CN111046884B - 一种多特征辅助分水岭算法的斜坡地质灾害提取方法 - Google Patents
一种多特征辅助分水岭算法的斜坡地质灾害提取方法 Download PDFInfo
- Publication number
- CN111046884B CN111046884B CN201911250915.7A CN201911250915A CN111046884B CN 111046884 B CN111046884 B CN 111046884B CN 201911250915 A CN201911250915 A CN 201911250915A CN 111046884 B CN111046884 B CN 111046884B
- Authority
- CN
- China
- Prior art keywords
- area
- threshold
- value
- slope
- areas
- 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
- 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
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
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,公开了一种多特征辅助分水岭算法的斜坡地质灾害提取方法,包括以下步骤:对待分割影像通过模拟浸没分水岭算法进行分割,将分割后区域由RGB颜色空间转换至Luv颜色空间;寻找所有分割后区域中的极小区域;遍历每个极小区的所有相邻区域,将色差值满足条件的相邻区域与极小区域进行合并,直到所有的极小区域完成合并;计算各特征因子图层并与合并后分割区域叠加;设定地形特征阈值、敏感性特征阈值和几何特征阈值,剔除不满足阈值条件的区域,剩余区域即为提取的斜坡地质灾害图斑。本发明所提取实验区斜坡地质灾害时间效率与正确率较高,斜坡灾害边界与目视解译结果吻合度好,提取过程中人工干预较少,客观性强。
Description
技术领域
本发明属于地质灾害信息提取领域,具体涉及一种多特征辅助分水岭算法的斜坡地质灾害提取方法。
背景技术
斜坡地质灾害信息提取是遥感技术在地质灾害领域的重要研究内容之一,对快速掌握区域斜坡地质灾害发育现状及潜在风险具有重要的意义。随着遥感影像信息提取技术的快速发展,传统的基于像素的分类技术逐渐转换为基于面向对象的分割,并有部分研究基于支持向量机、机器学习、深度学习展开。目前,众多研究者通过多尺度与多特征组合完成面向对象的斜坡灾害提取研究,多尺度分割及多特征组合成为当前一种流行的斜坡灾害信息提取方法。eCognition软件作为全球首款面向对象的遥感分类软件,采用多分辨率影像分割方法进行信息提取,该方法是一种区域增长和合并的方法。分割后则采用光谱特征、形状特征、空间关系等特征因子进行分类提取目标体。
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。但是,分水岭影像分割方法只能获取基于光谱特征的闭合分割区域,并不能区分各个区域图斑的分类属性,难以实现斜坡地质灾害等目标体的分水岭影像分割自动提取。同时,斜坡地质灾害诱发因素众多,考察其致灾机理及孕灾环境,斜坡灾害可通过众多因子对其进行特征刻画,与eCognition软件面向对象分类中的特征因子相比更具代表性与典型性。
综上所述,现有技术中难以对遥感影像中的斜坡地质灾害进行准确提取,主要存在以下两个方面问题:1)现有的遥感影像分割提取斜坡地质灾害方法不成熟;2)斜坡地质灾害的众多孕灾因子未能参与到提取中,导致提取结果效果有限。
因此,急需要提出一种遥感影像的斜坡地质灾害提取方法,以实现斜坡地质灾害的自动化提取。
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:提供一种多特征辅助分水岭算法的斜坡地质灾害提取方法,以实现遥感影像中斜坡地质灾害的自动化提取。
为了解决上述技术问题,本发明采用的技术方案为:一种多特征辅助分水岭算法的斜坡地质灾害提取方法,包括以下步骤:
S1、对待分割影像通过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平均值作为该区域的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;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;
S3、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;
S4、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S3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S3继续进行合并,直到所有的极小区域合并完成,得到合并后的区域,并将合并后的区域的Luv值转换为RGB值,实现影像最终分割结果区域以RGB值显示;
S5、根据DEM数据,提取各个区域的数字地形特性因子;根据影像所在区域的DEM数据、地质资料、基础地理信息数据和遥感影像数据,提取各个区域的敏感性特征因子;根据各个区域的几何特征,计算各个区域的几何特征因子;
S6、设定数字地形特征阈值、高敏感阈值和几何特征阈值,剔除不满足阈值条件的区域。
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。
常数C和色差值阈值D的取值为通过试错法得到。
所述步骤S3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,分水岭算法为模拟浸没算法,其具体包括以下步骤:
