CN111160296B - 滑坡灾害检测方法 - Google Patents

滑坡灾害检测方法 Download PDF

Info

Publication number
CN111160296B
CN111160296B CN201911417215.2A CN201911417215A CN111160296B CN 111160296 B CN111160296 B CN 111160296B CN 201911417215 A CN201911417215 A CN 201911417215A CN 111160296 B CN111160296 B CN 111160296B
Authority
CN
China
Prior art keywords
landslide
image data
determining
region
area
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
Application number
CN201911417215.2A
Other languages
English (en)
Other versions
CN111160296A (zh
Inventor
刘秀清
邓阳
禹卫东
王宇
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.)
Institute of Electronics of CAS
Original Assignee
Institute of Electronics of CAS
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 Institute of Electronics of CAS filed Critical Institute of Electronics of CAS
Priority to CN201911417215.2A priority Critical patent/CN111160296B/zh
Publication of CN111160296A publication Critical patent/CN111160296A/zh
Application granted granted Critical
Publication of CN111160296B publication Critical patent/CN111160296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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)
  • Image Analysis (AREA)

Abstract

本发明公开了一种滑坡灾害检测方法，包括：利用PolSAR获取待检测区域的全极化图像数据；对所述全极化图像数据进行三分量分解，得到奇次散射分量图像数据；确定所述奇次散射分量图像数据中的生物特征量，利用确定的生物特征量和机器视觉算法，在所述奇次散射分量图像数据中确定滑坡区域；基于确定的滑坡区域，确定所述奇次散射分量图像数据对应的二分图；根据确定的二分图，确定所述滑坡区域在所述二分图中所包含的像素点总数；利用确定的所述滑坡区域在所述二分图中所包含的像素点总数以及PolSAR辅助参数确定所述滑坡区域的面积。

