CN114494851A - 一种基于多时相遥感影像差异信息的滑坡提取方法 - Google Patents
一种基于多时相遥感影像差异信息的滑坡提取方法 Download PDFInfo
- Publication number
- CN114494851A CN114494851A CN202111585619.XA CN202111585619A CN114494851A CN 114494851 A CN114494851 A CN 114494851A CN 202111585619 A CN202111585619 A CN 202111585619A CN 114494851 A CN114494851 A CN 114494851A
- Authority
- CN
- China
- Prior art keywords
- landslide
- image data
- image
- temporal
- extraction method
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 46
- 230000006798 recombination Effects 0.000 claims abstract description 9
- 238000005215 recombination Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000002310 reflectometry Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 230000009901 attention process Effects 0.000 claims description 2
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 claims 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910052582 BN Inorganic materials 0.000 description 1
- PZNSFCLAULLKQX-UHFFFAOYSA-N Boron nitride Chemical compound N#B PZNSFCLAULLKQX-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于自然灾害信息监测技术领域,具体为一种基于多时相遥感影像差异信息的滑坡提取方法,该方法包括以下步骤:S1.获取目标区域的时序影像数据集;所述时序影像数据包括目标区域在滑坡前和滑坡后的不同时间序列内的影像数据;S2.基于所述时序影像数据集,获取目标区域发生滑坡前后归一化植被指数的差异值;S3.基于目标区域发生滑坡前后归一化植被指数的差异值,对目标区域滑坡后的影像数据进行波段重组,获取多时相影像差异样本;S4.将所述多时相影像差异样本输入识别模型,生成目标区域的滑坡信息。本发明采用滑坡发生前后不同时间序列影像的信息差异来识别滑坡,并对U‑net卷积神经网络模型进行改进,提高滑坡识别的精度。
Description
技术领域
本发明属于自然灾害信息监测技术领域,具体为一种基于多时相遥感影像差异信息的滑坡提取方法。
背景技术
滑坡,作为主要的自然灾害之一,对人们的生命和财产构成严重的威胁。在过去的几十年,频繁发生的滑坡已经引起了社会的极大关注。滑坡有降雨滑坡和地震滑坡两种,快速、准确的监测滑坡可以减小滑坡造成的损失,也可以为受灾后采取应急措施提供数据支持,为受灾程度评估提供可靠的依据。随着遥感科学的发展,遥感技术已经成为大范围快速检测滑坡的一种重要手段。采用遥感技术进行滑坡识别的方法主要有通过人机交互式的目视判读、基于像素的滑坡提取方法、基于面向对象的滑坡提取方法以及深度学习的滑坡识别方法。对于地震滑坡灾后应急调查主要是采用野外核查和遥感目视判读为主。通过野外核查获取滑坡灾害信息,该方法工作效率底、耗时长,成本高,依赖于解译人员的知识储备,而且不同的人对解译的标准也各不相同。因此,野外实地核查和遥感目视解译方法很难满足短时间内大范围滑坡灾害信息的提取要求。
近年来,深度学习方法广泛应用于遥感数据的变化检测、目标识别等方面。深度学习采用卷积模块实现了端到端的语义分割,可以将其应用于滑坡检测,但仍旧存在一些挑战需要克服。(1)局部信息提取:基于全卷积神经网络(CNN)的特征提取只使用局部区域的遥感影像信息,往往发生滑坡周围会有居民地、河流、道路、云阴影等背景特征会产生混淆的光谱信息,在进行特征提取的时候,容易造成错分现象。(2)边界信息保存:CNN模型采用反卷积层对最后一个卷积层的feature-map进行上采样,上采样步骤将低分辨率要素图恢复到原始分辨率,这会导致大量的滑坡边界信息丢失。(3)U-net模型中,由于计算效能的原因,不可能连续增加卷积层数和扩大感受野来覆盖地表结构比较大的物体。由于模糊神经网络没有处理多尺度特征的机制,因此性能较差。U-Net通过下采样传播和聚集有限得到多尺度特征,意味着它不能在不损失空间分辨率的情况下深入上下文信息。
