CN110569797A - 地球静止轨道卫星影像山火检测方法、系统及其存储介质 - Google Patents

地球静止轨道卫星影像山火检测方法、系统及其存储介质 Download PDF

Info

Publication number
CN110569797A
CN110569797A CN201910850423.5A CN201910850423A CN110569797A CN 110569797 A CN110569797 A CN 110569797A CN 201910850423 A CN201910850423 A CN 201910850423A CN 110569797 A CN110569797 A CN 110569797A
Authority
CN
China
Prior art keywords
fire
image
infrared
pixel
multispectral
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
CN201910850423.5A
Other languages
English (en)
Other versions
CN110569797B (zh
Inventor
沈志
李俊鹏
金晶
徐真
周仿荣
杨亮
蔡澍雨
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.)
Charged Operation Branch of Yunnan Power Grid Co Ltd
Original Assignee
Charged Operation Branch of Yunnan Power Grid Co Ltd
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 Charged Operation Branch of Yunnan Power Grid Co Ltd filed Critical Charged Operation Branch of Yunnan Power Grid Co Ltd
Priority to CN201910850423.5A priority Critical patent/CN110569797B/zh
Publication of CN110569797A publication Critical patent/CN110569797A/zh
Application granted granted Critical
Publication of CN110569797B publication Critical patent/CN110569797B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/38—Registration of image sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • G06T2207/10036—Multispectral image; Hyperspectral 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
    • G06T2207/10048—Infrared 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Quality & Reliability (AREA)
  • Fire-Detection Mechanisms (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及山火检测方法，尤其为一种地球静止轨道卫星影像山火检测方法、系统及其存储介质，所述地球静止轨道卫星影像山火检测方法利用灰度影像分析的方法，基于红外波段亮温和灰度级数的关联关系，进行红外波段中疑似火点的识别提取；其次，以非局部深度卷积特征编码的方式，对经地理坐标映射所得同地理区域中的多光谱影像信息，以光谱叠加的方式进行红外和多光谱波段影像上的火点识别特征编码，最终实现真实火点的判别与分析。本发明使用波段物理反演，充分借鉴利用红外波段的火点亮温特性进行火点粗判，又利用高分辨率多光谱波段的显著纹理信息，完成高空间分辨率下、显著山火烟雾特性的精确火点空间定位。