Description

滑坡灾害检测方法
技术领域
本发明涉及极化合成孔径雷达(PolSAR，Polarimetric Synthetic ApertureRadar)领域，尤其涉及一种滑坡灾害检测方法。
背景技术
随着高分辨率合成孔径雷达(SAR，Synthetic Aperture Radar)技术以及极化(Polarimetric)测量技术的成熟，PolSAR在民用、军用领域均承担着越来越重要的角色。2016年8月10日，我国自主研制的安装有PolSAR的高分三号卫星发射成功，并于2017年1月23日正式投入使用。高分三号卫星是我国首颗分辨率达到1米的C频段多极化SAR卫星，也是高分专项“天眼”工程中唯一一颗“雷达星”。高分三号卫星是世界上成像模式最多的SAR卫星，具有条带、扫描、聚束、全球观测、高低入射角等12种成像模式，既能探地，又可以观海，达到了“一星多用”的效果；例如，可以通过高分三号卫星的PolSAR获得目标地区的全极化图像，对全极化图像进行分析，以判断目标地区是否发生地质滑坡等灾害。在对通过PolSAR获得的全极化图像进行分析时，通常需要利用极化目标分解技术，极化目标分解技术是PolSAR技术的重要分支技术之一，用于对全极化图像进行处理，以提供目标散射机制的直接描述，为更好地理解目标散射机制提供了有效信息；具体地，基于模型的分解与物理散射机制直接相关，可以通过将相干矩阵分解为各个散射成分的组合，以实现对目标散射机制的有效描述。
发生地质滑坡灾害后，在发生滑坡灾害的区域中，由于地质滑坡产生的碎屑流破坏了原地表植被，所以产生的裸地地表和滑坡碎屑会共同形成粗糙程度不同的表面散射，增加了表面散射成分；而周围未发生滑坡灾害的区域大部分为中等散射熵和高散射熵植被散射类。
然而，相关技术中，缺少利用极化分解和机器视觉相结合的检测滑坡灾害区域和面积的方法。
发明内容
有鉴于此，本发明实施例提供了一种滑坡灾害检测方法。
本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种滑坡灾害检测方法，包括：
利用PolSAR获取待检测区域的全极化图像数据；
对所述全极化图像数据进行三分量分解，得到奇次散射分量图像数据；
确定所述奇次散射分量图像数据中的生物特征量，利用确定的生物特征量和机器视觉算法，在所述奇次散射分量图像数据中确定滑坡区域；
基于确定的滑坡区域，确定所述奇次散射分量图像数据对应的二分图；根据确定的二分图，确定所述滑坡区域在所述二分图中所包含的像素点总数；
利用确定的所述滑坡区域在所述二分图中所包含的像素点总数以及PolSAR辅助参数确定所述滑坡区域的面积。
上述方案中，所述确定所述奇次散射分量图像数据中的生物特征量，利用确定的生物特征量和机器视觉算法，在所述奇次散射分量图像数据中确定滑坡区域，包括：
确定所述奇次散射分量图像数据中灰度值在预设范围内的像素点；
利用确定的灰度值在预设范围内的像素点，结合机器视觉算法，对所述奇次散射分量图像数据进行分割，得到至少两个区域；在所述至少两个区域中确定滑坡区域。
上述方案中，在基于确定的滑坡区域，确定所述奇次散射分量图像数据对应的二分图时，所述方法还包括：
针对所述奇次散射分量图像数据，将所述滑坡区域包含的像素点的逻辑值确定为第一值，并将自然地物区域包含的像素点的逻辑值确定为第二值；其中，
所述自然地物区域为所述奇次散射分量图像数据中除所述滑坡区域外的其它区域。
上述方案中，所述根据确定的二分图，确定所述滑坡区域在所述二分图中所包含的像素点总数，包括：
将所述二分图中逻辑值为第一值的像素点的总数确定为所述滑坡区域所包含的像素点总数。
上述方案中，所述利用确定的所述滑坡区域在所述二分图中所包含的像素点总数以及PolSAR辅助参数确定所述滑坡区域的面积，包括：
从所述PolSAR辅助参数中提取方位向像素距离和距离向像素距离，利用所述方位向像素距离和所述距离向像素距离，确定所述滑坡区域所包含的像素点中每个像素点的面积；
利用确定的所述滑坡区域所包含的像素点总数以及确定的所述滑坡区域所包含的像素点中每个像素点的面积确定所述滑坡区域的面积。
