CN110060273B - 基于深度神经网络的遥感影像滑坡测图方法 - Google Patents

Abstract

本发明提供基于深度神经网络的遥感影像滑坡测图方法，包括：对滑坡前后的遥感影像进行预处理；对滑坡后影像进行超像素分割；将滑坡后影像的超像素区域与滑坡前影像叠加，获得滑坡前影像的超像素区域；计算每个超像素所在区域的变化强度特征；将滑坡前后的超像素光谱特征与变化强度特征融合，生成特征向量；计算各像素变化强度特征，并通过LSELUC算法进行滑坡提取，进而与超像素区域叠加，计算各区域变化比率，并通过阈值分割提取伪样本数据集，形成滑坡提取初始结果；构建滑坡测图深度神经网络模型，利用伪样本数据集进行训练，输入特征向量进行分类；融合滑坡提取初始结果和模型分类结果，生成最终的滑坡测图结果。

Description

基于深度神经网络的遥感影像滑坡测图方法

技术领域

本发明属于遥感技术领域，具体涉及基于深度神经网络的遥感影像滑坡测图方法。

背景技术

滑坡是当今世界上造成巨大经济损失的自然灾害之一。近年来利用多时相高分辨率遥感数据进行滑坡的监测和识别，已成为滑坡应急救灾和灾后评估的有效手段。随着航空航天技术的飞速发展，遥感影像数据的空间分辨率、光谱分辨率、时间分辨率越来越高。高空间分辨率的遥感影像能够提供丰富的地物细节和空间信息，为滑坡监测提供了充足的数据源。如何智能化、快速、准确的从遥感影像中提取滑坡灾害信息已成为滑坡测图的重要研究内容。

滑坡测图(Landslide Mapping，LM)可以认为是通过对比滑坡发生前后遥感影像，提取地表覆盖中滑坡区域的过程，在此基础上获取滑坡的属性信息，包括位置，类型，分布，大小或体积，发生时间等等。目前从高分辨遥感影像上提取滑坡信息可以分为两种：基于像素的方法和面向对象的方法。基于像素的方法以像素为分析单元。Yang和Chen(2010)从Landsat和ASTER影像中分析植被变化来进行滑坡测图。Cheng等(2004)提出了基于波段比值的半自动方法，进行SPOT影像滑坡测图。Nichol和Wong(2005)采用分类后比较的方法对滑坡前后遥感影像分别分类，从而提取发生滑坡的区域。Mondini等(2011)应用多时相遥感影像直接对比和分类方法，通过Quickbird影像进行滑坡测图。Li等(2016)提出了基于阈值分割和水平集演化的方法，应用于大范围滑坡测图中，在此基础上，Li等(2016)又提出了一种基于马尔科夫随机场模型，充分利用光谱和空间信息，提高滑坡测图的精度。面向对象的滑坡测图方法以同质的影像对象为处理单元，提取影像特征，并对遥感影像进行分类，进而识别滑坡与非滑坡区域。Martha等(2011)采用分割优化和阈值法提高面向对象滑坡提取的精度。Stumpf和Kerle(2011)结合面向对象分析与随机森林分类方法进行滑坡测图，并对地理对象的特征提取进行了探讨。Rau,Jhan和Rau(2014)利用正射影像和数字高程模型(DEM)，进行面向对象的滑坡测图。Kurtz等(2014)针对滑坡对象的光谱异质性问题，提出了基于多分辨率影像的滑坡测图方法。

随着遥感影像空间分辨率的提高，一方面可以提取更精细的滑坡信息，另一方面增加了滑坡内部的光谱异质性，同时会产生更多的噪声干扰。现有方法主要通过两种方式解决滑坡提取的噪声问题，第一种通过多步预处理工作，来减少高分辨率遥感影像数据源中的噪声，此类方法生产效率较低；第二种首先生成影像对象，然后利用样本进行分类模型的训练，最终利用训练后的模型进行滑坡与非滑坡的类别标记，此类方法受限于高质量的滑坡样本数据，而样本数据的获取与标记成本较高。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于深度神经网络的遥感影像滑坡测图方法，能够有效解决目前滑坡测图模型抗噪声干扰能力不高、依赖高质量样本数据的问题，在保持滑坡数据完整性的同时提升了模型抗噪能力，降低人工和时间成本，提高检测结果精度。本发明为了实现上述目的，采用了以下方案：