(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。
所述敏感性特征因子为地形地貌特征因子、地质特征因子、人为动力特征因子和自然特征因子,通过敏感性评价模型进行因子系数权重系数计算得到;
所述地形地貌特征因子包括高程、坡度、坡向、地势起伏度和地面曲率,为通过DEM数据提取得到,所述地质特征因子包括地质构造和地层岩组,为通过地质资料得到;所述人为动力特征因子包括道路工程扰动和地下采矿扰动,分别为通过基础地理信息数据和采矿资料获取,所述自然特征因子包括河流水系和植被覆盖,分别为通过基础地理信息数据和遥感影像数据提取得到。
所述数字地形特性因子包括坡度和地势起伏度,所述数字地形特征阈值包括坡度阈值和地势起伏度阈值;所述几何特征因子包括面积因子和长宽比因子,所述几何特征阈值包括面积阈值和长宽比阈值。
所述面积阈值包括最小面积阈值和最大面积阈值,最小面积阈值为4×2像元,最大面积阈值为50000m2,所述步骤S6中,小于4×2像元的区域和大于50000m2的区域均被剔除;所述长宽比阈值为阈值区间1.5~10,长宽比不属于这个区间的区域被剔除。
本发明与现有技术相比具有以下有益效果:本发明提供了一种多特征辅助分水岭算法的斜坡地质灾害提取方法,以Luv颜色空间区域合并分水岭算法为遥感影像分割方法,以数字地形特征、斜坡灾害敏感性特征和斜坡灾害几何特征组建斜坡灾害提取多特征组合,以影像分割图斑层次筛选为斜坡灾害图斑提取方式,提出并建立了多特征辅助分水岭影像分割斜坡地质灾害遥感提取方法,同时给出了结果验证方式与基于正确率的精度评价方法。经实验表明:本方法影像分割时间效率和分割效果良好,采用本方法进行实验区斜坡灾害提取的正确率达到了62.5%。综上所述,基于多特征辅助分水岭影像分割斜坡灾害提取方法所提取实验区斜坡灾害时间效率与正确率较高,斜坡灾害边界与目视解译结果吻合度好,提取过程中人工干预较少,客观性强,是斜坡地质灾害自动化提取的一种新的方法体系。
附图说明
图1为本发明实施例提供的一种多特征辅助分水岭算法的斜坡地质灾害提取方法的流程示意图;
图2为本发明实施例中疑似斜坡灾害图斑筛选的流程示意图;
图3为本发明实施例中实验区地理位置图;
图4为本发明实施例中实验区GF-2遥感影像图;
图5为本发明实施例中实验区对比度增强后GF-2遥感影像;
图6为本发明实施例中多尺度Luv-RMWS法分割试验结果;
图7为本发明实施例中实验区数字地形因子和斜坡灾害敏感性评价分区成果图;
图8为本发明实施例中经图斑筛选后将疑似斜坡灾害图斑与实验区GF-2影像进行叠加的示意图;
图9为本发明实施例中提取结果正误对比图;图中,T:提取正确;F:提取错误;1、2:漏提。
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。
如图1所示,本发明实施例提供了一种多特征辅助分水岭算法的斜坡地质灾害提取方法,包括以下步骤:
S1、对待分割影像通过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。
本实施例中,分水岭分割算法采用模拟浸没算法,其具体包括以下步骤:
(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'是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;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。
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、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。
所述步骤S3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。
S4、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S3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S3继续进行合并,直到所有的极小区域合并完成,得到合并后的区域,并将合并后的区域的Luv值转换为RGB值,实现影像最终分割结果区域以RGB值显示。
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。
上述步骤S1~S4的的作用是提取得到斜坡地质灾害的边界,其基于改进Luv颜色空间区域合并分水岭算法实现,为简单起见,下文将该方法简称为Luv-RMWS。
S5、斜坡地质灾害遥感提取的多特征因子,具体包括:根据DEM数据,提取数字地形特性因子;根据DEM数据、地质资料、基础地理信息数据和遥感影像数据,提取敏感性特征因子;根据各个区域的几何特征,计算各个区域的几何特征因子。
具体地,如表1所示,综合分析后选择数字地形特征、敏感性特征和几何特征作为斜坡地质灾害遥感提取多特征组合首级特征因子。其中,数字地形特征包括坡形特征与坡高差特征两种二级特征因子;斜坡灾害敏感性特征包括地形地貌特征、地质特征、人为动力特征和自然特征四种二级特征因子;几何特征包括大小特征和形状特征两种二级特征因子,进而细化为三级特征因子。
具体地,如表1所示,本实施例中,所述敏感性特征因子为地形地貌特征因子、地质特征因子、人为动力特征因子和自然特征因子,通过敏感性评价模型进行因子系数权重系数计算得到。
所述地形地貌特征因子包括高程、坡度、坡向、地势起伏度和地面曲率,为通过DEM数据提取得到,所述地质特征因子包括地质构造和地层岩组,为通过地质资料得到;所述认为动力特征因子包括道路工程扰动和地下采矿扰动,分别为通过基础地理信息数据和采矿资料获取,所述自然特征因子包括河流水系和植被覆盖,分别为通过基础地理信息数据和遥感影像数据提取得到。所述数字地形特性因子包括坡度和地势起伏度,所述几何特征因子包括面积因子和长宽比因子。
