CN111046783B - 一种改进分水岭算法的斜坡地质灾害边界提取方法 - Google Patents
一种改进分水岭算法的斜坡地质灾害边界提取方法 Download PDFInfo
- Publication number
- CN111046783B CN111046783B CN201911250891.5A CN201911250891A CN111046783B CN 111046783 B CN111046783 B CN 111046783B CN 201911250891 A CN201911250891 A CN 201911250891A CN 111046783 B CN111046783 B CN 111046783B
- Authority
- CN
- China
- Prior art keywords
- region
- value
- luv
- values
- image
- 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
Classifications
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于地质灾害信息提取领域,公开了一种改进分水岭算法的斜坡地质灾害边界提取方法,包括以下步骤:S1、对待分割影像通过模拟浸没分水岭算法进行分割;将分割后得到的各个区域像素的RGB值转换为Luv值,并求出各个区域所有像素的Luv平均值作为该区的Luv值;S2、建立以Luv均值作为区域颜色的各个区域的四个邻域数组,同时确定极小区域判定阈值;S3、找到所有的极小区域;S4、通过色差判断法将临近区域与极小区域进行合并,直到所有的极小区域合并完成;S5、将所有合并完成后区域的Luv值转换为RGB值。本发明在信息提取时间上优势明显,避免了后处理的繁杂过程,时间效率得以大幅提升。
Description
技术领域
本发明属于地质灾害信息提取领域,具体涉及一种改进分水岭算法的斜坡地质灾害边界提取方法。
背景技术
斜坡地质灾害是常见的地质灾害之一,极大地影响着灾害体周围的环境及人民生命财产安全。遥感技术的发展为斜坡灾害信息提取提供了更加快速的手段,目前,虽然有众多基于影像分类和影像分割方法的斜坡灾害提取研究,但生产中通过遥感影像提取斜坡灾害信息仍然停留在基于GIS软件的人工目视解译。这不仅需要技术人员具有丰富的地学知识与解译经验,同时需要大量的人力和时间投入,生产效率低下,所提取斜坡灾害信息具有较大主观性与不确定性,导致难以满足灾后应急调查、灾情评估等方面的应用需求。在高分辨率遥感影像分割技术快速发展的支持下,开展高分辨率遥感影像自动化斜坡灾害边界提取显得日益可行。
众多影像分割技术中,分水岭影像分割方法是常用的影像分割方法之一,其分割结果为单像素闭合且连通的区域,同时轮廓线与分割对象有较好的吻合度,因此可以作为斜坡地质灾害边界提取的影像分割方法。分水岭分割算法建立在影像像素的色差基础上,即其对比度越明显,分割效果越好。而高分辨率遥感影像斜坡区域为纹理与波谱一致性较高的区域,色调通常异于周围地块色调,这为分水岭影像分割技术提供了斜坡灾害边界自动化提取应用的前提。
目前,针对分水岭分割算法的研究不断深入,从溢流法的提出到应用,分割图像从灰度图像发展到彩色图像分割,算法速度更快的降水分水岭分割,基于纹理与形态学梯度融合的分水岭分割,直到2003年由Soille对分水岭分割算法进行了系统性总结从而有了分水岭算法在遥感影像信息提取领域的众多应用。针对分水岭算法影像过分割、算法噪声明显等问题,诸多改进后的分水岭分割算法被提出。其中,基于区域合并的分水岭分割算法可以在分割完毕后基于区域纹理特征等实现分割区域合并,而基于Lab颜色空间进行色差距离度量开展影像亮度均衡性研究逐渐发展到分水岭影像分割区域合并研究,均得到了较好的分割结果。同时,在传统的影像色彩表达中通常使用RGB颜色模型,但是在这种颜色模型中R、G、B三个分量具有高度的相关性,即改变影像的亮度,则这三种分量中的任意一种会随之改变,这种颜色定义性质对影像分割是不合适的。
因此,需要对现有的分水岭算法进行改进,以使其适用于斜坡地质灾害边界提取。
发明内容
本发明克服现有技术存在的不足,所要解决的技术问题为:提供一种改进分水岭算法的斜坡地质灾害边界提取方法,以实现斜坡灾害边界的自动化准确提取。
为了解决上述技术问题,本发明采用的技术方案为:一种改进分水岭算法的斜坡地质灾害边界提取方法,包括以下步骤:
S1、对待分割影像通过模拟浸没分水岭算法进行分割;将分割后得到的各个区域像素的RGB值转换为Luv值,并求出各个区域所有像素的Luv平均值作为该区的Luv值;
S2、建立以Luv均值作为区域颜色的各个区域的四个邻域数组,同时确定极小区域判定阈值;
S3、依次扫描所有区域,判断区域的像素总数是否小于极小区域判定阈值,若小于,则将其归为极小区域,直至找到所有的极小区域;
S4、对确定的每个极小区域,遍历其所有相邻区域,根据相邻区域的Luv均值,计算极小区域与所有相邻区域的色差值di,将色差值满足条件的区域与极小区域进行合并;合并后形成新的区域,刷新合并后的新区域的所有相邻区域的信息,将合并前两个区域的Luv值的均值作为新区域的Luv值,所述D为色差值阈值;
S5、对合并后的新区域的像素值进行判断,判断是否仍为极小区域,如果是,则返回步骤S4重新进行合并;如果不是,则判断是否还存在其他极小区域,若存在,则返回步骤S4继续进行合并,直到所有的极小区域合并完成;
S6、将所有合并完成后区域的Luv值转换为RGB值。
所述步骤S2中,极小区域判定阈值Amin的值为:
Amin=(M×N)/C;
其中,M为待分割影像的行值,N为待分割影像的列值,C为常数。
所述改进分水岭算法的斜坡地质灾害边界提取方法中,常数C的取值为500,色差值阈值的取值D为400。
所述步骤S4中,色差值di的计算公式为:
其中,|Ri|、|Rj|分别表示相邻区域Ri和极小区域Rj中的包含的像素个数,Fc(Ri)、Fc(Rj)分别表示相邻区域Ri和极小区域Rj中的颜色均值,n为相邻区域的个数。
所述步骤S1中,对待分割影像通过分水岭算法进行分割具体包括以下步骤:
(1)对待分割影像的像素值进行转换,使其RGB值被转换为灰度值;
(2)计算得到各像素点在水平和垂直方向上的梯度,并统计各梯度的频率和累加概率;
(3)根据梯度值大小进行排序,确定各个梯度值在排序数组中的位置,相同的梯度处于同一个梯度层级;
(4)处理第一个梯度层级所有的像素点,检查该点邻域是否已标记属于某区或分水岭,若是,则将该点加入一个先进先出的队列;
(5)根据先进先出队列开始扩展现有的盆地,对先进先出队列中的像素邻域进行扫描,如果其梯度相等,即为同一个梯度层级,不是分水岭,使用邻域像素的标识刷新该像素的标识,循环完成队列中所有像素点的扩展;
(6)判断是否还有像素点未被标识,若有,则对该像素点继续执行步骤(5)直至该队列中所有像素点完成扩展为止;
(7)处理完第一个梯度层级后,返回步骤(4)继续处理下一个梯度层级,循环至所有梯度层级均被处理完毕,得到梯度影像的分水线,即影像分割的边界线;
(8)通过分割边界线将影像分成了大量的区域,这些区域即为影像分割结果,代表不同的地类信息。
所述步骤S1中,各个区域像素的RGB值转换为Luv值的过程基于颜色空间转化实现,其转换关系如下:
u=13L(u'-un');
v=13L(v'-vn');
其中:
u'=4X/(X+15Y+3Z);
v'=9Y/(X+15Y+3Z);
un'=4Xn/(Xn+15Yn+3Zn);
vn'=9Yn/(Xn+15Yn+3Zn);
其中,L值代表像素的光亮度,取值范围为0~100,u和v值代表色度坐标,取值范围为-100~100,Xn,Yn,Zn表示CIE标准光源的坐标,X、Y、Z表示CIE XYZ颜色空间的值。
本发明与现有技术相比具有以下有益效果:
(1)本发明提供了一种改进分水岭算法的斜坡地质灾害边界提取方法,通过实验验证,该方法在信息提取时间上优势明显,避免了后处理的繁杂过程,时间效率得以大幅提升。同时,该方法自动合并初始分割结果,避免了分类后人为合并处理碎斑的主观性,综合提取效率和提取结果的客观性方面表现良好。
(2)本发明不需要建立分割过程规则,合并处理过程简单,算法易于理解,分割结果客观性强、可靠性高。对试验影像不稳定斜坡边界多尺度分割试验结果显示,本发明的斜坡地质灾害边界提取方法,在目标体提取可靠性、目标体边界吻合度、提取细节方面均表现良好。同时,分割精度评价准则计算结果显示,本发明提取结果精度较高,评价结果与目视评价结果一致,表明本发明所使用的分水岭算法影像分割精度评价准则因子结果可靠。
附图说明
图1为本发明实施例采用的实验区地理位置图;
图2为本发明实施例中实验区GF-2遥感影像,其中A表示原始GF-2影像;B表示对比度增强后GF-2影像;
图3为本发明实施例中实验区的不稳定斜坡体全景图;
图4为本发明实施例的实验技术路线图;