Description

地球静止轨道卫星影像山火检测方法、系统及其存储介质
技术领域
本发明涉及山火检测方法，尤其是一种地球静止轨道卫星影像山火检测方法、系统及其存储介质。
发明背景
我国云南地区地貌复杂、多高山密林、地势不平，极易引发森林火灾，对国家和群众的生命财产构成重大威胁，传统的山火监测手段主要以人工方式进行，监测效率较差，覆盖范围较窄。以高分4号为代表的地球静止轨道卫星的遥感影像具有空间分辨率高、红外亮温特性敏感、观测范围广、定位精度高等众多优势，成为了弥补人为山火巡检时间、空间覆盖率不足的重要技术辅助手段，对有效监控山地密林等交通不便区域的火灾隐患具有极其重要的意义。
高分4号卫星是中国第1颗地球静止轨道高分辨率对地观则卫星，2015年12月29日0时04分从西昌卫星发射中心，由长征三号乙运输火箭成功发射。轨道高度为36000km，采用面阵凝视方式成像，具备可见光、多光谱和红外成像能力，可见光和多光谱分辨率优于50m，红外谱段分辨率优于400m，设计寿命8年，通过指向控制，实现对中国及周边地区的观测。高分四号观测星下点定位于东经110度的赤道上空，即海南岛的正南方，利用长期驻留固定区域上空的优势，在国际上也处于先进行列。由于优异的空间、时间观测条件，使得高分4号在监测森林火灾、洪涝灾害等方面发挥重要作用，为我国减灾、林业、地震、气象等应用提供快速、可靠、稳定的光学遥感数据，为灾害风险预警预报、林火灾害监测、地震构造信息提取、气象天气监测等业务补充了全新的技术手段，开辟了我国地球同步轨道高分辨率对地观测的新领域。同时，高分四号卫星在环保、海洋、农业、水利等行业以及区域应用方面，也具有巨大潜力和广阔空间。
受数据来源、监测思路的影响，目前的山火监测算法多基于葵花8、MODIS等国外卫星影像进行，这一类卫星影像虽然具有很高的光谱分辨率(葵花8目前开放14个光谱通道，空间分辨率2km，时间分辨率10分钟；MODIS免费开放36个波段，空间分辨率从250m到1km，时间分辨率每天4景图像)，但空间分辨率有限，使得火点检测往往只能通过和温度相关的红外波段亮温值反演推算得到，严重限制了火点检测方法的检测空间精度和识别准确性。以高分4号卫星为代表的地球静止轨道卫星影像，具有精确红外亮温响应值的红外波段，和高空间分辨率的5波段多光谱影像信息，虽然时间分辨率不及葵花8、光谱分辨率不及MODIS，但是高分本身的红外波段对于山火亮温有着明确的亮温值响应效果，对于提高火点检测精度、准确定位起火点和起火范围具有数据精度优势，但也对红外波段火点确定方法、多光谱波段火点特征分析算法提出了较高的要求，需要算法能够充分利用红外和多光谱波段在起火点上的空间关联、波段影像特征关联，进行有效的多源影像数据编码和特征学习，从而实现最终的火点准确识别和定位。
发明内容
为了解决现阶段山火检测方法以高分4号卫星为代表的高分辨率、多光谱波段的地球静止轨道卫星影像在成像光谱分辨率上的不足，以及火点亮温值分析的光谱波段数量少，直接光谱计算分析难度大，空间范围和位置估计准确性不高等问题，本发明目的是提升火点检测算法的火点空间定位精度和识别准确率，为此，本发明提供一种地球静止轨道卫星影像山火检测方法、系统及其存储介质。
为了实现所述目的，本发明的地球静止轨道卫星影像山火检测方法，步骤如下：
步骤S1：红外波段中疑似火点的分析模块：利用灰度影像分析法，基于红外波段亮温和灰度级数的关联关系，实现中等分辨率影像上的疑似火点区域的识别与提取；
步骤S2：红外-多光谱火点范围映射模块：利用红外波段影像和多光谱影像的地理坐标空间关联关系，完成红外波段中疑似火点到多光谱波段中对应空间地理位置的映射；
步骤S3：红外/多光谱影像火点识别模型的构建模块：根据同空间地理位置区域所提取的红外和多光谱影像，以非局部特征编码的深度卷积网络为识别模型构建框架，构建面向红外/多光谱高维影像特征分析的精确山火识别模型；