本发明实施例提供的滑坡灾害检测方法，利用PolSAR获取待检测区域的全极化图像数据；对所述全极化图像数据进行三分量分解，得到奇次散射分量图像数据；确定所述奇次散射分量图像数据中的生物特征量，利用确定的生物特征量和机器视觉算法，在所述奇次散射分量图像数据中确定滑坡区域；基于确定的滑坡区域，确定所述奇次散射分量图像数据对应的二分图；根据确定的二分图，确定所述滑坡区域在所述二分图中所包含的像素点总数；利用确定的所述滑坡区域在所述二分图中所包含的像素点总数以及PolSAR辅助参数确定所述滑坡区域的面积。本发明实施例的方案，结合了极化特征和生物特征，即结合了极化散射特征分解方法和机器视觉算法，利用通过PolSAR获取的全极化图像数据确定滑坡区域，并结合PolSAR辅助参数确定所述滑坡区域的面积，如此，能够更精确地定位滑坡灾害区域，并进一步更准确地估算滑坡灾害区域的面积。
附图说明
图1为本发明实施例滑坡灾害检测方法的流程示意图；
图2为本发明实施例奇次散射分量图像数据的示意图；
图3为本发明实施例在奇次散射分量图像数据中确定滑坡区域的流程示意图；
图4为本发明实施例对奇次散射分量图像数据进行分割的流程示意图；
图5为本发明实施例分割后的奇次散射分量图像数据的示意图；
图6为本发明实施例利用确定的滑坡区域所包含的像素点总数以及PolSAR辅助参数确定滑坡区域面积的流程示意图。
具体实施方式
以下结合说明书附图及实施例对本发明的技术方案作进一步详细的阐述。
本发明实施例提供一种滑坡灾害检测方法，如图1所示，所述方法包括以下步骤：
步骤101：利用PolSAR获取待检测区域的全极化图像数据；
步骤102：对所述全极化图像数据进行三分量分解，得到奇次散射分量图像数据；
步骤103：确定所述奇次散射分量图像数据中的生物特征量，利用确定的生物特征量和机器视觉算法，在所述奇次散射分量图像数据中确定滑坡区域；
步骤104：基于确定的滑坡区域，确定所述奇次散射分量图像数据对应的二分图；根据确定的二分图，确定所述滑坡区域在所述二分图中所包含的像素点总数；
步骤105：利用确定的所述滑坡区域在所述二分图中所包含的像素点总数以及PolSAR辅助参数确定所述滑坡区域的面积。
在步骤101中，实际应用时，所述PolSAR可以是星载SAR，具体可以是高分三号卫星上安装的PolSAR；即利用高分三号卫星上安装的PolSAR获取待检测区域的全极化图像数据；所述待检测区域为需要检测滑坡灾害区域和面积的区域。
在步骤102中，实际应用时，可以利用Freeman三分量分解法对所述全极化图像数据进行三分量分解，得到的三份量分解结果包含奇次散射分量图像数据、偶次散射分量图像数据和体散射分量图像数据。举例来说，所述奇次散射分量图像数据可以是如图2所示的图像数据，白色椭圆内的区域为滑坡区域。
在步骤103中，实际应用时，如图3所示，所述确定所述奇次散射分量图像数据中的生物特征量，利用确定的生物特征量和机器视觉算法，在所述奇次散射分量图像数据中确定滑坡区域，具体可以包括以下步骤：
步骤301：确定所述奇次散射分量图像数据中灰度值在预设范围内的像素点；
步骤302：利用确定的灰度值在预设范围内的像素点，结合机器视觉算法，对所述奇次散射分量图像数据进行分割，得到至少两个区域；
步骤303：在所述至少两个区域中确定滑坡区域。
这里，所述灰度值在预设范围内的像素点即为所述奇次散射分量图像数据中的生物特征量。
实际应用时，所述奇次散射分量图像数据的对比度可能较差，进而使得确定的滑坡区域误差较大；因此，在执行步骤301之前，可以先提高所述奇次散射分量图像数据的对比度，以进一步更精确地定位滑坡灾害区域。
基于此，在一实施例中，在执行步骤301之前，所述方法还可以包括：
对所述奇次散射分量图像数据进行近似高斯的拉普拉斯算子处理，通过高斯之差近似高斯拉普拉斯算子，以提高所述奇次散射分量图像数据的对比度。
在步骤301中，实际应用时，所述预设范围可以采用如下公式表示：
gMinGray<g<gMaxGray(1)
其中，gMinGray表示预设的灰度值最小值，g表示所述奇次散射分量图像数据中一个像素点的灰度值，gMaxGray表示预设的灰度值最大值；gMinGray和gMaxGray可以根据需要设置。
实际应用时，还可以根据需要，设置两个或两个以上的预设范围，每个预设范围的最大值和最小值可以根据所述奇次散射分量图像数据中明射线和灰度值最大值的元组确定。
