CN113705429A - 一种滑坡地质灾害遥感解译方法、装置、设备及存储介质 - Google Patents
一种滑坡地质灾害遥感解译方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113705429A CN113705429A CN202110989115.8A CN202110989115A CN113705429A CN 113705429 A CN113705429 A CN 113705429A CN 202110989115 A CN202110989115 A CN 202110989115A CN 113705429 A CN113705429 A CN 113705429A
- Authority
- CN
- China
- Prior art keywords
- disaster
- image
- remote sensing
- landslide geological
- features
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims description 44
- 230000004927 fusion Effects 0.000 claims description 16
- 239000003550 marker Substances 0.000 claims description 15
- 238000005520 cutting process Methods 0.000 claims description 9
- 230000004048 modification Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种滑坡地质灾害遥感解译方法、装置、设备及存储介质，用于解决现有的滑坡地质灾害遥感解译方法的识别与提取效果较差的技术问题。本发明包括：获取目标区域的多幅原始遥感图像；对所述原始遥感图像进行预处理，得到预处理图像；从所述预处理图像中提取滑坡地质灾害标志，并采用所述滑坡地质灾害标志生成初始解译图；对所述初始解译图进行修正，生成滑坡地质灾害遥感解译图。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种滑坡地质灾害遥感解译方法、装置、设备及存储介质。
背景技术
在各类地质灾害中，滑坡地质灾害发生规模大、频率高、分布广、数量多；除此之外，滑坡地质灾害的破坏是毁灭性的，因此，滑坡的防治在经济、生活与政治方面具有重要意义。
遥感是指根据电磁辐射理论，不直接接触目标地物，对其进行识别、分类、判释和分析的一种技术。随着遥感卫星技术的不断发展，在滑坡灾害研究中逐渐引入光学卫星影像，滑坡遥感调查技术得到快速发展。将高精度遥感卫星技术应用到地质灾害调查与评价中，为滑坡的治理提供了科学的依据。以光学数据为基础，结合合成孔径雷达数据，对滑坡提取进行研究，最终确定基于多期遥感影像及灾后利用合成孔径雷达数据进行特征提取，能够获取较准确的滑坡信息；通过大量的研究成果显示，滑坡遥感技术已经有了较为广泛的应用。
然而，尽管目前遥感技术在滑坡识别与提取方面取得了一些进展，但是先前的大部分研究是基于像素的，没有将影像的几何、纹理等特征进行充分的利用。在滑坡的识别与提取上效果较差。
发明内容
本发明提供了一种滑坡地质灾害遥感解译方法、装置、设备及存储介质，用于解决现有的滑坡地质灾害遥感解译方法的识别与提取效果较差的技术问题。
本发明提供了一种滑坡地质灾害遥感解译方法，包括：
获取目标区域的多幅原始遥感图像；
对所述原始遥感图像进行预处理，得到预处理图像；
从所述预处理图像中提取滑坡地质灾害标志，并采用所述滑坡地质灾害标志生成初始解译图；
对所述初始解译图进行修正，生成滑坡地质灾害遥感解译图。
可选地，所述对所述原始遥感图像进行预处理，得到预处理图像的步骤，包括：
对所述原始遥感图像进行辐射定标，得到辐射定标图像；
对所述辐射定标图像进行大气校正，得到大气校正图像；
对所有大气校正图像进行图像融合，得到融合图像；
获取所述目标区域的边界信息；
采用所述边界信息对所述融合图像进行影像裁剪，得到预处理图像。
可选地，所述滑坡地质灾害标志包括地貌灾害标志、植被灾害标志、水文灾害标志和色调灾害标志；所述从所述预处理图像中提取滑坡地质灾害标志，并采用所述滑坡地质灾害标志生成初始解译图的步骤，包括：
从所述预处理图像中提取地形地貌特征，从所述地形地貌特征中识别地貌灾害标志；
从所述预处理图像中提取植被特征，从所述植被特征中识别植被灾害标志；
从所述预处理图像中提取水文特征，从所述水文特征中识别水文灾害标志；
从所述预处理图像中提取色调特征，从所述色调特征中识别色调灾害标志；