本发明提供一种基于深度神经网络的遥感影像滑坡测图方法，其特征在于，包括以下步骤：步骤1：获取滑坡前后的遥感影像，进行影像预处理，得到滑坡前影像和滑坡后影像；步骤2：采用分形网络演化方法，设定分割尺度、形状参数、紧致度参数，对滑坡后影像进行超像素分割，得到滑坡后影像的超像素；然后，将滑坡后影像的超像素区域与滑坡前影像叠加，获得滑坡前影像的超像素区域，使滑坡前后影像具有相同的分割边界，同时保证滑坡数据的完整性；步骤3：采用超像素级变化向量分析方法计算所得的每个超像素所在区域的变化强度特征；将滑坡前后的超像素光谱特征与变化强度特征融合，生成特征向量，作为滑坡测图的依据；步骤4：对于滑坡前影像和滑坡后影像，采用像素级变化向量分析方法计算每个像素的变化强度特征，并通过LSELUC算法进行滑坡提取，得到初始的像素级滑坡提取结果；将像素级滑坡提取结果与超像素区域叠加，计算每个超像素区域内的变化比率，并通过阈值分割提取“滑坡”与“非滑坡”的伪样本数据集，形成滑坡提取初始结果；步骤5：构建针对滑坡测图的深度神经网络模型，利用伪样本数据集对深度神经网络模型进行训练，输入非样本数据的特征向量进行分类，生成分类结果；步骤6：利用多数投票法融合滑坡提取初始结果和深度神经网络模型分类结果，生成最终的滑坡测图结果。

本发明提供的基于深度神经网络的遥感影像滑坡测图方法，还可以具有以下特征：在步骤1中，影像预处理包括影像配准和相对辐射校正。

本发明提供的基于深度神经网络的遥感影像滑坡测图方法，还可以具有以下特征：在步骤2中，设定分割尺度为30，形状参数为0.8，紧致度参数为0.9。

本发明提供的基于深度神经网络的遥感影像滑坡测图方法，还可以具有以下特征：在步骤3中，将滑坡前后的超像素光谱特征与变化强度特征融合，生成7维特征向量：

式中，Q(S_i)为超像素S_i的变化特征向量，D(S_i)为S_i的变化强度特征，表示滑坡发生前后遥感影像的光谱差异程度；I₁ ^R，I₁ ^G，I₁ ^B为滑坡前影像的RGB波段的光谱特征，

为滑坡后影像的RGB波段的光谱特征。

本发明提供的基于深度神经网络的遥感影像滑坡测图方法，还可以具有以下特征：在步骤4中，选取变化比率大于50％的超像素作为初始的像素级滑坡提取结果L₁：

式中，CR(S_i)表示超像素的变化比率且CR(S_i)∈[0,1]；根据阈值分割选取“滑坡”与“非滑坡”的伪样本集Q^l，Q^u，计算公式为：

式中，ΔT为确定样本量的阈值。

本发明提供的基于深度神经网络的遥感影像滑坡测图方法，还可以具有以下特征：在步骤5中，对于总层数为J的深度神经网络模型，输入滑坡与非滑坡样本数据共n个，其损失函数如下：

C_0,x＝-[y log a+(1-y)log(1-a)]，

式中，C为模型损失函数，C₀为模型交叉熵损失量，C_x,0为第x个样本的交叉熵损失量，

为正则化项，λ为正则化参数，w为神经元的线性系数，n为样本个数，y为单个样本的标记值，滑坡数据标记为1，非滑坡数据标记为0，a为单个样本的预测值；

然后，采用下式计算样本输出值：

式中，σ()为激活函数，

第j层的第h个神经元的输出，

为第j层的第h个神经元的输入，

为第j-1层的第k个神经元到第j层的第h个神经元的线性系数，

为第j层的第h个神经元的偏置项；

计算误差：

式中，

为J层第h个神经元的输出误差，y_h为J层的第h个神经元的期望输出值，

为J层的第h个神经元的输出，

为j-1层第h个神经元的输出误差；

再进行参数更新，依次对深度神经网络层j＝J,J-1,...,2更新参数w和b：

式中，δ^j,x为第x个样本所得到的第j层的神经元的误差，a^j-1第j-1层的神经元的输出，η为学习率；

深度神经网络模型训练完之后，计算样本输出值，从而判断滑坡或者非滑坡，生成分类结果L₂。

本发明提供的基于深度神经网络的遥感影像滑坡测图方法，还可以具有以下特征：在步骤4中，阈值ΔT取值范围为0.1～0.2，过大会引入较多噪声，过小则模型拟合效果不好，优选值为0.1；在步骤5中，学习率η取值范围为0.01～0.001，过低会导致收敛速度变慢，过高则易震荡，最优值为0.01。

