CN111047616A - 一种遥感图像滑坡目标约束性主动轮廓特征提取方法 - Google Patents

一种遥感图像滑坡目标约束性主动轮廓特征提取方法 Download PDF

Info

Publication number
CN111047616A
CN111047616A CN201911263255.6A CN201911263255A CN111047616A CN 111047616 A CN111047616 A CN 111047616A CN 201911263255 A CN201911263255 A CN 201911263255A CN 111047616 A CN111047616 A CN 111047616A
Authority
CN
China
Prior art keywords
landslide
edge
contour
extracting
remote sensing
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
CN201911263255.6A
Other languages
English (en)
Other versions
CN111047616B (zh
Inventor
陈善静
康青
王正刚
宋强辉
沈志强
吕楠
丁仕林
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.)
Services College Of Cpla Ground Force
Army Service Academy of PLA
Original Assignee
Services College Of Cpla Ground Force
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 Services College Of Cpla Ground Force filed Critical Services College Of Cpla Ground Force
Priority to CN201911263255.6A priority Critical patent/CN111047616B/zh
Publication of CN111047616A publication Critical patent/CN111047616A/zh
Application granted granted Critical
Publication of CN111047616B publication Critical patent/CN111047616B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Abstract

本发明提供的一种遥感图像滑坡目标约束性主动轮廓特征提取方法，包括以下步骤：对遥感图像进行预处理；利用Canny边缘检测算法提取图像中各种地物目标的边缘轮廓点；按约束性条件对所述各种地物目标的边缘轮廓点进行筛选，提取滑坡目标区域周边轮廓线；根据所述Canny边缘检测算法提取图像中各种地物目标的边缘轮廓点对所述目标区域周边轮廓线进行二次匹配后得到所述滑坡目标最终边缘轮廓。本发明采用遥感图像边缘特征检测、约束性条件下边缘点筛选、相似性分选与匹配识别的方法，实现对滑坡区域轮廓特征的精确提取，为突发性滑坡灾害的遥感识别和灾情信息提取提供了一种新方法。

