CN113591714A - 一种基于卫星遥感图像洪涝检测方法 - Google Patents

一种基于卫星遥感图像洪涝检测方法 Download PDF

Info

Publication number
CN113591714A
CN113591714A CN202110874826.0A CN202110874826A CN113591714A CN 113591714 A CN113591714 A CN 113591714A CN 202110874826 A CN202110874826 A CN 202110874826A CN 113591714 A CN113591714 A CN 113591714A
Authority
CN
China
Prior art keywords
flood
sar image
dictionary
contour
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.)
Pending
Application number
CN202110874826.0A
Other languages
English (en)
Inventor
周洪成
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.)
Jinling Institute of Technology
Original Assignee
Jinling Institute of Technology
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 Jinling Institute of Technology filed Critical Jinling Institute of Technology
Priority to CN202110874826.0A priority Critical patent/CN113591714A/zh
Publication of CN113591714A publication Critical patent/CN113591714A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

一种基于卫星遥感图像洪涝检测方法，该方法包括以下步骤：步骤1，获取待检测地区SAR图像数据；步骤2，提取待测地区洪涝SAR图像的轮廓特征和颜色特征；步骤3，创建洪涝SAR图像数据集；步骤4，训练洪涝灾害字典集和稀疏矩阵；步骤5，实现基于SAR图像的洪涝灾害检测。本发明融合了SAR图像的轮廓特征和颜色特征，并在字典模型中添加了线性判别式，实现了字典模型对洪涝灾害等级的分类，有助于对洪涝灾害进行提前预警，减小地区损失。

