分割为K个相同尺寸的超像素,那么每个超像素的大小为N/K,则相邻种子点的距离(步长)近似为S=sqrt(N/K)。
b.在种子点的n*n邻域内重新选择种子点(一般取n=3)。具体方法为:计算该邻域内所有像素点的梯度值,将种子点移到该邻域内梯度最小的地方。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上,以免影响后续聚类效果。
c.在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心)。和标准的k-means在整张图中搜索不同,SLIC的搜索范围限制为2S*2S,可以加速算法收敛。在此注意一点:期望的超像素尺寸为S*S,但是搜索的范围是2S*2S。
d.距离度量。包括颜色距离和空间距离。对于每个搜索到的像素点,分别计算它和该种子点的距离。Lab色彩模型是由亮度(L)和有关色彩的a,b三个要素组成。L表示亮度(Luminosity),L的值域由0(黑色)到100(白色)。a表示从洋红色至绿色的范围(a为负值指示绿色而正值指示品红),b表示从黄色至蓝色的范围(b为负值指示蓝色而正值指示黄色)。距离计算方法如下:
其中,lj,li为i和j点的亮度值,aj,ai,bj,bi分别为i和j点不同的颜色值,dc为颜色距离,ds为空间距离,Ns为类内最大空间距离,Nc为最大的颜色距离,定义为Ns=S=sqrt(N/K),适用于每个聚类,其中,sqrt表示开方,xi,yi,xj,yj为双时相遥感影像n个波段所对应的特征向量,D'为距离量度。最大的颜色距离Nc既随图片不同而不同,也随聚类不同而不同,所以我们取一个固定常数m(取值范围[1,40],一般取10)代替。最终的距离度量D'如下:
由于每个像素点都会被多个种子点搜索到,所以每个像素点都会有一个与周围种子点的距离,取最小值对应的种子点作为该像素点的聚类中心。
e.迭代优化。理论上上述步骤不断迭代直到误差收敛(可以理解为每个像素点聚类中心不再发生变化为止),实践发现10次迭代对绝大部分图片都可以得到较理想效果,所以一般迭代次数取10。
f.增强连通性。经过上述迭代优化可能出现以下瑕疵:出现多连通情况、超像素尺寸过小,单个超像素被切割成多个不连续超像素等,这些情况可以通过增强连通性解决。主要思路是:新建一张标记表,表内元素均为-1,按照“Z”型走向(从左到右,从上到下顺序)将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素,遍历过的像素点分配给相应的标签,直到所有点遍历完毕为止。
2)对步骤1)中形成的地理对象,根据区域相似性准则对相邻的地理对象进行合并,形成高一层次的地理对象。区域相似性准则考虑区域的灰度相似性、公共边缘强度以及区域的面积作为相似性度量Z的依据。具体公式为:
面积加权灰度距离计算如下:
相邻地理对象边缘梯度差值计算如下:
式中MG表示区域边缘处的梯度均值,Ri,Rj分为两个不同的地理对象,i、j分别表示地理对象的编号。
各地理对象相邻关系描述如下:
上式各式中,Ri,Rj分为两个不同的地理对象,i、j分别表示地理对象的编号。
采用基于最大区域熵的方法对图像区域进行合并,合并停止准则采用图像区域最大熵值,原因是从信息论的角度看,灰度变化小的地方其信息量少,局部熵值小;灰度变化大的地方信息量多,局部熵值大。信息熵的计算如下式:
式中pkl表示在地理对象Ri中,像素位置(k,l)上的灰度出现的频率,Ri为地理对象,H(Ri)为信息熵,f(k,l)为像素位置(k,l)上的灰度出现的次数。
3)重复步骤2)直到对所有的区域遍历。
步骤103:对所述分割图像进行变化检测操作,得到变化检测结果;具体包括:
对所述分割图像采用变化矢量分析法进行分析,得到变化矢量;
根据所述变化矢量得到变化强度图;
对所述变化强度图采用阈值分割方法,得到变化区域与未变化区域的识别结果。
基于像素的变化检测缺乏邻近像元的空间特征和光谱特征信息,且对噪声敏感。随着遥感技术的发展,遥感影像趋于高分辨率影像,对于像素级变化检测不能满足需求,本发明采用面向对象的变化检测方法实现临时建筑的监测工作。而面向对象的变化检测方法包括分类后比较法和直接比较法。面向对象分类后比较法利用了面向对象遥感影像分析技术在处理高分辨率数据上的优势,对不同时相遥感影像进行面向对象的分类,并对分类结果进行分析,实现变化检测,但变化检测结果及精度依赖于分类的效果,具有局限性。相比之下,面向对象直接比较法具有更好的稳定性和精确性。本发明中运用变化矢量分析法(CVA,Change Vector Analysis)对分割后的双时相影像进行变化分析,由特征矢量差值运算得到变化矢量,计算其欧式距离生成变化强度图,随后通过分析变化强度图用阈值分割方法实现变化区域与未变化区域的识别。图2为本发明变化矢量分析图。