表1斜坡地质灾害遥感提取特征因子组合
S6、如图2所示,分水岭影像分割后开展多特征因子分层筛选疑似斜坡地质灾害图斑,设定数字地形特征阈值、敏感性分区阈值和几何特征阈值,剔除不满足阈值条件的区域,具体方法包括以下步骤:
1、数字地形因子提取与筛选
1)坡度筛选
坡度信息来自于DEM数字地形因子提取,与实际的坡度测量值并不一致,应用中在区域斜坡灾害发育空间分布与地形特征统计的基础上设置阈值区间。
2)地势起伏度筛选
地势起伏度的提取结果不仅受DEM分辨率的影响,同时受提取窗口的大小不同而不同,应用中通过分析确定区域地势起伏度在选用DEM数据中的最佳提取尺度,再以空间分析确定区域斜坡灾害发育较多的地势起伏度等级,设置为地势起伏度筛选阈值,剔除不属于这个阈值等级的图斑。
2、敏感性评价分区与筛选
1)斜坡灾害敏感性评价分区
以敏感性特征因子(地形地貌特征因子、地质特征因子、人为动力特征因子、自然特征因子)作为斜坡灾害敏感性评价因子序列,开展各评价因子相关性分析,保留无关因子序列,依据所选敏感性评价模型进行因子系数权重计算,得到斜坡灾害发生的概率和概率分布图,然后将斜坡灾害发生的概率值大小分为4个区,最终形成斜坡灾害敏感性极低、低、中、高4个级别的分区图。
2)敏感性筛选
斜坡灾害通常发育在高敏感区,以高敏感区为约束,剔除位于极低、低和中敏感区图斑。
3、几何特征计算与筛选
1)面积筛选
以4×2像元为斜坡灾害提取最小面积阈值,依据影像分辨率转换为对应的实际面积大小,则小于这个面积的斜坡灾害无法提取,予以剔除。同时,大于50000m2的斜坡灾害极少,因此以50000m2为上限,超过的图斑予以剔除。
2)长宽比筛选
考虑到圈椅状、马蹄状斜坡灾害的形状特征,以及可能残留的道路、水系等线状特征图斑,本实施例以(1.5~10)作为长宽比的阈值区间,剔除不属于这个区间的图斑。
此外,本发明实施例中,还通过评价指标对上述提取方法进行了评价。以收集到的斜坡灾害空间分布信息为参考,目视解译得到斜坡地质灾害基准数据,对提取到的斜坡灾害进行叠加分析,以正确率为评价指标,即提取的斜坡灾害中正确的数量占提取的总斜坡灾害数量的百分比,计算公式如下:
其中,δt为斜坡提取正确率;Ta为提取斜坡中正确的数量;Aa为提取总斜坡灾害数量。
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。
实验区选择山西省太原市万柏林区中西部的杜儿坪矿区桃花沟内局部区域,图3右图中虚线包括区域,区内包含不稳定斜坡、崩塌等地质灾害,以本实施例所建立方法开展多特征分水岭影像分割斜坡灾害提取实验。
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:4962×7012像素,如图4所示。对实验区GF-2遥感影像进行对比度增强预处理,结果见图5(1654×2338像素)。
通过多尺度试错法重复性试验后,选定实验区影像Luv-RMWS法全局最优分割阈值为2500,最优合并阈值为80。部分试验结果见图6所示。
以实验区30m分辨率ASTER GDEM V2数据提取坡度与地势起伏度(最优提取窗口为12×12像元),同时以30m分辨率ASTER GDEM V2数据提取了实验区地形地貌特征因子,以、1:200000地质图矢量化数据提取了实验区地质特征因子,以基础地理信息数据和采矿数据提取了实验区人为动力特征因子,以基础地理信息数据和30m分辨率Landsat_TM影像数据提取了实验区自然特征因子,并以这四个敏感性特征二级特征因子细化后的三级特征因子为敏感性评价因子获取实验区敏感性评价分区成果图。
以如图6中B所示的C为2500、D为80的分割结果作为作为Luv-RMWS法实验区影像分割提取结果,如图7所示,选取实验区疑似斜坡灾害图斑筛选阈值,具体见筛选流程如图2。经图斑筛选后将疑似斜坡灾害图斑与实验区GF-2影像进行叠加,叠加结果如图8所示。
影像分割实验结果分析
1)影像分割时间效率
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。
实验程序内部设置了图斑数及时间统计变量,实验区影像分割信息统计结果见表2所示。
表2实验区影像分割信息统计表
由表2可以看出,采用Luv-RMWS法对实验区影像分割总耗时131.45s,分割过程耗时随影像范围增大而增多,总体时间效率良好。
2)影像分割效果
由图6中B可以看出,在最优分割阈值C为2500,最优合并阈值D为80的设置下,Luv-RMWS法对实验区影像分割效果较好。图8显示,实验区内最大的不稳定斜坡体完整的被分割出来,且边界与实际边界吻合度高。但实验区分割结果也存在欠分割现象,如影像西北角的两块裸地图斑出现了粘连现象。
3)通过掌握的研究区内斜坡地质灾害分布信息及野外核查,本实施例所提出的基于多特征组合辅助分水岭影像分割斜坡灾害提取方法共提取到实验区内斜坡灾害8处,如图9所示,其中,统计结果如表3所示,有5处正确,3处错误,并有2处未能识别而漏提。实验区斜坡灾害提取正确率δt为62.5%。
表3实验区斜坡灾害提取结果统计表
综上,本发明以Luv颜色空间区域合并分水岭算法为遥感影像分割方法,以数字地形特征、斜坡灾害敏感性特征和斜坡灾害几何特征组建斜坡灾害提取多特征组合,以影像分割图斑层次筛选为斜坡灾害图斑提取方式,提出并建立了多特征辅助分水岭影像分割斜坡地质灾害遥感提取方法,同时给出了结果验证方式与基于正确率的精度评价方法。经实验表明:本方法影像分割时间效率和分割效果良好,采用本方法进行实验区斜坡灾害提取的正确率达到了62.5%。综上所述,基于多特征辅助分水岭影像分割斜坡灾害提取方法所提取实验区斜坡灾害时间效率与正确率较高,斜坡灾害边界与目视解译结果吻合度好,提取过程中人工干预较少,客观性强,是斜坡地质灾害自动化提取的一种新的方法体系。
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 (7)
1.一种多特征辅助分水岭算法的斜坡地质灾害提取方法,其特征在于,包括以下步骤:
S1、对待分割影像通过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平均值作为该区域的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;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;
S3、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;
S4、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S3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S3继续进行合并,直到所有的极小区域合并完成,得到合并后的区域,并将合并后的区域的Luv值转换为RGB值,实现影像最终分割结果区域以RGB值显示;
S5、根据DEM数据,提取各个区域的数字地形特性因子;根据图像所在区域的DEM数据、地质资料、基础地理信息数据和遥感影像数据,提取各个区域的敏感性特征因子;根据各个区域的几何特征,计算各个区域的几何特征因子;
S6、设定数字地形特征阈值、高敏感阈值和几何特征阈值,剔除不满足阈值条件的区域;
所述敏感性特征因子为地形地貌特征因子、地质特征因子、人为动力特征因子和自然特征因子通过敏感性评价模型进行因子系数权重系数计算得到;所述地形地貌特征因子包括高程、坡度、坡向、地势起伏度和地面曲率,为通过DEM数据提取得到,所述地质特征因子包括地质构造和地层岩组,为通过地质资料得到;所述人为动力特征因子包括道路工程扰动和地下采矿扰动,分别为通过基础地理信息数据和采矿资料获取,所述自然特征因子包括河流水系和植被覆盖,分别为通过基础地理信息数据和遥感影像数据提取得到;所述数字地形特性因子包括坡度和地势起伏度;所述几何特征因子包括面积因子和长宽比因子。
2.根据权利要求1所述的一种多特征辅助分水岭算法的斜坡地质灾害提取方法,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所述的一种多特征辅助分水岭算法的斜坡地质灾害提取方法,其特征在于,常数C和色差值阈值D的取值为通过试错法得到。
5.根据权利要求1所述的一种多特征辅助分水岭算法的斜坡地质灾害提取方法,其特征在于,所述步骤S1中,分水岭算法为模拟浸没算法,其具体包括以下步骤:
(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。
6.根据权利要求1所述的一种多特征辅助分水岭算法的斜坡地质灾害提取方法,其特征在于,所述数字地形特征阈值包括坡度阈值和地势起伏度阈值;所述几何特征阈值包括面积阈值和长宽比阈值。
7.根据权利要求6所述的一种多特征辅助分水岭算法的斜坡地质灾害提取方法,其特征在于,所述面积阈值包括最小面积阈值和最大面积阈值,最小面积阈值为4×2像元,最大面积阈值为50000m2,所述步骤S6中,小于4×2像元的区域和大于50000m2的区域均被剔除;所述长宽比阈值为阈值区间1.5~10,长宽比不属于这个区间的区域被剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911250915.7A CN111046884B (zh) | 2019-12-09 | 2019-12-09 | 一种多特征辅助分水岭算法的斜坡地质灾害提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911250915.7A CN111046884B (zh) | 2019-12-09 | 2019-12-09 | 一种多特征辅助分水岭算法的斜坡地质灾害提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111046884A CN111046884A (zh) | 2020-04-21 |
CN111046884B true CN111046884B (zh) | 2022-05-13 |
Family
ID=70235119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911250915.7A Active CN111046884B (zh) | 2019-12-09 | 2019-12-09 | 一种多特征辅助分水岭算法的斜坡地质灾害提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046884B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385686B (zh) * | 2023-05-29 | 2023-08-11 | 陕西省水利电力勘测设计研究院 | 基于不规则倾斜摄影的实景三维模型重建方法及系统 |
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 |
CN117333504B (zh) * | 2023-12-01 | 2024-03-01 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 一种复杂地形遥感图像精准分割方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923707A (zh) * | 2009-07-23 | 2010-12-22 | 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 |
CN101976347A (zh) * | 2010-10-21 | 2011-02-16 | 西北工业大学 | 基于Mean Shift分割的遥感图像中水上桥梁识别方法 |