Description

一种遥感图像滑坡目标约束性主动轮廓特征提取方法
技术领域
本发明涉及目标探测识别技术领域，具体涉及一种滑坡目标约束性主动轮廓特征提取算法。
背景技术
当前，随着航空航天技术和光学成像技术的发展，利用高分辨率、多光谱遥感成像对各种地物目标进行检测识别已成为可能。但如何从大尺度、大宽幅、多谱段的海量光学遥感图像中准确识别出具有特定目标的轮廓特征一直是遥感探测领域的重难点问题。
发明内容
本发明为了解决现有技术中存在的问题，采用遥感图像边缘特征检测、约束性条件下边缘点筛选、相似性分选与匹配识别的方法，实现对滑坡区域轮廓特征的精确提取，为突发性滑坡灾害的遥感识别和灾情信息提取提供了一种新方法。
本发明提供的一种遥感图像滑坡目标约束性主动轮廓特征提取方法，包括以下步骤：
对遥感图像进行预处理；
利用Canny边缘检测算法提取图像中各种地物目标的边缘轮廓点；
按约束性条件对所述各种地物目标的边缘轮廓点进行筛选，提取滑坡目标区域周边轮廓线；
根据所述Canny边缘检测算法提取图像中各种地物目标的边缘轮廓点对所述目标区域周边轮廓线进行二次匹配后得到所述滑坡目标最终边缘轮廓。
进一步，所述对遥感图像进行预处理包括辐射校正和几何校正。
进一步，所述利用Canny边缘检测算法提取图像中各种地物目标的边缘轮廓点，具体为：
Canny算法的强边界取值[0.5，0.7]，弱边界取值[0.1，0.3]；
按距离尺度选取边缘轮廓点和所述边缘轮廓点周边邻域8个像素点，所述距离尺度可在1像素到5像素之间进行调整。
进一步，所述按约束性条件对所述各种地物目标的边缘轮廓点进行筛选，提取滑坡目标区域周边轮廓线具体包括：
分别计算所述邻域8个像素点与滑坡样本特征光谱及背景样本特征光谱的欧式距离；
对于所述邻域8个像素点中，存在具有与所述滑坡样本特征光谱欧式距离和与所述背景样本特征光谱欧式距离满足条件的像素点时，可认定所述待检测边缘轮廓点为滑坡目标的边缘点，并保留该点。
进一步，所述根据所述Canny边缘检测算法提取图像中各种地物目标的边缘轮廓点对所述目标区域周边轮廓线进行二次匹配后得到所述滑坡目标最终边缘轮廓，具体包括：
以提取到的所述滑坡目标边缘轮廓点为模板，在所述Canny边缘检测结果中进行二次相关性匹配识别，提取滑坡目标区域的完整轮廓；
对整个遥感图像进行历遍搜索，选取相关系数最大的候选区域的作为滑坡目标最终边缘轮廓。
本发明的有益效果如下：
(1)本发明适用于基于无人机航拍图像或卫星遥感图像的滑坡目标轮廓特征提取，根据滑坡和背景光谱特征光谱提取目标的轮廓，消除了其它地物边缘轮廓的干扰，实现遥感图像中快速识别滑坡并进行灾情分析。
(2)本发明可根据需要，更换目标和背景特征光谱，实现对多种特定地物目标轮廓特征的针对性提取。
(3)本发明适用于多/高光谱图像，对于多/高光谱遥感图像只需调整欧式距离样本波段总数p，并对欧式距离进行归一化处理即可。
附图说明
图1为本发明方法流程图；
图2为本发明轮廓点与其邻域8个点选取示意图；
图3为本发明滑坡边缘点确定示意图；
图4为本发明预处理后取RGB三波段合成彩色图像；
图5为本发明目标区域整体轮廓分布情况图；
图6为本发明按此束条件提取的滑坡轮廓图；
图7为本发明对滑坡目标最终边缘轮廓检测识别结果图。
具体实施方式
下面将详细描述本说明书的各个方面的特征和示例性实施例，为了使本说明书的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本说明书进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本实施例包括以下步骤：
步骤1，对多波段遥感图像进行辐射校正，降低和消除图像各种地物目标与真实地物目标的色差，然后对遥感图像进行几何校正，降低和消除图像中各地物目标的几何畸变和形状误差。
步骤2，利用Canny边缘检测算法提取图像中各种地物目标的边缘轮廓点，其中，Canny算法的强边界取值[0.5～0.7]，弱边界取值[0.1～0.3]。
步骤3，按约束性条件对所述各种地物目标的边缘轮廓点进行筛选，提取滑坡目标区域周边轮廓线；
该步骤具体包括：
按距离尺度选取0号边缘轮廓点(中心点)周边邻域8个像素点，如图 1所示，其中距离尺度t可调，1≤t≤5，单位：像素。如图2所示，图2(a) 为t＝1，图2(b)为t＝2。
计算上述8个像素点与滑坡样本特征光谱的欧式距离，计算公式如下：
Figure BDA0002311636790000041
其中，X＝[X1，X2，…Xp]为1-8号邻域像素点的光谱向量，Xλ中为各波段的灰度值，p为总波段数，对于RGB三波段图像，p＝3，T＝[T1，T2，…Tp]为滑坡样本特征光谱，Tλ为滑坡样本各波段的灰度值。
再计算上述8个像素点与背景样本特征光谱的欧式距离，计算公式如下：
Figure BDA0002311636790000042
其中，S＝[S1，S2，…Sp]为背景样本特征光谱，Sλ为背景样本各谱段的灰度值。
当1-8号邻域点中，既有邻域点与滑坡样本特征光谱欧式距离d1小于 0.05，又有邻域点与背景样本特征光谱欧式距离d2小于0.1时，可认定该边缘点0号为滑坡目标的边缘点，并保留该点，如图3所示。
步骤4，根据所述Canny边缘检测算法提取图像中各种地物目标的边缘轮廓点对所述目标区域周边轮廓线进行二次匹配，即以提取到的滑坡目标边缘轮廓点为模板，在Canny边缘检测结果中进行二次相关匹配识别，进而提取滑坡目标区域的完整轮廓。相关匹配计算公式如下：
Figure BDA0002311636790000043
其中，ρ为相关系数，V为步骤(5)提取的滑坡边缘轮廓图，V(x，y)为该图中(x，y)点的灰度值，
Figure BDA0002311636790000044
为对应滑坡边缘轮廓图的均值，[m，n]为滑坡边缘轮廓图长和宽；U为步骤(3)Canny边缘检测到的各种地物边缘轮廓图中选取的尺寸为[m，n]的候选区域，U(x，y)为该候选区域中(x，y)点的灰度值，
Figure BDA0002311636790000045
为对应该候选区域的均值。
最后，对整个遥感图像进行历遍搜索，选取相关系数最大的候选区域的作为滑坡目标最终边缘轮廓。
本实施例以Worldview-4卫星多光谱图像为基础开展滑坡目标的轮廓特征提取，具体实施过程如下：对Worldview-4卫星获得的高分辨率多光谱图像进行辐射校正和几何校正等预处理，处理后取RGB三波段合成彩色图像如图4所示；对滑坡区域遥感图像进行Canny边缘检测，Canny算法的强边界为0.5，弱边界为0.1，目标区域整体轮廓分布情况如图5所示；按滑坡与背景特征光谱对提取的边缘轮廓点进行筛选，选取的0号边缘轮廓点其周围八个邻域点1-8号满足：与滑坡样本特征光谱距离：d1＜0.05，与背景样本特征光谱距离d2＜0.1，该0号边缘轮廓点即为滑坡边缘轮廓，按此约束条件提取的滑坡轮廓如图6所示；以检测到的滑坡目标边缘轮廓点为模板，在Canny 边缘检测结果中按公式(3)计算相关系数，选取最大相关系数的候选区域的作为滑坡目标最终边缘轮廓，对滑坡目标最终边缘轮廓检测识别结果如图 7所示。
以上所述仅是本发明的优选实施方式，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可作出若干改进和优化，这些也应视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本发明所省略描述的技术、方法和流程均为公知技术。

