CN114519824A - 一种sar图像洪涝淹没区域的快速检测方法 - Google Patents
一种sar图像洪涝淹没区域的快速检测方法 Download PDFInfo
- Publication number
- CN114519824A CN114519824A CN202210137013.8A CN202210137013A CN114519824A CN 114519824 A CN114519824 A CN 114519824A CN 202210137013 A CN202210137013 A CN 202210137013A CN 114519824 A CN114519824 A CN 114519824A
- Authority
- CN
- China
- Prior art keywords
- area
- sar image
- gray
- flood
- sar
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims abstract description 4
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 230000000877 morphologic effect Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000003809 water extraction Methods 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10044—Radar image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种SAR图像洪涝淹没区域的快速检测方法,针对传统的洪涝检测方法效率低、反应慢的问题,增强SAR图像,去除噪声信息,提取灰度特征和纹理特征,用FCM聚类算法分割SAR图像的水域,用形态学滤波处理与连通域分析方法分割湖泊与河流的粘连区域,设置长宽比与面积的阈值,去除坑塘与河流,保留湖泊,用DEM地形信息去除山体产生的阴影区域,消除虚警,对比洪涝前后两个时相的SAR图像,用叠加分析方法与基于空间重叠的分块并行技术,提高处理效率,加快洪涝淹没区域的检测速度,快速精确的获取洪涝淹没区域的面积、分布与地物类型信息,检测湖泊淹没面积的变化,及时的为防洪救灾提供科学依据。
Description
技术领域
本发明属于SAR图像处理技术领域,具体涉及一种单极化数据处理技术。
背景技术
出现洪涝自然灾害时,往往伴随恶劣天气,监测区域受到云层、降水影响,光学遥感难以发挥作用。SAR作为一种主动式微波成像传感器,以其全天时、全天候、作用距离远的技术优势,成为对地观测的主要手段。在恶劣的气象条件下,迅速获取监测区域的遥感影像信息,为减灾救灾决策提供重要依据。
《基于局部超分辨重建的高精度SAR图像水域分割方法》公开了一种基于局部超分辨重建的中低分辨率SAR图像水域分割方法,在传统水域分割技术的基础上,融入卷积神经网CNN的图像超分辨重建技术。对局部图像超分辨重建,突破传统方法受SAR图像分辨率的限制,提升水域分割结果的精度。构建训练一种新型的局部图像超分辨重建网络模型,模型对包含局部水域边界的MLR-SAR图像切片超分辨重建,获得更高分辨率的超分辨图像。用一种改进ACM分割算法,在超分辨SAR图像切片获取更精细的水域边界,提升SAR图像水域分割的精度。
《基于马尔科夫分割的单极化SAR数据洪涝水体检测方法》公开了一种提出基于高分3号单极化SAR数据的洪涝区域水体快速检测方法,包括SAR预处理,顾及SAR分布特性。保边缘的马尔科夫模型洪涝水体提取,基于SAR几何构象模型的阴影虚警干扰去除,用人工检测结果评价相对精度。测试结果表明,可以实现洪涝受灾区域的快速和精确提取。
在SAR洪涝灾区水体信息提取方面,常用方法基于全极化SAR数据进行,全极化SAR数据的获取量有限,不能满足灾害应急的快速响应要求。山体形成的阴影与水体在图像上具有相似的灰度特性,带来严重的虚警,单极化SAR数据具有重要的防灾减灾应用价值。
发明内容
本发明为了解决现有技术存在的问题,提出了一种SAR图像洪涝淹没区域的快速检测方法,为了实现上述目的,本发明采用了以下技术方案。
