CN113469902A - 基于卫星影像的铁路环境监测方法及其系统 - Google Patents
基于卫星影像的铁路环境监测方法及其系统 Download PDFInfo
- Publication number
- CN113469902A CN113469902A CN202110650161.5A CN202110650161A CN113469902A CN 113469902 A CN113469902 A CN 113469902A CN 202110650161 A CN202110650161 A CN 202110650161A CN 113469902 A CN113469902 A CN 113469902A
- Authority
- CN
- China
- Prior art keywords
- data
- image
- preset
- intervened
- classification
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000012937 correction Methods 0.000 claims abstract description 24
- 230000007613 environmental effect Effects 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 239000003595 mist Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 241000345998 Calamus manan Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 235000012950 rattan cane Nutrition 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于卫星影像的铁路环境监测方法及其系统,方法包括:获取多种环境图像数据;预处理多种环境图像数据:进行几何校正、图像配准、和/或数据融合后得到待提取数据;预提取待提取数据:先基于样本库进行预分类,再比对多时相数据,最后根据预设模糊条件处理出待干预数据;干预处理待干预数据:根据预设条件识别待干预数据中的模糊集,根据模糊集在待干预数据中标注出变化图斑,得到监测数据;分发监测数据。本申请具有无需人员进行外业操作就能对铁路周围环境进行监测的效果。
Description
技术领域
本申请涉及铁路环境监测的领域,尤其是涉及一种基于卫星影像的铁路环境监测方法及其系统。
背景技术
我国铁路网络发达,且铁路的安全十分重要,需要对铁路环境进行监测。在经济发达飞地区,铁路沿线的土地利用变化频繁,严重影响铁路运输安全和沿线环境。随着铁路建设在不断推进,新线路的建设和竣工运营过程中,有效监测铁路周边环境,是确保铁路沿线环境安全的重要保障。
传统铁路沿线环境监测的方法以人工在外作业为主,难度大。外业情况复杂,人员安全保障困难,数据文件资料安全保障困难。监测工作周期长,外业工作多,人员工作强度大,工作效率低。
针对上述中的相关技术,发明人认为亟需一种无须外业操作就能对铁路周围环境进行监测的方法。
发明内容
为了无须外业操作就能对铁路周围环境进行监测,本申请提供一种基于卫星影像的铁路环境监测方法及其系统。
第一方面,本申请提供一种基于卫星影像的铁路环境监测方法,采用如下的技术方案:
一种基于卫星影像的铁路环境监测方法,包括如下步骤:
获取多种环境图像数据;
预处理多种所述环境图像数据:对所述环境图像数据进行几何校正、图像配准、和/或数据融合后得到待提取数据;
预提取所述待提取数据:基于样本库对所述待提取数据进行预分类,比对预设或者实时更新的多时相数据进行纠正,根据预设模糊条件从纠正后的数据中处理出待干预数据;
干预处理所述待干预数据:根据预设条件识别所述待干预数据中的模糊集,根据所述模糊集在所述待干预数据中标注出变化图斑,得到监测数据;
分发所述监测数据。
通过采用上述技术方案,预处理环境图像能够得到更清晰的图像,预提取处理能够将图像中的数据分为清楚的数据与模糊的数据,干预处理则能单独处理模糊的数据,再与清楚的数据一起形成监测数据,将监测数据分发下去用于铁路环境的监测,无需人员进行外业操作。
优选的,所述几何校正包括对所述环境图像数据进行正射校正,对所述环境图像数据按照预设模板进行拼接裁剪。
通过采用上述技术方案,几何校正具有多种级别,正射校正是几何校正中级别最高的,几何校正是消除因大气传输、传感器本身、地球曲率等因素造成的几何畸变,主要纠正或者赋予影像平面坐标;正射校正还根据DEM来纠正影像因地形起伏而产生的畸变,给图像加上高程信息;提高后续拼接裁剪后的图像效果。
优选的,所述图像配准包括按照预设的云雾模板对所述环境图像数据进行云雾去除。
通过采用上述技术方案,去除云雾能够得到更清楚的图像,利于后续图像的处理。
优选的,所述数据融合包括将不同数据源的所述环境图像数据进行影像融合。
通过采用上述技术方案,影像融合后方便后续对图像的内容进行处理。
优选的,所述预分类包括提取植被分类、提取水体分类或提取建筑变化图斑分类,形成多个分类项。
优选的,所述多时相数据为同一类型在不同时间点的数据。
优选的,所述预设模糊条件包括:
所属同一分类的多个分类项之间差异度低于预设差异值;