图5为本发明实施例中RGB-RMWS法斜坡灾害边界分割试验结果,其中A表示原始影像;B表示对比度增强后影像;
图6为本发明实施例中Luv-RMWS法斜坡灾害边界分割试验结果,其中A表示原始影像;B表示对比度增强后影像;
图7为本发明实施例中多尺度Luv-RMWS斜坡灾害边界分割实验结果对比;
图8为本发明实施例中不稳定斜坡边界提取结果与基准数据对比为,其中A为RGB-RMWS法的结果;B为Luv-RMWS法的结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,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作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。
本发明实施例提供了一种改进分水岭算法的斜坡地质灾害边界提取方法,包括以下步骤:
S1、对待分割影像通过模拟浸没分水岭算法进行分割;将分割后得到的各个区域像素的RGB值转换为Luv值,并求出各个区域所有像素的Luv平均值作为该区的Luv值。
所述步骤S1中,对待分割影像通过分水岭算法进行分割具体包括以下步骤:
(1)对待分割影像的像素值进行转换,使其RGB值被转换为灰度值;
(2)计算得到各像素点在水平和垂直方向上的梯度,并统计各梯度的频率和累加概率;
边缘像素的梯度计为0,梯度的取值范围为:0-255(大于255的取255代替,小于0的取0代替)。梯度函数为:
其中,f(x,y)为原始影像,G()为梯度运算。
(3)根据梯度值大小进行排序,确定各个梯度值在排序数组中的位置,相同的梯度处于同一个梯度层级;
(4)处理第一个梯度层级所有的像素点,检查该点邻域是否已标记属于某区或分水岭,若是,则将该点加入一个先进先出的队列;
(5)根据先进先出队列开始扩展现有的盆地,对先进先出队列中的像素邻域进行扫描,如果其梯度相等,即为同一个梯度层级,不是分水岭,使用邻域像素的标识刷新该像素的标识,循环完成队列中所有像素点的扩展;
(6)判断是否还有像素点未被标识,若有,则对该像素点继续执行步骤(5)直至该队列中所有像素点完成扩展为止;
(7)处理完第一个梯度层级后,返回步骤(4)继续处理下一个梯度层级,循环至所有梯度层级均被处理完毕,得到梯度影像的分水线,即影像分割的边界线;
(8)通过分割边界线将影像分成了大量的区域,这些区域即为影像分割结果,代表不同的地类信息。
此外,步骤S1中,各个区域像素的RGB值转换为Luv值的过程基于颜色空间转化实现,其转换关系如下:
u=13L(u'-un'); (4)
v=13L(v'-vn'); (5)
其中,
u'=4X/(X+15Y+3Z); (6)
v'=9Y/(X+15Y+3Z); (7)
un'=4Xn/(Xn+15Yn+3Zn); (8)
vn'=9Yn/(Xn+15Yn+3Zn); (9)
其中,L值代表像素的光亮度,取值范围为0~100,u和v值代表色度坐标,取值范围为-100~100,un'与vn'表示CIE标准光源的坐标,是三刺激值。Xn,Yn,Zn也表示CIE标准光源的坐标,是三刺激值,一般取值为:0.9505、1.0000、1.0888。X、Y、Z为CIE XYZ颜色空间的值,用于将RGB颜色空间转换为Luv颜色空间。
在2°观察者和C光源的情况下,un'=0.2009,vn'=0.4610。
在Luv颜色空间中,任意两种颜色之间的差别叫做色差。色差是颜色位置之间的距离,用ΔE表示,即两种颜色之间的色差计算公式如下:
ΔE=(ΔL2+Δu2+Δv2)1/2; (10)
式中,ΔL表示亮度差,Δa、Δb表示两种颜色在u、v方向的差。
S2、建立以Luv均值作为区域颜色的各个区域的四个邻域数组,同时确定极小区域判定阈值;
分水岭算法分割尺度参数其实质是极小区域的判定阈值,因此,本实施例中,极小区域判定阈值Amin的值为:
Amin=(M×N)/C; (11)
其中,M为待分割影像的行值,N为待分割影像的列值,C为常数。
显然极小区域判定阈值Amin针对不同大小的影像具有不同的数值,不是一个固定的量,一般可以通过试错法进行重复性试验确定最优分割尺度参数Amin,但其实质是确定常数值C。
S3、依次扫描所有区域,判断区域的像素总数是否小于极小区域判定阈值,若小于,则将其归为极小区域,直至找到所有的极小区域。
S4、对确定的每个极小区域,遍历其所有相邻区域,根据相邻区域的Luv均值,计算极小区域与所有相邻区域的色差值di,将色差值满足条件的区域与极小区域进行合并,/>的区域则不合并;合并后形成新的区域,刷新合并后的新区域的所有相邻区域的信息,将合并前两个区域的Luv值的均值作为新区域的Luv值,所述D为色差值阈值。