增强SAR图像,去除噪声信息,提取灰度特征和纹理特征,用FCM聚类算法分割SAR图像的水域,用形态学滤波处理与连通域分析方法分割湖泊与河流的粘连区域,设置长宽比与面积的阈值,去除坑塘与河流,保留湖泊,用DEM地形信息去除山体产生的阴影区域,
进一步的,用图像灰度直方图均衡化方法,提高SAR图像的亮度与对比度,增强图像的细节纹理信息。
进一步的,用基于NSCT的自适应去噪算法,预处理SAR图像,去除相干斑噪声,保留图像的细节纹理信息。
进一步的,用保边缘控制算法提取灰度特征,统计SAR图像中每个像素与其邻域N×N个像素的灰度值的相似度,若相似的像素个数少于保边缘控制因子,则该像素的灰度值取相似的像素灰度值平均值,否则该像素的灰度值取所有N×N个像素的灰度值平均值,作为灰度特征。
进一步的,用灰度共生矩阵GLCM提取纹理特征,统计SAR图像中每个像素距离为d的邻域N×N个像素在0°、45°、90°、135°四个方向的灰度共生矩阵,分别计算相关度、同质性、熵和角二阶矩,作为纹理特征。
进一步的,根据灰度特征和纹理特征,用模糊c均值的FCM聚类算法分割SAR图像,提取水体区域。
对比洪涝前后两个时相的SAR图像,用叠加分析方法与基于空间重叠的分块并行技术,加快洪涝淹没区域的检测速度,获取洪涝淹没区域的面积、分布与地物类型信息,检测湖泊淹没面积的变化。
本发明的有益效果:针对山体阴影等弱散射体造成的虚警现象,用基于NSCT的自适应去噪算法去除SAR图像相干斑噪声,保护图像细节纹理信息,提取保边缘灰度特征和纹理特征,用FCM聚类算法分割水域,结合DEM地形信息,减少复杂背景下山体阴影等弱散射目标对水体提取的影响,针对传统的洪涝检测方法效率低、反应慢的问题,用叠加分析方法与基于空间重叠的分块并行技术,提高处理效率,加快洪涝淹没区域的检测速度,快速精确的获取大范围洪涝淹没区域的面积、分布以及被淹没区域的地物类型信息,及时的为防洪救灾提供科学依据。
附图说明
图1是方法流程图。
具体实施方式
以下结合附图对本发明的技术方案做具体的说明。
本方法的流程如图1所示:
选取2020年6月和7月两个时相的卫星SAR图像,利用图像灰度直方图均衡化提升SAR图像亮度及对比度;然后利用基于NSCT的自适应去噪算法对SAR图像的斑点噪声进行消除,可以较大限度地保留图像边缘信息。
采用保边缘灰度特征提取方法提取SAR图像灰度特征,采用灰度共生矩阵GLCM来提取SAR图像的纹理特征,结合保边缘灰度特征和纹理特征,运用FCM聚类算法对SAR图像进行分割,获得初步水体提取结果。
采用形态学滤波处理与连通域分析方法对湖泊与河流等水系的粘连区域进行分割,并通过长宽比、面积等阈值剔除小面积坑塘、河流等其他水体,保留湖泊区域,利用DEM地形信息去除由于山体等造成的阴影区域,进一步减少弱反射地物引起的虚警现象。
利用地理信息系统中叠加分析方法与基于空间重叠的分块并行技术对两个时相SAR图像湖泊变化区域进行检测,并统计洪涝淹没区域的面积、分布以及被淹没区域的地物类型面积等。
上述作为本发明的实施例,并不限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均包含在本发明的保护范围之内。
Claims (7)
1.一种SAR图像洪涝淹没区域的快速检测方法,其特征在于,包括:增强SAR图像,去除噪声信息,提取灰度特征和纹理特征,用FCM聚类算法分割SAR图像的水域,用形态学滤波处理与连通域分析方法分割湖泊与河流的粘连区域,设置长宽比与面积的阈值,去除坑塘与河流,保留湖泊,用DEM地形信息去除山体产生的阴影区域。
2.根据权利要求1所述的SAR图像洪涝淹没区域的快速检测方法,其特征在于,所述增强SAR图像,包括:用图像灰度直方图均衡化方法,提高SAR图像的亮度与对比度,增强图像的细节纹理信息。
3.根据权利要求1所述的SAR图像洪涝淹没区域的快速检测方法,其特征在于,所述去除噪声信息,包括:用基于NSCT的自适应去噪算法,预处理SAR图像,去除相干斑噪声,保留图像的细节纹理信息。
4.根据权利要求1所述的SAR图像洪涝淹没区域的快速检测方法,其特征在于,所述提取灰度特征,包括:用保边缘控制算法提取灰度特征,统计SAR图像中每个像素与其邻域N×N个像素的灰度值的相似度,若相似的像素个数少于保边缘控制因子,则该像素的灰度值取相似的像素灰度值平均值,否则该像素的灰度值取所有N×N个像素的灰度值平均值,作为灰度特征。