Claims (5)

1.一种遥感图像滑坡目标约束性主动轮廓特征提取方法，其特征在于所述方法包括以下步骤：
对遥感图像进行预处理；
利用Canny边缘检测算法提取图像中各种地物目标的边缘轮廓点；
按约束性条件对所述各种地物目标的边缘轮廓点进行筛选，提取滑坡目标区域周边轮廓线；
根据所述Canny边缘检测算法提取图像中各种地物目标的边缘轮廓点对所述目标区域周边轮廓线进行二次匹配后得到所述滑坡目标最终边缘轮廓。
2.根据权利要求1所述的方法，其特征在于：
所述对遥感图像进行预处理包括辐射校正和几何校正。
3.根据权利要求2所述的方法，其特征在于：
所述利用Canny边缘检测算法提取图像中各种地物目标的边缘轮廓点，具体为：
Canny算法的强边界取值[0.5，0.7]，弱边界取值[0.1，0.3]；
按距离尺度选取边缘轮廓点和所述边缘轮廓点周边邻域8个像素点，所述距离尺度可在1像素到5像素之间进行调整。
4.根据权利要求3所述的方法，其特征在于：
所述按约束性条件对所述各种地物目标的边缘轮廓点进行筛选，提取滑坡目标区域周边轮廓线具体包括：
分别计算所述邻域8个像素点与滑坡样本特征光谱及背景样本特征光谱的欧式距离；
对于所述邻域8个像素点中，存在具有与所述滑坡样本特征光谱欧式距离和与所述背景样本特征光谱欧式距离满足条件的像素点时，可认定所述待检测边缘轮廓点为滑坡目标的边缘点，并保留该点。
5.根据权利要求4所述的方法，其特征在于：
所述根据所述Canny边缘检测算法提取图像中各种地物目标的边缘轮廓点对所述目标区域周边轮廓线进行二次匹配后得到所述滑坡目标最终边缘轮廓，具体包括：
以提取到的所述滑坡目标边缘轮廓点为模板，在所述Canny边缘检测结果中进行二次相关性匹配识别，提取滑坡目标区域的完整轮廓；
对整个遥感图像进行历遍搜索，选取相关系数最大的候选区域的作为滑坡目标最终边缘轮廓。
CN201911263255.6A 2019-12-10 2019-12-10 一种遥感图像滑坡目标约束性主动轮廓特征提取方法 Active CN111047616B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911263255.6A CN111047616B (zh) 2019-12-10 2019-12-10 一种遥感图像滑坡目标约束性主动轮廓特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911263255.6A CN111047616B (zh) 2019-12-10 2019-12-10 一种遥感图像滑坡目标约束性主动轮廓特征提取方法

Publications (2)

Publication Number Publication Date
CN111047616A true CN111047616A (zh) 2020-04-21
CN111047616B CN111047616B (zh) 2021-03-19

Family

ID=70235506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911263255.6A Active CN111047616B (zh) 2019-12-10 2019-12-10 一种遥感图像滑坡目标约束性主动轮廓特征提取方法

Country Status (1)

Country Link
CN (1) CN111047616B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563898A (zh) * 2020-04-29 2020-08-21 万翼科技有限公司 图像分割方法、电子设备及相关产品
CN113139526A (zh) * 2021-05-21 2021-07-20 一汽奔腾轿车有限公司 一种基于OpenCV的停车泊位线识别方法
RU2783675C1 (ru) * 2021-11-24 2022-11-15 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации Устройство выделения контуров объектов на гиперспектральных изображениях