这里，确定的灰度值在预设范围内的像素点可以用于在所述奇次散射分量图像数据中确定一个区域；在所述预设范围的数量为N(N为大于1的自然数)的情况下，每个预设范围对应一个区域，即确定的灰度值在预设范围内的像素点可以用于在所述奇次散射分量图像数据中确定N个区域。
实际应用时，利用确定的灰度值在预设范围内的像素点确定的区域即发生滑坡灾害的区域，但利用确定的灰度值在预设范围内的像素点确定的区域边界模糊，并不是一个在所述奇次散射分量图像数据上的精确的区域，因此，还需要利用机器视觉算法对利用确定的灰度值在预设范围内的像素点确定的区域进行处理，以明确滑坡区域的边界，进一步更精确地定位滑坡灾害区域。
基于此，在一实施例中，如图4所示，步骤302具体可以包括以下步骤：
步骤3021：利用确定的灰度值在预设范围内的像素点，在所述奇次散射分量图像数据中确定第一区域和第二区域；
这里，所述第一区域为包含确定的灰度值在预设范围内的像素点的区域；所述第二区域为包含所述奇次散射分量图像数据中除确定的灰度值在预设范围内的像素点外其它像素点的区域。
步骤3022：针对所述第一区域和第二区域中的每个区域，利用圆形结构元素闵可夫斯基加法打开相应区域后，利用腐蚀膨胀算法消除所述相应区域中的小区域，并平滑所述相应区域的边界；结合生物特征信息和形状特征信息确定所述相应区域的轮廓；得到处理后的第一区域和处理后的第二区域；
这里，所述小区域为小于圆形结构元素的区域；所述生物特征信息和所述形状特征信息为利用所述全极化图像数据确定的信息；所述处理后的第一区域和所述处理后的第二区域为所述奇次散射分量图像数据的分割结果。
在步骤303中，实际应用时，可以将所述处理后的第一区域确定为滑坡区域，并将所述处理后的第二区域确定为自然地物区域；这里，所述自然地物区域为所述奇次散射分量图像数据中未发生滑坡灾害的区域。
实际应用时，以图2所示的奇次散射分量图像数据为例，在执行步骤301至步骤302之后，得到的分割后的所述奇次散射分量图像数据可以如图5所示，所述奇次散射分量图像数据被分割为两个区域，原白色椭圆内的不规则区域为滑坡区域，剩下的区域为自然地物区域。
在步骤104中，实际应用时，在基于确定的滑坡区域，确定所述奇次散射分量图像数据对应的二分图时，所述方法还可以包括：
针对所述奇次散射分量图像数据，将所述滑坡区域包含的像素点的逻辑值确定为第一值，并将自然地物区域包含的像素点的逻辑值确定为第二值。
这里，所述第一值和所述第二值可以根据需要设置，比如，可以将所述第一值设置为0，将所述第二值设置为1；再比如，可以将所述第一值设置为1，将所述第二值设置为0。
相应地，所述根据确定的二分图，确定所述滑坡区域在所述二分图中所包含的像素点总数，可以包括：
将所述二分图中逻辑值为第一值的像素点的总数确定为所述滑坡区域所包含的像素点总数。
在步骤105中，实际应用时，如图6所示，所述利用确定的所述滑坡区域在所述二分图中所包含的像素点总数以及PolSAR辅助参数确定所述滑坡区域的面积，具体可以包括以下步骤：
步骤601：从所述PolSAR辅助参数中提取方位向像素距离和距离向像素距离，利用所述方位向像素距离和所述距离向像素距离，确定所述滑坡区域所包含的像素点中每个像素点的面积；
步骤602：利用确定的所述滑坡区域所包含的像素点总数以及确定的所述滑坡区域所包含的像素点中每个像素点的面积确定所述滑坡区域的面积。
在步骤601中，实际应用时，所述PolSAR辅助参数为从PolSAR读取的辅助参数；所述PolSAR可以是高分三号卫星上安装的PolSAR，即读取高分三号卫星安装的PolSAR的辅助参数。所述PolSAR辅助参数可以包含：入射角(incidenceValue)、方位向像素距离(heightspace)和距离向像素距离(widthspace)。
实际应用时，可以利用如下公式确定所述滑坡区域所包含的像素点中每个像素点的面积：
Apix＝Rh*Rw/cosθin (2)
其中，Apix表示所述滑坡区域所包含的像素点中每个像素点的面积，Rh表示方位向像素距离，Rw表示距离向像素距离，θin表示入射角。
在步骤602中，实际应用时，可以利用如下公式确定所述滑坡区域的面积：
ASlide＝m*Apix (3)
其中，ASlide表示滑坡区域的面积，m表示确定的所述滑坡区域所包含的像素点总数，Apix表示所述滑坡区域所包含的像素点中每个像素点的面积。