步骤S4：红外/多光谱叠加影像火点识别模块：基于所得训练模型的红外+多光谱波段影像的分析与火点识别模型的应用，得到分类影像的局部区域火点存在性识别结果，完成最终的火情和着火点的确认。
具体地，所述红外波段中的疑似火点分析模块包括如下步骤：
步骤S11：采用局部自适应灰度纠正法对红外波段进行预处理，完成红外灰度影像的对比度调整；
步骤S12：利用影像局部极值分析手段，获得具有极高亮温值、具有局部极值数值特性的高亮温区域，从而判定为可能的疑似着火点；
步骤S13：在所提取的疑似火点联通区域中，对联通区域各项属性进行分析、过滤，最终得到亮温值适中、火点面积大小适中、火点区域合理的着火区域，过滤规则为：
A)火点区域的长宽对比度符合公式
1/3<Rhw＝h/(w+1)<3 (式1)
其中，h、w表示火点区域包括矩形的像素高度和像素宽度；
B)火点区域的紧致度符合公式
1<Cfire＝rfire/(h*w)<2 (式2)
其中，h、w表示火点区域包括矩形的像素高度和像素宽度，rfire表示火点区域的实际像素面积。
所述局部自适应灰度纠正法包括影像灰度范围自适应拉伸、灰度自适应调整等技术。
所述局部自适应灰度纠正法对红外波段进行预处理包括以下步骤：
步骤S111：使用SLIC对影像区域进行切分，提取面积、形状合适，局部灰度值过度平缓、内部纹理均匀规则的遥感影像区域；其原理相当于在图像的像素空间中做影像的相似度聚类，根据人为指定预分割的超像素个数K以及图像中所有像素数N，得到每个超像素的大小为N/K，相邻超像素之间的距离为由S来选定K个初始聚类中心Ci＝[li,ai,bi,xi,yi]；
步骤S112：计算从每个聚类中心到2S×2S区域内的像素的距离，距离公式符合
其中，dcolor表示颜色距离，dspace表示空间距离；距离度量公式符合
其中m表示权衡颜色相似性空间和空间邻近度之间的重要性；
步骤S113：进行全红外灰度影像I的对比度校正，对于各个局部区域而言，其影像的对比度校正迭代过程可以表示为：a)选一个初始估计值T；b)根据T值将超像素区域分为R1和R2两个子区域；c)对子区域R1和R2中的所有像素计算平均灰度值μ1和μ2；d)最终计算得到新的分割阈值T；
步骤S114：在灰度差异的基础上，根据Gamma曲线定义函数或矫正公式y(x)＝xr对子区域中的高低灰度值进行补偿或矫正，其中r是Gamma的校正参数；当r取1时，其公式表示为线性变换；当r<1时，超像素区域中灰度较高的子区域对比度得到增强；当r>1时，超像素区域中灰度较低的子区域对比度得到增强。
所述影像局部极值分析手段包括中值滤波、标准差滤波，所述标准差滤波的算法符合公式
其中，xi为单个像素的像素值大小，为滤波器处理窗口中的像素值中值，r为滤波器的高度，c为滤波器的宽度。
具体地，所述红外-多光谱火点范围映射模块包括以下步骤：
步骤S21：设红外影像的空间坐标映射系数为A、B、C、D、E、F，其中A、D表示像素坐标宽度的横向大小、纵向大小，B、E表示像素高度的横向大小和纵向大小，C、F表示像素转坐标的左上角经纬度，从红外影像像素点到经纬度的转换关系为：
步骤S22：多光谱影像的空间映射系数为A、B、C、D、E、F，其中A表示x像素的横向地理坐标距离，B、D表示旋转参数，C、F为横向和纵向偏移量，E为y像素的负数部分，从经纬度到像素坐标的转换关系为：
具体地，所述红外/多光谱影像火点识别模型的构建模块包括以下步骤：
步骤S31：红外和多光谱火点局部影像的精准配位：利用SIFT提取得到的高维影像特征进行局部空间对齐，对齐距离符合Hamming距离公式
其中，a和b分别表示为对应特征点SIFT描述符；mi和ni分别为待匹配SIFT描述符a和b中的一位，其中a＝m1m2...m512，b＝n1n2...n512；并将配准后的影像进行空间叠加；
步骤S32：红外和多光谱火点影像作为模型输入训练，进行着火区域的分析与建模，得到最终的识别模型。
