CN110570462A - 基于极化雷达遥感影像的洪水淹没范围自动提取方法 - Google Patents

基于极化雷达遥感影像的洪水淹没范围自动提取方法 Download PDF

Info

Publication number
CN110570462A
CN110570462A CN201910864532.2A CN201910864532A CN110570462A CN 110570462 A CN110570462 A CN 110570462A CN 201910864532 A CN201910864532 A CN 201910864532A CN 110570462 A CN110570462 A CN 110570462A
Authority
CN
China
Prior art keywords
remote sensing
classification
image
attribute
disaster
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.)
Pending
Application number
CN201910864532.2A
Other languages
English (en)
Inventor
齐志新
陈逸敏
张慧
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen 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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201910864532.2A priority Critical patent/CN110570462A/zh
Publication of CN110570462A publication Critical patent/CN110570462A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • 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
    • G06T2207/10044—Radar 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • 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
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于极化雷达遥感影像的洪水淹没范围自动提取方法，包括以下步骤，S1：利用多尺度分割技术同时对灾前和灾后的极化雷达遥感影像进行分割，提取图像对象；S2：分别提取灾前和灾后极化雷达遥感影像中图像对象的像素平均值、几何和纹理属性；S3：使用变化矢量分析技术从灾前和灾后的极化雷达遥感影像中提取基于图像对象的特征向量，计算图像对象的变化矢量强度，确定变化地块；S4：基于步骤S2中提取的多种属性集合，利用基于决策树分类规则的层次非监督分类算法自动确定灾前和灾后的土地覆盖类别；S5：基于灾前和灾后土地覆盖分类结果以及变化矢量分析结果，通过分类后比较法确定变化地块的土地覆盖变化类别，得到洪水淹没区域。