CN102607447A (zh) * | 2012-03-08 | 2012-07-25 | 北京北科安地科技发展有限公司 | 一种利用地面型三维激光扫描仪快速监测形变的方法 |
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 |
CN103700054A (zh) * | 2013-12-10 | 2014-04-02 | 中国地质大学武汉 | 一种突发地质灾害应急预案数字化系统 |
CN104881865A (zh) * | 2015-04-29 | 2015-09-02 | 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 |
JP5875669B1 (ja) * | 2014-12-24 | 2016-03-02 | エー・シー・エス株式会社 | 土砂災害予測システム |
JP2016211243A (ja) * | 2015-05-11 | 2016-12-15 | 有限会社秋山調査設計 | 斜面安定解析方法 |
CA3000740A1 (en) * | 2015-10-12 | 2017-04-20 | Groundprobe Pty Ltd | Slope stability lidar |
CN109165424A (zh) * | 2018-08-03 | 2019-01-08 | 四川理工学院 | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8384583B2 (en) * | 2010-06-07 | 2013-02-26 | Ellegi S.R.L. | Synthetic-aperture radar system and operating method for monitoring ground and structure displacements suitable for emergency conditions |
-
2019
- 2019-12-09 CN CN201911250915.7A patent/CN111046884B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923707A (zh) * | 2009-07-23 | 2010-12-22 | 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 |
CN101976347A (zh) * | 2010-10-21 | 2011-02-16 | 西北工业大学 | 基于Mean Shift分割的遥感图像中水上桥梁识别方法 |
CN102607447A (zh) * | 2012-03-08 | 2012-07-25 | 北京北科安地科技发展有限公司 | 一种利用地面型三维激光扫描仪快速监测形变的方法 |
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 |
CN103700054A (zh) * | 2013-12-10 | 2014-04-02 | 中国地质大学武汉 | 一种突发地质灾害应急预案数字化系统 |
JP5875669B1 (ja) * | 2014-12-24 | 2016-03-02 | エー・シー・エス株式会社 | 土砂災害予測システム |
CN104881865A (zh) * | 2015-04-29 | 2015-09-02 | 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 |
JP2016211243A (ja) * | 2015-05-11 | 2016-12-15 | 有限会社秋山調査設計 | 斜面安定解析方法 |
CA3000740A1 (en) * | 2015-10-12 | 2017-04-20 | Groundprobe Pty Ltd | Slope stability lidar |
CN109165424A (zh) * | 2018-08-03 | 2019-01-08 | 四川理工学院 | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 |
Non-Patent Citations (10)
Title |
---|
" Landslide hazard and its mapping using remote sensing and GIS";Rai P K 等;《Scientific Research》;20141231(第58期);1-13 * |
"A Novel DSM Filtering Algorithm for Landslide Monitoring Based on Multiconstraints";Z. Zhan 等;《 Applied Earth Observations and Remote Sensing》;20140507;第8卷(第1期);324-331 * |
"Color image segmentation based on morphology gradients and watershed algorithm";Xu T Z 等;《Computer Engineering and Applications》;20161231;第52卷(第11期);200-203 * |
"Geometrical feature analysis and disaster assessment of the Xinmo landslide based on remote sensing data";Fan, Jr. 等;《 Mt. Sci.》;20171004(第14期);1677–1688 * |