采用所述地貌灾害标志、所述植被灾害标志、所述水文灾害标志和所述色调灾害标志生成初始解译图。
可选地，所述对所述初始解译图进行修正，生成滑坡地质灾害遥感解译图的步骤，包括：
获取现场踏勘信息和无人机图像信息；
采用所述现场踏勘信息和所述无人机图像信息对所述初始解译图进行属性修正以及边界修正，生成滑坡地质灾害遥感解译图。
本发明提供了一种滑坡地质灾害遥感解译装置，包括：
原始遥感图像获取模块，用于获取目标区域的多幅原始遥感图像；
预处理模块，用于对所述原始遥感图像进行预处理，得到预处理图像；
初始解译图生成模块，用于从所述预处理图像中提取滑坡地质灾害标志，并采用所述滑坡地质灾害标志生成初始解译图；
修正模块，用于对所述初始解译图进行修正，生成滑坡地质灾害遥感解译图。
可选地，所述预处理模块，包括：
辐射定标子模块，用于对所述原始遥感图像进行辐射定标，得到辐射定标图像；
大气校正子模块，用于对所述辐射定标图像进行大气校正，得到大气校正图像；
图像融合子模块，用于对所有大气校正图像进行图像融合，得到融合图像；
边界信息获取子模块，用于获取所述目标区域的边界信息；
影像裁剪子模块，用于采用所述边界信息对所述融合图像进行影像裁剪，得到预处理图像。
可选地，所述滑坡地质灾害标志包括地貌灾害标志、植被灾害标志、水文灾害标志和色调灾害标志；所述初始解译图生成模块，包括：
地貌灾害标志识别子模块，用于从所述预处理图像中提取地形地貌特征，从所述地形地貌特征中识别地貌灾害标志；
植被灾害标志识别子模块，用于从所述预处理图像中提取植被特征，从所述植被特征中识别植被灾害标志；
水文灾害标志识别子模块，用于从所述预处理图像中提取水文特征，从所述水文特征中识别水文灾害标志；
色调灾害标志识别子模块，用于从所述预处理图像中提取色调特征，从所述色调特征中识别色调灾害标志；
初始解译图生成子模块，用于采用所述地貌灾害标志、所述植被灾害标志、所述水文灾害标志和所述色调灾害标志生成初始解译图。
可选地，所述修正模块，包括：
现场踏勘信息和无人机图像信息获取子模块，用于获取现场踏勘信息和无人机图像信息；
修正子模块，用于采用所述现场踏勘信息和所述无人机图像信息对所述初始解译图进行属性修正以及边界修正，生成滑坡地质灾害遥感解译图。
本发明还提供了一种电子设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行如上任一项所述的滑坡地质灾害遥感解译方法。
本发明还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如上任一项所述的滑坡地质灾害遥感解译方法。
从以上技术方案可以看出，本发明具有以下优点：本发明通过获取目标区域的多幅原始遥感图像；对原始遥感图像进行预处理，得到预处理图像；从预处理图像中提取滑坡地质灾害标志，并采用滑坡地质灾害标志生成初始解译图；对初始解译图进行修正，生成滑坡地质灾害遥感解译图。提高了对滑坡地质灾害的解译效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种滑坡地质灾害遥感解译方法的步骤流程图；
图2为本发明另一实施例提供的一种滑坡地质灾害遥感解译方法的步骤流程图；
图3为本发明实施例提供的一种滑坡地质灾害遥感解译装置的结构框图。
具体实施方式
本发明实施例提供了一种滑坡地质灾害遥感解译方法、装置、设备及存储介质，用于解决现有的滑坡地质灾害遥感解译方法的识别与提取效果较差的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的一种滑坡地质灾害遥感解译方法的步骤流程图。
本发明提供的一种滑坡地质灾害遥感解译方法，具体可以包括以下步骤：
步骤101，获取目标区域的多幅原始遥感图像；
在本发明实施例中，可以针对同一目标区域采集不同传感器采集的、或不同光谱分辨率、不同空间分辨率的原始遥感图像进行后续的解译操作，以消除单一图像解译存在的误差。
步骤102，对原始遥感图像进行预处理，得到预处理图像；
未经处理的原始遥感图像一般会有几何和辐射的变形，因此，在采集到原始遥感图像后，可以对其进行预处理，得到预处理图像。其中，预处理可以包括辐射定标、大气校正、图像融合和影像裁剪。
步骤103，从预处理图像中提取滑坡地质灾害标志，并采用滑坡地质灾害标志生成初始解译图；
滑坡地质灾害在遥感图像上存在明显且特殊的特征，如其与背景地物在色调、形状、阴影、纹理与图形等方面存在一定的差异，因此在获取到预处理图像后，可以基于上述特征的表现形式，在预处理图像中提取滑坡地质灾害标志，并基于所采集的滑坡地质灾害标志生成初始解译图。
步骤104，对初始解译图进行修正，生成滑坡地质灾害遥感解译图。
在获取到初始解译图后，可以结合其他观测数据对初始编译图进行修正，从而生成滑坡地质灾害遥感解译图。