为达上述目的，本发明还提供一种地球静止轨道卫星影像山火检测系统，包括存储器，处理器，以及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
为达上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法的步骤。
本发明的有益效果
(1)本发明通过构建一套具有地理空间位置关联的红外/多光谱火点识别流程，将红外影像灰度图高亮温区域识别方法与多光谱波段火点影像分析计算过程相结合，完成了经典遥感影像物理属性分析算法和高分辨率火点特征深度卷积网络模型训练过程的融合，有效提升了算法框架对火点的识别准确率。
(2)本发明充分发挥了以高分4号卫星为代表的高分辨率、多光谱波段的地球静止轨道卫星的在成像分辨率、成像波段范围上的观测优势，综合利用红外波段亮温点分析和多光谱波段火点区域烟雾影像纹理分析等手段，弥补了卫星影像在波段分辨率上的不足，并且有效提升了火点检测算法的火点空间定位精度和识别准确率。
附图说明
图1为本发明具体实施例整体的系统框图。
图2为本发明具体实施例红外波段中疑似火点的分析模块的流程图。
图3为本发明具体实施例局部自适应灰度纠正过程的流程图。
具体实施方式
下面将结合本发明的附图，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的实施例，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。
图1为本发明具体实施例提供地球静止轨道卫星影像山火检测方法的流程图。如图1所示，在本实施例中的地球静止轨道卫星影像山火检测方法的流程图可以包括以下步骤：
步骤S1：红外波段中疑似火点的分析模块：利用灰度影像分析法，基于红外波段亮温和灰度级数的关联关系，实现中等分辨率影像上的疑似火点区域的识别与提取，便于火点检测和定位。
图2为本发明具体实施例红外波段中疑似火点的分析模块的流程图，在本步骤中，首先采用局部自适应灰度纠正法对红外波段进行预处理，即影像灰度范围自适应拉伸、灰度自适应调整等技术，完成红外灰度影像的对比度调整，以便于代表高温火点的疑似火点区域有更高的亮温值。图3为本发明具体实施例局部自适应灰度纠正法对红外波段进行预处理过程的流程图，由图3可以看出，预处理的过程主要是先使用SLIC对影像区域进行切分，提取到面积、形状合适，局部灰度值过度平缓、内部纹理均匀规则的遥感影像区域，其原理相当于在图像的像素空间中做影像的相似度聚类，根据人为指定预分割的超像素个数K以及图像中所有像素数N，得到每个超像素的大小为N/K，相邻超像素之间的距离为由S来选定K个初始聚类中心Ci＝[li,ai,bi,xi,yi]；然后计算从每个聚类中心到2S×2S区域内的像素的距离，距离公式符合其中：dcolor表示颜色距离，dspace表示空间距离，距离度量公式符合其中m表示权衡颜色相似性空间和空间邻近度之间的重要性；接下来，进行全红外灰度影像I的对比度校正，对于各个局部区域而言，其影像的对比度校正迭代过程可以表示为：a)选一个初始估计值T；b)根据T值将超像素区域分为R1和R2两个子区域；c)对子区域R1和R2中的所有像素计算平均灰度值μ1和μ2；d)最终计算得到新的分割阈值T；在此灰度差异的基础上，根据Gamma曲线定义函数或矫正公式y(x)＝xr对子区域中的高低灰度值进行补偿或矫正，其中r是Gamma的校正参数；当r取1时，其公式表示为线性变换；当r<1时，超像素区域中灰度较高的子区域对比度得到增强；当r>1时，超像素区域中灰度较低的子区域对比度得到增强。