Description

基于极化雷达遥感影像的洪水淹没范围自动提取方法
技术领域
本发明涉及雷达遥感技术领域，更具体地，涉及一种基于极化雷达遥感影像的洪水淹没范围自动提取方法。
背景技术
及时准确快速提取洪水淹没范围是洪涝灾害监测研究领域的重要内容，目前主要依靠地面观测和遥感技术两种手段进行。由于洪涝灾害的空间分布频度变化大、局地突发性强，在通常情况下有限的地面监测站所代表信息仅适用于当地情况，对于整个空间区域的洪涝灾害监测，使用地面监测数据会缺乏宏观和代表性[1]。卫星遥感技术因其覆盖范围广、周期短、时效性强，同时不受地面实地监测条件限制等多种优势，在洪涝灾害监测中得到越来越多的应用。传统的光学遥感技术已被广泛应用于洪水监测[2-3]。光学遥感监测洪水的方法主要是基于水体指数的计算，例如归一化水体指数(Normalized Difference WaterIndex,NDWI)[4]与改进的归一化差异水体指数(Modified NDWI，MNDWI)[5]等；但光学遥感依赖阳光成像，容易受到天气和云雾的影响。伴随着洪涝灾害，往往是强降雨天气，利用光学遥感往往难以及时获取受灾区域信息，给洪涝灾害评估、灾害管理及抗洪救灾等带来诸多不变。
星载合成孔径雷达系统(Synthetic Aperture Radar,SAR)不受云、雨、雾的影响，具有全天时、全天候的工作能力，非常适用于对洪涝灾害的及时监测。近年来极化雷达(Polarimetric SAR,PolSAR)遥感技术得到迅速发展[6]。与传统单极化雷达相比，极化雷达可以获取更丰富的地物后向散射信息，实现更高的地物分类精度[7]。目前雷达遥感水体识别方法主要包括监督分类法[8]和阈值法[9]。监督分类方法精度相对较高，但需要人工解译雷达影像、选取训练样本，因此增加了人工和时间成本、自动化程度不高，限制了其在实际中的应用。由于风浪的变化会导致水体的雷达后向散射系数变化，用于区分水体和非水体的最优阈值往往变化较大[10]，因此大部分研究采用大津算法(OTSU)[11]、理想阈值法[12]、期望值最大化(Expectation Maximization,EM)[13]等自动获取阈值的算法从雷达影像中提取水体。然而，自动阈值法往往基于单一通道的雷达影像识别水体，难以充分利用极化雷达影像的多通道信息，水体提取精度受到限制。此外，利用监督分类法和阈值法从雷达影像中提取水体时，都受到雷达噪音[14]和山区阴影[15]的影响。
现有研究的局限性具体体现在以下方面：第一，现有研究难以克服天气及云雾的影响，往往无法及时获取洪水淹没范围信息，难以满足洪涝灾害监测的实际应用需求。第二，现有研究自动化程度不高，需要人工解译雷达影像、选取训练样本，因此增加了人工和时间成本，限制了其在实际中的应用。第三，现有研究无法充分利用多极化信息，在区分不同地物类型时很容易产生混淆。第四，现有研究精度不高，无法克服雷达噪音、山区阴影以及裸地的影响。
发明内容
为了解决现有技术中的不足，本发明提供了一种基于极化雷达遥感影像的洪水淹没范围自动提取方法，本发明提出耦合面向对象的变化矢量分析方法与基于决策树分类规则的层次非监督分类方法，能够降低雷达噪音和有限波段信息对雷达影像的影响，充分利用多极化信息，自动从极化雷达影像中识别洪水淹没范围，实现对洪水淹没范围全自动提取。
为解决上述技术问题，本发明的技术方案如下：
基于极化雷达遥感影像的洪水淹没范围自动提取方法，包括以下步骤：
步骤S1：利用多尺度分割技术同时对灾前和灾后的极化雷达遥感影像进行分割，提取图像对象；
步骤S2：分别提取灾前和灾后极化雷达遥感影像中图像对象的像素平均值、几何和纹理属性；
步骤S3：使用变化矢量分析技术从灾前和灾后的极化雷达遥感影像中提取基于图像对象的特征向量，计算图像对象的变化矢量强度，确定变化地块；
步骤S4：基于步骤S2中提取的多种属性集合，利用基于决策树分类规则的层次非监督分类算法自动确定灾前和灾后的土地覆盖类别；
步骤S5：基于灾前和灾后土地覆盖分类结果以及变化矢量分析结果，通过分类后比较法确定变化地块的土地覆盖变化类别，得到洪水淹没区域。
在一种优选的方案中，在步骤S1中，多尺度图像分割技术包括以下内容：
首先将极化雷达遥感影像中的单个像元作为对象，搜索与其相邻的其他对象，若相邻两个对象合并后的异质性值小于给定的阈值时，将其合并，否则就不执行合并操作；当一轮合并操作结束后，以这一轮生成的对象为基本对象，继续计算其与相邻对象合并后的异质性值是否小于给定的阈值，合并操作过程一直执行到达到某一指定的尺度不能再合并任何对象为止；
在多尺度图像分割技术中，对象的整体异质性H由对象的光谱异质性Hcolor和对象的形状异质性指标Hshape构成，如式1：
H＝wcolor*Hcolor+wshape*Hshape (1)