所述步骤S4中,色差值di的计算公式为:
其中,|Ri|、|Rj|分别表示相邻区域Ri和极小区域Rj中的包含的像素个数,Fc(Ri)、Fc(Rj)分别表示相邻区域Ri和极小区域Rj中的颜色均值,n为相邻区域的个数。
采用色差判定当前极小区域与所有相邻区域的相似性测度。当di≤1时,两个区域的色彩即不能分辨其差别,即di越小,两个区域的颜色越相似。区域合并中需要判定相邻区域之间的颜色是否相近,因此需要通过理论分析或经验验证确定di的阈值大小,令色差阈值为D,则以D约束完成分割结果的区域合并,直到没有相似区域合并为止。色差阈值D也可以通过试错法进行确定。
S5、对合并后的新区域的像素值进行判断,判断是否仍为极小区域,如果是,则返回步骤S4重新进行合并;如果不是,则判断是否还存在其他极小区域,若存在,则返回步骤S4继续进行合并,直到所有的极小区域合并完成。
S6、将所有合并完成后区域的Luv值转换为RGB值。
为了更好的显示效果,将所有合并完成后区域的Luv值转换为RGB值,实现影像最终分割结果区域以RGB值显示。
影像分割效果的好坏会直接影响后续信息分析处理的结果和精度,因此对遥感影像分割方法进行全面和客观的评价是十分必要的,影像分割精度评价与影像分割技术本身同样重要,常采用定性与定量的方式开展评价。然而,遥感影像分割时存在多种不确定因素,定量评价不同影像分割算法的优劣是影像分割研究领域公认的难题之一。目前最常用的分割精度评价方法依旧是主观评价法,通过对现有研究成果的分析,本实施例提出面积相对误差准则,并辅以像元数量误差准则,综合评价分水岭算法影像分割精度。
1)面积相对误差准则(精度因子:δA)
本实施例通过面积相对误差作为影像分割精度评价的准则之一,计算方法如下。
令A0代表基准数据中的目标体面积值,As代表分割影像结果中的目标体面积值,则它们的相对误差δA为:
其中,δA为评价影像分割结果的面积精度因子。显然,δA越小,分割精度越高,反之则越差。
2)像元数量误差准则(精度因子:δP)
以参考图与分割结果叠置得到错误分割的像元数除以总像元数表征影像分割精度,与面积相对误差准则一致,是从不同角度开展的精度评价,本实施例选用像元数量误差准则作为影像分割精度评价的准则之一。
令Pt代表正确分割的像元数,Pw代表错误分割的像元数,则错分率δP为:
其中,δP是对影像分割精度的整体评价,显然,δP越小,分割精度越高,反之则越差。分水岭算法影像分割精度评价准则见表1所示。
表1分水岭算法影像分割精度评价准则
为评价本发明实施例所提出的斜坡地质灾害边界提取方法和影像分割提取的精度,以实验区的数据源进行提取试验。
实验区位于中国山西省太原市西山煤田内的杜儿坪矿区桃花沟,区内发育有不稳定斜坡、斜坡、崩塌等地质灾害,同时有人工建造所形成的各类人工建筑物。实验区地理位置见图1所示,本实施例选择区内一座不稳定斜坡(图1中标注★)开展基于改进Luv颜色空间的区域合并分水岭算法斜坡地质灾害边界提取实验。
数据源与数据预处理:选择GF-2遥感影像为数据源,空间分辨率1m,成像时间为2015年。影像几何校正与正射校正选用1999年采用航空摄影测量制作的1:10000比例尺基础地形图。
对影像采用几何校正、影像融合、正射校正和裁剪完成影像数据预处理,预处理后的高分辨率遥感影像:1275×1503像素,如图2中A所示,对应不稳定斜坡体2017年现场照片见图3所示。利用Arc GIS平台对试验影像进行了目视解译,经野外核查修正后得到了目标体的准确边界作为基准数据。如图4所示,为实施例的实验技术路线图。
本发明实施例提供的一种改进分水岭算法的斜坡地质灾害边界提取方法,基于改进Luv颜色空间区域合并分水岭算法(Luv-RMWS)实现,其属于后处理改进算法,为了对比分割效率和效果,对试验影像进行对比度增强前处理,处理后的影像如图2中B所示,试验中每一种分割方法均采用相同的C值与D值,确保试验结果可对比。对如图2中A的原始影像和如图2中B所示的对比度增强后影像分别采用RGB颜色空间和Luv颜色空间进行区域合并分水岭算法分割试验,分割结果见图5、图6所示,分割过程数据统计结果见表2。
表2影像分割数据统计