然后，在经过预处理的红外波段影像上，利用包括中值滤波、标准差滤波在内的影像局部极值分析手段，获得具有极高亮温值、具有局部极值数值特性的高亮温区域，完成高亮温值点的分析与提取，从而判定为可能的疑似着火点；其中，标准差滤波的算法符合公式式中，xi为单个像素的像素值大小，为滤波器处理窗口中的像素值中值，r为滤波器的高度，c为滤波器的宽度；
接下来，在所提取的疑似火点联通区域中，对联通区域的各项属性进行分析、过滤，最终得到亮温值适中、火点面积大小适中、火点区域合理的着火区域，过滤规则为：
A)火点区域长宽对比度：h、w表示火点区域包括矩形的像素高度和像素宽度，则火点区域的长宽对比度符合公式
由于火点区域形状接近正方形，所以Rhw选择阈值范围在1/3＜Rhw＜3；
B)火点区域的紧致度：h、w表示火点区域包括矩形的像素高度和像素宽度，rfire表示火点区域的实际像素面积，则火点区域的紧致度符合公式
由于火点的范围形状将近似为圆形，所以其紧致度大致会接近1，本算法中将取值范围限定为1＜Cfire＜2；
步骤S2：红外-多光谱火点范围映射模块：利用红外波段影像和多光谱影像的地理坐标空间关联关系，完成红外波段中疑似火点到多光谱波段中对应空间地理位置的映射，由此获得多光谱波段中的疑似火点周围的可能着火区域影像，便于后续的详细火情分析。
在本步骤中，首先，设红外影像的空间坐标映射系数为A、B、C、D、E、F，其中A、D表示像素坐标宽度的横向大小、纵向大小，B、E表示像素高度的横向大小和纵向大小，C、F表示像素转坐标的左上角经纬度，从红外影像像素点到经纬度的转换为：
然后，多光谱影像的空间映射系数为A、B、C、D、E、F，其中A表示x像素的横向地理坐标距离，B、D表示旋转参数，C、F为横向和纵向偏移量，E为y像素的负数部分，从经纬度到像素坐标的转换为：
步骤S3：红外/多光谱影像火点识别模型的构建模块：根据同空间地理位置区域所提取的红外和多光谱影像，以非局部特征编码的深度卷积网络为识别模型构建框架，构建面向红外/多光谱高维影像特征分析的精确山火识别模型。
在本步骤中，首先进行红外和多光谱火点局部影像的精准配位：使用SIFT描述子进行红外和近红外波段中的影像特征提取，利用SIFT提取得到的高维影像特征进行局部空间对齐，对齐距离符合Hamming距离公式其中，a和b分别表示为对应特征点SIFT描述符；mi和ni分别为待匹配SIFT描述符a和b中的一位，其中a＝m1m2...m512，b＝n1n2...n512；并将配准后的影像进行空间叠加。
然后将红外和多光谱火点影像作为模型输入训练，进行着火区域的分析与建模，得到最终的识别模型；相比于普通的卷积网络而言，在非局部特征编码卷积网络中，其多了一种具有空间位置无关的卷积操作符，如下：
其中i表示输出空间位置的坐标，而该位置坐标处的输出响应则是j表示的所有滤波器范围内的卷积数值计算结果，x表示为卷积网络的输入影像信号。其中的f函数则表示输出位置i和输入位置j之间的关联关系，g则表示j位置处的影像；最终的输出响应值将会用C(x)进行正则化表示。正是由于f函数的存在，使得最终的卷积输入中j局部位置的相关性得以被调节，从而增加了网络的输入空间无关性。
步骤S4：红外/多光谱叠加影像火点识别模块：基于所得训练模型的红外+多光谱波段影像的分析与火点识别模型的应用，从而最终得到分类影像的局部区域火点存在性识别结果，完成最终的火情和着火点的确认。
为达上述目的，本发明还提供一种地球静止轨道卫星影像山火检测系统，包括存储器，处理器，以及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
为达上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法的步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或更替，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权力要求书的保护范围为准。

