CN111932591A - 典型地质灾害遥感智能提取的方法与系统 - Google Patents

典型地质灾害遥感智能提取的方法与系统 Download PDF

Info

Publication number
CN111932591A
CN111932591A CN202010831375.8A CN202010831375A CN111932591A CN 111932591 A CN111932591 A CN 111932591A CN 202010831375 A CN202010831375 A CN 202010831375A CN 111932591 A CN111932591 A CN 111932591A
Authority
CN
China
Prior art keywords
data
module
geological
map
geological 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.)
Granted
Application number
CN202010831375.8A
Other languages
English (en)
Other versions
CN111932591B (zh
Inventor
王钦军
刘鹏
陈玉
魏永明
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.)
Hainan Research Institute Institute Of Aerospace Information Chinese Academy Of Sciences
Aerospace Information Research Institute of CAS
Original Assignee
Hainan Research Institute Institute Of Aerospace Information Chinese Academy Of Sciences
Aerospace Information Research Institute 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 Hainan Research Institute Institute Of Aerospace Information Chinese Academy Of Sciences, Aerospace Information Research Institute of CAS filed Critical Hainan Research Institute Institute Of Aerospace Information Chinese Academy Of Sciences
Priority to CN202010831375.8A priority Critical patent/CN111932591B/zh
Publication of CN111932591A publication Critical patent/CN111932591A/zh
Application granted granted Critical
Publication of CN111932591B publication Critical patent/CN111932591B/zh
Expired - Fee Related 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Alarm Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种典型地质灾害遥感智能提取的方法与系统，方法包括：获取多时相高分遥感数据、高分辨率立体像对图像数据、降雨数据和地质图数据。通过从多时相高分遥感数据和地质图数据圈定潜在地质灾害分布区、从多时相高分遥感数据得到已发地质灾害点的类型、数量和边界的信息、从高分辨率立体像对图像数据提取水系和地形地貌数据、从地质图数据提取地层岩性数据，建立地质灾害时空数据库。根据地质灾害时空数据库中的数据分析地质灾害、孕灾环境和所述降雨数据之间的关系，构建地质灾害危险性高精度评价模型。根据地质灾害危险性高精度评价模型提取地质灾害危险区。可以准确把握地质灾害的危险性，进而制定行之有效的防灾策略和避灾方案。