由图5可以看出,影像对比度增强后分割结果较原始影像有所改善,但仍然无法区分坡底的植被区域。由图6可以看出,原始影像欠分割严重,未能分割出试验提取目标体-不稳定斜坡,而影像对比度增强后分割结果良好,所提取不稳定斜坡体边界吻合度高。表2的统计结果显示,RGB-RMWS法和Luv-RMWS法影像对比度增强后经分水岭算法分割的图斑数迅速减少,用时量也略有减少,达到了抑制过分割和提升效率的目的。同时,RGB-RMWS法区域合并后的图斑数和用时量则只有原始影像数据的一半,效率大幅度提升。而Luv-RMWS法虽然区域合并后的图斑数较原始影像数据有所增加,但用时量则仅有原始影像合并用时的一半,在获得良好分割结果的同时时间效率大幅度提升。因此,对影像进行对比度增强前处理改进具有提升分割效率和分割效果的明显效应。
为了选取最优分割与合并尺度参数,对试验影像进行多尺度分割试验,分别设C为100、150、200、…、3000,设D为100、150、200、…、1000开展组合试验。其中,C为500、1000、1500、2000,D为200、300、400、500的四组试验结果见图7所示。
经多尺度Luv-RMWS法斜坡灾害边界分割试验,目视分割结果并对比可以看出,当C值逐渐增大时,斜坡体内部碎斑增多,表现为过分割。而当D逐渐增大时,斜坡体内部的碎斑逐渐减少,所提取斜坡边界在D达到400以后趋于稳定。综合本次实验结果对比,当C为500、D为400时目标体边界分割效果最好,表现为边界连续、斑体内无碎斑、与目标体形状吻合度高。因此,本实施例中,极小区域判定阈值中的最优常数C设为500,而色差值阈值D的最优值设为400。对于不同的分割影像,可以通过试错法进行试验,以得到常数C和D的最优值。
同样对RGB-RMWS法进行斜坡灾害边界分割试验,目视分割结果并对比后得到以下经验值:极小区域判定阈值中的最优常数C设为100,而色差值阈值D的最优值设为11000。
以C为100、D为11000的分割结果作为RGB-RMWS法不稳定斜坡体分割结果,以C为500、D为400的分割结果作为Luv-RMWS法不稳定斜坡体分割结果,将两种分割结果数据由栅格转为矢量面,并导出目标体图斑为单独面文件与基准数据、试验影像叠加对比如图8所示。
试验结果分析如下:
1)时间效率
试验所用计算机型号为HP 2211f,具体配置为:Intel(R)Core(TM)i3 CPU、主频3.20GHz;6.00GB内存;64位操作系统。采用程序内置计时变量统计,试验所用时间见表3所示。
表3试验影像不稳定斜坡边界提取时间对比表
由表3可以看出,RGB-RMWS法用时较多,达到了182.209s,Luv-RMWS法用时仅为39.702s。因此,改进颜色空间的Luv-RMWS法时间效率显著优于未经改进的RGB-RMWS法。
2)提取效果
(1)由图8-A可以看出,RGB-RMWS法分割结果最好,图斑内部无碎斑,但在图斑西南部和坡底存在欠分割现象,在东部边界存在图斑粘连现象。
(2)由图8-B可以看出,Luv-RMWS法分割结果较好,既实现了目标体的较好提取,也实现了图斑内部碎斑的合并,但在图斑北部和西南部出现了过分割,导致三个较大的粘连图斑混入目标体图斑,同时在图斑南部,即目标体的底部出现了欠分割现象,未能实现对底部植被覆盖区域的分割合并。
综合上述分析,RGB-RMWS法可以得到目标体的最优分割结果,虽然目视效果最好,但是时间效率低下,整体表现为欠分割,而Luv-RMWS法虽然也存在一定的过分割与欠分割现象,但是综合分割效率与分割效果良好,尤其是得到目标体最优分割结果的时间效率远高于RGB-RMWS法,且结果中图斑数量相对合理。因此,从时间效率和分割效果角度来分析,Luv-RMWS法综合表现优于未经颜色空间变换的RGB-RMWS法。
以试验影像提取信息和目视解译获得的基准数据提取目标体的面积,利用公式(13)分别计算RGB-RMWS法和Luv-RMWS法的δA。同时,将试验影像提取信息和目视解译获得的基准数据分为目标体和非目标体两大类,以像元数为量算单元,再将目标体的基准数据栅格化作为参考图,然后将参考图与RGB-RMWS法和Luv-RMWS法的目标体分割结果叠置,得到正确分割的像元和错误分割的像元数,利用公式(14)计算分割结果δP。计算结果见表4。
表4试验影像不稳定斜坡边界提取精度评价表
由表4可以看出,RGB-RMWS法的δA为6.21%,δP为1.40%,而Luv-RMWS法的δA为4.92%,δP为1.60%,显然,RGB-RMWS法的面积相对误差大于Luv-RMWS法,而像元数量误差则小于Luv-RMWS法,两种方法的分割精度基本一致。