滑坡区域在遥感影像上表现出较高的反射率,目前的滑坡提取方法,通常是基于滑坡后遥感影像或者无人机影像,根据滑坡区域的光谱及空间信息特征实现对滑坡的识别。该类方法提取的滑坡结果容易与光谱及空间信息相似的目标混淆。地表有大量的目标物,如道路、裸地、河滩、塌陷区等都与滑坡有类似的光谱及空间特征,容易出现误识别现象,且该类型方法无法确定滑坡的新旧程度不能及时确定的新滑坡,不便于实现滑坡发生初期的预警。
因此,如何克服上述存在的技术问题和缺陷成为重点需要解决的问题。
发明内容
本发明的目的在于提供一种基于多时相遥感影像差异信息的滑坡提取方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于多时相遥感影像差异信息的滑坡提取方法,包括以下步骤:
S1.获取目标区域的时序影像数据集;所述时序影像数据包括目标区域在滑坡前和滑坡后的不同时间序列内的影像数据;
S2.基于所述时序影像数据集,获取目标区域发生滑坡前后归一化植被指数的差异值;
S3.基于目标区域发生滑坡前后归一化植被指数的差异值,对目标区域滑坡后的影像数据进行波段重组,获取多时相影像差异样本;
S4.将所述多时相影像差异样本输入识别模型,生成目标区域的滑坡信息。
进一步地,所述S1包括以下步骤:
S1.1.选取目标区域在滑坡发生前后不同时间序列的影像数据;
S1.2.对所述不同时间序列的影像数据进行预处理;
进一步地,所述S1.2中预处理方法包括但不限于正射校正、大气校正、地理配准;地理配准过程中以滑坡后影像数据为基准影像,对滑坡前的影像数据进行同名像点匹配,配准像元误差小于0.5个像元。
进一步地,所述S2包括以下步骤:
S2.1根据所述时序影像数据集,分别提取滑坡发生前影像数据的归一化植被指数和滑坡发生后影像数据的归一化植被指数;
归一化植被指数的计算公式如下:
NDVI=(NIR-R)/(NIR+R)
其中,NIR为近红外波段的反射率,R为红波段的反射率;
S2.2计算滑坡发生前影像数据的归一化植被指数与滑坡发生后影像数据的归一化植被指数之间的差值,获取目标区域发生滑坡前后归一化植被指数的差异值。
进一步地,所述步骤S3中的多时相影像差异样本包括对滑坡发生后的影像数据进行像素级别的标注以及特征影像,所述特征影像由滑坡后的影像数据中的红光波段、近红外波段以及时序影像的差异值进行波段重组而获得。
进一步地,采用数据增强的方法扩充特征影像的数据量,数据增强方法包括但不限于旋转、归一化、增加噪声、镜像、翻转和随机饱和度。
进一步地,S4中的识别模型包括U-net网络模型、CBAM模块和ASPP模块;
所述CBAM模块用于特征影像细化,具体为;
将特征影像F输入CBAM模块,CBAM模块的注意过程为:
F′=MC(F)×F,
F″=MS(F′)×F′
式中,特征影像F∈R(W×H×C);一维通道注意图MC∈R(1×1×C),尺寸为1x1xC;二维空间注意力图Ms∈R(1×W×H),尺寸为1xWxH;F″表示为细化后的特征影像。
所述ASPP模块位于U-net网络模型的中间连接层,对细化后的特征影像的融合特征进行调整,具体为:
将F″作为输入,ASPP模块利用多尺度特征,采用多个不同采样率的并行滤波器,通过与1×1核的卷积来调整融合特征的尺寸;所述融合特征包括细化后的特征影像的光谱特征、纹理特征、空间特征。
进一步地,所述U-net网络模型采用二元交叉熵损失函数优化,二元交叉熵损失函数E的计算公式如下:
其中,wc(x)预设参数,d1(x)表示该像素点离最近的边缘的距离;d2(x)表示该像素点最远的边缘的距离,σ,w0表示超参数,根据不同任务设定不同的值;
进一步地,采用滑坡训练数据集对所述识别模型进行训练,所述滑坡训练数据集由发生过滑坡灾害区域的多时相影像差异样本组成,所述发生过滑坡灾害区域的多时相影像差异样本包括降雨滑坡多时相影像差异样本和地震滑坡多时相影像差异样本。
进一步地,所述发生过滑坡灾害区域的多时相影像差异样本的获取方法,包括以下步骤:
S1.获取发生过滑坡灾害区域的时序影像数据集;所述时序影像数据包括发生过滑坡灾害区域的在滑坡前和滑坡后的不同时间序列内的影像数据;
S2.基于发生过滑坡灾害区域的时序影像数据集,获取发生过滑坡灾害区域的发生滑坡前后归一化植被指数的差异值;
S3.基于发生过滑坡灾害区域的发生滑坡前后归一化植被指数的差异值,对发生过滑坡灾害区域的滑坡后的影像数据进行波段重组,获取发生过滑坡灾害区域的多时相影像差异样本。