本发明实施例提供的滑坡灾害检测方法，利用PolSAR获取待检测区域的全极化图像数据；对所述全极化图像数据进行三分量分解，得到奇次散射分量图像数据；确定所述奇次散射分量图像数据中的生物特征量，利用确定的生物特征量和机器视觉算法，在所述奇次散射分量图像数据中确定滑坡区域；基于确定的滑坡区域，确定所述奇次散射分量图像数据对应的二分图；根据确定的二分图，确定所述滑坡区域在所述二分图中所包含的像素点总数；利用确定的所述滑坡区域在所述二分图中所包含的像素点总数以及PolSAR辅助参数确定所述滑坡区域的面积。本发明实施例的方案，能够更精确地定位滑坡灾害区域，并进一步更准确地估算滑坡灾害区域的面积。
下面结合应用实施例对本发明再作进一步详细的描述。
本应用实施例提供的滑坡灾害检测方法，包括以下步骤：
步骤1：利用高分三号PolSAR得到全极化图像数据，利用Freeman三分量分解法对所述全极化图像数据进行三份量分解，得到奇次散射分量、偶次散射分量和体散射分量。
这里，需要说明的是，步骤1的具体实现过程与图1所示的滑坡灾害检测方法中步骤101至步骤102的具体实现过程相同，这里不多赘述。
步骤2：分析所述奇次散射分量中具有的生物特征量；利用所述生物特征量，基于机器视觉进行滑坡区域提取。
具体地，所述奇次散射分量为图像数据，先对所述奇次散射分量图像数据进行近似高斯的拉普拉斯算子处理，通过高斯之差近似高斯拉普拉斯算子；然后，利用预设灰度值范围从所述奇次散射分量图像数据中选择灰度值满足预设灰度值范围的像素点，以分割所述奇次散射分量图像数据；其中，灰度值满足预设灰度值范围的像素点作为一个区域返回，如果设置了多个预设灰度值范围(可以利用明射线和灰度值最大值的元组进行设置)则每个预设灰度值范围对应一个返回的区域，即返回多个区域。这里，返回的一个或多个区域均为滑坡区域，由于滑坡区域受方向、坡度、滑坡严重程度等因素的影响，不同位置的灰度值变化也非常大，因此，设置多个预设灰度值范围以返回多个滑坡区域，能够更精确地定位滑坡灾害区域。在返回多个区域的情况下，对于返回的每个区域，可以用圆形结构元素闵可夫斯基加法选择相应区域，用腐蚀膨胀消除相应区域中的小区域(即小于圆形结构元素的区域)并平滑相应区域的边界；然后，对于经过上述处理后的多个区域，通过确定每两个区域之间相连接的部分，进行多个区域之间的融合，并结合生物特征和形状特征确定融合多个区域后得到的区域的轮廓，即确定滑坡区域的轮廓；这里，滑坡区域具有的特有生物的特征性导致滑坡区域的轮廓极为不规则，与未发生滑坡的区域的轮廓存在区别，因此，可以通过提取确定的区域的轮廓特征点，并结合生物特征，确定滑坡区域的轮廓；返回确定的滑坡区域以及未发生滑坡的区域(即自然地物区域)，得到所述奇次散射分量图像数据的分割结果。
这里，需要说明的是，步骤2的具体实现过程与图1所示的滑坡灾害检测方法中步骤103的具体实现过程相同，这里不多赘述。
步骤3：对提取的滑坡区域进行二分提取，统计所述滑坡区域所包含的像素点总数。
具体地，对于所述奇次散射分量图像数据的分割结果，将滑坡区域包含的像素点的逻辑值置为1，将自然地物区域包含的像素点的逻辑值置为0，得到所述滑坡区域的二分提取结果，即一个二分图；在所述二分图中，统计属于滑坡区域的像素点的个数，即所述二分图中表示为1的像素点的总数。
这里，需要说明的是，步骤3的具体实现过程与图1所示的滑坡灾害检测方法中步骤104的具体实现过程相同，这里不多赘述。
步骤4：根据统计的所述滑坡区域所包含的像素点总数，估算所述滑坡区域的面积。
具体地，读取高分三号PolSAR的辅助参数，利用提取的PolSAR的辅助参数计算所述滑坡区域所包含的像素点中每个像素点的面积；再根据所述滑坡区域所包含的像素点总数以及所述滑坡区域所包含的像素点中每个像素点的面积，估算得到所述滑坡区域的面积。
这里，需要说明的是，步骤4的具体实现过程与图1所示的滑坡灾害检测方法中步骤105的具体实现过程相同，这里不多赘述。
本应用实施例提供的方案，具备以下优点：
能够更精确地定位滑坡灾害区域，并进一步更准确地估算滑坡灾害区域的面积。
需要说明的是：本发明实施例中的“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
另外，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (4)