多光谱遥感影像和多维度向量空间存在一定的相似性。当向量空间的维数和遥感影像的波段数一致时,可将遥感影像转化为向量空间来表示。CVA其实是由简单差分法扩展而来,该方法先利用减法运算得到多时相遥感影像各个像元在各个波段的变化值,然后由这些波段的变化值组成变化向量。用向量空间中对应向量位置的变化(向量差)来描述影像中某像元的变化。这种用变化向量对多时相遥感影像进行研究分析的方法就是变化向量分析。当影像经过预处理后,使用CVA进行遥感影像变化检测。使用双时相间的向量大小描述变化的强度,选取合适的阈值来划分变化和未变化的区域。不同地物的变化对应不同的变化角度,通过对变化角度的分类可以获得地物变化的类型。
假设T1、T2是同一区域且已预处理的双时相遥感影像。双时相影像单个像元n个波段在n维空间中转化后的向量为X和Y,则它们的表示如下:
式中X和Y为双时相影像单个像元n个波段在n维空间中转化后的向量,x1,x2,...,xn,y1,y2,...,yn为双时相遥感影像n个波段所对应的特征向量。由公式9、10相减得到该像元的变化向量ΔV,公式如下:
由公式11可知,ΔV中包含双时相遥感影像某像元的所有变化信息。ΔV的大小体现了该像元的变化强度,ΔV的方向表示该像元的变化类型。所以,ΔV的绝对值越大说明该处发生的变化越大,反之则越小。由欧式距离可以计算得到ΔV的大小,用CMpixel表示,具体表示如公式12。
在公式中,xi与yi分别指在T1、T2时相,第i个波段中某像元的灰度值,i的范围为1≤i≤n,通常为整数。
在使用CVA作变化检测前,先进行预处理,减少其他非检测算法带来的检测误差;然后用双时相遥感影像中像元的光谱变化并结合欧式距离公式得到该像元的变化强度;最后,通过变化向量的方向来确定遥感影像变化的变化类型,变化向量方向是指向量变化的角度。每个向量都可看作是一个独特的函数,该函数中包含了各种积极和消极的变化信息。
步骤104:对所述分割图像进行分类操作,得到分类操作结果;具体包括:
对所述分割图像采用支持向量机方法进行分类操作,得到分类操作结果。
本发明在此步骤利用遥感影像分类识别技术综合利用光谱、纹理和形状特征实现占地类型的辨别。支持向量机(Support Vector Machine SVM)是由Vapnik领导的AT&TBell实验室研究小组在1995年提出的一种新的非常有潜力的分类技术,SVM是一种基于统计学习理论的模式识别方法,它在解决小样本、非线性及高维模式识别中表现出特有的优势,广泛应用于图像分类、人脸识别等实际问题。基于此本发明采用SVM技术实现对铁路建设临时建筑的分类识别操作。SVM的关键在于核函数。低维空间向量集通常难于划分,解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加,而核函数正好巧妙地解决了这个问题。也就是说,只要选用适当的核函数,就可以得到高维空间的分类函数。在SVM理论中,采用不同的核函数将导致不同的SVM算法。
在确定了核函数之后,由于确定核函数的已知数据也存在一定的误差,考虑到推广性问题,因此引入了松弛系数以及惩罚系数两个参变量来加以校正。在确定了核函数基础上,再经过大量对比实验等将这两个系数取定,该项研究就基本完成,适合相关学科或业务内应用,且有一定能力的推广性。
步骤105:根据所述变化检测结果和所述分类操作结果对铁路建设临时建筑进行监测。
在此步骤中本发明利用双时相遥感影像变化检测和分类技术实现对铁路建设临时建筑的监测工作。利用施工前、中和后期的三幅遥感影像,可以监测铁路建设临时建筑从无到有和从有到无的两个状态。利用施工后期不同时间段的高分遥感影像用遥感变化监测技术实现临时建筑施工后期的恢复情况(已恢复\未恢复和进度)。对施工完之后的遥感影像进行分类操作,从分类结果中可以看出临时建筑恢复后的类型和面积。
本发明将高分辨率遥感影像应用于铁路项目施工建设临时建筑监测,对施工全过程不同时期影像中环保重点关注的临时建筑地物特征进行分析、识别、分类与变化检测,能够有效的利用高分遥感影像覆盖范围广、分辨率高、实时性强等特点,极大地提高铁路建设临时建筑监测能力和效果,为有效保护铁路沿线生态环境发挥积极作用。
图3为本发明基于高分遥感影像的铁路建设临时建筑监测系统结构图。如图3所示,一种基于高分遥感影像的铁路建设临时建筑监测系统,包括:
获取模块301,用于获取铁路建设期双时相高分遥感影像;
图像分割模块302,用于对所述铁路建设期双时相高分遥感影像进行多尺度图像分割,得到分割图像;
图像分析模块303,用于对所述分割图像进行变化分析,得到变化检测结果;
图像分类模块304,用于对所述分割图像进行分类操作,得到分类操作结果;
监测模块305,用于根据所述变化检测结果和所述分类操作结果对铁路建设临时建筑进行监测;
所述图像分割模块302,具体包括:
分割单元,用于采用SLIC分割算法,形成初始分割结果,并对分割结果进行标记,统计邻接关系,得到区域邻接图,获得最初始的地理对象;
合并单元,用于对所述最初始的地理对象,根据区域相似性准则对相邻的地理对象进行合并,形成高一层次的地理对象;区域相似性准则考虑区域的灰度相似性、公共边缘强度以及区域的面积作为相似性度量Z的依据;具体公式为:
面积加权灰度距离计算如下:
相邻地理对象边缘梯度差值计算如下:
式中MG表示区域边缘处的梯度均值,Ri,Rj分为两个不同的地理对象,i、j分别表示地理对象的编号;
各地理对象相邻关系描述如下:
上式各式中,Ri,Rj分为两个不同的地理对象,i、j分别表示地理对象的编号;
采用基于最大区域熵的方法对图像区域进行合并,合并停止准则采用图像区域最大熵值,原因是从信息论的角度看,灰度变化小的地方其信息量少,局部熵值小;灰度变化大的地方信息量多,局部熵值大;信息熵的计算如下式:
式中pkl表示在地理对象Ri中,像素位置(k,l)上的灰度出现的频率,Ri为地理对象,H(Ri)为信息熵,f(k,l)为像素位置(k,l)上的灰度出现的次数;
循环单元,用于对所有的区域进行遍历,得到分割图像;
所述图像分析模块303,具体包括:
分析单元,用于对所述分割图像采用变化矢量分析法进行分析,得到变化矢量;
变化强度图获取单元,用于根据所述变化矢量得到变化强度图;
识别结果确定单元,用于对所述变化强度图采用阈值分割方法,得到变化区域与未变化区域的识别结果;运用变化矢量分析法对分割后的双时相影像进行变化分析,由特征矢量差值运算得到变化矢量,计算其欧式距离生成变化强度图,随后通过分析变化强度图用阈值分割方法实现变化区域与未变化区域的识别。
所述图像分类模块304,具体包括:
图像分类单元,用于对所述分割图像采用支持向量机方法进行分类操作,得到分类操作结果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于高分遥感影像的铁路建设临时建筑监测方法,其特征在于,包括:
获取铁路建设期双时相高分遥感影像;
对所述铁路建设期双时相高分遥感影像进行多尺度图像分割,得到分割图像,具体包括:
1)采用简单线性迭代聚类分割方法对所述铁路建设期双时相高分遥感影像进行分割,形成初始分割结果,并对分割结果进行标记,统计邻接关系,得到区域邻接图,获得最初始的地理对象;
2)对所述最初始的地理对象,根据区域相似性准则对相邻的地理对象进行合并,形成高一层次的地理对象;区域相似性准则考虑区域的灰度相似性、公共边缘强度以及区域的面积作为相似性度量Z的依据;具体公式为:
面积加权灰度距离计算如下:
相邻地理对象边缘梯度差值计算如下:
式中MG表示区域边缘处的梯度均值,Ri,Rj分为两个不同的地理对象,i、j分别表示地理对象的编号;
各地理对象相邻关系描述如下:
上式各式中,Ri,Rj分为两个不同的地理对象,i、j分别表示地理对象的编号;
采用基于最大区域熵的方法对图像区域进行合并,合并停止准则采用图像区域最大熵值,原因是从信息论的角度看,灰度变化小的地方其信息量少,局部熵值小;灰度变化大的地方信息量多,局部熵值大;信息熵的计算如下式:
式中pkl表示在地理对象Ri中,像素位置(k,l)上的灰度出现的频率,Ri为地理对象,H(Ri)为信息熵,f(k,l)为像素位置(k,l)上的灰度出现的次数;
3)重复步骤2)直到对所有的区域进行遍历,得到分割图像;
对所述分割图像进行变化分析,得到变化检测结果,具体包括:
对所述分割图像采用变化矢量分析法进行分析,得到变化矢量;
根据所述变化矢量得到变化强度图;
对所述变化强度图采用阈值分割方法,得到变化区域与未变化区域的识别结果;运用变化矢量分析法对分割后的双时相影像进行变化分析,由特征矢量差值运算得到变化矢量,计算其欧式距离生成变化强度图,随后通过分析变化强度图用阈值分割方法实现变化区域与未变化区域的识别;
对所述分割图像进行分类操作,得到分类操作结果;
根据所述变化检测结果和所述分类操作结果对铁路建设临时建筑进行监测。
2.根据权利要求1所述的基于高分遥感影像的铁路建设临时建筑监测方法,其特征在于,所述对所述分割图像进行分类操作,得到分类操作结果,具体包括:
对所述分割图像采用支持向量机方法进行分类操作,得到分类操作结果。
3.一种基于高分遥感影像的铁路建设临时建筑监测系统,其特征在于,包括:
获取模块,用于获取铁路建设期双时相高分遥感影像;
图像分割模块,用于对所述铁路建设期双时相高分遥感影像进行多尺度图像分割,得到分割图像;
图像分析模块,用于对所述分割图像进行变化分析,得到变化检测结果;
图像分类模块,用于对所述分割图像进行分类操作,得到分类操作结果;
监测模块,用于根据所述变化检测结果和所述分类操作结果对铁路建设临时建筑进行监测;
所述图像分割模块,具体包括:
分割单元,用于采用SLIC分割算法,形成初始分割结果,并对分割结果进行标记,统计邻接关系,得到区域邻接图,获得最初始的地理对象;
合并单元,用于对所述最初始的地理对象,根据区域相似性准则对相邻的地理对象进行合并,形成高一层次的地理对象;区域相似性准则考虑区域的灰度相似性、公共边缘强度以及区域的面积作为相似性度量Z的依据;具体公式为:
面积加权灰度距离计算如下:
相邻地理对象边缘梯度差值计算如下:
式中MG表示区域边缘处的梯度均值,Ri,Rj分为两个不同的地理对象,i、j分别表示地理对象的编号;
各地理对象相邻关系描述如下:
上式各式中,Ri,Rj分为两个不同的地理对象,i、j分别表示地理对象的编号;
采用基于最大区域熵的方法对图像区域进行合并,合并停止准则采用图像区域最大熵值,原因是从信息论的角度看,灰度变化小的地方其信息量少,局部熵值小;灰度变化大的地方信息量多,局部熵值大;信息熵的计算如下式:
式中pkl表示在地理对象Ri中,像素位置(k,l)上的灰度出现的频率,Ri为地理对象,H(Ri)为信息熵,f(k,l)为像素位置(k,l)上的灰度出现的次数;
循环单元,用于对所有的区域进行遍历,得到分割图像;
所述图像分析模块,具体包括:
分析单元,用于对所述分割图像采用变化矢量分析法进行分析,得到变化矢量;
变化强度图获取单元,用于根据所述变化矢量得到变化强度图;
识别结果确定单元,用于对所述变化强度图采用阈值分割方法,得到变化区域与未变化区域的识别结果;运用变化矢量分析法对分割后的双时相影像进行变化分析,由特征矢量差值运算得到变化矢量,计算其欧式距离生成变化强度图,随后通过分析变化强度图用阈值分割方法实现变化区域与未变化区域的识别。
4.根据权利要求3所述的基于高分遥感影像的铁路建设临时建筑监测系统,其特征在于,所述图像分类模块,具体包括:
图像分类单元,用于对所述分割图像采用支持向量机方法进行分类操作,得到分类操作结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910097112.6A CN109829426B (zh) | 2019-01-31 | 2019-01-31 | 基于高分遥感影像的铁路建设临时建筑监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910097112.6A CN109829426B (zh) | 2019-01-31 | 2019-01-31 | 基于高分遥感影像的铁路建设临时建筑监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829426A CN109829426A (zh) | 2019-05-31 |
CN109829426B true CN109829426B (zh) | 2020-07-24 |
Family
ID=66861976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910097112.6A Active CN109829426B (zh) | 2019-01-31 | 2019-01-31 | 基于高分遥感影像的铁路建设临时建筑监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829426B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570462A (zh) * | 2019-09-12 | 2019-12-13 | 中山大学 | 基于极化雷达遥感影像的洪水淹没范围自动提取方法 |
CN112329565A (zh) * | 2020-10-26 | 2021-02-05 | 兰州交通大学 | 一种基于高分遥感影像的道路建设监管方法及系统 |
CN112801031A (zh) * | 2021-02-08 | 2021-05-14 | 电子科技大学中山学院 | 静脉图像识别方法、装置、电子设备及可读存储介质 |
CN113420670B (zh) * | 2021-06-24 | 2024-05-14 | 国网福建省电力有限公司检修分公司 | 基于高分遥感输变电线路迁改环水保监管方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632363A (zh) * | 2013-08-27 | 2014-03-12 | 河海大学 | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8526723B2 (en) * | 2009-06-23 | 2013-09-03 | Los Alamos National Security, Llc | System and method for the detection of anomalies in an image |
-
2019
- 2019-01-31 CN CN201910097112.6A patent/CN109829426B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632363A (zh) * | 2013-08-27 | 2014-03-12 | 河海大学 | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 |
Non-Patent Citations (4)
Title |
---|
基于多尺度分割方法的地理国情变化检测研究;关海鹰;《科技创新导报》;20161130(第20期);第32-36页 * |
基于大津法求阈值的变化矢量分析法;曾子芳等;《测绘与空间地理信息》;20130331;第36卷(第03期);第50-55页 * |
简单线性迭代聚类的高分辨率遥感影像分割;董志鹏等;《遥感信息》;20161231(第06期);第83-88页 * |