其中，wcolor与wshape分别代表光谱异质性与形状异质性的权重；
(1)对象的光谱异质性指标Hcolor如式2：
Hcolor＝∑cwc*σc (2)
其中wc为图层的权重，σc为图层的标准差，c为图层数，所有图层的总权重为1；
(2)对象的形状异质性指标(Hshape)定义如式3：
Hshape＝wsmoothness*hsmoothness+wcompactness*hcompactness (3)
对象的形状异质性由对象的平滑度与紧密度构成，wsmoothness与wcompactnss代表对象平滑度与紧密度的相对权重，两者的总和为1，若平滑度的权重较高，则分割后的对象边缘比较平滑；若紧密度的权重比较高，则分割后的对象形状更加紧密并且接近于矩形；
平滑指标hsmothness定义如式4：
紧密指标hcompactness定义如式5：
其中nMerge代表图像对象合并后的面积、lmerge代表图像对象合并后的实际边长、bmerge代表图像对象合并后的最短边长、nobj1代表图像对象1的面积、lobj1代表图像对象1的实际边长、bobj1代表图像对象1的最短边长、nobj2代表与图像对象1相邻的图像对象2的面积、lobj2代表图像对象2的实际边长、bobj2代表图像对象2的最短边长。
在一种优选的方案中，在步骤S2中提取的属性包括有：后向散射强度、纹理、面积、形状以及空间关系等参数。
在一种优选的方案中，利用面向对象的图像处理软件eCognition 9.01执行极化雷达遥感影像的图像分割及属性提取。
在一种优选的方案中，步骤S3的具体步骤如下：
步骤S3的具体步骤如下：
假设在不同时间从相同区域获取的两个极化雷达遥感影像，从这两个影像中为影像对象提取的特征向量分别由X＝(x1，x2，…，xk)T和Y＝(y1，y2，…，yk)T表示，则特征变化向量ΔG定义为：
变化矢量强度||ΔG||可由下式计算得出：
变化矢量强度||ΔG||越高，代表发生变化的可能性越大。
在一种优选的方案中，步骤S4的内容如下：
根据研究区的土地覆盖类型及极化雷达遥感影像特点，选取土地覆盖样本集构建决策树规则，而后基于决策树分类规则的结构和每个节点选择的属性，建立一个层次性非监督分类方法；该方法可以实现对不同时期获取的极化雷达遥感影像的自动分类，由于层次性非监督分类有决策树分类规则指引，所以分类结果与具体的土地覆盖类型相对应。
在一种优选的方案中，决策树分类算法的具体原理如下：
决策树分类算法使用树状结构根据不同属性对未知样本进行分类，每一个决策树都包括3种节点：根节点，内部节点和叶节点，其中根节点表示第一个特征属性，内部节点表示其他特征属性，叶节点表示划分出来的类别；决策树在每个节点衡量所有属性，根据每种属性划分出来的信息熵和信息增益的大小为该节点选择相应的属性及阈值，决策树的每条根节点到叶节点都对应着一个分类规则，将所有路径综合起来得到分类规则集；
其中，信息熵的计算规则如下：
信息熵表示样本集合的纯度，信息熵越低，表示纯度越高；当熵等于零的时候，表示样本数据属于一个类别；假设样本集合为D，总的类别数为k，|y|表示数据集合D中类别为k的样本数量，则信息熵的定义如下式：
其中，pk表示当前样本集合D中任意一个样本属于第k类概率；
信息增益的计算规则如下：
信息增益表示一次划分中该属性对数据纯度的提升效果；一次划分之后，信息熵减少，数据纯度增加，信息增益增加；信息增益增加的越多，则此次类别划分中属性选择的越好；
假设属性a有v个可能的取值，则信息增益的定义如下：
其中，Dv表示样本D中属性a值为v的子集，Ent(D)表示划分前的信息熵，Ent(Dv)表示划分后的信息熵；
决策树分类规则包括以下步骤：
步骤SA1：创建根节点，从步骤S2中获得的属性集合中选择一个最能区别样本集中样本类别的属性作为根节点，选择的标准是由该属性划分得到的类别信息熵最小；
步骤SA2：创建中间节点，衡量所有属性划分类别后的信息熵与信息增益，选择信息增益最大的作为中间节点；
步骤SA3：对每个分支都重复执行步骤SA2，直到所有属性都被一条路径所包括，或者与这个节点所划分的所有类别都具有相同的目标属性，即熵为零。
在一种优选的方案中，层次性非监督分类方法的具体原理如下：
所述的层次性非监督分类方法采用K-Means非监督分类，K-Means非监督分类用距离远近来评价样本的相似度，用样本点到聚类中心的误差平方和作为聚类好坏的评价标准；假设用于分类的数据集合为D＝(x1，x2，...xi，...xn)，其中每个xi都是一个m维的特征向量，K-Means非监督分类将数据集合聚合为k类，其中k＜＝n，假设k个类别为C＝(c1，c2，...ci，...ck)，类别ci里的所有元素为vj∈ci；聚类中心为该类中所有元素在每一维上的平均值，假设k个聚类中心为U＝(u1，u2，...ui，...uk)，类别ci里的所有元素到聚类中心ui的欧式距离和为K-means非监督分类的目的是使k个类别的距离平方和总值最小，即求解下式：