与现有技术相比,本发明的有益效果是:
本发明公开的一种基于多时相遥感影像差异信息的滑坡提取方法,通过滑坡发生前后不同时间序列影像的信息差异来识别滑坡,并对U-net卷积神经网络模型进行改进,通过增加CBAM模块和ASPP模块对滑坡发生前后时相遥感影像信息差异的挖掘与分析实现滑坡的识别,可以有效减小误识别的概率,提高滑坡识别的精度,且能准确的识别出滑坡发生的时间和状态。
附图说明
图1为本发明实施例中特征影像的构建流程图;
图2为本发明实施例中降雨滑坡训练数据集的示意图;
图3为本发明实施例中地震滑坡训练数据集的示意图;
图4为本发明实施例中识别模型的示意图;
图5为本发明实施例中CBAM模块的结构特征示意图;
图6为本发明实施例中ASPP模块的结构特征示意图;
图7为本发明实施例中降雨滑坡提取结果的对比示意图;
图8为本发明实施例中地震滑坡提取结果的对比示意图。
具体实施方式
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。选取高分一号、高分二号、高分六号卫星数据作为本实施例中滑坡数据提取的测试数据。使用多种卫星影像可以提高监测的时间频次,能够快速获取同一区域不同时间序列的遥感影像,提供地物变化的信息。高分一号卫星、高分六号卫星配置2米全色/8米多光谱高分辨率相机、16米多光谱中分辨率宽幅相机,高分二号空间分辨率为4m,包含3个可见光波段和1个近红外波段,星下点空间分辨率可达0.8米,全色多光谱相机空间分辨率为1m。
请参阅图1至图6,一种基于多时相遥感影像差异信息的滑坡提取方法,包括以下步骤:
S1.获取目标区域的时序影像数据集;时序影像数据包括目标区域在滑坡前和滑坡后的不同时间序列内的影像数据;
S1包括以下步骤:
S1.1.选取目标区域在滑坡发生前后不同时间序列的影像数据;
S1.2.对所述不同时间序列的影像数据进行预处理;
进一步地,所述S1.2中预处理方法包括但不限于正射校正、大气校正、地理配准;地理配准过程中以滑坡后影像数据为基准影像,对滑坡前的影像数据进行同名像点匹配,配准像元误差小于0.5个像元。
S2.基于所述时序影像数据集,获取目标区域发生滑坡前后归一化植被指数的差异值;
S2包括以下步骤:
S2.1根据所述时序影像数据集,分别提取滑坡发生前影像数据的归一化植被指数和滑坡发生后影像数据的归一化植被指数;
归一化植被指数的计算公式如下:
NDVI=(NIR-R)/(NIR+R)
其中,NIR为近红外波段的反射率,R为红波段的反射率;
S2.2计算滑坡发生前影像数据的归一化植被指数与滑坡发生后影像数据的归一化植被指数之间的差值,获取目标区域发生滑坡前后归一化植被指数的差异值,用以区分植被区域和非植被区域。
S3.基于目标区域发生滑坡前后归一化植被指数的差异值,对目标区域滑坡后的影像数据进行波段重组,获取多时相影像差异样本,多时相影像差异样本包括对滑坡发生后的影像数据进行像素级别的标注以及特征影像,特征影像由滑坡后的影像数据中的红光波段、近红外波段以及时序影像的差异值进行波段重组而获得,重组的特征影像能够很好的反应地表变化和滑坡信息。采用数据增强的方法扩充特征影像的数据量,数据增强方法包括但不限于旋转、归一化、增加噪声、镜像、翻转和随机饱和度。
S4.将所述多时相影像差异样本输入识别模型,生成目标区域的滑坡信息。识别模型包括U-net网络模型、CBAM模块和ASPP模块,其中,
CBAM是一个轻量的通用模块,可以将其融入到U-net网络模型中进行端到端的训练。CBAM从通道和空间两个维度计算输入影像的注意地图(Attention Map),将注意地图与输入的特征影像相乘来进行特征的自适应学习。CBAM模块用于特征影像地细化,具体为;
将特征影像F∈R(W×H×C)作为输入影像,CBAM模块依次推断出一个一维的通道注意图MC∈R(1×1×C),尺寸为1x1xC,和一个二维的空间注意力图Ms∈R(1×W×H),尺寸为1xWxH,注意过程为:
F′=MC(F)×F,
F″=MS(F′)×F′
其中×表示元素乘法,对于乘法而言,沿着相应影像进行空间维度和传播复制像元值。计算得出的结果F″表示为细化后的特征影像。
ASPP模块位于U-net网络模型的中间连接层,用于U-Net网络模型中上采样和下采样的拼接,在卷积核中增加孔,有效地扩大感受野而不牺牲空间分辨率或效率,这与扩大卷积核的大小相反,对中心像素进行分类,对细化后的特征影像的融合特征进行调整,进而扩大感受野空洞卷积,具体为:
将F″作为输入,ASPP模块利用多尺度特征,采用多个不同采样率(设为6、12、18、24)的并行滤波器,通过与1×1的卷积核来调整融合特征的尺寸;融合特征包括细化后的特征影像的光谱特征、纹理特征、空间特征。
U-net网络模型采用二元交叉熵损失函数优化,二元交叉熵损失函数E的计算公式如下:
由于滑坡边界与周围地物,如河流、裸土等边界信息区分度较低,损失函数中引入权重项确定权重值,使滑坡边界附近的像素点被更加得注意,促使训练过程对权重较大的像素物体边界进行更加仔细地“学习”,权重函数表达如下:
其中,wc(x)预设参数,d1(x)表示该像素点离最近的边缘的距离;d2(x)表示该像素点最远的边缘的距离,σ,w0表示超参数,根据不同任务设定不同的值。
采用滑坡训练数据集对所述识别模型进行训练,滑坡训练数据集由发生过滑坡灾害区域(例如四川及周边地区)的多时相影像差异样本组成,选择的训练数据集具有不同形状、不同纹理特性。发生过滑坡灾害区域的多时相影像差异样本包括降雨滑坡多时相影像差异样本和地震滑坡多时相影像差异样本。发生过滑坡灾害区域的多时相影像差异样本的获取方法与目标区域内的多时相影像差异样本的获取方法相同,此未赘述。
利用构建的滑坡训练数据集,随机选取80%的数据作为训练数据(其中,75%用于训练,25%用于测试),20%的数据作为验证数据,进行识别模型进行训练。训练时,设置初始学习率为0.001,通过不断的参数调整和迭代优化,直到提取效果达到模型最优。
请参阅图7,a为灾前高分六号影像;b为灾后高分二号影像;c为NDVI差异影像;d为RGB+NDVI波段识别模型提取结果,采用U-net网络模型提取,输入特征为RGB三波段,NDVI差异影像作为辅助数据,提取的结果显示,对于水体特征,局部空间信息,在划定滑坡边界信息提取方面有困难,并且有更多的遗漏错误;e为RGB波段U-net模型提取结果,根据U-net网络模型进行训练,通过权值选择输入特征为红绿蓝三波段,相比于采取FCN模型相对比,滑坡区域局部信息,边界提取,空间结构特征能够进一步充分利用,但是对于裸土区域,空间结构较小的滑坡,伪滑坡区域造成误分现象;f为NIR+R+NDVI差异波段识别模型提取结果,由于考虑的近红外波在裸土区域的敏感性,反射率值变化比较明显,对于新旧滑坡特征能够产生差异性特征,通过输入特征近红外波段、红波段和NDVI差异影像,使用识别模型进行滑坡边界信息的提取,能够有效地去除建筑物,河流、裸土等特征,其中存在的伪滑坡感兴趣区域能够很好的去除,在提取小而细长的滑坡多边形方面,识别模型优于U-Net模型。
请参阅图8,a为灾前滑坡区域高分1影像,b为灾后滑坡区高分2图像;c为灾前灾后影像的NDVI差异;d为RGB波段U-net模型滑坡结果,由于RGB波段相关性大,则通过RGB三个波段作为输入特征波段选择,使用U-net网络模型进行滑坡提取,结果显示滑坡边界信息未能正确提取,对于同质性区域容易造成漏分;e为RGB+NDVI差异CA-U-net提取结果,通过红绿蓝三波段和NDVI影像作为辅助数据,通过增加的ASPP模块和注意力机制CBAM模块扩大了滑坡区域局部感受野和抑制了非感兴趣区域,结果显示滑坡轮廓的提取较为清晰,剔除了具有类似光谱特征的道路和旧滑坡区域,但仍然有少部分遗漏;f为NIR+R+NDVI结合识别模型提取结果,采用本文对U-net模型的改进进行滑坡提取,以灾后影像近红外波段以及红波段结合NDVI差异辅助数据作为输入特征,和FCN模型相比,对道路和旧滑坡区域有很好的遮掩作用,边界信息识别更加完善。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于多时相遥感影像差异信息的滑坡提取方法,其特征在于:包括以下步骤:
S1.获取目标区域的时序影像数据集;所述时序影像数据包括目标区域在滑坡前和滑坡后的不同时间序列内的影像数据;
S2.基于所述时序影像数据集,获取目标区域发生滑坡前后归一化植被指数的差异值;
S3.基于目标区域发生滑坡前后归一化植被指数的差异值,对目标区域滑坡后的影像数据进行波段重组,获取多时相影像差异样本;
S4.将所述多时相影像差异样本输入识别模型,生成目标区域的滑坡信息。
2.根据权利要求1所述的一种基于多时相遥感影像差异信息的滑坡提取方法,其特征在于:所述S1包括以下步骤:
S1.1.选取目标区域在滑坡发生前后不同时间序列的影像数据;
S1.2.对所述不同时间序列的影像数据进行预处理。
3.根据权利要求1所述的一种基于多时相遥感影像差异信息的滑坡提取方法,其特征在于:所述S2包括以下步骤:
S2.1.根据所述时序影像数据集,分别提取滑坡发生前影像数据的归一化植被指数和滑坡发生后影像数据的归一化植被指数;
归一化植被指数的计算公式如下:
NDVI=(NIR-R)/(NIR+R)
其中,NIR为近红外波段的反射率,R为红波段的反射率;
S2.2.计算滑坡发生前影像数据的归一化植被指数与滑坡发生后影像数据的归一化植被指数之间的差值,获取目标区域发生滑坡前后归一化植被指数的差异值。
4.根据权利要求1所述的一种基于多时相遥感影像差异信息的滑坡提取方法,其特征在于:所述步骤S3中的多时相影像差异样本包括对滑坡发生后的影像数据进行像素级别的标注以及特征影像,所述特征影像由滑坡后的影像数据中的红光波段、近红外波段以及时序影像的差异值进行波段重组而获得。