Description

一种基于卫星遥感图像洪涝检测方法
技术领域
本发明涉及洪涝检测领域，特别是涉及一种基于卫星遥感图像洪涝检测方法。
背景技术
随着全球气候变化和城市化进程加快，洪涝灾害的灾情日益严重，同时洪涝灾害是全球最严重的自然灾害之一，发生频率高、危害大，对国民经济有着影响严重。洪涝灾害检测是洪涝灾害管理的基础性工作，是制定各项防洪减灾措施的重要依据，对减轻洪涝灾害的损失有重要意义。
针对洪涝灾害检测的问题，本发明提出了一种基于卫星遥感图像洪涝检测方法，通过星载SAR图图像雷达摄影测量待测地区的洪涝灾害SAR图像，结合字典学习算法，并提取洪涝灾害特征信息，对洪涝灾情类别进行分析，实现对洪涝灾害的遥感图像分类及分析，减少洪涝灾害损失。
发明内容
为解决上述问题，本发明提出了一种基于卫星遥感图像洪涝检测方法。融合了SAR图像的轮廓特征和颜色特征，并在字典模型中添加了线性判别式，实现字典模型对洪涝灾害等级的分类，对洪涝灾害进行提前预警，减小地区损失。为达此目的，本发明提供一种基于卫星遥感图像洪涝检测方法，具体步骤如下，其特征在于：
步骤1，获取待检测地区SAR图像数据，使用星载SAR图图像雷达摄影测量待测地区的洪涝SAR图像，并对数据作消噪处理；
步骤2，提取待测地区洪涝SAR图像的轮廓特征和颜色特征，使用背景建模法提取SAR图像的轮廓特征，并在HSV空间中提取数据的颜色特征；
步骤3，创建洪涝SAR图像数据集，将含有标签的训练样本按照4∶1的比例分为训|练样本和测试样本，用于构建洪涝灾害检测字典模型；
步骤4，训练洪涝灾害字典集和稀疏矩阵，在训|练样本中加入标签，并通过线性判别式实现对洪涝灾害等级的分类，并通过测试样本检验分类模型的识别率；
步骤5，实现基于SAR图像的洪涝灾害检测：分别通过步骤1和步骤3得到实时监测的洪涝SAR图像的轮廓特征和颜色特征，并将该特征输入到训练完成的字典分类模型中，获得洪涝灾害的实时灾害等级。
进一步，步骤1中对数据作消噪处理的过程表示为：
通过星载SAR图图像雷达摄影测量待测地区的洪涝SAR图像后，使用中值滤波去除SAR图像数据中的噪声，公式如下：
y(n)＝med[x(n-N)...x(n)...x(n+N)] (1)
其中，x(n-N)...x(n)...x(n+N)是SAR图像数据中的像素点，y(n)是中值滤波后SAR图像的像素点，med[]代表去SAR图像像素点中间值，使用中值滤波减小SAR图像中的相干斑噪声。
进一步，步骤2中提取待测地区洪涝SAR图像的轮廓特征和颜色特征的过程表示如下：
为了更好的表达待测地图洪涝灾害的相关等级，本发明分别提取了SAR图像的轮廓特征和颜色特征，步骤如下：
步骤2.1，使用背景建模法检测图像中的洪涝范围后，通过序列点{(xi，yi)}ni＝1表示SAR图像中的洪涝范围轮廓，并提取其轮廓曲线的质心：
Figure BDA0003189979430000031
Figure BDA0003189979430000032
步骤2.2，计算轮廓曲线至质心的加权距离，得到轮廓特征di：
Figure BDA0003189979430000033
步骤2.3，提取SAR图像在HSV空间中的颜色特征G：
G＝QsQvH+QvS+V (5)
Qs和Qv分别是颜色空间饱和度S和亮度V的量化级数，H代表颜色空间的色调值。
进一步，步骤3中创建洪涝SAR图像数据集的过程表示如下：
将轮廓特征和颜色特征融合后，获得轮廓特征和颜色特征的融合特征矩阵数据集，并将融合特征矩阵数据集按照4∶1的比例随机划分为训练样本和测试样本，并为训练样本贴上洪涝灾害等级标签，其中洪涝灾害等级共分为5级：无洪水、小洪水、中洪水、大洪水、特大洪水。
进一步，步骤4中训|练洪涝灾害字典集和稀疏矩阵的过程表示如下：
步骤4.1，自适应学习一个洪涝灾害检测字典，目标函数为：
Figure BDA0003189979430000034
其中，D是学习的字典，a是稀疏系数，Y是训|练样本融合特征矩阵数据集，T0是稀疏度阈值；
步骤4.2，更新洪涝灾害检测字典：
Figure BDA0003189979430000041
其中dj是原子，Ek是除了dk列之外列字典和稀疏系数重构特征数据和真实特征数据的差值；
步骤4.3，加入线性判别式实现字典模型的洪涝灾害等级分类：
Figure BDA0003189979430000042
通过该判别式得到一个线性的分类面，W为法向量，b是位移量，H是训练样本的类标签，将线性判别式添加到字典的目标函数中：