Description

典型地质灾害遥感智能提取的方法与系统
技术领域
本发明涉及地质灾害领域，更具体地，涉及一种典型地质灾害遥感智能提取的方法与系统。
背景技术
地质灾害是指由地质作用引发或主要由地质作用造成的人民生命财产的损失和伤害，每年因地质灾害导致人员死亡失踪人数占全部自然灾害死亡失踪人数的30％左右，是造成人员伤亡最为严重的自然灾害之一。近年来，受地质活动、气候和降水变化的影响，地质灾害的活动性增强，所造成的人员伤亡和经济损失呈上升趋势。
遥感的显著特点是非接触式探测、受地面条件限制少、可用于自然条件恶劣和地面工作困难的地区、宏观性和直观性强、信息量大、速度快、周期短、能反映动态变化和经济效益好。遥感在地质灾害监测、分析、评估和预警中发挥越来越大的作用。
而典型地质灾害本身所具有的突发性强、时间短、任务重的特点，需要及时、快速、准确地获取数据，结合灾区地质背景进行灾害快速监测、评估和分析预测。排查示范区潜在地质灾害危险点，为地质灾害隐患点排查和防护提供科学依据；利用精确的空间分析技术圈定地质灾害危险区，并对其危险性进行分析评价，根据危险区级别给出相应的防护对策、科学、有效地服务抗灾救灾工作，最大程度上避免或减少地质灾害对人民群众生命和财产的损失。
因此，提供一种典型地质灾害遥感智能提取的方法与系统是亟待解决的问题。
发明内容
有鉴于此，本发明提供了一种典型地质灾害遥感智能提取的方法，其特征在于，包括：
获取多时相高分遥感数据、高分辨率立体像对图像数据、降雨数据和地质图数据；
对所述多时相高分遥感数据、所述高分辨率立体像对图像数据、所述降雨数据和所述地质图数据进行几何配准预处理；
根据预处理后的所述多时相高分遥感数据和所述地质图数据确定典型地质灾害的色调、纹理和形状的判断标准；
对预处理后的所述多时相高分遥感数据进行构造解译，形成多时相原始构造图；
对预处理后的所述多时相高分遥感数据进行不同方向的加窗傅里叶变换，形成多时相的不同方向纹理图，从所述多时相的不同方向纹理图提取构造得到多时相加窗傅里叶构造图；
将所述多时相原始构造图与所述多时相加窗傅里叶构造图做差，根据所述色调、纹理和形状的判断标准提取出隐伏构造；
分析所述隐伏构造的活动性，圈定潜在地质灾害分布区；
对预处理后的所述多时相高分遥感数据中灾害发生前后的所述多时相高分遥感数据做差形成变化差异图；
将所述变化差异图中每一个像素点进行中央与周边做差得到处理后的变化差异图；
利用视觉颜色感知算法对所述处理后的变化差异图提取已发地质灾害的色调特征，利用加窗傅里叶方向纹理增强算法对处理后的变化差异图提取所述已发地质灾害的纹理信息，利用数学形态学膨胀算法对所述纹理信息提取所述已发地质灾害的形状特征；
选择任意一个波段的所述色调特征和所述纹理信息根据高斯金字塔多尺度变换方法进行跨尺度特征图融合和归一化得到显著性图；
将所述显著性图转化为显著性矢量图并提取出面积、纹理方向、高程和坡度特征，根据所述面积、纹理方向、高程和坡度特征、所述色调特征、形状特征得到已发地质灾害点的类型、数量和边界的信息；
根据所述高分辨率立体像对图像数据得到数字高程模型，根据所述数字高程模型提取水系和地形地貌数据；
根据地质图数据提取地层岩性数据；
根据所述已发地质灾害点的类型、数量和边界的信息、所述潜在地质灾害分布区、所述水系、所述地形地貌数据和所述地层岩性数据建立地质灾害时空数据库；
根据所述地质灾害时空数据库中的数据分析地质灾害、孕灾环境和所述降雨数据之间的关系，构建地质灾害危险性高精度评价模型，通过野外调查与验证，改进所述地质灾害危险性高精度评价模型；
根据所述改进后的所述地质灾害危险性高精度评价模型提取地质灾害危险区。
优选地，所述对预处理后的所述多时相高分遥感数据进行不同方向的加窗傅里叶变换按照以下方法计算：
Figure BDA0002638109400000031
Figure BDA0002638109400000032
其中，u是方向因子，v是尺度因子，
Figure BDA0002638109400000033
是以u,v为参数的函数，z是二维图像坐标，σ是与小波频率带宽有关的常数，ku,v是中心频率，i是虚数，θ是方向，kv是频率值，cosθu是方向θu的余弦值，sinθu是方向θu的正弦值。
优选地，所述利用视觉颜色感知算法对所述变化差异图提取已发地质灾害的色调特征包括：
逐个像素点读取所述变化差异图的R、G、B波段的图像值，将所述R、G、B波段的图像值对应的转化为HSV颜色空间的h,s,v波段的图像值，将所述h,s,v波段的图像值进行彩色合成得到HSV颜色空间图像，从所述HSV颜色空间图像得到所述已发地质灾害的色调特征。
优选地，所述将所述R、G、B波段的图像值对应的转化为HSV颜色空间的h,s,v波段的图像值按照以下方法计算：
Figure BDA0002638109400000034
Figure BDA0002638109400000035
Figure BDA0002638109400000036
其中，RGB颜色空间中任意颜色表示为(r,g,b)，r,g,b∈[0,1,…255]。
优选地，所述选择任意一个波段的所述色调特征和纹理信息根据高斯金字塔多尺度变换方法进行跨尺度特征图融合和归一化得到显著性图按照以下方法计算：
Figure BDA0002638109400000041
Figure BDA0002638109400000042
Sglobal＝N[g(x,y)],
其中，val(x,y)是像素点(x,y)计算结果值，val是数值，I(x,y)是位于点(x,y)的像素值，g(x,y)是点(x,y)的全局对比度，γ是人工设定的灰度经验参数值，M和N可以表示图像的大小，M是行数，N是列数，Sglobal是显著性图的值，N[g(x,y)]是对g(x,y)进行归一化处理。
一种典型地质灾害遥感智能提取的系统，其特征在于，包括：
数据获取模块和数据预处理模块耦接，用于获取多时相高分遥感数据、高分辨率立体像对图像数据、降雨数据和地质图数据并传输至所述数据预处理模块；
所述数据预处理模块分别与所述数据获取模块、判断标准提取模块、原始构造图生成模块、加窗傅里叶构造图生成模块、变化差异图生成模块、水系和地形地貌数据提取模块和地层岩性提取模块耦合，用于对所述多时相高分遥感数据、所述高分辨率立体像对图像数据、所述降雨数据和所述地质图数据进行几何配准预处理并传输至所述判断标准提取模块、所述原始构造图生成模块、所述加窗傅里叶构造图生成模块、所述变化差异图生成模块、所述水系和地形地貌数据提取模块和所述地层岩性提取模块；
所述判断标准提取模块分别与所述数据预处理模块和图像计算模块耦合，用于根据预处理后的所述多时相高分遥感数据和所述地质图数据确定典型地质灾害的色调、纹理和形状的判断标准并传输至所述图像计算模块；
所述原始构造图生成模块分别与所述数据预处理模块和图像计算模块耦合，用于对预处理后的所述多时相高分遥感数据进行构造解译，形成多时相原始构造图并传输至所述图像计算模块；
所述加窗傅里叶构造图生成模块分别与所述数据预处理模块和图像计算模块耦合，用于对预处理后的所述多时相高分遥感数据进行不同方向的加窗傅里叶变换，形成多时相的不同方向纹理图，从所述多时相的不同方向纹理图提取构造得到多时相加窗傅里叶构造图并传输至所述图像计算模块；
所述图像计算模块分别与所述原始构造图生成模块、所述加窗傅里叶构造图生成模块、所述判断标准提取模块和分析模块耦合，用于将所述多时相原始构造图与所述多时相加窗傅里叶构造图做差，根据所述色调、纹理和形状的判断标准提取出隐伏构造并传输至所述分析模块；
所述分析模块分别与所述图像计算模块和数据库建立模块耦合，用于分析所述隐伏构造的活动性，圈定潜在地质灾害分布区并传输至所述数据库建立模块；