1.一种滑坡灾害检测方法，其特征在于，包括：
利用极化合成孔径雷达PolSAR获取待检测区域的全极化图像数据；
对所述全极化图像数据进行三分量分解，得到奇次散射分量图像数据；
确定所述奇次散射分量图像数据中的生物特征量，利用确定的生物特征量和机器视觉算法，在所述奇次散射分量图像数据中确定滑坡区域；
基于确定的滑坡区域，确定所述奇次散射分量图像数据对应的二分图；根据确定的二分图，确定所述滑坡区域在所述二分图中所包含的像素点总数；
利用确定的所述滑坡区域在所述二分图中所包含的像素点总数以及PolSAR辅助参数确定所述滑坡区域的面积；其中，
所述确定所述奇次散射分量图像数据中的生物特征量，利用确定的生物特征量和机器视觉算法，在所述奇次散射分量图像数据中确定滑坡区域，包括：
确定所述奇次散射分量图像数据中灰度值在预设范围内的像素点；
利用确定的灰度值在预设范围内的像素点，结合机器视觉算法，对所述奇次散射分量图像数据进行分割，得到至少两个区域；
在所述至少两个区域中确定滑坡区域。
2.根据权利要求1所述的方法，其特征在于，在基于确定的滑坡区域，确定所述奇次散射分量图像数据对应的二分图时，所述方法包括：
针对所述奇次散射分量图像数据，将所述滑坡区域包含的像素点的逻辑值确定为第一值，并将自然地物区域包含的像素点的逻辑值确定为第二值；其中，
所述自然地物区域为所述奇次散射分量图像数据中除所述滑坡区域外的其它区域。
3.根据权利要求2所述的方法，其特征在于，所述根据确定的二分图，确定所述滑坡区域在所述二分图中所包含的像素点总数，包括：
将所述二分图中逻辑值为第一值的像素点的总数确定为所述滑坡区域所包含的像素点总数。
4.根据权利要求1所述的方法，其特征在于，所述利用确定的所述滑坡区域在所述二分图中所包含的像素点总数以及PolSAR辅助参数确定所述滑坡区域的面积，包括：
从所述PolSAR辅助参数中提取方位向像素距离和距离向像素距离，利用所述方位向像素距离和所述距离向像素距离，确定所述滑坡区域所包含的像素点中每个像素点的面积；
利用确定的所述滑坡区域所包含的像素点总数以及确定的所述滑坡区域所包含的像素点中每个像素点的面积确定所述滑坡区域的面积。
CN201911417215.2A 2019-12-31 2019-12-31 滑坡灾害检测方法 Active CN111160296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911417215.2A CN111160296B (zh) 2019-12-31 2019-12-31 滑坡灾害检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911417215.2A CN111160296B (zh) 2019-12-31 2019-12-31 滑坡灾害检测方法