1)经试验表明,Luv-RMWS法在信息提取时间上优势明显,避免了后处理的繁杂过程,时间效率得以大幅提升。同时,Luv-RMWS法自动合并初始分割结果,避免了分类后人为合并处理碎斑的主观性,综合提取效率和提取结果的客观性方面表现良好。
2)Luv-RMWS法不需要建立分割过程规则,合并处理过程简单,算法易于理解,分割结果客观性强、可靠性高。对试验影像不稳定斜坡边界多尺度分割试验结果显示,Luv-RMWS法在目标体提取可靠性、目标体边界吻合度、提取细节方面均表现良好。同时,分割精度评价准则计算结果显示,Luv-RMWS法提取结果精度较高,评价结果与目视评价结果一致,表明本文所提分水岭算法影像分割精度评价准则因子结果可靠。
本发明以Luv颜色空间中位置之间的欧氏距离值色差为相似性测度,改进同质性最大化准则区域合并算法,提出了一种基于Luv颜色空间的区域合并分水岭分割算法,经试错法多尺度不稳定斜坡边界分割提取实验,确定了实验区对比度增强后的GF-2影像最优分割与合并尺度参数,其中,极小区域Amin判定最佳阈值的C为500,而色差值最佳阈值D为400。
2)结合现有研究成果,经对比分析后建立了分水岭算法分割精度评价准则体系,包括:改进的面积相对误差准则和像元数量误差准则,本发明实验结果精度评价与目视评价对比一致,为影像分割精度评价提供了新的依据。
3)后改进颜色空间区域合并分水岭算法在斜坡灾害边界提取中效果良好,时间效率优势明显,分割精度评价结果可靠,对提升斜坡边界提取效率具有重要的应用价值。
实验结果证明了本发明的改进算法对斜坡地质灾害边界提取的有效性,为基于遥感影像进行斜坡地质灾害信息提取提供了新的探索,也为灾后明确受灾范围和救灾应急提供了客观可靠的数据支持。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种改进分水岭算法的斜坡地质灾害边界提取方法,其特征在于,包括以下步骤:
S1、对待分割影像通过模拟浸没分水岭算法进行分割;将分割后得到的各个区域像素的RGB值转换为Luv值,并求出各个区域所有像素的Luv平均值作为该区的Luv值;
S2、建立以Luv均值作为区域颜色的各个区域的四个邻域数组,同时确定极小区域判定阈值;
S3、依次扫描所有区域,判断区域的像素总数是否小于极小区域判定阈值,若小于,则将其归为极小区域,直至找到所有的极小区域;
S4、对确定的每个极小区域,遍历其所有相邻区域,根据相邻区域的Luv均值,计算极小区域与所有相邻区域的色差值di,将色差值满足条件的区域与极小区域进行合并;合并后形成新的区域,刷新合并后的新区域的所有相邻区域的信息,将合并前两个区域的Luv值的均值作为新区域的Luv值,所述D为色差值阈值;色差值di的计算公式为:
其中,|Ri|、|Rj|分别表示相邻区域Ri和极小区域Rj中的包含的像素个数,Fc(Ri)、Fc(Rj)分别表示相邻区域Ri和极小区域Rj中的颜色均值,n为相邻区域的个数
S5、对合并后的新区域的像素值进行判断,判断是否仍为极小区域,如果是,则返回步骤S4重新进行合并;如果不是,则判断是否还存在其他极小区域,若存在,则返回步骤S4继续进行合并,直到所有的极小区域合并完成;
S6、将所有合并完成后区域的Luv值转换为RGB值。
2.根据权利要求1所述的一种改进分水岭算法的斜坡地质灾害边界提取方法,其特征在于,所述步骤S2中,极小区域判定阈值Amin的值为:
Amin=(M×N)/C;
其中,M为待分割影像的行值,N为待分割影像的列值,C为常数。
3.根据权利要求2所述的一种改进分水岭算法的斜坡地质灾害边界提取方法,其特征在于,常数C的取值为500,色差值阈值的取值D为400。
4.根据权利要求1所述的一种改进分水岭算法的斜坡地质灾害边界提取方法,其特征在于,所述步骤S1中,对待分割影像通过分水岭算法进行分割具体包括以下步骤:
(1)对待分割影像的像素值进行转换,使其RGB值被转换为灰度值;
(2)计算得到各像素点在水平和垂直方向上的梯度,并统计各梯度的频率和累加概率;
(3)根据梯度值大小进行排序,确定各个梯度值在排序数组中的位置,相同的梯度处于同一个梯度层级;
(4)处理第一个梯度层级所有的像素点,检查该点邻域是否已标记属于某区或分水岭,若是,则将该点加入一个先进先出的队列;
(5)根据先进先出队列开始扩展现有的盆地,对先进先出队列中的像素邻域进行扫描,如果其梯度相等,即为同一个梯度层级,不是分水岭,使用邻域像素的标识刷新该像素的标识,循环完成队列中所有像素点的扩展;
(6)判断是否还有像素点未被标识,若有,则对该像素点继续执行步骤(5)直至该队列中所有像素点完成扩展为止;