所述变化差异图生成模块分别所述数据预处理模块和变化差异图处理模块耦合，用于对预处理后的所述多时相高分遥感数据中灾害发生前后的所述多时相高分遥感数据做差形成变化差异图并传输至所述变化差异图处理模块；
所述变化差异图处理模块分别与所述变化差异图生成模块和特征提取模块耦合，用于将所述变化差异图中每一个像素点进行中央与周边做差得到处理后的变化差异图并传输至所述特征提取模块；
所述特征提取模块分别与所述变化差异图处理模块和显著性图生成模块耦合，用于利用视觉颜色感知算法对所述处理后的变化差异图提取已发地质灾害的色调特征，利用加窗傅里叶方向纹理增强算法对处理后的变化差异图提取所述已发地质灾害的纹理信息，利用数学形态学膨胀算法对所述纹理信息提取所述已发地质灾害的形状特征并传输至所述显著性图生成模块；
所述显著性图生成模块分别与所述特征提取模块和信息提取模块耦合，用于选择任意一个波段的所述色调特征和所述纹理信息根据高斯金字塔多尺度变换方法进行跨尺度特征图融合和归一化得到显著性图并传输至所述信息提取模块；
所述信息提取模块分别与所述显著性图生成模块和数据库建立模块耦合，用于将所述显著性图转化为显著性矢量图并提取出面积、纹理方向、高程和坡度特征，根据所述面积、纹理方向、高程和坡度特征、所述色调特征、形状特征得到已发地质灾害点的类型、数量和边界的信息传输至所述数据库建立模块；
所述水系和地形地貌数据提取模块分别与所述数据预处理模块和所述数据库建立模块耦合，用于根据所述高分辨率立体像对图像数据得到数字高程模型，根据所述数字高程模型提取水系和地形地貌数据并传输至所述数据库建立模块；
所述地层岩性提取模块分别与所述数据预处理模块和所述数据库建立模块耦合，用于根据地质图数据提取地层岩性数据并传输至所述数据库建立模块；
所述数据库建立模块分别与所述分析模块、所述信息提取模块、所述水系和地形地貌数据提取模块、所述地层岩性提取模块和模型构建模块耦合，用于根据所述已发地质灾害点的类型、数量和边界的信息、所述潜在地质灾害分布区、所述水系、所述地形地貌数据和所述地层岩性数据建立地质灾害时空数据库并传输至所述模型构建模块；
所述模型构建模块分别与所述数据库建立模块和地质灾害提取模块耦合，用于根据所述地质灾害时空数据库中的数据分析地质灾害、孕灾环境和所述降雨数据之间的关系，构建地质灾害危险性高精度评价模型，通过野外调查与验证，改进所述地质灾害危险性高精度评价模型并传输至所述地质灾害提取模块；
所述地质灾害提取模块与所述模型构建模块耦合，用于根据所述改进后的所述地质灾害危险性高精度评价模型提取地质灾害危险区。
优选地，所述对预处理后的所述多时相高分遥感数据进行不同方向的加窗傅里叶变换按照以下方法计算：
Figure BDA0002638109400000061
Figure BDA0002638109400000062
其中，u是方向因子，v是尺度因子，
Figure BDA0002638109400000063
是以u,v为参数的函数，z是二维图像坐标，σ是与小波频率带宽有关的常数，ku,v是中心频率，i是虚数，θ是方向，kv是频率值，cosθu是方向θu的余弦值，sinθu是方向θu的正弦值。
优选地，所述利用视觉颜色感知算法对所述变化差异图提取已发地质灾害的色调特征包括：
逐个像素点读取所述变化差异图的R、G、B波段的图像值，将所述R、G、B波段的图像值对应的转化为HSV颜色空间的h,s,v波段的图像值，将所述h,s,v波段的图像值进行彩色合成得到HSV颜色空间图像，从所述HSV颜色空间图像得到所述已发地质灾害的色调特征。
优选地，所述将所述R、G、B波段的图像值对应的转化为HSV颜色空间的h,s,v波段的图像值按照以下方法计算：
Figure BDA0002638109400000071
Figure BDA0002638109400000072
Figure BDA0002638109400000073
其中，RGB颜色空间中任意颜色表示为(r,g,b)，r,g,b∈[0,1,…255]。
优选地，所述选择任意一个波段的所述色调特征和纹理信息根据高斯金字塔多尺度变换方法进行跨尺度特征图融合和归一化得到显著性图按照以下方法计算：
Figure BDA0002638109400000074
Figure BDA0002638109400000075
Sglobal＝N[g(x,y)],
其中，val(x,y)是像素点(x,y)计算结果值，val是数值，I(x,y)是位于点(x,y)的像素值，g(x,y)是点(x,y)的全局对比度，γ是人工设定的灰度经验参数值，M和N可以表示图像的大小，M是行数，N是列数，Sglobal是显著性图的值，N[g(x,y)]是对g(x,y)进行归一化处理。
与现有技术相比，本发明提供的一种典型地质灾害遥感智能提取的方法与系统，至少实现了如下的有益效果：
(1)本发明提供的典型地质灾害遥感智能提取的方法与系统根据多时相高分遥感数据、高分辨率立体像对图像数据、降雨数据和地质图数据提取信息建立数据库，再通过数据库中的数据进行分析得到地质灾害危险性高精度评价模型提取地质灾害危险区，可以准确把握地质灾害的危险性，进而制定行之有效的防灾策略和避灾方案，切实减少人员伤亡和财产损失。同时，还可为山区重大工程规划建设与城镇防灾减灾工作提供科学依据。
(2)本发明提供的典型地质灾害遥感智能提取的方法与系统根据多时相高分遥感数据和地质图数据基于加窗傅里叶变换提取潜在地质灾害信息，可以细致排查潜在地质灾害点，最大程度上减少人员伤亡和财产损失，潜在地质灾害防不胜防，更具危险性，而隐伏构造则是潜在地质灾害的主控因素，项目综合利用高分遥感数据，发展隐伏构造信息突出方法，实现尽早发现隐伏构造所导致的潜在地质灾害点，解决因地表覆盖导致人工难以发现的问题。同时，也克服了因研究区过大、交通不便所导致的人员无法全覆盖调查的难题，使地质灾害调查工作更细致、更全面，为在最大程度上减少人员伤亡和财物损毁提供高科技手段。
(3)本发明提供的典型地质灾害遥感智能提取的方法与系统自动化程度高、图像处理效果好，可以节约成本，高效服务地质灾害隐患点排查工作，对地质灾害进行遥感监测与危险性分析，所需的成本远远低于逐一、定期的实地调查所需的昂贵成本，对地质灾害隐患点的排查、监测、防护和预警具有重要意义。
当然，实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是本发明提出的一种典型地质灾害遥感智能提取的方法的流程图；
图2是本发明提出的一种典型地质灾害遥感智能提取的系统的结构示意图；
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
实施例1
如图1是本发明提出的一种典型地质灾害遥感智能提取的方法的流程图，该方法包括：
步骤S1：获取多时相高分遥感数据、高分辨率立体像对图像数据、降雨数据和地质图数据；
其中，多时相高分遥感数据和高分辨率立体像对图像数据通过中国资源卫星应用中心购买获得，降雨数据通过气象局获取，地质图数据从全国地质资料馆获取。
步骤S2：对多时相高分遥感数据、高分辨率立体像对图像数据、降雨数据和地质图数据进行几何配准预处理；
其中，几何配准预处理采用遥感图像处理软件(ENVI)，在工具箱工具(toolbox)中，依次选择几何校正(geometric correction)、配准(registration)、图像配准工作流(image registration workflow)，在弹出的文件选择面板中输入基准图像和配准图像，点击下一步(next)，在弹出的相关点面板进行对应点的添加，并设置配准参数；点击可展示的点(showtable)，查看并删除误差较大的点，直至有效值(RMS)小于1，下一步(next)，选择图像输出路径，进行配准并输出结果。