Claims (9)

1.一种地球静止轨道卫星影像山火检测方法，其特征在于：包括以下步骤：
步骤S1：红外波段中疑似火点的分析模块：利用灰度影像分析法，基于红外波段亮温和灰度级数的关联关系，实现中等分辨率影像上的疑似火点区域的识别与提取；
步骤S2：红外-多光谱火点范围映射模块：利用红外波段影像和多光谱影像的地理坐标空间关联关系，完成红外波段中疑似火点到多光谱波段中对应空间地理位置的映射；
步骤S3：红外/多光谱叠加影像火点识别模型的构建模块：根据同空间地理位置区域所提取的红外和多光谱影像，以非局部特征编码的深度卷积网络为识别模型构建框架，构建面向红外/多光谱高维影像特征分析的精确山火识别模型；
步骤S4：红外/多光谱影像火点识别模块：基于所得训练模型的红外+多光谱波段影像的分析与火点识别模型的应用，得到分类影像的局部区域火点存在性识别结果，完成最终的火情和着火点的确认。
2.如权利要求1所述的地球静止轨道卫星影像山火检测方法，其特征在于：所述红外波段中的疑似火点分析模块包括如下步骤：
步骤S11：采用局部自适应灰度纠正法对红外波段进行预处理，完成红外灰度影像的对比度调整；
步骤S12：利用影像局部极值分析手段，获得具有极高亮温值、具有局部极值数值特性的高亮温区域，从而判定为可能的疑似着火点；
步骤S13：在所提取的疑似火点联通区域中，对联通区域各项属性进行分析、过滤，得到亮温值适中、火点面积大小适中、火点区域合理的着火区域，过滤规则为：
A)火点区域的长宽对比度符合公式1/3<Rhw＝h/(w+1)<3，其中，h、w表示火点区域包括矩形的像素高度和像素宽度；
B)火点区域的紧致度符合公式1<Cfire＝rfire/(h*w)<2，其中，h、w表示火点区域包括矩形的像素高度和像素宽度，rfire表示火点区域的实际像素面积。
3.如权利要求2所述的地球静止轨道卫星影像山火检测方法，其特征在于：所述局部自适应灰度纠正包括影像灰度范围自适应拉伸、灰度自适应调整等技术。
4.如权利要求2或3所述的地球静止轨道卫星影像山火检测方法，其特征在于：所述采用局部自适应灰度纠正法对红外波段进行预处理包括以下步骤：
步骤S111：使用SLIC对影像区域进行切分，提取面积、形状合适，局部灰度值过度平缓、内部纹理均匀规则的遥感影像区域；其原理相当于在图像的像素空间中做影像的相似度聚类，根据人为指定预分割的超像素个数K以及图像中所有像素数N，得到每个超像素的大小为N/K，相邻超像素之间的距离为由S来选定K个初始聚类中心Ci＝[li,ai,bi,xi,yi]；
步骤S112：计算从每个聚类中心到2S×2S区域内的像素的距离，距离公式符合其中，dcolor表示颜色距离，dspace表示空间距离；距离度量公式符合其中m表示权衡颜色相似性空间和空间邻近度之间的重要性；
步骤S113：进行全红外灰度影像I的对比度校正，对于各个局部区域而言，其影像的对比度校正迭代过程可以表示为：a)选一个初始估计值T；b)根据T值将超像素区域分为R1和R2两个子区域；c)对子区域R1和R2中的所有像素计算平均灰度值μ1和μ2；d)最终计算得到新的分割阈值T；
步骤S114：在灰度差异的基础上，根据Gamma曲线定义函数或矫正公式y(x)＝xr对子区域中的高低灰度值进行补偿或矫正，其中r是Gamma的校正参数；当r取1时，其公式表示为线性变换；当r<1时，超像素区域中灰度较高的子区域对比度得到增强；当r>1时，超像素区域中灰度较低的子区域对比度得到增强。
5.如权利要求2所述的地球静止轨道卫星影像山火检测方法，其特征在于：所述影像局部极值分析手段包括中值滤波、标准差滤波，所述标准差滤波的算法符合公式其中，xi为单个像素的像素值大小，为滤波器处理窗口中的像素值中值，r为滤波器的高度，c为滤波器的宽度。
6.如权利要求1所述的地球静止轨道卫星影像山火检测方法，其特征在于：所述红外-多光谱火点范围映射模块包括以下步骤：
步骤S21：设红外影像的空间坐标映射系数为A、B、C、D、E、F，其中A、D表示像素坐标宽度的横向大小、纵向大小，B、E表示像素高度的横向大小和纵向大小，C、F表示像素转坐标的左上角经纬度，从红外影像像素点到经纬度的转换为：
步骤S22：多光谱影像的空间映射系数为A、B、C、D、E、F，其中A表示x像素的横向地理坐标距离，B、D表示旋转参数，C、F为横向和纵向偏移量，E为y像素的负数部分，从经纬度到像素坐标的转换为：
7.如权利要求1所述的地球静止轨道卫星影像山火检测方法，其特征在于：所述红外/多光谱影像火点识别模型的构建模块包括以下步骤：
步骤S31：红外和多光谱火点局部影像的精准配位：利用SIFT提取得到的高维影像特征进行局部空间对齐，对齐距离符合Hamming距离公式其中，a和b分别表示为对应特征点SIFT描述符；mi和ni分别为待匹配SIFT描述符a和b中的一位，其中a＝m1m2...m512，b＝n1n2...n512；并将配准后的影像进行空间叠加；
步骤S32：红外和多光谱火点影像作为模型输入训练，进行着火区域的分析与建模，得到最终的识别模型。
8.一种地球静止轨道卫星影像山火检测系统，包括存储器，处理器，以及存储于存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现上述权利要求1至7中任一所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述程序被处理器执行时实现上述权利要求1至7中任一所述方法的步骤。
CN201910850423.5A 2019-09-10 2019-09-10 地球静止轨道卫星影像山火检测方法、系统及其存储介质 Active CN110569797B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910850423.5A CN110569797B (zh) 2019-09-10 2019-09-10 地球静止轨道卫星影像山火检测方法、系统及其存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910850423.5A CN110569797B (zh) 2019-09-10 2019-09-10 地球静止轨道卫星影像山火检测方法、系统及其存储介质