5.根据权利要求4所述的一种基于多时相遥感影像差异信息的滑坡提取方法,其特征在于:S4中的识别模型包括U-net网络模型、CBAM模块和ASPP模块。
6.根据权利要求5所述的一种基于多时相遥感影像差异信息的滑坡提取方法,其特征在于:所述CBAM模块用于特征影像细化,具体为;
将特征影像F输入CBAM模块,CBAM模块的注意过程为:
F′=MC(F)×F,
F′′=MS(F′)×F′
式中,特征影像F∈R(W×H×C);一维通道注意图MC∈R(1×1×C),尺寸为1x1xC;二维空间注意力图Ms∈R(1×W×H),尺寸为1xWxH;F″表示为细化后的特征影像。
所述ASPP模块位于U-net网络模型的中间连接层,对细化后的特征影像的融合特征进行调整,具体为:
将F″作为输入,ASPP模块利用多尺度特征,采用多个不同采样率的并行滤波器,通过与1×1核的卷积来调整融合特征的尺寸;所述融合特征包括细化后的特征影像的光谱特征、纹理特征、空间特征。
8.根据权利要求5所述的一种基于多时相遥感影像差异信息的滑坡提取方法,其特征在于:采用滑坡训练数据集对所述识别模型进行训练,所述滑坡训练数据集由发生过滑坡灾害区域的多时相影像差异样本组成,所述发生过滑坡灾害区域的多时相影像差异样本包括降雨滑坡多时相影像差异样本和地震滑坡多时相影像差异样本。
9.根据权利要求8所述的一种基于多时相遥感影像差异信息的滑坡提取方法,其特征在于:所述发生过滑坡灾害区域的多时相影像差异样本的获取方法,包括以下步骤:
S1.获取发生过滑坡灾害区域的时序影像数据集;所述时序影像数据包括发生过滑坡灾害区域的在滑坡前和滑坡后的不同时间序列内的影像数据;
S2.基于发生过滑坡灾害区域的时序影像数据集,获取发生过滑坡灾害区域的发生滑坡前后归一化植被指数的差异值;
S3.基于发生过滑坡灾害区域的发生滑坡前后归一化植被指数的差异值,对发生过滑坡灾害区域的滑坡后的影像数据进行波段重组,获取发生过滑坡灾害区域的多时相影像差异样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111585619.XA CN114494851A (zh) | 2021-12-23 | 2021-12-23 | 一种基于多时相遥感影像差异信息的滑坡提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111585619.XA CN114494851A (zh) | 2021-12-23 | 2021-12-23 | 一种基于多时相遥感影像差异信息的滑坡提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494851A true CN114494851A (zh) | 2022-05-13 |
Family
ID=81493560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111585619.XA Pending CN114494851A (zh) | 2021-12-23 | 2021-12-23 | 一种基于多时相遥感影像差异信息的滑坡提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494851A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131684A (zh) * | 2022-08-25 | 2022-09-30 | 成都国星宇航科技股份有限公司 | 基于卫星数据UNet网络模型的滑坡识别方法及装置 |
CN115294461A (zh) * | 2022-10-10 | 2022-11-04 | 中国电建集团山东电力建设第一工程有限公司 | 基于bim和遥感图像的电力设施塌斜评估方法及系统 |
CN115641509A (zh) * | 2022-11-16 | 2023-01-24 | 自然资源部第三地理信息制图院 | 遥感影像地物变化检测方法、系统、电子设备及存储介质 |
CN116503677A (zh) * | 2023-06-28 | 2023-07-28 | 武汉大学 | 一种湿地分类信息提取方法、系统、电子设备及存储介质 |
CN118194056A (zh) * | 2024-05-15 | 2024-06-14 | 四川省华地建设工程有限责任公司 | 一种坡面型泥石流监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846347A (zh) * | 2018-06-06 | 2018-11-20 | 广西师范学院 | 一种公路滑坡区域的快速提取方法 |