层次非监督分类算法的具体步骤如下：
步骤SB1：随机从决策树分类算法选择出来的数据集合(x1，x2，...xi，...xn)中选取k个样本作为k个类别的初始聚类中心(u1，u2，...ui，...uk)；
步骤SB2：根据每个样本到聚类中心的距离远近判断样本所归属的类别，将样本划分到距离最小的类别中；
步骤SB3：根据步骤SB2分好的类再次计算聚类中心(u1，u2，...ui，...uk)，聚类中心是当前类别中所有元素在每一维上的平均值；
步骤SB4：循环步骤SB2～SB3，直到两次聚类结果不再发生变化或者误差在规定的误差范围内。
与现有技术相比，本发明技术方案的有益效果是：
(1)能够自动提取洪水淹没范围。本发明通过耦合面向对象的变化矢量分析方法以及基于决策树分类规则的层次非监督分类算法，构建了基于极化雷达影像的洪水淹没范围自动提取方法，无需任何训练样本，可以及时有效自动提取洪水淹没范围。
(2)能够提高洪水淹没范围提取的精度。本发明利用面向对象的变化矢量分析方法有效去除了雷达噪音的影响。其次，利用变化检测技术去除了没有发生变化的地物，包括山区阴影、裸地等，减少了这些地物对洪水淹没范围提取结果的影响，而后利用分类后比较法识别洪水淹没造成的变化地块，有效提高了洪水淹没范围提取的精度。
附图说明
图1为本发明的方法流程图。
图2为实施例2中2019年3月伊朗Golestan省洪水的Snetinel-1A极化雷达遥感影像(影像合成方式：红：VV极化；绿：VH极化；蓝：VV极化)
图3为实施例2中Sentinel-1A极化雷达遥感影像的联合分割结果
图4为实施例2中(a)是利用决策树算法自动构建分类规则的示意图；(b)是基于决策树分类规则的层次非监督分类方法示意图
图5为实施例2中提取出的洪水范围影像(底图为2019年3月17日洪水爆发前的Sentinel-1VV极化雷达影像)
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，基于极化雷达遥感影像的洪水淹没范围自动提取方法，包括以下步骤：
步骤S1：利用面向对象的图像处理软件eCognition从同一地区不同时相的极化雷达遥感影像中提取图像对象；
首先将极化雷达遥感影像中的单个像元作为对象，搜索与其相邻的其他对象，若相邻两个对象合并后的异质性值小于给定的阈值时，将其合并，否则就不执行合并操作；当一轮合并操作结束后，以这一轮生成的对象为基本对象，继续计算其与相邻对象合并后的异质性值是否小于给定的阈值，合并操作过程一直执行到达到某一指定的尺度不能再合并任何对象为止；
在多尺度图像分割技术中，对象的整体异质性H由对象的光谱异质性Hcolor和对象的形状异质性指标Hshape构成，如式1：
H＝wcolor*Hcolor+wshape*Hshape (1)
其中，wcolor与wshape分别代表光谱异质性与形状异质性的权重；
(1)对象的光谱异质性指标Hcolor如式2：
Hcolor＝∑cwc*σc (2)
其中wc为图层的权重，σc为图层的标准差，c为图层数，所有图层的总权重为1；
(2)对象的形状异质性指标(Hshape)定义如式3：
Hshape＝wsmoothness*hsmoothness+wcompactness*hcompactness (3)
对象的形状异质性由对象的平滑度与紧密度构成，wsmoothness与wcompactnss代表对象平滑度与紧密度的相对权重，两者的总和为1，若平滑度的权重较高，则分割后的对象边缘比较平滑；若紧密度的权重比较高，则分割后的对象形状更加紧密并且接近于矩形；
平滑指标hsmothness定义如式4：
紧密指标hcompactness定义如式5：
其中nMerge代表图像对象合并后的面积、lmerge代表图像对象合并后的实际边长、bmerge代表图像对象合并后的最短边长、nobj1代表图像对象1的面积、lobj1代表图像对象1的实际边长、bobj1代表图像对象1的最短边长、nobj2代表与图像对象1相邻的图像对象2的面积、lobj2代表图像对象2的实际边长、bobj2代表图像对象2的最短边长；
步骤S2：分别提取不同时相极化雷达遥感影像中图像对象的几何和物理属性，提取的属性包括有：后向散射强度、纹理、面积、形状以及空间关系等参数；
步骤S3：使用变化矢量分析技术从不同时相的极化雷达遥感影像中提取多个基于图像对象的特征向量，然后计算图像对象的变化矢量强度，得到变化地块；
具体步骤如下：
假设在不同时间从相同区域获取的两个极化雷达遥感影像，从这两个影像中为影像对象提取的特征向量分别由X＝(x1，x2，…，xk)T和Y＝(y1，y2，…，yk)T表示，则特征变化向量ΔG定义为：