Publications (2)

Publication Number Publication Date
CN110569797A true CN110569797A (zh) 2019-12-13
CN110569797B CN110569797B (zh) 2023-05-26

Family

ID=68778791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910850423.5A Active CN110569797B (zh) 2019-09-10 2019-09-10 地球静止轨道卫星影像山火检测方法、系统及其存储介质

Country Status (1)

Country Link
CN (1) CN110569797B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111380807A (zh) * 2020-03-30 2020-07-07 中国科学院东北地理与农业生态研究所 一种基于静止卫星遥感数据的秸秆焚烧火点信息提取方法
CN111931648A (zh) * 2020-08-10 2020-11-13 成都思晗科技股份有限公司 一种基于Himawari8波段数据的山火实时监测方法
CN113408492A (zh) * 2021-07-23 2021-09-17 四川大学 一种基于全局-局部特征动态对齐的行人重识别方法
US20210318172A1 (en) * 2020-04-14 2021-10-14 Utah State University Spatially estimating thermal emissivity
CN113626377A (zh) * 2020-05-06 2021-11-09 杭州海康微影传感科技有限公司 裸数据存储控制方法、装置及设备、存储介质
CN114708559A (zh) * 2022-05-31 2022-07-05 杭州微影软件有限公司 一种图像处理方法、装置、热成像设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1048928A1 (en) * 1999-04-27 2000-11-02 Deutsches Zentrum für Luft- und Raumfahrt e.V. Spaceborne hot temperature event (HTE) detection arrangement and multi-satellite HTE detection system
US8369567B1 (en) * 2010-05-11 2013-02-05 The United States Of America As Represented By The Secretary Of The Navy Method for detecting and mapping fires using features extracted from overhead imagery
WO2014179482A1 (en) * 2013-04-30 2014-11-06 The Regents Of The University Of California Fire urgency estimator in geosynchronous orbit (fuego)
CN105488941A (zh) * 2016-01-15 2016-04-13 中林信达（北京）科技信息有限责任公司 基于红外-可见光图像的双光谱森林火情监测方法及装置
WO2016132161A1 (en) * 2015-02-16 2016-08-25 Kontoes Charalampos Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data.
CN106887016A (zh) * 2017-03-09 2017-06-23 中国科学院遥感与数字地球研究所 一种gf‑4卫星序列图像自动相对配准方法
US20180218197A1 (en) * 2017-01-27 2018-08-02 Signal Processing, Inc. Method and System for Enhancing Predictive Accuracy of Planet Surface Characteristics from Orbit
CN109712153A (zh) * 2018-12-25 2019-05-03 杭州世平信息科技有限公司 一种遥感图像城区超像素分割方法
CN109977609A (zh) * 2019-04-16 2019-07-05 哈尔滨工业大学 一种基于真实遥感数据的地面高温热源红外图像仿真方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1048928A1 (en) * 1999-04-27 2000-11-02 Deutsches Zentrum für Luft- und Raumfahrt e.V. Spaceborne hot temperature event (HTE) detection arrangement and multi-satellite HTE detection system
US8369567B1 (en) * 2010-05-11 2013-02-05 The United States Of America As Represented By The Secretary Of The Navy Method for detecting and mapping fires using features extracted from overhead imagery
WO2014179482A1 (en) * 2013-04-30 2014-11-06 The Regents Of The University Of California Fire urgency estimator in geosynchronous orbit (fuego)
WO2016132161A1 (en) * 2015-02-16 2016-08-25 Kontoes Charalampos Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data.
CN105488941A (zh) * 2016-01-15 2016-04-13 中林信达（北京）科技信息有限责任公司 基于红外-可见光图像的双光谱森林火情监测方法及装置
US20180218197A1 (en) * 2017-01-27 2018-08-02 Signal Processing, Inc. Method and System for Enhancing Predictive Accuracy of Planet Surface Characteristics from Orbit
CN106887016A (zh) * 2017-03-09 2017-06-23 中国科学院遥感与数字地球研究所 一种gf‑4卫星序列图像自动相对配准方法
CN109712153A (zh) * 2018-12-25 2019-05-03 杭州世平信息科技有限公司 一种遥感图像城区超像素分割方法
CN109977609A (zh) * 2019-04-16 2019-07-05 哈尔滨工业大学 一种基于真实遥感数据的地面高温热源红外图像仿真方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ALISTAIR M.S.SMITH等: "Testing the potential of multi-spectral remote sensing for retrospectively estimating fire severity in African Savannahs", 《REMOTE SENSING OF ENVIRONMENT》 *
AMBROSE E.ONONYE等: "Automated extraction of fire line parameters from multispectral infrared images", 《REMOTE SENSING OF ENVIRONMENT》 *
FRANCIS BOWEN等: "A Multistage Approach for Image Registration", 《IEEE TRANSACTIONS ON CYBERNETICS》 *
彭文邦: "基于多光谱图像的输电线路山火检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
李亚春等: "一种增强的基于上下文火点遥感影像识别方法", 《中国图象图形学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111380807A (zh) * 2020-03-30 2020-07-07 中国科学院东北地理与农业生态研究所 一种基于静止卫星遥感数据的秸秆焚烧火点信息提取方法
US20210318172A1 (en) * 2020-04-14 2021-10-14 Utah State University Spatially estimating thermal emissivity
US11835390B2 (en) * 2020-04-14 2023-12-05 Utah State University Spatially estimating thermal emissivity
CN113626377A (zh) * 2020-05-06 2021-11-09 杭州海康微影传感科技有限公司 裸数据存储控制方法、装置及设备、存储介质
CN111931648A (zh) * 2020-08-10 2020-11-13 成都思晗科技股份有限公司 一种基于Himawari8波段数据的山火实时监测方法
CN111931648B (zh) * 2020-08-10 2023-08-01 成都思晗科技股份有限公司 一种基于Himawari8波段数据的山火实时监测方法
CN113408492A (zh) * 2021-07-23 2021-09-17 四川大学 一种基于全局-局部特征动态对齐的行人重识别方法
CN113408492B (zh) * 2021-07-23 2022-06-14 四川大学 一种基于全局-局部特征动态对齐的行人重识别方法
CN114708559A (zh) * 2022-05-31 2022-07-05 杭州微影软件有限公司 一种图像处理方法、装置、热成像设备及存储介质