分类项在图像中所占图像像素小于预设数量值;
或,分类项未存在于所述样本库中。
通过采用上述技术方案,能够分理出处理难度较高的数据以进行单独处理。
优选的,所述干预处理所述待干预数据的步骤中,还包括:
将符合预设模糊条件的分类项扩充入所述样本库中。
通过采用上述技术方案,扩充样本库能提高对后续图像的处理能力。
优选的,所述环境图像数据包括遥感图像、分类图斑以及本底数据。
第二方面,本申请提供一种基于卫星影像的铁路环境监测系统,采用如下的技术方案:
一种基于卫星影像的铁路环境监测系统,包括如下模块:
获取模块,用于获取多种环境图像数据;
预处理模块,与所述获取模块数据连接,用于预处理多种所述环境图像数据:对所述环境图像数据进行几何校正、图像配准、和/或数据融合后得到待提取数据;
预提取模块,与所述预处理模块数据连接,用于预提取所述待提取数据:基于样本库对所述待提取数据进行预分类,比对预设或者实时更新的多时相数据进行纠正,根据预设模糊条件从纠正后的数据中处理出待干预数据;
干预模块,与所述预提取模块数据连接,用于干预处理所述待干预数据:根据预设条件识别所述待干预数据中的模糊集,根据所述模糊集在所述待干预数据中标注出变化图斑,得到监测数据;
分发模块,与所述干预模块数据连接,用于分发所述监测数据。
通过采用上述技术方案,预处理模块输出更清晰的图像,预提取模块能够输出预处理好的清楚的数据与模糊的数据,干预模块单独处理模糊的数据,再与清楚的数据一起形成监测数据,分发模块将监测数据分发下去用于铁路环境的监测,无需人员进行外业操作。
本申请至少具有如下有益效果:对遥感图像、分类图斑以及本底数据进行预处理,滤去数据中的噪点,得到更清晰的图像;对清晰图像进行预提取处理得到清楚度不同的数据,清楚度为机器语言能处理的程度,对模糊的数据进行单独处理,与清楚的数据形成最终的监测数据,将监测数据分发下去用于铁路环境的监测,无需人员进行外业操作。
附图说明
图1是本申请基于卫星影像的铁路环境监测方法的方法流程示意图。
图2是本申请基于卫星影像的铁路环境监测系统的系统结构框图。
附图标记:1、获取模块;2、预处理模块;3、预提取模块;4、干预模块;5、分发模块。
具体实施方式
以下结合附图1-2对本申请作进一步详细说明。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例公开一种基于卫星影像的铁路环境监测方法,如图1所示,包括如下步骤:
获取多种环境图像数据。环境图像数据主要指卫星遥感或无人机应用过程中涉及的数据资源,包括卫星遥感原始数据、分类图斑、本底数据等,是环境数据应用体系中的重要数据组成部分。数据源可选用国产卫星影像GF1(2米)、ZY3(2米)、GF2(0.8米)、sentinel-1等,并收集了试验区的多时段影像,以便于进行相关要素提取与变化监测。多时段影像也可为多时相数据,为同一类型在不同时间点的数据。上述数据可从卫星获取,卫星获取数据重访周期短,覆盖面广。卫星数据精确,数据数字化程度高,数据质检方便。
预处理多种环境图像数据。预处理方法包括几何校正、图像配准与数据融合,几何校正、图像配准与数据融合可以单独进行或者按顺序任意组合进行。可对环境图像数据先进行几何校正,几何校正包括对环境图像数据进行正射校正,对环境图像数据按照预设模板进行拼接裁剪。然后进行图像配准,图像配准包括按照预设的云雾模板对环境图像数据进行云雾去除。最后进行数据融合得到待提取数据,数据融合包括将不同数据源的环境图像数据进行影像融合。几何校正具有多种级别,可使用正射校正,它是几何校正中级别最高的,几何校正是消除因大气传输、传感器本身、地球曲率等因素造成的几何畸变,主要纠正或者赋予影像平面坐标。正射校正还根据DEM来纠正影像因地形起伏而产生的畸变,给图像加上高程信息,提高后续拼接裁剪后的图像效果。去除云雾能够得到更清楚的图像,利于后续图像的处理。影像融合后方便后续对图像的内容进行处理。
预提取待提取数据:先基于样本库进行预分类,预分类包括提取植被分类、提取水体分类或提取建筑变化图斑分类,形成多个分类项。再比对多时相数据,最后根据预设模糊条件处理出待干预数据。根据铁路沿线保护区地表覆盖的实际情况,先对地物大致分为了10类,其中常规地物有7类:林地、耕地和草地、空地、居民地、铁路、公路、水体;重点地物有3类:违章建筑物、固定废弃物、乱堆放杂物。预设模糊条件包括:所属同一分类的多个分类项之间差异度低于预设差异值。分类项在图像中所占图像像素小于预设数量值,或者,分类项未存在于样本库中。使用预设模糊条件能够自动化分离相似度低的部分,如棚与藤架之间的微小差异计算机识别困难,也能够分离出小范围固废堆放的部分,如在画幅中占图像像素少的要素,还能够处理数据库中未出现过的类别或特征,如出现的新型类别。预提取步骤能单独提取处理难度较高的数据。
干预处理待干预数据:根据预设条件识别待干预数据中的模糊集,根据模糊集在待干预数据中标注出变化图斑,得到监测数据。干预处理可使用人工处理或者使用单独的功能插件进行处理,如作为重点识别对象的固废、违建,这些部位具有范围小、情况复杂以及识别困难的特点。完成识别后,将符合预设模糊条件的分类项扩充入样本库中,逐步增加难识别样本的识别度,提高对后续图像的处理能力。
分发监测数据,将数据分发至业务层的软件系统,如环境监测研究与开发等业务软件系统。