变化矢量强度||ΔG||可由下式计算得出：
变化矢量强度||ΔG||越高，代表发生变化的可能性越大；
步骤S4：将步骤S2中提取出的多种属性作为属性集合，根据灾前研究区的土地覆盖类型选取样本集构建决策树规则，然后利用基于决策树分类规则的层次非监督分类算法确定不同时相的土地覆盖类别；
根据研究区的土地覆盖类型及极化雷达遥感影像特点，选取土地覆盖样本集构建决策树规则，而后基于决策树分类规则的结构和每个节点选择的属性，建立一个层次性非监督分类方法；该方法可以实现对不同时期获取的极化雷达遥感影像的自动分类，由于层次性非监督分类有决策树分类规则指引，所以分类结果与具体的土地覆盖类型相对应；
决策树分类规则包括以下步骤：
步骤SA1：创建根节点，从步骤S2中获得的属性集合中选择一个最能区别样本集中样本类别的属性作为根节点，选择的标准是由该属性划分得到的类别信息熵最小；
步骤SA2：创建中间节点，衡量所有属性划分类别后的信息熵与信息增益，选择信息增益最大的作为中间节点；
步骤SA3：对每个分支都重复执行步骤SA2，直到所有属性都被一条路径所包括，或者与这个节点所划分的所有类别都具有相同的目标属性，即熵为零；
层次非监督分类算法包括以下步骤：
步骤SB1：随机从决策树分类算法选择出来的数据集合(x1，x2，...xi，...xn)中选取k个样本作为k个类别的初始聚类中心(u1，u2，...ui，...uk)；
步骤SB2：根据每个样本到聚类中心的距离远近判断样本所归属的类别，将样本划分到距离最小的类别中；
步骤SB3：根据步骤SB2分好的类再次计算聚类中心(u1，u2，...ui，...uk)，聚类中心是当前类别中所有元素在每一维上的平均值；
步骤SB4：循环步骤SB2～SB3，直到两次聚类结果不再发生变化或者误差在规定的误差范围内；
步骤SB5：基于不同时相土地覆盖结果以及变化矢量分析结果，通过分类后比较法确定土地覆盖变化，得到洪水淹没区域。
实施例2为实施例1的具体实施案例。
如图2～图5所示，以伊朗的Golestan省作为研究区域。2019年3月中旬至4月将近两周的时间内，伊朗经历了3次严重的暴雨和洪水，全国31个省中超过26个省受到影响，其中受灾最严重的是Golestan省，Fars省，Khuzestan省以及Lorestan省等。所采用的研究数据为2019年3月17日和2019年3月29日的Sentinel-1A双极化雷达遥感影像，如图2所示。
具体步骤如下：
(1)面向对象的极化雷达遥感影像分析技术
实施例1将基于面向对象的图像分析技术，开展极化雷达遥感影像的自动变化检测和分类。首先，利用多尺度图像分割技术(Multi-resolution Segmentation)从不同时相的极化雷达遥感影像中提取图像对象。如图3所示，联合分割的结果不但与两幅影像上的地物边界相对应，同时能勾画出土地覆盖变化区域(如图中红圈区域)，从而支持两幅影像的面向对象分类和变化检测。而后，从极化雷达遥感影像中为图像对象提取各种属性，包括对象的平均后向散射强度、与相邻像元的空间关系、纹理、几何形状与大小等属性。在本实施例中，总共提取了205个对象的特征属性。利用图像对象的纹理、形状及空间关系属性，有助于提高雷达影像分类及变化检测精度。此外，图像对象的属性是组成该对象的所有像素的统计值，受雷达噪音影响较小。本项目将利用面向对象的图像处理软件eCognition执行极化雷达遥感影像的图像分割及属性提取。
(2)基于图像对象的变化矢量分析技术
本发明拟结合非监督变化检测方法和分类后比较法检测洪水淹没区域。首先利用非监督变化检测方法从不同时相的雷达影像中提取变化区域，而后利用分类后比较法找出非水体到水体的变化即为洪水淹没区域。该方法能够减少水体与其他地物混淆造成的洪水检测误差，提高洪水淹没范围的提取精度。变化矢量分析(Change Vector Analysis，CVA)广泛用于遥感影像的自动变化检测，其主要优势是能够利用多个属性从两幅不同时相遥感影像上提取变化区域。然而，传统基于像素的变化矢量分析容易受到雷达噪音的影响，产生很多误差。本研究将建立面向对象的变化矢量分析技术，减少雷达噪音的影响，并充分利用雷达影像上的散射强度、纹理、形状及空间关系等信息，提高变化检测精度。
假设在不同时间从相同区域获取的两个极化雷达遥感影像，从这两个图像中为图像对象提取的特征向量分别由X＝(x1，x2，…，xk)T和Y＝(y1，y2，…，yk)T表示，则特征变化向量ΔG定义为：
变化矢量强度||ΔG||可由下式计算得出：
变化矢量强度||ΔG||越高，代表发生变化的可能性越大。得到变化矢量强度之后，可以利用无监督分类器提取变化地块。目前最大期望算法被广泛用于变化矢量强度，提取变化区域。
(3)基于决策树分类规则的层次非监督分类算法