本发明提供的基于深度神经网络的遥感影像滑坡测图方法，还可以具有以下特征：在步骤6中，对滑坡提取初始结果L₁和深度神经网络模型分类结果L₂进行融合：

式中，L(S_i)为S_i的最终类别标记。

发明的作用与效果

本发明首次提出基于深度神经网络的滑坡测图模型。首先对滑坡后的遥感影像进行超像素分割，并与滑坡前遥感影像叠加获得滑坡前超像素边界，提取滑坡前后影像光谱特征和变化强度特征，形成滑坡测图的特征序列，然后利用LSELUC算法进行像素级滑坡初步提取，构建基于变化比率分析与阈值分割的滑坡样本数据自动选取策略，为深度神经网络模型训练提供标注样本，提高模型的学习能力，建立基于深度神经网络的滑坡测图模型，获得完整性较高的滑坡提取结果，最终通过决策级融合，进一步提高滑坡测图结果的准确性。本发明解决了像素级滑坡测图生产效率较低、对象级滑坡测图受限于高质量的滑坡样本数据的问题，在保持滑坡准确轮廓、减少椒盐噪声的同时，大幅度减少了滑坡测图样本选取与标注成本。

附图说明

图1为本发明实施例中所涉及的基于深度神经网络的遥感影像滑坡测图方法的流程图；

图2为本发明实施例中所涉及的滑坡前的遥感影像图；

图3为本发明实施例中所涉及的滑坡后的遥感影像图；

图4为本发明实施例中所涉及的地面参考影像图；

图5为本发明实施例中所涉及的滑坡后影像超像素分割结果；

图6为本发明实施例中所涉及的超像素变化比率图；

图7为本发明实施例中所构建的滑坡测图神经网络模型图；

图8为本发明实施例中所涉及的滑坡测图结果；

图9为基于ELSE方法的滑坡测图结果。

具体实施方式

以下结合附图对本发明涉及的基于深度神经网络的遥感影像滑坡测图方法的具体实施方案进行详细地说明。

<实施例>

本实施例中，以航空遥感影像为例，对基于深度神经网络的遥感影像滑坡测图方法进行说明。

如图1所示，本实施例所提供的基于深度神经网络的遥感影像滑坡测图方法具体包括：

1)预处理

获取滑坡前后的遥感影像，然后进行影像预处理。本实施例中，预处理包括影像配准和相对辐射校正。对各时段遥感影像预处理的方法是，以滑坡前的影像为参考，对滑坡后的影像进行几何配准，配准精度达到0.5个像素；将滑坡前影像同滑坡后影像辐射值做匹配，通过直方图匹配方法进行相对辐射校正。

本实施例采用的数据为，Zeiss RMK TOP 15传感器航测摄像系统拍摄的影像，空间分辨率为0.5m，如图2和3所示，实验地区滑坡前和滑坡后影像分别为3波段，滑坡前影像获取时间为2005年12月，滑坡后影像获取时间为2008年11月，图4为实验地区地面参考影像。

2)分割

利用预处理之后的滑坡前和滑坡后遥感影像，采用分形网络演化方法(fractalnet evolution approach，FNEA)对滑坡后影像进行分割，为了得到形状较规整的超像素，设定较小的分割尺度、较大的形状参数和紧致度参数。实施例设定分割尺度为30，形状参数为0.8，紧致度参数为0.9。图5所示为滑坡后影像超像素分割结果。将滑坡后影像的超像素区域与滑坡前影像叠加，获得滑坡前影像的超像素区域，使滑坡前后影像具有相同的分割边界，同时保证滑坡数据的完整性。

3)特征提取

采用超像素级变化向量分析(superpixel-based change vector analysis,SCVA)方法计算所得的每个超像素的变化强度特征。将滑坡前后的超像素光谱特征与变化强度特征融合，生成7维的特征向量，作为滑坡提取的依据。

式中，Q(S_i)为超像素S_i的变化特征向量，D(S_i)为S_i的变化强度特征，表示滑坡发生前后遥感影像的光谱差异程度；

为滑坡前影像的RGB波段的光谱特征，

为滑坡后影像的RGB波段的光谱特征。S_i表示第i个超像素。

4)样本自动选取

利用预处理之后的滑坡前和滑坡后遥感影像，采用(pixel-based change vectoranalysis,PCVA)方法进行像素级变化强度特征提取。并且，通过LSELUC算法对预处理之后的滑坡前和滑坡后遥感影像进行滑坡提取，设置局部不确定性窗口参数s为5×5，得到初始的像素级滑坡提取结果。LSLUC是一种非监督分割算法，收敛速度较快，参数较少，算法鲁棒性较高。