实施原理为:利用大尺度卫星遥感数据及无人机数据,将大量外业工作减少成内业工作,将原始数据作为档案存放,增加可回溯性。处理的步骤中,预处理环境图像能够得到更清晰的图像,预提取处理能够将图像中的数据分为清楚的数据与模糊的数据,干预处理则能单独处理模糊的数据,再与清楚的数据一起形成监测数据,将监测数据分发下去用于铁路环境的监测,无需人员进行外业操作。
本申请实施例还公开一种基于卫星影像的铁路环境监测系统,如图2所示,包括如下模块:
获取模块1,用于获取多种环境图像数据;
预处理模块2,与获取模块1数据连接,用于预处理多种环境图像数据:先进行几何校正,然后进行图像配准,最后进行数据融合得到待提取数据;
预提取模块3,与预处理模块2数据连接,用于预提取待提取数据:先基于样本库进行预分类,再比对多时相数据,最后根据预设模糊条件处理出待干预数据;
干预模块4,与预提取模块3数据连接,用于干预处理待干预数据:根据预设条件识别待干预数据中的模糊集,根据模糊集在待干预数据中标注出变化图斑,得到监测数据;
分发模块5,与干预模块4数据连接,用于分发监测数据。
实施原理为:预处理模块2输出更清晰的图像,预提取模块3能够输出预处理好的清楚的数据与模糊的数据,干预模块4单独处理模糊的数据,再与清楚的数据一起形成监测数据,分发模块5将监测数据分发下去用于铁路环境的监测,无需人员进行外业操作。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种基于卫星影像的铁路环境监测方法,其特征在于:包括如下步骤:
获取多种环境图像数据;
预处理多种所述环境图像数据:对所述环境图像数据进行几何校正、图像配准、和/或数据融合后得到待提取数据;
预提取所述待提取数据:基于样本库对所述待提取数据进行预分类,比对预设或者实时更新的多时相数据进行纠正,根据预设模糊条件从纠正后的数据中处理出待干预数据;
干预处理所述待干预数据:根据预设条件识别所述待干预数据中的模糊集,根据所述模糊集在所述待干预数据中标注出变化图斑,得到监测数据;
分发所述监测数据。
2.根据权利要求1所述的方法,其特征在于:所述几何校正包括对所述环境图像数据进行正射校正,对所述环境图像数据按照预设模板进行拼接裁剪。
3.根据权利要求1所述的方法,其特征在于:所述图像配准包括按照预设的云雾模板对所述环境图像数据进行云雾去除。
4.根据权利要求1所述的方法,其特征在于:所述数据融合包括将不同数据源的所述环境图像数据进行影像融合。
5.根据权利要求1所述的方法,其特征在于:所述预分类包括提取植被分类、提取水体分类或提取建筑变化图斑分类,形成多个分类项。
6.根据权利要求1所述的方法统,其特征在于:所述多时相数据为同一类型在不同时间点的数据。
7.根据权利要求1所述的方法,其特征在于:所述预设模糊条件包括:
所属同一分类的多个分类项之间差异度低于预设差异值;
分类项在图像中所占图像像素小于预设数量值;
或,分类项未存在于所述样本库中。
8.根据权利要求1所述的方法,其特征在于:所述干预处理所述待干预数据的步骤中,还包括:
将符合预设模糊条件的分类项扩充入所述样本库中。
9.根据权利要求1所述的方法,其特征在于:所述环境图像数据包括遥感图像、分类图斑以及本底数据。
10.一种基于卫星影像的铁路环境监测系统,其特征在于:包括如下模块:
获取模块(1),用于获取多种环境图像数据;
预处理模块(2),与所述获取模块(1)数据连接,用于预处理多种所述环境图像数据:对所述环境图像数据进行几何校正、图像配准、和/或数据融合后得到待提取数据;
预提取模块(3),与所述预处理模块(2)数据连接,用于预提取所述待提取数据:基于样本库对所述待提取数据进行预分类,比对预设或者实时更新的多时相数据进行纠正,根据预设模糊条件从纠正后的数据中处理出待干预数据;
干预模块(4),与所述预提取模块(3)数据连接,用于干预处理所述待干预数据:根据预设条件识别所述待干预数据中的模糊集,根据所述模糊集在所述待干预数据中标注出变化图斑,得到监测数据;
分发模块(5),与所述干预模块(4)数据连接,用于分发所述监测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110650161.5A CN113469902A (zh) | 2021-06-10 | 2021-06-10 | 基于卫星影像的铁路环境监测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110650161.5A CN113469902A (zh) | 2021-06-10 | 2021-06-10 | 基于卫星影像的铁路环境监测方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469902A true CN113469902A (zh) | 2021-10-01 |
Family
ID=77869634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110650161.5A Pending CN113469902A (zh) | 2021-06-10 | 2021-06-10 | 基于卫星影像的铁路环境监测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469902A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115829241A (zh) * | 2022-11-21 | 2023-03-21 | 广东省国土资源测绘院 | 一种自然资源作业管理方法、装置及存储介质 |