Publications (2)

Publication Number Publication Date
CN111160296A CN111160296A (zh) 2020-05-15
CN111160296B true CN111160296B (zh) 2024-01-26

Family

ID=70560402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911417215.2A Active CN111160296B (zh) 2019-12-31 2019-12-31 滑坡灾害检测方法

Country Status (1)

Country Link
CN (1) CN111160296B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721370A (zh) * 2012-06-18 2012-10-10 南昌航空大学 基于计算机视觉的山体滑坡实时监测方法
CN103761752A (zh) * 2014-01-13 2014-04-30 中国科学院电子学研究所 一种极化合成孔径雷达图像的处理方法及装置
CN104166856A (zh) * 2014-07-30 2014-11-26 西安电子科技大学 基于近邻传播聚类与区域增长的极化sar图像分类方法
CN104715255A (zh) * 2015-04-01 2015-06-17 电子科技大学 一种基于sar图像的滑坡信息提取方法
CN104951789A (zh) * 2015-07-15 2015-09-30 电子科技大学 一种基于全极化sar图像的快速滑坡提取方法
CN105785364A (zh) * 2016-02-26 2016-07-20 民政部国家减灾中心 一种倒塌建筑物信息获取方法及获取设备
CN106446935A (zh) * 2016-09-05 2017-02-22 哈尔滨工业大学 基于核稀疏表示和空间约束的极化sar图像分类方法
CN106600574A (zh) * 2016-08-25 2017-04-26 中国科学院遥感与数字地球研究所 一种基于遥感影像与高程数据的滑坡提取方法
CN107256414A (zh) * 2017-06-27 2017-10-17 哈尔滨工业大学 基于空域特征图谱的极化sar图像卷积神经网络分类方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721370A (zh) * 2012-06-18 2012-10-10 南昌航空大学 基于计算机视觉的山体滑坡实时监测方法
CN103761752A (zh) * 2014-01-13 2014-04-30 中国科学院电子学研究所 一种极化合成孔径雷达图像的处理方法及装置
EP2767849A2 (en) * 2014-01-13 2014-08-20 Institute of Electronics, Chinese Academy of Sciences Method and apparatus for processing polarimetric synthetic aperture radar image
CN104166856A (zh) * 2014-07-30 2014-11-26 西安电子科技大学 基于近邻传播聚类与区域增长的极化sar图像分类方法
CN104715255A (zh) * 2015-04-01 2015-06-17 电子科技大学 一种基于sar图像的滑坡信息提取方法
CN104951789A (zh) * 2015-07-15 2015-09-30 电子科技大学 一种基于全极化sar图像的快速滑坡提取方法
CN105785364A (zh) * 2016-02-26 2016-07-20 民政部国家减灾中心 一种倒塌建筑物信息获取方法及获取设备
CN106600574A (zh) * 2016-08-25 2017-04-26 中国科学院遥感与数字地球研究所 一种基于遥感影像与高程数据的滑坡提取方法
CN106446935A (zh) * 2016-09-05 2017-02-22 哈尔滨工业大学 基于核稀疏表示和空间约束的极化sar图像分类方法
CN107256414A (zh) * 2017-06-27 2017-10-17 哈尔滨工业大学 基于空域特征图谱的极化sar图像卷积神经网络分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高分三号卫星全级化SAR影像九寨沟地震滑坡普查;李强 等;遥感学报;第1-9页 *

Also Published As

Publication number Publication date
CN111160296A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
Alonso et al. Edge enhancement algorithm based on the wavelet transform for automatic edge detection in SAR images
US6897802B1 (en) Fusion of shape and multiscale features for unknown target rejection
CN111476159B (zh) 一种基于双角回归的检测模型训练、检测方法及装置
CN110703244B (zh) 基于遥感数据识别城区内水体的方法和装置
CN108062767B (zh) 基于时序sar图像的统计同分布空间像素选择方法
Wujanz et al. Identification of stable areas in unreferenced laser scans for deformation measurement
CN107808383A (zh) 一种强海杂波下sar图像目标快速检测方法
KR20140048449A (ko) 의료영상에서의 간 영역 검출방법
CN114998365A (zh) 一种基于极化干涉sar的地物分类方法
CN107835998A (zh) 用于识别数字图像中的表面类型的分层平铺方法
Zhu et al. Hierarchical attention for ship detection in SAR images
CN111160296B (zh) 滑坡灾害检测方法
Talukder et al. Multiscale Gabor wavelet fusion for edge detection in microscopy images
CN110728311A (zh) 一种图像处理方法、装置和存储介质
Tang et al. A novel high precision mosaic method for sonar video sequence
Aspert et al. Time-varying segmentation for mapping of land cover changes
Mekideche et al. A new edge detector based on fractional integration
el Abbadi et al. Single image haze removal via accurate atmosphere light
Sumer et al. An integrated earthquake damage detection system
CN112070666B (zh) 一种基于图像熵的sar图像拼接方法
Adeoluwa et al. Edge detection metrics for improved object recognition with underwater laser images
Ali et al. CORRELATION BASED GUIDED DEPTH FILTERING IN SHAPE FROM FOCUS
Wang et al. Objective evaluation of effective cathode diameter of low-light-level image intensifiers
Gu et al. A novel procedure for land masking in ocean-land segmentation from SAR images
Shen et al. Efficient x-ray image enhancement algorithm using image fusion

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