"Measuring Detailed Urban Vegetation with Multisource High-Resolution Remote Sensing Imagery for Environmental Design and Planning";Li, Weiman等;《Environment and Planning B: Urban Analytics and City Science》;20120101;第 39 卷(第 3 期);566–585 * |
"RS与GIS在区域地质灾害风险评价中的应用——以青川、平武县为例";薛东剑;《中国博士学位论文全文数据库 (基础科学辑)》;20110315(第(2011)3期);A011-1 * |
"一种高分辨率遥感影像分割方法";康增基 等;《地球资源环境定量化理论与应用——2009年全国数学地球科学与地学信息学术会议论文集》;20090628;446 * |
"基于DEM辅助的崩塌与滑坡灾害遥感提取研究";张明媚 等;《矿山测量》;20161215;第44卷(第6期);28-31 * |
"基于RS的西藏帕隆藏布流域典型泥石流灾害链分析";刘洋;《中国优秀硕士学位论文全文数据库 (基础科学辑)》;20140515;A008-105 * |
"面向对象的高分辨率遥感影像建筑物特征提取方法研究";张明媚;《中国优秀硕士学位论文全文数据库 (基础科学辑)》;20120915(第(2012)9期);A008-41 * |
Also Published As
Publication number | Publication date |
---|---|
CN111046884A (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 | |
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 | |
CN112287807B (zh) | 一种基于多分支金字塔神经网络的遥感影像道路提取方法 | |
Tong et al. | Use of shadows for detection of earthquake-induced collapsed buildings in high-resolution satellite imagery | |
Zhou et al. | Object-based land cover classification of shaded areas in high spatial resolution imagery of urban areas: A comparison study | |
Lucieer et al. | Existential uncertainty of spatial objects segmented from satellite sensor imagery | |
CN111047695B (zh) | 一种城市群高度空间信息及等高线的提取方法 | |
Liu et al. | Large-scale mapping of gully-affected areas: An approach integrating Google Earth images and terrain skeleton information | |
Pedersen | Semi-automatic classification of glaciovolcanic landforms: An object-based mapping approach based on geomorphometry | |
CN108257142A (zh) | Dem中斜坡单元提取方法 | |
CN106971397B (zh) | 基于改进jseg算法的城市高分辨率遥感影像分割方法 | |
US11804025B2 (en) | Methods and systems for identifying topographic features | |
CN113240735B (zh) | 一种边坡位移活动性监测方法 | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
CN115641327A (zh) | 一种基于大数据的建筑工程质量监理和预警系统 | |
CN113379919A (zh) | 一种基于无人机rgb相机的植被冠层高度快速提取方法 | |
CN115205528A (zh) | 一种用于面向地理对象影像分析的特征选择方法 | |
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 | |
CN111046783B (zh) | 一种改进分水岭算法的斜坡地质灾害边界提取方法 | |
Zhang et al. | Building footprint and height information extraction from airborne LiDAR and aerial imagery | |
CN114596490A (zh) | 丘陵地形特征线提取方法、丘陵地dem精细化生产方法 | |
CN115512159A (zh) | 面向对象的高分辨率遥感影像地表覆盖分类方法及系统 | |
Rastogi et al. | 3D Volumetric change analysis in Urban Areas | |
Zhang et al. | Construction and application of a post-quake house damage model based on multiscale self-adaptive fusion of spectral textures images | |
CN117975303A (zh) | 基于无人机点云数据的露天采场采剥区域检测方法 |
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 |