提取出变化地块后，将采用分类后比较法确定土地覆盖变化类别。本研究将建立基于决策树分类规则的层次非监督分类方法，实现无需任何训练样本的极化雷达影像土地覆盖分类。决策树分类是常用的遥感影像分类算法之一。它可以在每个分叉节点衡量所有属性，并为该节点选出最合适的属性及阈值，从而自动构建最优的分类规则，如图4所示。然而，由于成像环境的变化，根据某幅影像构建的分类规则中的阈值，可能不适用于其它影像。而通过结合决策树分类规则和非监督分类算法(如k-means算法)，有望解决这一问题。首先利用决策树算法构建雷达影像的土地覆盖分类规则，而后基于决策树分类规则的结构和每个节点选择的属性，建立一个层次性非监督分类方法。由于层次非监督分类有决策树分类规则指引，分类结果与具体的土地覆盖类型相对应，而且非监督分类可以避免使用决策树规则中的阈值，可以降低成像环境变化对分类的影响。最关键的是，该方法无需任何训练样本，就能够实现极化雷达影像的自动分类、水体信息的提取。本实施例的洪水范围提取结果如图5所示，蓝色区域为本实施例提取出的洪水范围，总体精度为97.2471％，Kappa系数为0.9281。洪水区域的错分误差和漏分误差分别为9.07％和1.29％。非水体的错分误差和漏分误差分别为0.44％和3.23％。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.基于极化雷达遥感影像的洪水淹没范围自动提取方法，其特征在于，包括以下步骤：
步骤S1：利用多尺度分割技术同时对灾前和灾后的极化雷达遥感影像进行分割，提取图像对象；
步骤S2：分别提取灾前和灾后极化雷达遥感影像中图像对象的像素平均值、几何和纹理属性；
步骤S3：使用变化矢量分析技术从灾前和灾后的极化雷达遥感影像中提取基于图像对象的特征向量，计算图像对象的变化矢量强度，确定变化地块；
步骤S4：基于步骤S2中提取的多种属性集合，利用基于决策树分类规则的层次非监督分类算法自动确定灾前和灾后的土地覆盖类别；
步骤S5：基于灾前和灾后土地覆盖分类结果以及变化矢量分析结果，通过分类后比较法确定变化地块的土地覆盖变化类别，得到洪水淹没区域。
2.根据权利要求1所述的基于极化雷达遥感影像的洪水淹没范围自动提取方法，其特征在于，在步骤S1中，多尺度图像分割技术包括以下内容：
首先将极化雷达遥感影像中的单个像元作为对象，搜索与其相邻的其他对象，若相邻两个对象合并后的异质性值小于给定的阈值时，将其合并，否则就不执行合并操作；当一轮合并操作结束后，以这一轮生成的对象为基本对象，继续计算其与相邻对象合并后的异质性值是否小于给定的阈值，合并操作过程一直执行到达到某一指定的尺度不能再合并任何对象为止；
在多尺度图像分割技术中，对象的整体异质性H由对象的光谱异质性Hcolor和对象的形状异质性指标Hshape构成，如式1：
H＝wcolor*Hcolor+wshape*Hshape (1)
其中，wcolor与wshape分别代表光谱异质性与形状异质性的权重；
(1)对象的光谱异质性指标Hcolor如式2：
Hcolor＝∑cwc*σc (2)
其中wc为图层的权重，σc为图层的标准差，c为图层数，所有图层的总权重为1；
(2)对象的形状异质性指标Hshape定义如式3：
Hshape＝wsmoothness*hsmoothness+wcompactness*hcompactness (3)
对象的形状异质性由对象的平滑度与紧密度构成，wsmoothbess与wcompactnss代表对象平滑度与紧密度的相对权重，两者的总和为1，若平滑度的权重较高，则分割后的对象边缘比较平滑；若紧密度的权重比较高，则分割后的对象形状更加紧密并且接近于矩形；
平滑指标hsmothness定义如式4：
紧密指标hcompactness定义如式5：
其中nMerge代表图像对象合并后的面积、lmerge代表图像对象合并后的实际边长、bmerge代表图像对象合并后的最短边长、nobj1代表图像对象1的面积、lobj1代表图像对象1的实际边长、bobj1代表图像对象1的最短边长、nobj2代表与图像对象1相邻的图像对象2的面积、lobj2代表图像对象2的实际边长、bobj2代表图像对象2的最短边长。
3.根据权利要求1或2所述的基于极化雷达遥感影像的洪水淹没范围自动提取方法，其特征在于，步骤S3的具体步骤如下：
假设在不同时间从相同区域获取的两个极化雷达遥感影像，从这两个影像中为影像对象提取的特征向量分别由X＝(x1,x2,…,xk)T和Y＝(y1,y2,…,yk)T表示，则特征变化向量ΔG定义为：
变化矢量强度‖ΔG‖可由下式计算得出：
变化矢量强度‖ΔG‖越高，代表发生变化的可能性越大。
4.根据权利要求1或2所述的基于极化雷达遥感影像的洪水淹没范围自动提取方法，其特征在于，步骤S4的内容如下：