CN111738165A (zh) * | 2020-06-24 | 2020-10-02 | 中国农业科学院农业信息研究所 | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 |
WO2021184891A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及系统 |
-
2021
- 2021-12-23 CN CN202111585619.XA patent/CN114494851A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846347A (zh) * | 2018-06-06 | 2018-11-20 | 广西师范学院 | 一种公路滑坡区域的快速提取方法 |
WO2021184891A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及系统 |
CN111738165A (zh) * | 2020-06-24 | 2020-10-02 | 中国农业科学院农业信息研究所 | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 |
Non-Patent Citations (6)
Title |
---|
XIAOFEI QIN ET.AL.: "Multi-Scale Feedback Feature Refinement U-Net for Medical Image Segmentation", 《2021 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO (ICME)》 * |
朱芳芳等: "特征分量的城市建筑物面向对象提取方法", 《测绘科学》 * |
沈永林等: "基于航空影像和LiDAR数据的海地地震滑坡识别研究", 《地理与地理信息科学》 * |
虎振兴等: "基于时间序列遥感影像的滑坡检测方法", 《航天返回与遥感》 * |
贾利萍等: "SPOT-5影像在安徽省矿山地质环境遥感监测中的应用", 《能源技术与管理》 * |
陈善静等: "基于多源遥感时空谱特征融合的滑坡灾害检测方法", 《计算机研究与发展》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131684A (zh) * | 2022-08-25 | 2022-09-30 | 成都国星宇航科技股份有限公司 | 基于卫星数据UNet网络模型的滑坡识别方法及装置 |
CN115294461A (zh) * | 2022-10-10 | 2022-11-04 | 中国电建集团山东电力建设第一工程有限公司 | 基于bim和遥感图像的电力设施塌斜评估方法及系统 |
CN115294461B (zh) * | 2022-10-10 | 2023-01-31 | 中国电建集团山东电力建设第一工程有限公司 | 基于bim和遥感图像的电力设施塌斜评估方法及系统 |
CN115641509A (zh) * | 2022-11-16 | 2023-01-24 | 自然资源部第三地理信息制图院 | 遥感影像地物变化检测方法、系统、电子设备及存储介质 |
CN115641509B (zh) * | 2022-11-16 | 2023-03-21 | 自然资源部第三地理信息制图院 | 遥感影像地物变化检测方法、系统、电子设备及存储介质 |
CN116503677A (zh) * | 2023-06-28 | 2023-07-28 | 武汉大学 | 一种湿地分类信息提取方法、系统、电子设备及存储介质 |
CN116503677B (zh) * | 2023-06-28 | 2023-09-05 | 武汉大学 | 一种湿地分类信息提取方法、系统、电子设备及存储介质 |
CN118194056A (zh) * | 2024-05-15 | 2024-06-14 | 四川省华地建设工程有限责任公司 | 一种坡面型泥石流监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114494851A (zh) | 一种基于多时相遥感影像差异信息的滑坡提取方法 | |
CN111915592B (zh) | 基于深度学习的遥感图像云检测方法 | |
CN112712535B (zh) | 基于模拟困难样本的Mask-RCNN滑坡分割方法 | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