本发明通过获取目标区域的多幅原始遥感图像；对原始遥感图像进行预处理，得到预处理图像；从预处理图像中提取滑坡地质灾害标志，并采用滑坡地质灾害标志生成初始解译图；对初始解译图进行修正，生成滑坡地质灾害遥感解译图。提高了对滑坡地质灾害的解译效果。
请参阅图2，图2为本发明另一实施例提供的一种滑坡地质灾害遥感解译方法的步骤流程图。具体可以包括以下步骤：
步骤201，获取目标区域的多幅原始遥感图像；
在本发明实施例中，可以针对同一目标区域采集不同传感器采集的、或不同光谱分辨率、不同空间分辨率的原始遥感图像进行后续的解译操作，以消除单一图像解译存在的误差。
步骤202，对原始遥感图像进行预处理，得到预处理图像；
在本发明实施例中，未经处理的原始遥感图像一般会有几何和辐射的变形，因此，在采集到原始遥感图像后，可以对其进行预处理，得到预处理图像。其中，预处理可以包括辐射定标、大气校正、图像融合和影像裁剪。
在一个示例中，对原始遥感图像进行预处理，得到预处理图像的步骤，可以包括：
S21，对原始遥感图像进行辐射定标，得到辐射定标图像；
在实际应用中，可以利用遥感数据处理软件ENVI对目标区域的原始遥感图像进行辐射定标，通过将图像像元值转换为对应像元的辐射率或者反射率等物理量，来消除不同传感器、同一传感器不同时相的影像灰度级存在的偏差。从而得到辐射定标图像。
S22，对辐射定标图像进行大气校正，得到大气校正图像；
在实际应用中，在完成了辐射定标后，可以对辐射定标图像进行大气校正，从而得到大气校正图像。其目的是为了消除大气散射、吸收和反射引起的误差，通过对辐射定标图像的各参数进行设置，最终得到大气校正后的图像及其波谱曲线。
S23，对所有大气校正图像进行图像融合，得到融合图像；
在完成对所有的原始遥感图像的大气校正后，可以将得到的所有大气校正图像进行图像融合，即将不同传感器或不同光谱分辨率、不同空间分辨率的图像进行融合，使得经过融合后的图像既具有较高的空间分辨率，又能满足用户较高光谱分辨率的要求，以达到增强有用信息，去除冗余信息，提高用户的判读能力的目的。
在一个示例中，可以运用GramSchmidt光谱锐化方法将图像的多光谱波段与全色波段进行融合生成与全色波段分辨率相一致的多光谱图像。具体操作为对低空间分辨率多光谱波段和高分辨率的全色波段进行模拟，产生高分辨率全色波段；将高分辨率全色波段作为第一个分量和多光谱波段进行Gram-Schmidt变换；用高空间分辨率的全色波段替换Gram-Schmidt变换后的第一个分量；最后，应用Gram-Schmidt反变换得到具有高空间分辨率的多光谱图像作为融合图像。
S24，获取目标区域的边界信息；
S25，采用边界信息对融合图像进行影像裁剪，得到预处理图像。
在获取到融合图像后，可以根据目标区域的边界信息对融合图像进行裁剪，进一步锁定目标区域，得到完成预处理后的预处理图像。
步骤203，从预处理图像中提取滑坡地质灾害标志，并采用滑坡地质灾害标志生成初始解译图；
滑坡地质灾害在遥感图像上存在明显且特殊的特征，如其与背景地物在色调、形状、阴影、纹理与图形等方面存在一定的差异，因此在获取到预处理图像后，可以基于上述特征的表现形式，在预处理图像中提取滑坡地质灾害标志，并基于所采集的滑坡地质灾害标志生成初始解译图。
在一个示例中，滑坡地质灾害标志包括地貌灾害标志、植被灾害标志、水文灾害标志和色调灾害标志；从预处理图像中提取滑坡地质灾害标志，并采用滑坡地质灾害标志生成初始解译图的步骤，可以包括：
S31，从预处理图像中提取地形地貌特征，从地形地貌特征中识别地貌灾害标志；
S32，从预处理图像中提取植被特征，从植被特征中识别植被灾害标志；
S33，从预处理图像中提取水文特征，从水文特征中识别水文灾害标志；
S34，从预处理图像中提取色调特征，从色调特征中识别色调灾害标志；
S35，采用地貌灾害标志、植被灾害标志、水文灾害标志和色调灾害标志生成初始解译图。
在实际场景中，一般大的断层附近会伴有不同规模的滑坡，且滑坡的分布规律跟断层的分布规律有一定的相似性。因此，在本发明实施例中，解译滑坡主要可以关注以下特征：
地形地貌特征：
滑坡在地形地貌上的体现如下：在较直的山坡上突然出现陡坎或陡壁，且多数呈圈椅状或马蹄状，其下部为封闭的洼地，再向下则表现为上凹下凸的坡形，偶尔可见台地，更低一些的部位为突出于沟谷或河边的舌状坡地，甚至将河道向对岸推移，阶地变位，其两侧均有沟谷发育有时整个滑坡体平面形状如长舌梨形或三角形，规模较大的滑坡还能见到明显的滑坡壁、滑坡台地、封闭洼地、滑坡舌等特征。因此，在预处理图像的地形地貌特征中识别出上述地形地貌特征作为滑坡的地貌灾害标志。
植被特征：
滑坡在植被上的体现如下：滑坡上的植被区别于临近植被，较临近植被新，且滑坡上植被覆盖度较差。因此，可以在预处理图像中以这两个植被特征作为植被灾害标志查找滑坡的可能区域。
水文特征：