(7)处理完第一个梯度层级后,返回步骤(4)继续处理下一个梯度层级,循环至所有梯度层级均被处理完毕,得到梯度影像的分水线,即影像分割的边界线;
(8)通过分割边界线将影像分成了大量的区域,这些区域即为影像分割结果,代表不同的地类信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911250891.5A CN111046783B (zh) | 2019-12-09 | 2019-12-09 | 一种改进分水岭算法的斜坡地质灾害边界提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911250891.5A CN111046783B (zh) | 2019-12-09 | 2019-12-09 | 一种改进分水岭算法的斜坡地质灾害边界提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111046783A CN111046783A (zh) | 2020-04-21 |
CN111046783B true CN111046783B (zh) | 2023-06-30 |
Family
ID=70235096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911250891.5A Active CN111046783B (zh) | 2019-12-09 | 2019-12-09 | 一种改进分水岭算法的斜坡地质灾害边界提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046783B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115689125B (zh) * | 2022-12-27 | 2023-03-17 | 北京化工大学 | 一种基于多源数据的涉气污染源布局方法 |
CN116597389B (zh) * | 2023-07-18 | 2023-09-15 | 山东省地质测绘院 | 基于图像处理的地质灾害监测及预警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186904A (zh) * | 2011-12-31 | 2013-07-03 | 北京新媒传信科技有限公司 | 图片轮廓提取方法及装置 |
CN107463991A (zh) * | 2017-06-28 | 2017-12-12 | 西南石油大学 | 一种基于坡体单元与机器学习的区域滑坡危险性评价方法 |
CN107945183A (zh) * | 2017-06-28 | 2018-04-20 | 三亚中科遥感研究所 | 一种结合改进快速合并算法的分水岭分割方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923707B (zh) * | 2009-07-23 | 2012-06-20 | 北京师范大学 | 一种基于分水岭算法的高空间分辨率多光谱遥感图像分割方法 |
US8478032B2 (en) * | 2011-05-24 | 2013-07-02 | Hewlett-Packard Development Company, L.P. | Segmenting an image |
CN102509097B (zh) * | 2011-09-29 | 2013-10-23 | 北京新媒传信科技有限公司 | 一种图像分割方法和装置 |
CN102999888B (zh) * | 2012-11-27 | 2015-02-25 | 西安交通大学 | 一种基于彩色图像分割的深度图去噪方法 |
CN104881865B (zh) * | 2015-04-29 | 2017-11-24 | 北京林业大学 | 基于无人机图像分析的森林病虫害监测预警方法及其系统 |
CN105844292B (zh) * | 2016-03-18 | 2018-11-30 | 南京邮电大学 | 一种基于条件随机场和二次字典学习的图像场景标注方法 |
CN107103317A (zh) * | 2017-04-12 | 2017-08-29 | 湖南源信光电科技股份有限公司 | 基于图像融合和盲反卷积的模糊车牌图像识别算法 |