遥感监测公路建设项目临时占地恢复状况;胡健波等;《中国环境科学学会学术年会论文集》;20130801;第04卷;第2144-2150页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109829426A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829426B (zh) | 基于高分遥感影像的铁路建设临时建筑监测方法及系统 | |
CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
Wen et al. | A novel automatic change detection method for urban high-resolution remotely sensed imagery based on multiindex scene representation | |
Qin et al. | Object-based 3-D building change detection on multitemporal stereo images | |
CN106339674B (zh) | 基于边缘保持与图割模型的高光谱影像分类方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
Kavzoglu et al. | A comparative study of segmentation quality for multi-resolution segmentation and watershed transform | |
CN111783523B (zh) | 一种遥感影像旋转目标检测方法 | |
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 | |
CN109871875B (zh) | 一种基于深度学习的建筑物变化检测方法 | |
Yu et al. | Analysis of large-scale UAV images using a multi-scale hierarchical representation | |
Su et al. | Machine learning-assisted region merging for remote sensing image segmentation | |
Chen et al. | The mixed kernel function SVM-based point cloud classification | |
Liu et al. | Multilayer cascade screening strategy for semi-supervised change detection in hyperspectral images | |
Xu et al. | Delineation of cultivated land parcels based on deep convolutional networks and geographical thematic scene division of remotely sensed images | |
Chen et al. | Object-based multi-modal convolution neural networks for building extraction using panchromatic and multispectral imagery | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
Xu et al. | Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil | |
CN110570462A (zh) | 基于极化雷达遥感影像的洪水淹没范围自动提取方法 | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
Guo et al. | Dual graph U-Nets for hyperspectral image classification | |
Sameen et al. | A simplified semi-automatic technique for highway extraction from high-resolution airborne LiDAR data and orthophotos | |
CN110414566B (zh) | 一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法 | |
Sutha | Object based classification of high resolution remote sensing image using HRSVM-CNN classifier |
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 |