滑坡在水文上的体现如下：河道异常弯曲、局部河道变化、坡表泉水和湿地等影响下，坡前地下水成线性出露。因此，可以通过在预处理图像上查找上述水文特征作为水文灾害标志查找滑坡的可能区域。
色调特征：
滑坡在色调上的体现如下：在植被破坏较严重的斜坡上，滑坡体呈土粉色，滑坡后壁呈暗色调；整体滑动的滑坡，植被破坏不明显，滑坡体呈绿色调，可见疏松的岩土层，滑坡后壁呈暗色调。因此，在本发明实施例中，可以在预处理图像上查找上述色调特征作为色调灾害标志查找滑坡的可能区域。
基于地形地貌特征、植被特征、水文特征和色调特征，对滑坡区域进行查找并进行解译，可以得到对滑坡灾害的初始解译图。
步骤204，获取现场踏勘信息和无人机图像信息；
步骤205，采用现场踏勘信息和无人机图像信息对初始解译图进行属性修正以及边界修正，生成滑坡地质灾害遥感解译图。
在本发明实施例中，在获取到初始解译图后，可以根据现场踏勘得到的数据以及通过无人机采集得到的无人机图像信息，对初始解译图中标志出来的滑坡区域进行属性以及边界的修正，从而确定滑坡地质灾害的隐患点，进而可以为滑坡地质灾害预警和防治提供指导性建议。
本发明通过获取目标区域的多幅原始遥感图像；对原始遥感图像进行预处理，得到预处理图像；从预处理图像中提取滑坡地质灾害标志，并采用滑坡地质灾害标志生成初始解译图；对初始解译图进行修正，生成滑坡地质灾害遥感解译图。提高了对滑坡地质灾害的解译效果。
请参阅图3，图3为本发明实施例提供的一种滑坡地质灾害遥感解译装置的结构框图。
本发明实施例提供了一种滑坡地质灾害遥感解译装置，包括：
原始遥感图像获取模块301，用于获取目标区域的多幅原始遥感图像；
预处理模块302，用于对原始遥感图像进行预处理，得到预处理图像；
初始解译图生成模块303，用于从预处理图像中提取滑坡地质灾害标志，并采用滑坡地质灾害标志生成初始解译图；
修正模块304，用于对初始解译图进行修正，生成滑坡地质灾害遥感解译图。
在本发明实施例中，预处理模块302，包括：
辐射定标子模块，用于对原始遥感图像进行辐射定标，得到辐射定标图像；
大气校正子模块，用于对辐射定标图像进行大气校正，得到大气校正图像；
图像融合子模块，用于对所有大气校正图像进行图像融合，得到融合图像；
边界信息获取子模块，用于获取目标区域的边界信息；
影像裁剪子模块，用于采用边界信息对融合图像进行影像裁剪，得到预处理图像。
在本发明实施例中，滑坡地质灾害标志包括地貌灾害标志、植被灾害标志、水文灾害标志和色调灾害标志；初始解译图生成模块303，包括：
地貌灾害标志识别子模块，用于从预处理图像中提取地形地貌特征，从地形地貌特征中识别地貌灾害标志；
植被灾害标志识别子模块，用于从预处理图像中提取植被特征，从植被特征中识别植被灾害标志；
水文灾害标志识别子模块，用于从预处理图像中提取水文特征，从水文特征中识别水文灾害标志；
色调灾害标志识别子模块，用于从预处理图像中提取色调特征，从色调特征中识别色调灾害标志；
初始解译图生成子模块，用于采用地貌灾害标志、植被灾害标志、水文灾害标志和色调灾害标志生成初始解译图。
在本发明实施例中，修正模块304，包括：
现场踏勘信息和无人机图像信息获取子模块，用于获取现场踏勘信息和无人机图像信息；
修正子模块，用于采用现场踏勘信息和无人机图像信息对初始解译图进行属性修正以及边界修正，生成滑坡地质灾害遥感解译图。
本发明实施例还提供了一种电子设备，设备包括处理器以及存储器：
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行本发明实施例的滑坡地质灾害遥感解译方法。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行本发明实施例的滑坡地质灾害遥感解译方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种滑坡地质灾害遥感解译方法，其特征在于，包括：
获取目标区域的多幅原始遥感图像；
对所述原始遥感图像进行预处理，得到预处理图像；
从所述预处理图像中提取滑坡地质灾害标志，并采用所述滑坡地质灾害标志生成初始解译图；
对所述初始解译图进行修正，生成滑坡地质灾害遥感解译图。
2.根据权利要求1所述的方法，其特征在于，所述对所述原始遥感图像进行预处理，得到预处理图像的步骤，包括：
对所述原始遥感图像进行辐射定标，得到辐射定标图像；
对所述辐射定标图像进行大气校正，得到大气校正图像；
对所有大气校正图像进行图像融合，得到融合图像；
获取所述目标区域的边界信息；
采用所述边界信息对所述融合图像进行影像裁剪，得到预处理图像。
3.根据权利要求1所述的方法，其特征在于，所述滑坡地质灾害标志包括地貌灾害标志、植被灾害标志、水文灾害标志和色调灾害标志；所述从所述预处理图像中提取滑坡地质灾害标志，并采用所述滑坡地质灾害标志生成初始解译图的步骤，包括：