Vu et al. | Context-based mapping of damaged buildings from high-resolution optical satellite images | |
CN102622738B (zh) | 一种Landsat TM/ETM+图像中山体阴影区的光谱信息恢复方法 | |
CN112287983B (zh) | 一种基于深度学习的遥感图像目标提取系统和方法 | |
Xu et al. | Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil | |
CN103226826A (zh) | 基于局部熵视觉注意模型的遥感图像变化检测方法 | |
CN110991430A (zh) | 基于遥感图像的地物识别及覆盖率计算方法及系统 | |
Ghasemi et al. | Urban classification using preserved information of high dimensional textural features of Sentinel-1 images in Tabriz, Iran | |
Mahrooghy et al. | A machine learning framework for detecting landslides on earthen levees using spaceborne SAR imagery | |
CN115661677A (zh) | 一种基于暗通道特征引导的轻量级卫星影像云检测方法 | |
Parajuli et al. | Attentional dense convolutional neural network for water body extraction from sentinel-2 images | |
Khan et al. | Advanced road extraction using CNN-based U-Net model and satellite imagery | |
CN116524189A (zh) | 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法 | |
CN117788296B (zh) | 基于异构组合深度网络的红外遥感图像超分辨率重建方法 | |
Valdiviezo-Navarro et al. | Inland water body extraction in complex reliefs from Sentinel-1 satellite data | |
Aahlaad et al. | An object-based image analysis of worldview-3 image for urban flood vulnerability assessment and dissemination through ESRI story maps | |
Thati et al. | A systematic extraction of glacial lakes for satellite imagery using deep learning based technique | |
CN117496154A (zh) | 基于概率图表征边缘的高分辨率遥感影像语义分割方法 | |
Parape et al. | Optimization of structure elements for morphological hit-or-miss transform for building extraction from VHR airborne imagery in natural hazard areas | |
Miao et al. | Deep learning landslide extraction based on multi-temporal image difference local spatial information | |
Sefercik et al. | Novel fusion approach on automatic object extraction from spatial data: case study Worldview-2 and TOPO5000 | |
Khodaverdi zahraee et al. | Object-oriented analysis of satellite images using artificial neural networks for post-earthquake buildings change detection |
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: 20220513 |