步骤S3：根据预处理后的多时相高分遥感数据和地质图数据确定典型地质灾害的色调、纹理和形状的判断标准；
其中,判断标准是通过先确定地质灾害的类型和数量，再统计分析地质灾害在色调、纹理和形状上的数值分布，根据数值分布确定相应的阈值范围，得到地质灾害相应的判断标准。
典型地质灾害主要包括崩塌、滑坡和泥石流。
步骤S4：对预处理后的多时相高分遥感数据进行构造解译，形成多时相原始构造图；
其中，构造解译的过程是先建立构造解译标志，可以将高分影像中的纹理特征或是地貌特征作为解译标志；再根据解译标志从多时相高分遥感数据提取构造信息，构造信息主要包括构造的位置、长度和走向；再将构造信息形成矢量图并输出为所需要的格式，得到原始构造图。
步骤S5：对预处理后的多时相高分遥感数据进行不同方向的加窗傅里叶变换，形成多时相的不同方向纹理图，从多时相的不同方向纹理图提取构造得到多时相加窗傅里叶构造图；
其中，对预处理后的多时相高分遥感数据进行不同方向的加窗傅里叶变换按照以下方法计算：
Figure BDA0002638109400000101
Figure BDA0002638109400000102
其中，u是方向因子，v是尺度因子，
Figure BDA0002638109400000103
是以u,v为参数的函数，z是二维图像坐标，σ是与小波频率带宽有关的常数，ku,v是中心频率，i是虚数，θ是方向，kv是频率值，cosθu是方向θu的余弦值，sinθu是方向θu的正弦值。
步骤S6：将多时相原始构造图与多时相加窗傅里叶构造图做差，根据色调、纹理和形状的判断标准提取出隐伏构造；
步骤S7：分析隐伏构造的活动性，圈定潜在地质灾害分布区；
步骤S8：对预处理后的多时相高分遥感数据中灾害发生前后的多时相高分遥感数据做差形成变化差异图；
步骤S9：将变化差异图中每一个像素点进行中央与周边做差得到处理后的变化差异图；
步骤S10：利用视觉颜色感知算法对处理后的变化差异图提取已发地质灾害的色调特征，利用加窗傅里叶方向纹理增强算法对处理后的变化差异图提取已发地质灾害的纹理信息，利用数学形态学膨胀算法对纹理信息提取已发地质灾害的形状特征；
其中，利用视觉颜色感知算法对变化差异图提取已发地质灾害的色调特征包括：
逐个像素点读取变化差异图的R、G、B波段的图像值，将R、G、B波段的图像值对应的转化为HSV颜色空间的h,s,v波段的图像值，将h,s,v波段的图像值进行彩色合成得到HSV颜色空间图像，从HSV颜色空间图像得到已发地质灾害的色调特征；
将R、G、B波段的图像值对应的转化为HSV颜色空间的h,s,v波段的图像值按照以下方法计算：
Figure BDA0002638109400000111
Figure BDA0002638109400000112
Figure BDA0002638109400000113
其中，RGB颜色空间中任意颜色表示为(r,g,b)，r,g,b∈[0,1,…255]。
利用数学形态学膨胀算法对纹理信息提取已发地质灾害的形状特征按照以下方法计算：
D(x)＝{a|B(m)↑X},
其中，D(x)是a的合集，X是被处理的对象，B是结构元素，将结构元素平移m得到B(m)，若B(m)击中X记下a点。
步骤S11：选择任意一个波段的色调特征和纹理信息根据高斯金字塔多尺度变换方法进行跨尺度特征图融合和归一化得到显著性图；
选择任意一个波段的色调特征和纹理信息根据高斯金字塔多尺度变换方法进行跨尺度特征图融合和归一化得到显著性图按照以下方法计算：
Figure BDA0002638109400000121
Figure BDA0002638109400000122
Sglobal＝N[g(x,y)],
其中，val(x,y)是像素点(x,y)计算结果值，val是数值，I(x,y)是位于点(x,y)的像素值，g(x,y)是点(x,y)的全局对比度，γ是人工设定的灰度经验参数值，M和N可以表示图像的大小，M是行数，N是列数，Sglobal是显著性图的值，N[g(x,y)]是对g(x,y)进行归一化处理。
步骤S12：将显著性图转化为显著性矢量图并提取出面积、纹理方向、高程和坡度特征，根据面积、纹理方向、高程和坡度特征、色调特征、形状特征得到已发地质灾害点的类型、数量和边界的信息；
步骤S13：根据高分辨率立体像对图像数据得到数字高程模型，根据数字高程模型提取水系和地形地貌数据；
其中，将数字高程模型导入地理信息系统软件(ArcGIS)中，利用工具箱中的“填挖”工具进行填挖；根据填挖的结果，利用地理信息系统软件(ArcGIS)中的“流向分析”工具进行流向数据提取；结合河流流向，利用地理信息系统软件(ArcGIS)中的“流量分析”工具计算各处汇流量；利用地理信息系统软件(ArcGIS)中的“栅格计算”工具计算汇流面积形成河沟再提取河网栅格数据；利用地理信息系统软件(ArcGIS)中的“转化”工具利用河网栅格数据结果与流向数据结果将河网栅格数据转化为河网矢量数据，得到水系；利用地理信息系统软件(ArcGIS)中的“坡度、坡向计算工具”提取地形地貌数据。
步骤S14：根据地质图数据提取地层岩性数据；
其中，将地质图数据导入到地理信息系统软件(ArcGIS)中，利用地理信息系统软件(ArcGIS)中的“绘图”工具提取关键地层岩性数据。
步骤S15：根据已发地质灾害点的类型、数量和边界的信息、潜在地质灾害分布区、水系、地形地貌数据和地层岩性数据建立地质灾害时空数据库；
步骤S16：根据地质灾害时空数据库中的数据分析地质灾害、孕灾环境和降雨数据之间的关系，构建地质灾害危险性高精度评价模型，通过野外调查与验证，改进地质灾害危险性高精度评价模型；
其中，孕灾环境是由大气圈、水圈、岩石圈(包括土壤和植被)、生物圈和人类社会圈所构成的综合地球表层环境。
野外调查与验证是实地调查地质灾害、孕灾环境和降雨数据的遥感信息提取结果，验证地质体属性判定的正确与否以及地质体界线的准确程度。当出现偏差时，应及时分析原因、总结规律，提高地质灾害相关信息提取方法的精度。
步骤S17：根据改进后的地质灾害危险性高精度评价模型提取地质灾害危险区。
实施例2
如图2是本发明提出的一种典型地质灾害遥感智能提取的系统的结构示意图，该系统包括：
数据获取模块201和数据预处理模块202耦接，用于获取多时相高分遥感数据、高分辨率立体像对图像数据、降雨数据和地质图数据并传输至数据预处理模块202；
其中，多时相高分遥感数据和高分辨率立体像对图像数据通过中国资源卫星应用中心购买获得，降雨数据通过气象局获取，地质图数据从全国地质资料馆获取。
数据预处理模块202分别与数据获取模块201、判断标准提取模块203、原始构造图生成模块205、加窗傅里叶构造图生成模块206、变化差异图生成模块208、水系和地形地貌数据提取模块213和地层岩性提取模块214耦合，用于对多时相高分遥感数据、高分辨率立体像对图像数据、降雨数据和地质图数据进行几何配准预处理并传输至判断标准提取模块203、原始构造图生成模块205、加窗傅里叶构造图生成模块206、变化差异图生成模块208、水系和地形地貌数据提取模块213和地层岩性提取模块214；
其中，几何配准预处理采用遥感图像处理软件(ENVI)，在工具箱工具(toolbox)中，依次选择几何校正(geometric correction)、配准(registration)、图像配准工作流(image registration workflow)，在弹出的文件选择面板中输入基准图像和配准图像，点击下一步(next)，在弹出的相关点面板进行对应点的添加，并设置配准参数；点击可展示的点(showtable)，查看并删除误差较大的点，直至有效值(RMS)小于1，下一步(next)，选择图像输出路径，进行配准并输出结果。