CN109741337B (zh) * | 2018-12-11 | 2022-11-29 | 太原理工大学 | 基于Lab色彩空间的区域合并分水岭彩色遥感影像分割方法 |
-
2019
- 2019-12-09 CN CN201911250891.5A patent/CN111046783B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186904A (zh) * | 2011-12-31 | 2013-07-03 | 北京新媒传信科技有限公司 | 图片轮廓提取方法及装置 |
CN107463991A (zh) * | 2017-06-28 | 2017-12-12 | 西南石油大学 | 一种基于坡体单元与机器学习的区域滑坡危险性评价方法 |
CN107945183A (zh) * | 2017-06-28 | 2018-04-20 | 三亚中科遥感研究所 | 一种结合改进快速合并算法的分水岭分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111046783A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419250B (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
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 | |
CN109242870A (zh) | 一种基于图像划分和纹理特征的海天线检测方法 | |
CN106530313B (zh) | 一种基于区域分割的海天线实时检测方法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN111046783B (zh) | 一种改进分水岭算法的斜坡地质灾害边界提取方法 | |
CN103957771A (zh) | 图像处理装置、图像处理方法和图像处理程序 | |
CN103325118A (zh) | 一种获取碳酸盐岩岩心孔洞特征参数的方法及装置 | |
US8983183B2 (en) | Spatially varying log-chromaticity normals for use in an image process | |
US8559714B2 (en) | Post processing for improved generation of intrinsic images | |
CN111046884B (zh) | 一种多特征辅助分水岭算法的斜坡地质灾害提取方法 | |
CN111008664A (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN115272353A (zh) | 适用于裂纹检测的图像处理方法 | |
CN109741337B (zh) | 基于Lab色彩空间的区域合并分水岭彩色遥感影像分割方法 | |
CN111091071A (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
US8428352B1 (en) | Post processing for improved generation of intrinsic images | |
CN113643312B (zh) | 基于真彩色卫星云图与图像处理的云层分割方法 | |
EP2776979B1 (en) | Post processing for improved generation of intrinsic images | |
CN115984360A (zh) | 一种基于图像处理的计算干滩长度的方法及系统 | |
CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及系统 | |
CN104504690B (zh) | 一种基于Kinect的物体支撑关系推断方法 | |
CN116563659A (zh) | 一种结合先验知识和特征分类的光学烟雾检测方法 | |
US8842907B2 (en) | Method for performing a multi-clustering merge for use in an image process |
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 |