Figure BDA0003189979430000043
其中，Y是训|练样本，D是字典，a是稀疏系数，H是标签，W是分类器参数，γ和β是目标函数的约束项。
本发明一种基于卫星遥感图像洪涝检测方法，有益效果：本发明的技术效果在于：
1.本发明融合了SAR图像的轮廓特征和颜色特征，提高了字典模型的分类精度；
2.本发明在字典模型中添加了线性判别式，实现了字典模型对洪涝灾害等级的分类；
3.本发明为洪涝灾害检测提供了一种重要技术处理手段，提前对洪涝灾害进行预警，减小地区损失。
附图说明
图1为本发明的控制结构图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提出了一种基于卫星遥感图像洪涝检测方法，图1为本发明的控制结构图，下面结控制结构图对本发明的步骤作详细介绍。
步骤1，获取待检测地区SAR图像数据，使用星载SAR图图像雷达摄影测量待测地区的洪涝SAR图像，并对数据作消噪处理；
步骤1中对数据作消噪处理的过程可以表示为：
通过星载SAR图图像雷达摄影测量待测地区的洪涝SAR图像后，使用中值滤波去除SAR图像数据中的噪声，公式如下：
y(n)＝med[x(n-N)...x(n)...x(n+N)] (1)
其中，x(n-N)...x(n)...x(n+N)是SAR图像数据中的像素点，y(n)是中值滤波后SAR图像的像素点，med[]代表去SAR图像像素点中间值，使用中值滤波减小SAR图像中的相干斑噪声。
步骤2，提取待测地区洪涝SAR图像的轮廓特征和颜色特征，使用背景建模法提取SAR图像的轮廓特征，并在HSV空间中提取数据的颜色特征；
步骤2中提取待测地区洪涝SAR图像的轮廓特征和颜色特征的过程可以表示如下：
为了更好的表达待测地图洪涝灾害的相关等级，本发明分别提取了SAR图像的轮廓特征和颜色特征，步骤如下：
步骤2.1，使用背景建模法检测图像中的洪涝范围后，通过序列点{(xi，yi)}ni＝1表示SAR图像中的洪涝范围轮廓，并提取其轮廓曲线的质心：
Figure BDA0003189979430000051
Figure BDA0003189979430000061
步骤2.2，计算轮廓曲线至质心的加权距离，得到轮廓特征di：
Figure BDA0003189979430000062
步骤2.3，提取SAR图像在HSV空间中的颜色特征G：
G＝QsQvH+QvS+V (5)
Qs和Qv分别是颜色空间饱和度S和亮度V的量化级数，H代表颜色空间的色调值。
步骤3，创建洪涝SAR图像数据集，将合有标签的训|练样本按照4∶1的比例分为训练样本和测试样本，用于构建洪涝灾害检测字典模型；
步骤3中创建洪涝SAR图像数据集的过程可以表示如下：
将轮廓特征和颜色特征融合后，获得轮廓特征和颜色特征的融合特征矩阵数据集，并将融合特征矩阵数据集按照4∶1的比例随机划分为训练样本和测试样本，并为训练样本贴上洪涝灾害等级标签，其中洪涝灾害等级共分为5级：无洪水、小洪水、中洪水、大洪水、特大洪水。
步骤4，训练洪涝灾害字典集和稀疏矩阵，在训练样本中加入标签，并通过线性判别式实现对洪涝灾害等级的分类，并通过测试样本检验分类模型的识别率；
步骤4中训|练洪涝灾害字典集和稀疏矩阵的过程可以表示如下：
步骤4.1，自适应学习一个洪涝灾害检测字典，目标函数为：
Figure BDA0003189979430000071
其中，D是学习的字典，a是稀疏系数，Y是训练样本融合特征矩阵数据集，T0是稀疏度阈值；
步骤4.2，更新洪涝灾害检测字典：
Figure BDA0003189979430000072
其中dj是原子，Ek是除了dk列之外列字典和稀疏系数重构特征数据和真实特征数据的差值；
步骤4.3，加入线性判别式实现字典模型的洪涝灾害等级分类：
Figure BDA0003189979430000073
通过该判别式可以得到一个线性的分类面，W为法向量，b是位移量，H是训练样本的类标签，将线性判别式添加到字典的目标函数中：
Figure BDA0003189979430000074
其中，Y是训练样本，D是字典，a是稀疏系数，H是标签，W是分类器参数，γ和β是目标函数的约束项。
步骤5，实现基于SAR图像的洪涝灾害检测：分别通过步骤1和步骤3得到实时监测的洪涝SAR图像的轮廓特征和颜色特征，并将该特征输入到训练完成的字典分类模型中，获得洪涝灾害的实时灾害等级。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (5)