根据研究区的土地覆盖类型及极化雷达遥感影像特点，选取土地覆盖样本集构建决策树规则，而后基于决策树分类规则的结构和每个节点选择的属性，建立一个层次性非监督分类方法；该方法可以实现对不同时期获取的极化雷达遥感影像的自动分类，由于层次性非监督分类有决策树分类规则指引，所以分类结果与具体的土地覆盖类型相对应。
5.根据权利要求3所述的基于极化雷达遥感影像的洪水淹没范围自动提取方法，其特征在于，步骤S4的内容如下：
根据研究区的土地覆盖类型及极化雷达遥感影像特点，选取土地覆盖样本集构建决策树规则，而后基于决策树分类规则的结构和每个节点选择的属性，建立一个层次性非监督分类方法；该方法可以实现对不同时期获取的极化雷达遥感影像的自动分类，由于层次性非监督分类有决策树分类规则指引，所以分类结果与具体的土地覆盖类型相对应。
6.根据权利要求1、2或5所述的基于极化雷达遥感影像的洪水淹没范围自动提取方法，其特征在于，决策树分类规则包括以下步骤：
步骤SA1：创建根节点，从步骤S2中获得的属性集合中选择一个最能区别样本集中样本类别的属性作为根节点，选择的标准是由该属性划分得到的类别信息熵最小；
步骤SA2：创建中间节点，衡量所有属性划分类别后的信息熵与信息增益，选择信息增益最大的作为中间节点；
步骤SA3：对每个分支都重复执行步骤SA2，直到所有属性都被一条路径所包括，或者与这个节点所划分的所有类别都具有相同的目标属性，即熵为零。
7.根据权利要求4所述的基于极化雷达遥感影像的洪水淹没范围自动提取方法，其特征在于，决策树分类规则包括以下步骤：
步骤SA1：创建根节点，从步骤S2中获得的属性集合中选择一个最能区别样本集中样本类别的属性作为根节点，选择的标准是由该属性划分得到的类别信息熵最小；
步骤SA2：创建中间节点，衡量所有属性划分类别后的信息熵与信息增益，选择信息增益最大的作为中间节点；
步骤SA3：对每个分支都重复执行步骤SA2，直到所有属性都被一条路径所包括，或者与这个节点所划分的所有类别都具有相同的目标属性，即熵为零。
8.根据权利要求3所述的基于极化雷达遥感影像的洪水淹没范围自动提取方法，其特征在于，决策树分类规则包括以下步骤：
步骤SA1：创建根节点，从步骤S2中获得的属性集合中选择一个最能区别样本集中样本类别的属性作为根节点，选择的标准是由该属性划分得到的类别信息熵最小；
步骤SA2：创建中间节点，衡量所有属性划分类别后的信息熵与信息增益，选择信息增益最大的作为中间节点；
步骤SA3：对每个分支都重复执行步骤SA2，直到所有属性都被一条路径所包括，或者与这个节点所划分的所有类别都具有相同的目标属性，即熵为零。
9.根据权利要求6所述的基于极化雷达遥感影像的洪水淹没范围自动提取方法，其特征在于，层次非监督分类算法的具体步骤如下:
步骤SB1：随机从决策树分类算法选择出来的数据集合(x1,x2,…xi,…xn)中选取k个样本作为k个类别的初始聚类中心(u1,u2,…ui,…uk)；
步骤SB2：根据每个样本到聚类中心的距离远近判断样本所归属的类别，将样本划分到距离最小的类别中；
步骤SB3：根据步骤SB2分好的类再次计算聚类中心(u1,u2,…ui,…uk)，聚类中心是当前类别中所有元素在每一维上的平均值；
步骤SB4：循环步骤SB2～SB3，直到两次聚类结果不再发生变化或者误差在规定的误差范围内。
10.根据权利要求7或8所述的基于极化雷达遥感影像的洪水淹没范围自动提取方法，其特征在于，层次非监督分类算法的具体步骤如下:
步骤SB1：随机从决策树分类算法选择出来的数据集合(x1,x2,…xi,…xn)中选取k个样本作为k个类别的初始聚类中心(u1,u2,…ui,…uk)；
步骤SB2：根据每个样本到聚类中心的距离远近判断样本所归属的类别，将样本划分到距离最小的类别中；
步骤SB3：根据步骤SB2分好的类再次计算聚类中心(u1,u2,…ui,…uk)，聚类中心是当前类别中所有元素在每一维上的平均值；
步骤SB4：循环步骤SB2～SB3，直到两次聚类结果不再发生变化或者误差在规定的误差范围内。
CN201910864532.2A 2019-09-12 2019-09-12 基于极化雷达遥感影像的洪水淹没范围自动提取方法 Pending CN110570462A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910864532.2A CN110570462A (zh) 2019-09-12 2019-09-12 基于极化雷达遥感影像的洪水淹没范围自动提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910864532.2A CN110570462A (zh) 2019-09-12 2019-09-12 基于极化雷达遥感影像的洪水淹没范围自动提取方法