从所述预处理图像中提取地形地貌特征，从所述地形地貌特征中识别地貌灾害标志；
从所述预处理图像中提取植被特征，从所述植被特征中识别植被灾害标志；
从所述预处理图像中提取水文特征，从所述水文特征中识别水文灾害标志；
从所述预处理图像中提取色调特征，从所述色调特征中识别色调灾害标志；
采用所述地貌灾害标志、所述植被灾害标志、所述水文灾害标志和所述色调灾害标志生成初始解译图。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述对所述初始解译图进行修正，生成滑坡地质灾害遥感解译图的步骤，包括：
获取现场踏勘信息和无人机图像信息；
采用所述现场踏勘信息和所述无人机图像信息对所述初始解译图进行属性修正以及边界修正，生成滑坡地质灾害遥感解译图。
5.一种滑坡地质灾害遥感解译装置，其特征在于，包括：
原始遥感图像获取模块，用于获取目标区域的多幅原始遥感图像；
预处理模块，用于对所述原始遥感图像进行预处理，得到预处理图像；
初始解译图生成模块，用于从所述预处理图像中提取滑坡地质灾害标志，并采用所述滑坡地质灾害标志生成初始解译图；
修正模块，用于对所述初始解译图进行修正，生成滑坡地质灾害遥感解译图。
6.根据权利要求5所述的装置，其特征在于，所述预处理模块，包括：
辐射定标子模块，用于对所述原始遥感图像进行辐射定标，得到辐射定标图像；
大气校正子模块，用于对所述辐射定标图像进行大气校正，得到大气校正图像；
图像融合子模块，用于对所有大气校正图像进行图像融合，得到融合图像；
边界信息获取子模块，用于获取所述目标区域的边界信息；
影像裁剪子模块，用于采用所述边界信息对所述融合图像进行影像裁剪，得到预处理图像。
7.根据权利要求5所述的装置，其特征在于，所述滑坡地质灾害标志包括地貌灾害标志、植被灾害标志、水文灾害标志和色调灾害标志；所述初始解译图生成模块，包括：
地貌灾害标志识别子模块，用于从所述预处理图像中提取地形地貌特征，从所述地形地貌特征中识别地貌灾害标志；
植被灾害标志识别子模块，用于从所述预处理图像中提取植被特征，从所述植被特征中识别植被灾害标志；
水文灾害标志识别子模块，用于从所述预处理图像中提取水文特征，从所述水文特征中识别水文灾害标志；
色调灾害标志识别子模块，用于从所述预处理图像中提取色调特征，从所述色调特征中识别色调灾害标志；
初始解译图生成子模块，用于采用所述地貌灾害标志、所述植被灾害标志、所述水文灾害标志和所述色调灾害标志生成初始解译图。
8.根据权利要求5-7任一项所述的方法，其特征在于，所述修正模块，包括：
现场踏勘信息和无人机图像信息获取子模块，用于获取现场踏勘信息和无人机图像信息；
修正子模块，用于采用所述现场踏勘信息和所述无人机图像信息对所述初始解译图进行属性修正以及边界修正，生成滑坡地质灾害遥感解译图。
9.一种电子设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的滑坡地质灾害遥感解译方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的滑坡地质灾害遥感解译方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110989115.8A CN113705429A (zh) | 2021-08-26 | 2021-08-26 | 一种滑坡地质灾害遥感解译方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110989115.8A CN113705429A (zh) | 2021-08-26 | 2021-08-26 | 一种滑坡地质灾害遥感解译方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113705429A true CN113705429A (zh) | 2021-11-26 |
Family
ID=78655306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110989115.8A Pending CN113705429A (zh) | 2021-08-26 | 2021-08-26 | 一种滑坡地质灾害遥感解译方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705429A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115410095A (zh) * | 2022-10-31 | 2022-11-29 | 天津市地质工程勘测设计院有限公司 | 灾害信息获取方法、装置、电子设备和计算机可读介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107655457A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技（北京）有限公司 | 一种基于遥感卫星图像的泥石流地质灾害识别方法 |