1.一种基于卫星遥感图像洪涝检测方法，具体步骤如下，其特征在于：
步骤1，获取待检测地区SAR图像数据，使用星载SAR图图像雷达摄影测量待测地区的洪涝SAR图像，并对数据作消噪处理；
步骤2，提取待测地区洪涝SAR图像的轮廓特征和颜色特征，使用背景建模法提取SAR图像的轮廓特征，并在HSV空间中提取数据的颜色特征；
步骤3，创建洪涝SAR图像数据集，将含有标签的训练样本按照4∶1的比例分为训练样本和测试样本，用于构建洪涝灾害检测字典模型；
步骤4，训练洪涝灾害字典集和稀疏矩阵，在训|练样本中加入标签，并通过线性判别式实现对洪涝灾害等级的分类，并通过测试样本检验分类模型的识别率；
步骤5，实现基于SAR图像的洪涝灾害检测：分别通过步骤1和步骤3得到实时监测的洪涝SAR图像的轮廓特征和颜色特征，并将该特征输入到训练完成的字典分类模型中，获得洪涝灾害的实时灾害等级。
2.根据权利要求1所述的一种基于卫星遥感图像洪涝检测方法，其特征在于：步骤1中对数据作消噪处理的过程表示为：
通过星载SAR图图像雷达摄影测量待测地区的洪涝SAR图像后，使用中值滤波去除SAR图像数据中的噪声，公式如下：
y(n)＝med[x(n-N)...x(n)...x(n+N)] (1)
其中，x(n-N)...x(n)...x(n+N)是SAR图像数据中的像素点，y(n)是中值滤波后SAR图像的像素点，med[]代表去SAR图像像素点中间值，使用中值滤波减小SAR图像中的相干斑噪声。
3.根据权利要求1所述的一种基于卫星遥感图像洪涝检测方法，其特征在于：步骤2中提取待测地区洪涝SAR图像的轮廓特征和颜色特征的过程表示如下∶
为了更好的表达待测地图洪涝灾害的相关等级，本发明分别提取了SAR图像的轮廓特征和颜色特征，步骤如下：
步骤2.1，使用背景建模法检测图像中的洪涝范围后，通过序列点{(xi，yi)}n i＝1表示SAR图像中的洪涝范围轮廓，并提取其轮廓曲线的质心：
Figure FDA0003189979420000021
Figure FDA0003189979420000022
步骤2.2，计算轮廓曲线至质心的加权距离，得到轮廓特征di：
Figure FDA0003189979420000023
步骤2.3，提取SAR图像在HSV空间中的颜色特征G：
G＝QsQvH+QvS+V (5)
Qs和Qv分别是颜色空间饱和度S和亮度V的量化级数，H代表颜色空间的色调值。
4.根据权利要求1所述的一种基于卫星遥感图像洪涝检测方法，其特征在于：步骤3中创建洪涝SAR图像数据集的过程表示如下：
将轮廓特征和颜色特征融合后，获得轮廓特征和颜色特征的融合特征矩阵数据集，并将融合特征矩阵数据集按照4∶1的比例随机划分为训|练样本和测试样本，并为训练样本贴上洪涝灾害等级标签，其中洪涝灾害等级共分为5级：无洪水、小洪水、中洪水、大洪水、特大洪水。
5.根据权利要求1所述的一种基于卫星遥感图像洪涝检测方法，其特征在于：步骤4中训练洪涝灾害字典集和稀疏矩阵的过程表示如下：
步骤4.1，自适应学习一个洪涝灾害检测字典，目标函数为：
Figure FDA0003189979420000031
其中，D是学习的字典，a是稀疏系数，Y是训练样本融合特征矩阵数据集，T0是稀疏度阈值；
步骤4.2，更新洪涝灾害检测字典：
Figure FDA0003189979420000032
其中dj是原子，Ek是除了dk列之外列字典和稀疏系数重构特征数据和真实特征数据的差值；
步骤4.3，加入线性判别式实现字典模型的洪涝灾害等级分类：
Figure FDA0003189979420000033
通过该判别式得到一个线性的分类面，W为法向量，b是位移量，H是训练样本的类标签，将线性判别式添加到字典的目标函数中：
Figure FDA0003189979420000034
其中，Y是训练样本，D是字典，a是稀疏系数，H是标签，W是分类器参数，γ和β是目标函数的约束项。
CN202110874826.0A 2021-07-30 2021-07-30 一种基于卫星遥感图像洪涝检测方法 Pending CN113591714A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110874826.0A CN113591714A (zh) 2021-07-30 2021-07-30 一种基于卫星遥感图像洪涝检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110874826.0A CN113591714A (zh) 2021-07-30 2021-07-30 一种基于卫星遥感图像洪涝检测方法