判断标准提取模块203分别与数据预处理模块202和图像计算模块204耦合，用于根据预处理后的多时相高分遥感数据和地质图数据确定典型地质灾害的色调、纹理和形状的判断标准并传输至图像计算模块204；
其中,判断标准是通过先确定地质灾害的类型和数量，再统计分析地质灾害在色调、纹理和形状上的数值分布，根据数值分布确定相应的阈值范围，得到地质灾害相应的判断标准。
典型地质灾害主要包括崩塌、滑坡和泥石流。
原始构造图生成模块205分别与数据预处理模块202和图像计算模块204耦合，用于对预处理后的多时相高分遥感数据进行构造解译，形成多时相原始构造图并传输至图像计算模块204；
其中，构造解译的过程是先建立构造解译标志，可以将高分影像中的纹理特征或是地貌特征作为解译标志；再根据解译标志从多时相高分遥感数据提取构造信息，构造信息主要包括构造的位置、长度和走向；再将构造信息形成矢量图并输出为所需要的格式，得到原始构造图。
加窗傅里叶构造图生成模块206分别与数据预处理模块202和图像计算模块204耦合，用于对预处理后的多时相高分遥感数据进行不同方向的加窗傅里叶变换，形成多时相的不同方向纹理图，从多时相的不同方向纹理图提取构造得到多时相加窗傅里叶构造图并传输至图像计算模块204；
其中，对预处理后的多时相高分遥感数据进行不同方向的加窗傅里叶变换按照以下方法计算：
Figure BDA0002638109400000141
Figure BDA0002638109400000142
其中，u是方向因子，v是尺度因子，
Figure BDA0002638109400000143
是以u,v为参数的函数，z是二维图像坐标，σ是与小波频率带宽有关的常数，ku,v是中心频率，i是虚数，θ是方向，kv是频率值，cosθu是方向θu的余弦值，sinθu是方向θu的正弦值。
图像计算模块204分别与原始构造图生成模块205、加窗傅里叶构造图生成模块206、判断标准提取模块203和分析模块207耦合，用于将多时相原始构造图与多时相加窗傅里叶构造图做差，根据色调、纹理和形状的判断标准提取出隐伏构造并传输至分析模块207；
分析模块207分别与图像计算模块204和数据库建立模块215耦合，用于分析隐伏构造的活动性，圈定潜在地质灾害分布区并传输至数据库建立模块215；
变化差异图生成模块208分别数据预处理模块202和变化差异图处理模块209耦合，用于对预处理后的多时相高分遥感数据中灾害发生前后的多时相高分遥感数据做差形成变化差异图并传输至变化差异图处理模块209；
变化差异图处理模块209分别与变化差异图生成模块208和特征提取模块210耦合，用于将变化差异图中每一个像素点进行中央与周边做差得到处理后的变化差异图并传输至特征提取模块210；
特征提取模块210分别与变化差异图处理模块209和显著性图生成模块211耦合，用于利用视觉颜色感知算法对处理后的变化差异图提取已发地质灾害的色调特征，利用加窗傅里叶方向纹理增强算法对处理后的变化差异图提取已发地质灾害的纹理信息，利用数学形态学膨胀算法对纹理信息提取已发地质灾害的形状特征并传输至显著性图生成模块211；
其中，利用视觉颜色感知算法对变化差异图提取已发地质灾害的色调特征包括：
逐个像素点读取变化差异图的R、G、B波段的图像值，将R、G、B波段的图像值对应的转化为HSV颜色空间的h,s,v波段的图像值，将h,s,v波段的图像值进行彩色合成得到HSV颜色空间图像，从HSV颜色空间图像得到已发地质灾害的色调特征；
将R、G、B波段的图像值对应的转化为HSV颜色空间的h,s,v波段的图像值按照以下方法计算：
Figure BDA0002638109400000151
Figure BDA0002638109400000161
Figure BDA0002638109400000162
其中，RGB颜色空间中任意颜色表示为(r,g,b)，r,g,b∈[0,1,…255]。
利用数学形态学膨胀算法对纹理信息提取已发地质灾害的形状特征按照以下方法计算：
D(x)＝{a|B(m)↑X},
其中，D(x)是a的合集，X是被处理的对象，B是结构元素，将结构元素平移m得到B(m)，若B(m)击中X记下a点。
显著性图生成模块211分别与特征提取模块210和信息提取模块212耦合，用于选择任意一个波段的色调特征和纹理信息根据高斯金字塔多尺度变换方法进行跨尺度特征图融合和归一化得到显著性图并传输至信息提取模块212；
其中，选择任意一个波段的色调特征和纹理信息根据高斯金字塔多尺度变换方法进行跨尺度特征图融合和归一化得到显著性图按照以下方法计算：
Figure BDA0002638109400000163
Figure BDA0002638109400000164
Sglobal＝N[g(x,y)],
其中，val(x,y)是像素点(x,y)计算结果值，val是数值，I(x,y)是位于点(x,y)的像素值，g(x,y)是点(x,y)的全局对比度，γ是人工设定的灰度经验参数值，M和N可以表示图像的大小，M是行数，N是列数，Sglobal是显著性图的值，N[g(x,y)]是对g(x,y)进行归一化处理，将任意一个波段的色调特征和纹理信息进行彩色合成，选择波段时选择色调特征最明显的波段。
信息提取模块212分别与显著性图生成模块211和数据库建立模块215耦合，用于将显著性图转化为显著性矢量图并提取出面积、纹理方向、高程和坡度特征，根据面积、纹理方向、高程和坡度特征、色调特征、形状特征得到已发地质灾害点的类型、数量和边界的信息传输至数据库建立模块215；
水系和地形地貌数据提取模块213分别与数据预处理模块202和数据库建立模块215耦合，用于根据高分辨率立体像对图像数据得到数字高程模型，根据数字高程模型提取水系和地形地貌数据并传输至数据库建立模块215；
其中，将数字高程模型导入地理信息系统软件(ArcGIS)中，利用工具箱中的“填挖”工具进行填挖；根据填挖的结果，利用地理信息系统软件(ArcGIS)中的“流向分析”工具进行流向数据提取；结合河流流向，利用地理信息系统软件(ArcGIS)中的“流量分析”工具计算各处汇流量；利用地理信息系统软件(ArcGIS)中的“栅格计算”工具计算汇流面积形成河沟再提取河网栅格数据；利用地理信息系统软件(ArcGIS)中的“转化”工具利用河网栅格数据结果与流向数据结果将河网栅格数据转化为河网矢量数据，得到水系；利用地理信息系统软件(ArcGIS)中的“坡度、坡向计算工具”提取地形地貌数据。
地层岩性提取模块214分别与数据预处理模块202和数据库建立模块215耦合，用于根据地质图数据提取地层岩性数据并传输至数据库建立模块215；
其中，将地质图数据导入到地理信息系统软件(ArcGIS)中，利用地理信息系统软件(ArcGIS)中的“绘图”工具提取关键地层岩性数据。
数据库建立模块215分别与分析模块207、信息提取模块212、水系和地形地貌数据提取模块213、地层岩性提取模块214和模型构建模块216耦合，用于根据已发地质灾害点的类型、数量和边界的信息、潜在地质灾害分布区、水系、地形地貌数据和地层岩性数据建立地质灾害时空数据库并传输至模型构建模块216；
模型构建模块216分别与数据库建立模块215和地质灾害提取模块217耦合，用于根据地质灾害时空数据库中的数据分析地质灾害、孕灾环境和降雨数据之间的关系，构建地质灾害危险性高精度评价模型，通过野外调查与验证，改进地质灾害危险性高精度评价模型并传输至地质灾害提取模块217；