将像素级滑坡提取结果与超像素区域叠加，计算每个超像素区域内的变化比率。如图6所示，为超像素变化比率分析结果。选取变化比率大于50％的超像素作为滑坡提取的初始结果L₁。

式中，CR(S_i)表示超像素的变化比率且CR(S_i)∈[0,1]。根据阈值分割选取“滑坡”与“非滑坡”的伪样本集Q^l，Q^u，计算公式如下：

式中，ΔT为确定样本量的阈值。实施例设定ΔT＝0.1。

5)深度神经网络模型训练和分类

如图7所示，构建四层神经网络模型，输入层为7个输入神经元，输出层为2个输出神经元，两个隐藏层各有9个神经元。利用伪样本数据集Q^l，Q^u对模型进行训练，输入第3)步的特征向量进行分类，生成分类结果L₂。本实施例，设定激活函数前两层为Relu函数，最后一层为Softmax函数，训练函数为梯度下降法(gradient descent)，损失函数为交叉熵，训练次数为2000，正则化方式为L2范数，学习率为0.01，正则化系数为0.0001，参数初始化方式：权重为标准正态分布的随机数，偏置为0。

(1)构建损失函数

对于总层数为J的深度神经网络模型，输入滑坡与非滑坡样本数据共n个，其损失函数如下：

C_0,x＝-[y log a+(1-y)log(1-a)]，

式中，C为模型损失函数，C₀为模型交叉熵损失量，C_x,0为第x个样本的交叉熵损失量，

为正则化项，λ为正则化参数，w为神经元的线性系数，n为样本个数，y为单个样本的标记值，即滑坡数据标记为1，非滑坡数据标记为0，a为单个样本的预测值，即该样本属于滑坡数据的概率。

(2)计算样本输出值

式中，σ()为激活函数，

第j层的第h个神经元的输出，

为第j层的第h个神经元的输入，

为第j-1层的第k个神经元到第j层的第h个神经元的线性系数，

为第j层的第h个神经元的偏置项。

(3)计算误差

式中，

为J层(即最后一层)第h个神经元的输出误差，y_h为J层的第h个神经元的期望输出值，

为J层的第h个神经元的输出，

为j-1层第h个神经元的输出误差。

(4)参数更新

依次对深度神经网络层j＝J,J-1,...,2更新参数w和b：

式中，δ^j,x为第x个样本所得到的第j层的神经元的误差，a^j-1第j-1层的神经元的输出，η为学习率。

(5)深度神经网络模型训练完之后，根据第(2)步计算样本输出值，从而判断滑坡或者非滑坡，生成分类结果L₂。

6)决策级融合

利用多数投票法(Majority voting method，MV)融合超像素级初始滑坡提取结果L₁和深度神经网络模型分类结果L₂，生成图8所示最终的滑坡测图结果。

其中L(S_i)为S_i的最终类别标记。

进一步，得到最终的滑坡测图结果后，可以通过控制中心的计算机显示出滑坡测图结果，并从滑坡测图结果中快速准确的识别滑坡区域，形成专题图，提供滑坡位置、空间分布、面积等信息，为滑坡监控、预警、应急救灾和灾后评估处理提供科学依据，例如，计算机中的控制部基于专题图中的信息控制路线生成模块生成抢险救灾路径图进行显示，并且控制部还可以在此基础上控制相应智能救灾设备进入相应危险和灾害发生地区进行抢险救灾工作。

为了证实本实施例方案的进步性，基于相同的数据采用现有技术方案也进行了滑坡测图，如图9所示，为基于现有技术ELSE(Edge-based Level Set Evolution)方法的滑坡测图结果，将该结果与图8所示本实施例的滑坡测图结果进行比较，见下表1：

表1两种滑坡测图结果的统计比较情况

从图8和9以及上表1中可以看出，比起现有技术，本实施例所提供的方案可以更好地保持滑坡区域的完整性和边界的准确性，同时具有更强的抗噪声干扰能力，且不需要人工选取样本进行模型训练，自动化程度高。

以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的基于深度神经网络的遥感影像滑坡测图方法并不仅仅限定于在以上实施例中所描述的内容，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。

Claims (8)

1.一种基于深度神经网络的遥感影像滑坡测图方法，其特征在于，包括以下步骤：

步骤1：获取滑坡前后的遥感影像，进行影像预处理，得到滑坡前影像和滑坡后影像；

步骤2：采用分形网络演化方法，设定分割尺度、形状参数、紧致度参数，对滑坡后影像进行超像素分割，得到滑坡后影像的超像素；然后，将滑坡后影像的超像素区域与滑坡前影像叠加，获得滑坡前影像的超像素区域，使滑坡前后影像具有相同的分割边界，同时保证滑坡数据的完整性；