Publications (1)

Publication Number Publication Date
CN113591714A true CN113591714A (zh) 2021-11-02

Family

ID=78253116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110874826.0A Pending CN113591714A (zh) 2021-07-30 2021-07-30 一种基于卫星遥感图像洪涝检测方法

Country Status (1)

Country Link
CN (1) CN113591714A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114120122A (zh) * 2021-11-29 2022-03-01 中国平安财产保险股份有限公司 基于遥感影像的灾损识别方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2020221284A1 (zh) * 2019-04-29 2020-11-05 黄河勘测规划设计研究院有限公司 一种流域性洪涝场景的无人机监测方法及系统
CN111929680A (zh) * 2020-03-03 2020-11-13 南京信息工程大学 一种基于sar图像的洪水淹没程度快速评价方法
CN111950465A (zh) * 2020-08-13 2020-11-17 金陵科技学院 基于sae-cnn的sar图像洪水检测和预防方法
CN112949484A (zh) * 2021-03-01 2021-06-11 浙江大学 一种基于聚合通道特征和纹理特征的高速铁路落石实时检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020221284A1 (zh) * 2019-04-29 2020-11-05 黄河勘测规划设计研究院有限公司 一种流域性洪涝场景的无人机监测方法及系统
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
CN111929680A (zh) * 2020-03-03 2020-11-13 南京信息工程大学 一种基于sar图像的洪水淹没程度快速评价方法
CN111950465A (zh) * 2020-08-13 2020-11-17 金陵科技学院 基于sae-cnn的sar图像洪水检测和预防方法
CN112949484A (zh) * 2021-03-01 2021-06-11 浙江大学 一种基于聚合通道特征和纹理特征的高速铁路落石实时检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张陆唯: "基于漏磁检测原理的钢轨裂纹信号分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 3, pages 033 - 23 *
李长勇 等: "基于主色直方图特征匹配的蔬果分类方法", 《上海交通大学学报》, vol. 43, no. 12, pages 1898 - 1903 *
胡文才 等: "基于颜色、轮廓特征融合的显著性检测", 《国外电子测量技术》, vol. 37, no. 1, pages 16 - 19 *
蔡加欣 等: "基于局部轮廓和随机森林的人体行为识别", 《光学学报》, vol. 34, no. 10, pages 1015006 - 1 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114120122A (zh) * 2021-11-29 2022-03-01 中国平安财产保险股份有限公司 基于遥感影像的灾损识别方法、装置、设备及存储介质
CN114120122B (zh) * 2021-11-29 2024-04-30 中国平安财产保险股份有限公司 基于遥感影像的灾损识别方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110929607B (zh) 一种城市建筑物施工进度的遥感识别方法和系统
CN106228125B (zh) 基于集成学习级联分类器的车道线检测方法
CN109284786B (zh) 基于分布和结构匹配生成对抗网络的sar图像地物分类方法
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN110598613B (zh) 一种高速公路团雾监测方法
CN105160355A (zh) 一种基于区域相关和视觉单词的遥感图像变化检测方法
CN105389799B (zh) 基于素描图与低秩分解的sar图像目标检测方法
CN108760740A (zh) 一种基于机器视觉的路面抗滑性能快速检测方法
CN109447111B (zh) 一种基于子类训练样本的遥感监督分类方法
CN108492298A (zh) 基于生成对抗网络的多光谱图像变化检测方法
CN112801227B (zh) 一种台风识别模型的生成方法、装置、设备及存储介质
CN105279772A (zh) 一种红外序列图像的可跟踪性判别方法
CN112270285B (zh) 一种基于稀疏表示和胶囊网络的sar图像变化检测方法
CN104794729A (zh) 基于显著性引导的sar图像变化检测方法
CN109635789A (zh) 基于强度比和空间结构特征提取的高分辨sar图像分类方法
CN105512622A (zh) 一种基于图分割和监督学习的可见光遥感图像海陆分割方法
CN103093243A (zh) 高分辨率全色遥感图像云判方法
Pawłuszek et al. Landslides identification using airborne laser scanning data derived topographic terrain attributes and support vector machine classification
CN115439654A (zh) 动态约束下的弱监督农田地块精细化分割方法及系统
CN113591714A (zh) 一种基于卫星遥感图像洪涝检测方法
CN106548195A (zh) 一种基于改进型hog‑ulbp特征算子的目标检测方法
CN112085725B (zh) 基于启发式迭代算法的残膜残留量检测方法及预警系统
CN111832463A (zh) 一种基于深度学习的交通标志检测方法
CN108875798B (zh) 一种基于空间金字塔池化的超像素级特征提取方法
CN116563603A (zh) 基于全局-局部能量协同表征的小样本开集识别方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211102