| US20200166664A1 (en) * | 2018-11-26 | 2020-05-28 | Saudi Arabian Oil Company | Frequency based geological feature detection from seismic data |
| CN111666904A (zh) * | 2020-06-10 | 2020-09-15 | 南方电网数字电网研究院有限公司 | 一种输电线路高分辨率遥感影像地质灾害解译识别方法 |
-
2021
- 2021-08-26 CN CN202110989115.8A patent/CN113705429A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107655457A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技（北京）有限公司 | 一种基于遥感卫星图像的泥石流地质灾害识别方法 |
| US20200166664A1 (en) * | 2018-11-26 | 2020-05-28 | Saudi Arabian Oil Company | Frequency based geological feature detection from seismic data |
| CN111666904A (zh) * | 2020-06-10 | 2020-09-15 | 南方电网数字电网研究院有限公司 | 一种输电线路高分辨率遥感影像地质灾害解译识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115410095A (zh) * | 2022-10-31 | 2022-11-29 | 天津市地质工程勘测设计院有限公司 | 灾害信息获取方法、装置、电子设备和计算机可读介质 |
| CN115410095B (zh) * | 2022-10-31 | 2023-01-31 | 天津市地质工程勘测设计院有限公司 | 灾害信息获取方法、装置、电子设备和计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khandelwal et al. | An approach for global monitoring of surface water extent variations in reservoirs using MODIS data | |
| Thorp et al. | Deep machine learning with Sentinel satellite data to map paddy rice production stages across West Java, Indonesia | |
| Adriano et al. | Learning from multimodal and multitemporal earth observation data for building damage mapping | |
| Cutler et al. | Estimating tropical forest biomass with a combination of SAR image texture and Landsat TM data: An assessment of predictions between regions | |
| Lin et al. | Effects of atmospheric correction and pansharpening on LULC classification accuracy using WorldView-2 imagery | |
| McCarty et al. | Extracting smallholder cropped area in Tigray, Ethiopia with wall-to-wall sub-meter WorldView and moderate resolution Landsat 8 imagery | |
| Onojeghuo et al. | Optimising the use of hyperspectral and LiDAR data for mapping reedbed habitats | |