步骤3：采用超像素级变化向量分析方法计算所得的每个超像素所在区域的变化强度特征；将滑坡前后的超像素光谱特征与变化强度特征融合，生成特征向量，作为滑坡测图的依据；

步骤4：对于滑坡前影像和滑坡后影像，采用像素级变化向量分析方法计算每个像素的变化强度特征，并通过LSELUC算法进行滑坡提取，得到初始的像素级滑坡提取结果；将像素级滑坡提取结果与超像素区域叠加，计算每个超像素区域内的变化比率，并通过阈值分割提取“滑坡”与“非滑坡”的伪样本数据集，形成滑坡提取初始结果；

步骤5：构建针对滑坡测图的深度神经网络模型，利用伪样本数据集对深度神经网络模型进行训练，输入非样本数据的特征向量进行分类，生成分类结果；

步骤6：利用多数投票法融合滑坡提取初始结果和深度神经网络模型分类结果，生成最终的滑坡测图结果，

其中，在所述步骤3中，将滑坡前后的超像素光谱特征与变化强度特征融合，生成7维特征向量：

式中，Q(S_i)为超像素S_i的变化特征向量，Q(S_i)为S_i的变化强度特征，表示滑坡发生前后遥感影像的光谱差异程度；

为滑坡前影像的RGB波段的光谱特征，

为滑坡后影像的RGB波段的光谱特征。

2.根据权利要求1所述的基于深度神经网络的遥感影像滑坡测图方法，其特征在于：

其中，在所述步骤1中，影像预处理包括影像配准和相对辐射校正。

3.根据权利要求1所述的基于深度神经网络的遥感影像滑坡测图方法，其特征在于：

其中，在所述步骤2中，设定分割尺度为30，形状参数为0.8，紧致度参数为0.9。

4.根据权利要求1所述的基于深度神经网络的遥感影像滑坡测图方法，其特征在于：

其中，在所述步骤4中，选取变化比率大于50％的超像素作为初始的像素级滑坡提取结果L₁：

式中，CR(S_i)表示超像素的变化比率且CR(S_i)∈[0，1]；

根据阈值分割选取“滑坡”与“非滑坡”的伪样本集Q^l，Q^u，计算公式如下：

式中，ΔT为确定样本量的阈值。

5.根据权利要求4所述的基于深度神经网络的遥感影像滑坡测图方法，其特征在于：

其中，在所述步骤5中，对于总层数为J的深度神经网络模型，输入滑坡与非滑坡样本数据共n个，其损失函数如下：

C_0，x＝-[yloga+(1-y)log(1-a)]，

式中，C为模型损失函数，C₀为模型交叉熵损失量，C_0，x为第x个样本的交叉熵损失量，

为正则化项，λ为正则化参数，w为神经元的线性系数，n为样本个数，y为单个样本的标记值，滑坡数据标记为1，非滑坡数据标记为0，a为单个样本的预测值；

然后，采用下式计算样本输出值：

式中，σ()为激活函数，

第j层的第h个神经元的输出，

为第j层的第h个神经元的输入，

为第j-1层的第k个神经元到第j层的第h个神经元的线性系数，

为第j层的第h个神经元的偏置项；

计算误差：

式中，

为J层第h个神经元的输出误差，y_h为J层的第h个神经元的期望输出值，

为J层的第h个神经元的输出，

为j-1层第h个神经元的输出误差；

再进行参数更新，依次对深度神经网络层j＝J，J-1，...，2更新参数w和b：

式中，δ^j，x为第x个样本所得到的第j层的神经元的误差，a^j-1第j-1层的神经元的输出，η为学习率；

深度神经网络模型训练完之后，计算样本输出值，从而判断滑坡或者非滑坡，生成分类结果L₂。

6.根据权利要求5所述的基于深度神经网络的遥感影像滑坡测图方法，其特征在于：

其中，在所述步骤4中，阈值ΔT取值范围为0.1～0.2；

在所述步骤5中，学习率η取值范围为0.01～0.001。

7.根据权利要求4所述的基于深度神经网络的遥感影像滑坡测图方法，其特征在于：

其中，在所述步骤4中，阈值ΔT＝0.1；

在所述步骤5中，学习率η＝0.01。

8.根据权利要求1所述的基于深度神经网络的遥感影像滑坡测图方法，其特征在于：

其中，在所述步骤6中，对滑坡提取初始结果L₁和深度神经网络模型分类结果L₂进行融合：

式中，L(S_i)为S_i的最终类别标记。

Images