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010063247A1 (de) * 2008-12-05 2010-06-10 Helmholtz-Zentrum Potsdam Deutsches Geoforschungszentrum -Gfz Verfahren und vorrichtung zur kantenbasierten segmentierung von daten
CN101901343A (zh) * 2010-07-20 2010-12-01 同济大学 基于立体约束的遥感影像道路提取方法
CN105225046A (zh) * 2015-09-30 2016-01-06 武汉工程大学 一种区域滑坡敏感性评估数据采样方法
CN106485722A (zh) * 2016-09-21 2017-03-08 北京航天宏图信息技术股份有限公司 一种遥感影像中靠港舰船检测方法
CN106778774A (zh) * 2016-11-25 2017-05-31 福建师范大学 一种高分辨率遥感影像人工地物轮廓检测方法
CN109584240A (zh) * 2018-12-20 2019-04-05 成都理工大学 滑坡后缘裂缝位移图像识别方法
CN110120046A (zh) * 2019-03-27 2019-08-13 长安大学 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法
CN110288602A (zh) * 2019-05-10 2019-09-27 香港理工大学深圳研究院 滑坡提取方法、滑坡提取系统及终端

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010063247A1 (de) * 2008-12-05 2010-06-10 Helmholtz-Zentrum Potsdam Deutsches Geoforschungszentrum -Gfz Verfahren und vorrichtung zur kantenbasierten segmentierung von daten
CN101901343A (zh) * 2010-07-20 2010-12-01 同济大学 基于立体约束的遥感影像道路提取方法
CN105225046A (zh) * 2015-09-30 2016-01-06 武汉工程大学 一种区域滑坡敏感性评估数据采样方法
CN106485722A (zh) * 2016-09-21 2017-03-08 北京航天宏图信息技术股份有限公司 一种遥感影像中靠港舰船检测方法
CN106778774A (zh) * 2016-11-25 2017-05-31 福建师范大学 一种高分辨率遥感影像人工地物轮廓检测方法
CN109584240A (zh) * 2018-12-20 2019-04-05 成都理工大学 滑坡后缘裂缝位移图像识别方法
CN110120046A (zh) * 2019-03-27 2019-08-13 长安大学 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法
CN110288602A (zh) * 2019-05-10 2019-09-27 香港理工大学深圳研究院 滑坡提取方法、滑坡提取系统及终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LANDSLIDE DETECTION LEVERAGING SPECTRAL-SPATIAL CORRELATION FUSI: "Landslide Detection Leveraging Spectral-Spatial Correlation Fusion in Aerospace Remote Sensing", 《2019 5TH INTERNATIONAL CONFERENCE ON BIG DATA COMPUTING AND COMMUNICATIONS (BIGCOM)》 *
李强 等: "《云制造理论体系及实践应用》", 31 May 2018, 成都：电子科技大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563898A (zh) * 2020-04-29 2020-08-21 万翼科技有限公司 图像分割方法、电子设备及相关产品
CN113139526A (zh) * 2021-05-21 2021-07-20 一汽奔腾轿车有限公司 一种基于OpenCV的停车泊位线识别方法
RU2783675C1 (ru) * 2021-11-24 2022-11-15 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации Устройство выделения контуров объектов на гиперспектральных изображениях

Also Published As

Publication number Publication date
CN111047616B (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
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
CN107992891B (zh) 基于光谱矢量分析多光谱遥感图像变化检测方法
US4912770A (en) Method of detecting change using image
Teke et al. Multi-spectral satellite image registration using scale-restricted SURF
CN112085772B (zh) 一种遥感图像配准方法及装置
CN108765359B (zh) 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法
CN109146890B (zh) 基于滤波器的高光谱图像的异常目标检测方法
CN111008664B (zh) 一种基于空谱联合特征的高光谱海冰检测方法
CN111047616B (zh) 一种遥感图像滑坡目标约束性主动轮廓特征提取方法
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
CN107862319B (zh) 一种基于邻域投票的异源高分光学影像匹配误差剔除方法
CN110751036B (zh) 一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法
CN103559495A (zh) 一种高光谱溢油信息提取方法
CN115880501A (zh) 一种基于红外相机的高压电线红外图像处理方法和系统
CN109389063B (zh) 基于波段相关性的遥感影像条带噪声去除方法
CN114373079A (zh) 一种快速准确的探地雷达目标检测方法
CN111199251B (zh) 一种基于加权邻域的多尺度高光谱图像分类方法
CN113446998A (zh) 一种基于高光谱目标探测数据的动态解混方法
CN110378268B (zh) 高光谱快速目标检测方法及系统
CN110619370A (zh) 一种高光谱图像超像素局部线性嵌入降维方法
CN113850769B (zh) 一种基于Siamese空谱联合卷积网络的高光谱变化检测方法
CN113902759B (zh) 一种空谱信息联合的星载高光谱影像分割与聚类方法
Shi et al. Urban feature shadow extraction based on high-resolution satellite remote sensing images
CN114862883A (zh) 一种目标边缘提取方法、图像分割方法及系统
CN114792322A (zh) 一种检测山地国产高分辨率卫星影像云与云阴影的方法

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