Also Published As

Publication number Publication date
CN110569797B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN110569797B (zh) 地球静止轨道卫星影像山火检测方法、系统及其存储介质
CN109613513B (zh) 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法
CN112435207B (zh) 一种基于天空地一体化的森林火灾监测预警方法
CN109934200B (zh) 一种基于改进M-Net的RGB彩色遥感图像云检测方法及系统
WO2023029373A1 (zh) 一种高精度的农田植被信息提取方法
CN107610164B (zh) 一种基于多特征混合的高分四号影像配准方法
Chen et al. Thick clouds removing from multitemporal Landsat images using spatiotemporal neural networks
CN109308688B (zh) 一种可见光和近红外波段厚云及阴影去除方法
CN113031041B (zh) 一种基于天际线匹配的城市峡谷组合导航定位方法
CN107576399B (zh) 面向modis林火探测的亮温预测方法和系统
CN110991430A (zh) 基于遥感图像的地物识别及覆盖率计算方法及系统
CN113033315A (zh) 一种稀土开采高分影像识别与定位方法
CN108364279A (zh) 确定静止轨道遥感卫星指向偏差的方法
CN115272876A (zh) 一种基于深度学习的遥感图像船舶目标检测方法
Yang et al. Fraction vegetation cover extraction of winter wheat based on RGB image obtained by UAV
Li et al. Hybrid cloud detection algorithm based on intelligent scene recognition
Mohamed et al. Change detection techniques using optical remote sensing: a survey
CN113936031A (zh) 一种基于机器视觉的云影轨迹预测方法
Luo et al. An evolutionary shadow correction network and a benchmark UAV dataset for remote sensing images
Sui et al. Processing of multitemporal data and change detection
CN115546658B (zh) 一种数据集质量提升与改进cnn相结合的夜间云检测方法
CN115424026A (zh) 一种基于知识嵌入的端到端雾天图像多目标检测模型
CN112364289B (zh) 一种通过数据融合提取水体信息的方法
Won et al. An experiment on image restoration applying the cycle generative adversarial network to partial occlusion Kompsat-3A image
Wang et al. Cloud Removal With SAR-Optical Data Fusion Using a Unified Spatial-Spectral Residual Network

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