其中，孕灾环境是由大气圈、水圈、岩石圈(包括土壤和植被)、生物圈和人类社会圈所构成的综合地球表层环境。
降雨数据对地质灾害岩土体的内摩擦角和内聚力有严重影响。
野外调查与验证是实地调查地质灾害、孕灾环境和降雨数据的遥感信息提取结果，验证地质体属性判定的正确与否以及地质体界线的准确程度。当出现偏差时，应及时分析原因、总结规律，提高地质灾害相关信息提取方法的精度。
还可以进行地质灾害稳定性分析，利用传递系数法建立地质灾害稳定性分析模型，地质灾害稳定性分析模型的稳定性系数按照以下方法进行计算：
Figure BDA0002638109400000181
其中，Wi是第i条块的重量，αi是第i条块的滑面倾角，
Figure BDA0002638109400000182
是第i条块的内摩擦角，Ci是第i条块的内聚力，Li是第i条块的滑面长度，Ψj是第i-1块段的剩余下滑力传递至第i块时的传递系数，Rn是抗滑力，Tn是下滑力。
地质灾害提取模块217与模型构建模块216耦合，用于根据改进后的地质灾害危险性高精度评价模型提取地质灾害危险区。
通过上述实施例可知，本发明提供的一种典型地质灾害遥感智能提取的方法与系统，至少实现了如下的有益效果：
(1)本发明提供的典型地质灾害遥感智能提取的方法与系统根据多时相高分遥感数据、高分辨率立体像对图像数据、降雨数据和地质图数据提取信息建立数据库，再通过数据库中的数据进行分析得到地质灾害危险性高精度评价模型提取地质灾害危险区，可以准确把握地质灾害的危险性，进而制定行之有效的防灾策略和避灾方案，切实减少人员伤亡和财产损失。同时，还可为山区重大工程规划建设与城镇防灾减灾工作提供科学依据。
(2)本发明提供的典型地质灾害遥感智能提取的方法与系统根据多时相高分遥感数据和地质图数据基于加窗傅里叶变换提取潜在地质灾害信息，可以细致排查潜在地质灾害点，最大程度上减少人员伤亡和财产损失，潜在地质灾害防不胜防，更具危险性，而隐伏构造则是潜在地质灾害的主控因素，项目综合利用高分遥感数据，发展隐伏构造信息突出方法，实现尽早发现隐伏构造所导致的潜在地质灾害点，解决因地表覆盖导致人工难以发现的问题。同时，也克服了因研究区过大、交通不便所导致的人员无法全覆盖调查的难题，使地质灾害调查工作更细致、更全面，为在最大程度上减少人员伤亡和财物损毁提供高科技手段。
(3)本发明提供的典型地质灾害遥感智能提取的方法与系统自动化程度高、图像处理效果好，可以节约成本，高效服务地质灾害隐患点排查工作，对地质灾害进行遥感监测与危险性分析，所需的成本远远低于逐一、定期的实地调查所需的昂贵成本，对地质灾害隐患点的排查、监测、防护和预警具有重要意义。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种典型地质灾害遥感智能提取的方法，其特征在于，包括：
获取多时相高分遥感数据、高分辨率立体像对图像数据、降雨数据和地质图数据；
对所述多时相高分遥感数据、所述高分辨率立体像对图像数据、所述降雨数据和所述地质图数据进行几何配准预处理；
根据预处理后的所述多时相高分遥感数据和所述地质图数据确定典型地质灾害的色调、纹理和形状的判断标准；
对预处理后的所述多时相高分遥感数据进行构造解译，形成多时相原始构造图；
对预处理后的所述多时相高分遥感数据进行不同方向的加窗傅里叶变换，形成多时相的不同方向纹理图，从所述多时相的不同方向纹理图提取构造得到多时相加窗傅里叶构造图；
将所述多时相原始构造图与所述多时相加窗傅里叶构造图做差，根据所述色调、纹理和形状的判断标准提取出隐伏构造；
分析所述隐伏构造的活动性，圈定潜在地质灾害分布区；
对预处理后的所述多时相高分遥感数据中灾害发生前后的所述多时相高分遥感数据做差形成变化差异图；
将所述变化差异图中每一个像素点进行中央与周边做差得到处理后的变化差异图；
利用视觉颜色感知算法对所述处理后的变化差异图提取已发地质灾害的色调特征，利用加窗傅里叶方向纹理增强算法对处理后的变化差异图提取所述已发地质灾害的纹理信息，利用数学形态学膨胀算法对所述纹理信息提取所述已发地质灾害的形状特征；
选择任意一个波段的所述色调特征和所述纹理信息根据高斯金字塔多尺度变换方法进行跨尺度特征图融合和归一化得到显著性图；
将所述显著性图转化为显著性矢量图并提取出面积、纹理方向、高程和坡度特征，根据所述面积、纹理方向、高程和坡度特征、所述色调特征、形状特征得到已发地质灾害点的类型、数量和边界的信息；
根据所述高分辨率立体像对图像数据得到数字高程模型，根据所述数字高程模型提取水系和地形地貌数据；
根据地质图数据提取地层岩性数据；
根据所述已发地质灾害点的类型、数量和边界的信息、所述潜在地质灾害分布区、所述水系、所述地形地貌数据和所述地层岩性数据建立地质灾害时空数据库；
根据所述地质灾害时空数据库中的数据分析地质灾害、孕灾环境和所述降雨数据之间的关系，构建地质灾害危险性高精度评价模型，通过野外调查与验证，改进所述地质灾害危险性高精度评价模型；
根据所述改进后的所述地质灾害危险性高精度评价模型提取地质灾害危险区。
2.根据权利要求1所述的典型地质灾害遥感智能提取的方法，其特征在于，所述对预处理后的所述多时相高分遥感数据进行不同方向的加窗傅里叶变换按照以下方法计算：
Figure FDA0002638109390000021
Figure FDA0002638109390000022
其中，u是方向因子，v是尺度因子，
Figure FDA0002638109390000023
是以u,v为参数的函数，z是二维图像坐标，σ是与小波频率带宽有关的常数，ku,v是中心频率，i是虚数，θ是方向，kv是频率值，cosθu是方向θu的余弦值，sinθu是方向θu的正弦值。
3.根据权利要求1所述的典型地质灾害遥感智能提取的方法，其特征在于，所述利用视觉颜色感知算法对所述变化差异图提取已发地质灾害的色调特征包括：
逐个像素点读取所述变化差异图的R、G、B波段的图像值，将所述R、G、B波段的图像值对应的转化为HSV颜色空间的h,s,v波段的图像值，将所述h,s,v波段的图像值进行彩色合成得到HSV颜色空间图像，从所述HSV颜色空间图像得到所述已发地质灾害的色调特征。
4.根据权利要求3所述的典型地质灾害遥感智能提取的方法，其特征在于，所述将所述R、G、B波段的图像值对应的转化为HSV颜色空间的h,s,v波段的图像值按照以下方法计算：
Figure FDA0002638109390000031
Figure FDA0002638109390000032
Figure FDA0002638109390000033
其中，RGB颜色空间中任意颜色表示为(r,g,b)，r,g,b∈[0,1,…255]。
5.根据权利要求1所述的典型地质灾害遥感智能提取的方法，其特征在于，所述选择任意一个波段的所述色调特征和纹理信息根据高斯金字塔多尺度变换方法进行跨尺度特征图融合和归一化得到显著性图按照以下方法计算：
Figure FDA0002638109390000034
Figure FDA0002638109390000035
Sglobal＝N[g(x,y)],
其中，val(x,y)是像素点(x,y)计算结果值，val是数值，I(x,y)是位于点(x,y)的像素值，g(x,y)是点(x,y)的全局对比度，γ是人工设定的灰度经验参数值，M和N可以表示图像的大小，M是行数，N是列数，Sglobal是显著性图的值，N[g(x,y)]是对g(x,y)进行归一化处理。
6.一种典型地质灾害遥感智能提取的系统，其特征在于，包括：