Publications (1)

Publication Number Publication Date
CN110570462A true CN110570462A (zh) 2019-12-13

Family

ID=68779590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910864532.2A Pending CN110570462A (zh) 2019-09-12 2019-09-12 基于极化雷达遥感影像的洪水淹没范围自动提取方法

Country Status (1)

Country Link
CN (1) CN110570462A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832430A (zh) * 2020-06-23 2020-10-27 长江水利委员会长江科学院 山洪灾害高光谱遥感影像识别方法及其识别系统
CN111929680A (zh) * 2020-03-03 2020-11-13 南京信息工程大学 一种基于sar图像的洪水淹没程度快速评价方法
CN112270675A (zh) * 2020-11-11 2021-01-26 中山大学 一种基于极化雷达遥感影像的城市内涝区域检测方法
CN112560947A (zh) * 2020-12-14 2021-03-26 国网青海省电力公司 基于能源供需结构分析的聚类方法及装置
CN117310705A (zh) * 2023-11-28 2023-12-29 中国石油大学(华东) 一种基于双极化sar影像的洪涝灾害快速检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523516A (zh) * 2018-10-19 2019-03-26 中国科学院遥感与数字地球研究所 一种基于双重约束条件的对象级土地覆盖变化检测方法
CN109829426A (zh) * 2019-01-31 2019-05-31 兰州交通大学 基于高分遥感影像的铁路建设临时建筑监测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523516A (zh) * 2018-10-19 2019-03-26 中国科学院遥感与数字地球研究所 一种基于双重约束条件的对象级土地覆盖变化检测方法
CN109829426A (zh) * 2019-01-31 2019-05-31 兰州交通大学 基于高分遥感影像的铁路建设临时建筑监测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何春阳等: "土地利用/覆盖变化混合动态监测方法研究", 《自然资源学报》 *
程臻: "面向对象的高分辨率遥感影像全要素分类研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111929680A (zh) * 2020-03-03 2020-11-13 南京信息工程大学 一种基于sar图像的洪水淹没程度快速评价方法
CN111929680B (zh) * 2020-03-03 2022-12-23 南京信息工程大学 一种基于sar图像的洪水淹没程度快速评价方法
CN111832430A (zh) * 2020-06-23 2020-10-27 长江水利委员会长江科学院 山洪灾害高光谱遥感影像识别方法及其识别系统
CN111832430B (zh) * 2020-06-23 2024-01-09 长江水利委员会长江科学院 山洪灾害高光谱遥感影像识别方法及其识别系统
CN112270675A (zh) * 2020-11-11 2021-01-26 中山大学 一种基于极化雷达遥感影像的城市内涝区域检测方法
CN112270675B (zh) * 2020-11-11 2021-04-16 中山大学 一种基于极化雷达遥感影像的城市内涝区域检测方法
CN112560947A (zh) * 2020-12-14 2021-03-26 国网青海省电力公司 基于能源供需结构分析的聚类方法及装置
CN117310705A (zh) * 2023-11-28 2023-12-29 中国石油大学(华东) 一种基于双极化sar影像的洪涝灾害快速检测方法
CN117310705B (zh) * 2023-11-28 2024-02-09 中国石油大学(华东) 一种基于双极化sar影像的洪涝灾害快速检测方法

Similar Documents

Publication Publication Date Title
Sun et al. Iterative robust graph for unsupervised change detection of heterogeneous remote sensing images
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
Wang et al. Urban impervious surface detection from remote sensing images: A review of the methods and challenges
CN109871902B (zh) 一种基于超分辨率对抗生成级联网络的sar小样本识别方法
CN110309781B (zh) 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法
Izadi et al. Automatic building detection in aerial images using a hierarchical feature based image segmentation
CN110309780A (zh) 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别
US11941878B2 (en) Automated computer system and method of road network extraction from remote sensing images using vehicle motion detection to seed spectral classification
CN112215085A (zh) 一种基于孪生网络的输电走廊异物检测方法及系统
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
CN111339827A (zh) 基于多区域卷积神经网络的sar图像变化检测方法
CN110147795A (zh) 一种自适应非局部模糊c均值聚类sar图像分割算法
CN102855485A (zh) 一种小麦抽穗的自动检测方法
CN114266947A (zh) 一种基于激光点云和可见光图像融合的分类方法及装置
CN111882573A (zh) 一种基于高分辨率影像数据的耕地地块提取方法及系统
CN108734122A (zh) 一种基于自适应样本选择的高光谱城区水体检测方法
CN111291818A (zh) 一种面向云掩膜的非均匀类别的样本均衡化方法
CN112241956B (zh) 基于区域生长法和变差函数的PolSAR图像山脊线提取方法
Huang et al. Classification of very high spatial resolution imagery based on the fusion of edge and multispectral information
CN114594054A (zh) 一种湿地土壤微生物群落高光谱遥感监测方法
CN113095375A (zh) 基于中法海洋卫星散射计的北极海冰分类方法
Ji et al. Probabilistic graphical model based approach for water mapping using GaoFen-2 (GF-2) high resolution imagery and Landsat 8 time series
CN116030362B (zh) 一种高精度海冰密集度反演方法
CN109145945A (zh) 一种非局部加权联合稀疏表示的高光谱图像分类方法
Thati et al. A Systematic Extraction and Outburst Susceptibility Assessment of Glacial lakes in High Mountain Regions using Landsat 8 Imagery

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191213

RJ01 Rejection of invention patent application after publication