| Montesano et al. | The use of sun elevation angle for stereogrammetric boreal forest height in open canopies | |
| Zhang et al. | Reconstruction of GF-1 soil moisture observation based on satellite and in situ sensor collaboration under full cloud contamination | |
| Thakkar et al. | An effective hybrid classification approach using tasseled cap transformation (TCT) for improving classification of land use/land cover (LU/LC) in semi-arid region: a case study of Morva-Hadaf watershed, Gujarat, India | |
| El-Hallaq et al. | Using GIS for time series analysis of the Dead Sea from remotely sensing data | |
| Shin et al. | True Orthoimage Generation Using Airborne LiDAR Data with Generative Adversarial Network‐Based Deep Learning Model | |
| Alcaras et al. | Coastline extraction from optical satellite imagery and accuracy evaluation | |
| CN115019196A (zh) | 一种基于遥感的耕地非农化变化检测方法、系统及存储介质 | |
| CN113516059B (zh) | 固体废弃物的识别方法、装置、电子设备及存储介质 | |
| CN113705429A (zh) | 一种滑坡地质灾害遥感解译方法、装置、设备及存储介质 | |
| Hashim et al. | Land use land cover analysis with pixel-based classification approach | |
| Wang et al. | Testing the efficiency of using high-resolution data from GF-1 in land cover classifications | |
| Al-Doski et al. | Incorporation of digital elevation model, normalized difference vegetation index, and Landsat-8 data for land use land cover mapping | |
| Wang et al. | HOTEX: An approach for global mapping of human built-up and settlement extent | |
| Angelini et al. | A review and test of shoreline extraction techniques | |
| Yurtseven et al. | Using of high-resolution satellite images in object-based image analysis | |
| Fayad et al. | Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights | |
| Nasiri et al. | Integration of radar and optical sentinel images for land use mapping in a complex landscape (case study: Arasbaran Protected Area) | |
| Carvalho et al. | Optical and SAR imagery for mapping vegetation gradients in Brazilian savannas: Synergy between pixel-based and object-based approaches |
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: 20211126 |