数据获取模块和数据预处理模块耦接，用于获取多时相高分遥感数据、高分辨率立体像对图像数据、降雨数据和地质图数据并传输至所述数据预处理模块；
所述数据预处理模块分别与所述数据获取模块、判断标准提取模块、原始构造图生成模块、加窗傅里叶构造图生成模块、变化差异图生成模块、水系和地形地貌数据提取模块和地层岩性提取模块耦合，用于对所述多时相高分遥感数据、所述高分辨率立体像对图像数据、所述降雨数据和所述地质图数据进行几何配准预处理并传输至所述判断标准提取模块、所述原始构造图生成模块、所述加窗傅里叶构造图生成模块、所述变化差异图生成模块、所述水系和地形地貌数据提取模块和所述地层岩性提取模块；
所述判断标准提取模块分别与所述数据预处理模块和图像计算模块耦合，用于根据预处理后的所述多时相高分遥感数据和所述地质图数据确定典型地质灾害的色调、纹理和形状的判断标准并传输至所述图像计算模块；
所述原始构造图生成模块分别与所述数据预处理模块和图像计算模块耦合，用于对预处理后的所述多时相高分遥感数据进行构造解译，形成多时相原始构造图并传输至所述图像计算模块；
所述加窗傅里叶构造图生成模块分别与所述数据预处理模块和图像计算模块耦合，用于对预处理后的所述多时相高分遥感数据进行不同方向的加窗傅里叶变换，形成多时相的不同方向纹理图，从所述多时相的不同方向纹理图提取构造得到多时相加窗傅里叶构造图并传输至所述图像计算模块；
所述图像计算模块分别与所述原始构造图生成模块、所述加窗傅里叶构造图生成模块、所述判断标准提取模块和分析模块耦合，用于将所述多时相原始构造图与所述多时相加窗傅里叶构造图做差，根据所述色调、纹理和形状的判断标准提取出隐伏构造并传输至所述分析模块；
所述分析模块分别与所述图像计算模块和数据库建立模块耦合，用于分析所述隐伏构造的活动性，圈定潜在地质灾害分布区并传输至所述数据库建立模块；
所述变化差异图生成模块分别所述数据预处理模块和变化差异图处理模块耦合，用于对预处理后的所述多时相高分遥感数据中灾害发生前后的所述多时相高分遥感数据做差形成变化差异图并传输至所述变化差异图处理模块；
所述变化差异图处理模块分别与所述变化差异图生成模块和特征提取模块耦合，用于将所述变化差异图中每一个像素点进行中央与周边做差得到处理后的变化差异图并传输至所述特征提取模块；
所述特征提取模块分别与所述变化差异图处理模块和显著性图生成模块耦合，用于利用视觉颜色感知算法对所述处理后的变化差异图提取已发地质灾害的色调特征，利用加窗傅里叶方向纹理增强算法对处理后的变化差异图提取所述已发地质灾害的纹理信息，利用数学形态学膨胀算法对所述纹理信息提取所述已发地质灾害的形状特征并传输至所述显著性图生成模块；
所述显著性图生成模块分别与所述特征提取模块和信息提取模块耦合，用于选择任意一个波段的所述色调特征和所述纹理信息根据高斯金字塔多尺度变换方法进行跨尺度特征图融合和归一化得到显著性图并传输至所述信息提取模块；
所述信息提取模块分别与所述显著性图生成模块和数据库建立模块耦合，用于将所述显著性图转化为显著性矢量图并提取出面积、纹理方向、高程和坡度特征，根据所述面积、纹理方向、高程和坡度特征、所述色调特征、形状特征得到已发地质灾害点的类型、数量和边界的信息传输至所述数据库建立模块；
所述水系和地形地貌数据提取模块分别与所述数据预处理模块和所述数据库建立模块耦合，用于根据所述高分辨率立体像对图像数据得到数字高程模型，根据所述数字高程模型提取水系和地形地貌数据并传输至所述数据库建立模块；
所述地层岩性提取模块分别与所述数据预处理模块和所述数据库建立模块耦合，用于根据地质图数据提取地层岩性数据并传输至所述数据库建立模块；
所述数据库建立模块分别与所述分析模块、所述信息提取模块、所述水系和地形地貌数据提取模块、所述地层岩性提取模块和模型构建模块耦合，用于根据所述已发地质灾害点的类型、数量和边界的信息、所述潜在地质灾害分布区、所述水系、所述地形地貌数据和所述地层岩性数据建立地质灾害时空数据库并传输至所述模型构建模块；
所述模型构建模块分别与所述数据库建立模块和地质灾害提取模块耦合，用于根据所述地质灾害时空数据库中的数据分析地质灾害、孕灾环境和所述降雨数据之间的关系，构建地质灾害危险性高精度评价模型，通过野外调查与验证，改进所述地质灾害危险性高精度评价模型并传输至所述地质灾害提取模块；
所述地质灾害提取模块与所述模型构建模块耦合，用于根据所述改进后的所述地质灾害危险性高精度评价模型提取地质灾害危险区。
7.根据权利要求6所述的典型地质灾害遥感智能提取的方法，其特征在于，所述对预处理后的所述多时相高分遥感数据进行不同方向的加窗傅里叶变换按照以下方法计算：
Figure FDA0002638109390000061
Figure FDA0002638109390000062
其中，u是方向因子，v是尺度因子，
Figure FDA0002638109390000063
是以u,v为参数的函数，z是二维图像坐标，σ是与小波频率带宽有关的常数，ku,v是中心频率，i是虚数，θ是方向，kv是频率值，cosθu是方向θu的余弦值，sinθu是方向θu的正弦值。
8.根据权利要求6所述的典型地质灾害遥感智能提取的方法，其特征在于，所述利用视觉颜色感知算法对所述变化差异图提取已发地质灾害的色调特征包括：
逐个像素点读取所述变化差异图的R、G、B波段的图像值，将所述R、G、B波段的图像值对应的转化为HSV颜色空间的h,s,v波段的图像值，将所述h,s,v波段的图像值进行彩色合成得到HSV颜色空间图像，从所述HSV颜色空间图像得到所述已发地质灾害的色调特征。
9.根据权利要求8所述的典型地质灾害遥感智能提取的方法，其特征在于，所述将所述R、G、B波段的图像值对应的转化为HSV颜色空间的h,s,v波段的图像值按照以下方法计算：
Figure FDA0002638109390000071
Figure FDA0002638109390000072
Figure FDA0002638109390000073
其中，RGB颜色空间中任意颜色表示为(r,g,b)，r,g,b∈[0,1,…255]。
10.根据权利要求6所述的典型地质灾害遥感智能提取的方法，其特征在于，所述选择任意一个波段的所述色调特征和纹理信息根据高斯金字塔多尺度变换方法进行跨尺度特征图融合和归一化得到显著性图按照以下方法计算：
Figure FDA0002638109390000074
Figure FDA0002638109390000075
Sblobal＝N[g(x,y)],
其中，val(x,y)是像素点(x,y)计算结果值，val是数值，I(x,y)是位于点(x,y)的像素值，g(x,y)是点(x,y)的全局对比度，γ是人工设定的灰度经验参数值，M和N可以表示图像的大小，M是行数，N是列数，Sglobal是显著性图的值，N[g(x,y)]是对g(x,y)进行归一化处理。
CN202010831375.8A 2020-08-18 2020-08-18 典型地质灾害遥感智能提取的方法与系统 Expired - Fee Related CN111932591B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010831375.8A CN111932591B (zh) 2020-08-18 2020-08-18 典型地质灾害遥感智能提取的方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010831375.8A CN111932591B (zh) 2020-08-18 2020-08-18 典型地质灾害遥感智能提取的方法与系统