CN116524374A (zh) * | 2023-07-03 | 2023-08-01 | 江苏省地质调查研究院 | 卫星影像实时处理与分发方法与系统 |
-
2021
- 2021-06-10 CN CN202110650161.5A patent/CN113469902A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115829241A (zh) * | 2022-11-21 | 2023-03-21 | 广东省国土资源测绘院 | 一种自然资源作业管理方法、装置及存储介质 |
CN116524374A (zh) * | 2023-07-03 | 2023-08-01 | 江苏省地质调查研究院 | 卫星影像实时处理与分发方法与系统 |
CN116524374B (zh) * | 2023-07-03 | 2023-09-26 | 江苏省地质调查研究院 | 卫星影像实时处理与分发方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
Zhang et al. | Automatic construction of building footprints from airborne LIDAR data | |
CN113033670B (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
Ao et al. | Automatic segmentation of stem and leaf components and individual maize plants in field terrestrial LiDAR data using convolutional neural networks | |
CN113469902A (zh) | 基于卫星影像的铁路环境监测方法及其系统 | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
Lamar et al. | Multitemporal censusing of a population of eastern hemlock (Tsuga canadensis L.) from remotely sensed imagery using an automated segmentation and reconciliation procedure | |
CN110070571B (zh) | 一种基于深度相机的毛竹形态参数检测方法 | |
CN114359722A (zh) | 特殊地貌分布范围识别方法、装置及设备 | |
CN114463623A (zh) | 一种基于多尺度遥感影像的耕地变化检测方法及装置 | |
CN117763186A (zh) | 遥感图像检索方法、系统、计算机设备及存储介质 | |
CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
CN112232303B (zh) | 一种基于高分遥感影像的草原道路信息提取方法 | |
Fisette et al. | Methodology for a Canadian agricultural land cover classification | |
Subhashini et al. | An innovative hybrid technique for road extraction from noisy satellite images | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
CN114445326A (zh) | 光伏面板异常检测方法、检测装置及计算机可读存储装置 | |
Liu et al. | Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis | |
CN104616262A (zh) | 一种基于太阳宁静色球背景处理的Hα去云方法 | |
CN117218452B (zh) | 一种土地图像自动分类管理系统 | |
CN118196502A (zh) | 一种基于遥感数据的耕地地块边界识别方法及系统 | |
Wang et al. | Pavement Crack Classification and Recognition Algorithm Combined with Tensor Voting and RANSAC | |
CN117115656A (zh) | 基于遥感影像的山区细小水系提取方法 | |
Sengupta et al. | Detecting human settlements in satellite images | |
Samundeeswari | A Heterogeneous Approach to Extract Information from High Resolution Satellite Images |
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 |