Publications (2)

Publication Number Publication Date
CN111932591A true CN111932591A (zh) 2020-11-13
CN111932591B CN111932591B (zh) 2022-10-21

Family

ID=73306133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010831375.8A Expired - Fee Related CN111932591B (zh) 2020-08-18 2020-08-18 典型地质灾害遥感智能提取的方法与系统

Country Status (1)

Country Link
CN (1) CN111932591B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632203A (zh) * 2020-12-21 2021-04-09 武汉达梦数据技术有限公司 一种地质灾害监测点寻找方法和装置
CN113192086A (zh) * 2021-05-11 2021-07-30 中国自然资源航空物探遥感中心 地质灾害隐患变形强度分布图的生成方法和存储介质
CN114676907A (zh) * 2022-01-17 2022-06-28 中国地质大学（北京） 一种区域地质灾害预警方法、装置、存储介质及设备
CN117408418A (zh) * 2023-10-16 2024-01-16 河南大学 基于遥感大数据的区域综合生态环境质量评价方法和系统
CN117456388A (zh) * 2023-10-31 2024-01-26 江苏建筑职业技术学院 基于无人机的地质测量与遥感数据融合管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361582A (zh) * 2014-10-23 2015-02-18 河海大学 一种对象级高分辨率sar影像洪水灾害变化检测方法
CN107463901A (zh) * 2017-08-07 2017-12-12 中国科学院遥感与数字地球研究所 多尺度区域洪涝灾害危险性遥感评估方法和系统
US20180058932A1 (en) * 2016-08-12 2018-03-01 China Institute Of Water Resources And Hydropower Research Method for analyzing the types of water sources based on natural geographical features
CN111008941A (zh) * 2019-11-29 2020-04-14 中国农业科学院农业资源与农业区划研究所 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361582A (zh) * 2014-10-23 2015-02-18 河海大学 一种对象级高分辨率sar影像洪水灾害变化检测方法
US20180058932A1 (en) * 2016-08-12 2018-03-01 China Institute Of Water Resources And Hydropower Research Method for analyzing the types of water sources based on natural geographical features
CN107463901A (zh) * 2017-08-07 2017-12-12 中国科学院遥感与数字地球研究所 多尺度区域洪涝灾害危险性遥感评估方法和系统
CN111008941A (zh) * 2019-11-29 2020-04-14 中国农业科学院农业资源与农业区划研究所 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUHUAN REN等: "Geological disaster detection from remote sensing image based onexpert" knowledge and image features", 《2016 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM(IGARSS)》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632203A (zh) * 2020-12-21 2021-04-09 武汉达梦数据技术有限公司 一种地质灾害监测点寻找方法和装置
CN112632203B (zh) * 2020-12-21 2021-12-14 武汉达梦数据技术有限公司 一种地质灾害监测点寻找方法和装置
CN113192086A (zh) * 2021-05-11 2021-07-30 中国自然资源航空物探遥感中心 地质灾害隐患变形强度分布图的生成方法和存储介质
CN114676907A (zh) * 2022-01-17 2022-06-28 中国地质大学（北京） 一种区域地质灾害预警方法、装置、存储介质及设备
CN114676907B (zh) * 2022-01-17 2022-09-20 中国地质大学（北京） 一种区域地质灾害预警方法、装置、存储介质及设备
CN117408418A (zh) * 2023-10-16 2024-01-16 河南大学 基于遥感大数据的区域综合生态环境质量评价方法和系统
CN117408418B (zh) * 2023-10-16 2024-05-10 河南大学 基于遥感大数据的区域综合生态环境质量评价方法和系统
CN117456388A (zh) * 2023-10-31 2024-01-26 江苏建筑职业技术学院 基于无人机的地质测量与遥感数据融合管理系统

Also Published As

Publication number Publication date
CN111932591B (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN111932591B (zh) 典型地质灾害遥感智能提取的方法与系统
Fressard et al. Which data for quantitative landslide susceptibility mapping at operational scale? Case study of the Pays d'Auge plateau hillslopes (Normandy, France)
Shahzad et al. TecDEM: A MATLAB based toolbox for tectonic geomorphology, Part 2: Surface dynamics and basin analysis
CN103729853B (zh) 三维gis辅助下的高分遥感影像建筑物倒损检测方法
CN104239885A (zh) 一种基于无人机航拍的地震灾害损毁度评估方法
CN104715255B (zh) 一种基于sar图像的滑坡信息提取方法
CN106683096B (zh) 基于卫星遥感影像的冻土灾害信息提取方法及装置
CN108459318A (zh) 基于遥感技术的潜在滑坡早期识别方法
Abdullah et al. Remote sensing and geographic information system for fault segments mapping a study from Taiz area, Yemen
CN113283802A (zh) 一种复杂艰险山区滑坡危险性评估方法
CN104133996A (zh) 一种基于云模型和数据场的地面沉降风险等级评估方法
CN110120046A (zh) 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法
Lemercier et al. Multiscale evaluations of global, national and regional digital soil mapping products in France
Lee et al. Development and application of landslide susceptibility analysis techniques using geographic information system (GIS)
CN114048944A (zh) 一种暴雨诱发地质灾害下应撤离人口及损毁房屋的预估方法
CN114091274A (zh) 一种滑坡易发性评价方法及系统
CN116486289A (zh) 一种多源数据和知识驱动下的燃气管道高后果区识别方法
CN117475314B (zh) 一种地质灾害隐患立体识别方法、系统及介质
CN116070762A (zh) 耦合Smoteenn和Tabtransformer的滑坡易发性预测方法及系统
Süzen Data driven landslide hazard assessment using geographical information systems and remote sensing
Demirkesen Digital terrain analysis using Landsat‐7 ETM+ imagery and SRTM DEM: a case study of Nevsehir province (Cappadocia), Turkey
Chen et al. The application of the genetic adaptive neural network in landslide disaster assessment
Wang et al. GIS-based landslide hazard zonation model and its application
Sui et al. Processing of multitemporal data and change detection
Hapep et al. Comparison of Different DEM Generation Methods based on Open Source Datasets.

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20221021

CF01 Termination of patent right due to non-payment of annual fee