5.根据权利要求1所述的SAR图像洪涝淹没区域的快速检测方法,其特征在于,所述提取纹理特征,包括:用灰度共生矩阵GLCM提取纹理特征,统计SAR图像中每个像素距离为d的邻域N×N个像素在0°、45°、90°、135°四个方向的灰度共生矩阵,分别计算相关度、同质性、熵和角二阶矩,作为纹理特征。
6.根据权利要求1所述的SAR图像洪涝淹没区域的快速检测方法,其特征在于,所述分割SAR图像的水域,包括:根据灰度特征和纹理特征,用模糊c均值的FCM聚类算法分割SAR图像,提取水体区域。
7.根据权利要求1至6任一所述的SAR图像洪涝淹没区域的快速检测方法,其特征在于,还包括:对比洪涝前后两个时相的SAR图像,用叠加分析方法与基于空间重叠的分块并行技术,加快洪涝淹没区域的检测速度,获取洪涝淹没区域的面积、分布与地物类型信息,检测湖泊淹没面积的变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137013.8A CN114519824A (zh) | 2022-02-15 | 2022-02-15 | 一种sar图像洪涝淹没区域的快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137013.8A CN114519824A (zh) | 2022-02-15 | 2022-02-15 | 一种sar图像洪涝淹没区域的快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114519824A true CN114519824A (zh) | 2022-05-20 |
Family
ID=81597036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210137013.8A Pending CN114519824A (zh) | 2022-02-15 | 2022-02-15 | 一种sar图像洪涝淹没区域的快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114519824A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630426A (zh) * | 2023-07-21 | 2023-08-22 | 海南卫星海洋应用研究院有限公司 | 一种洪涝淹没区提取方法及系统 |
CN117310705A (zh) * | 2023-11-28 | 2023-12-29 | 中国石油大学(华东) | 一种基于双极化sar影像的洪涝灾害快速检测方法 |
-
2022
- 2022-02-15 CN CN202210137013.8A patent/CN114519824A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630426A (zh) * | 2023-07-21 | 2023-08-22 | 海南卫星海洋应用研究院有限公司 | 一种洪涝淹没区提取方法及系统 |
CN117310705A (zh) * | 2023-11-28 | 2023-12-29 | 中国石油大学(华东) | 一种基于双极化sar影像的洪涝灾害快速检测方法 |
CN117310705B (zh) * | 2023-11-28 | 2024-02-09 | 中国石油大学(华东) | 一种基于双极化sar影像的洪涝灾害快速检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Brivio et al. | Integration of remote sensing data and GIS for accurate mapping of flooded areas | |
CN108765488B (zh) | 一种基于阴影的高分辨率遥感影像建筑物高度估测方法 | |
CN114519824A (zh) | 一种sar图像洪涝淹没区域的快速检测方法 | |
CN108550174B (zh) | 一种基于半全局优化的海岸线超分辨率制图方法及系统 | |
CN107507200B (zh) | 一种基于连通检测与噪声抑制的sar影像高精度大范围水域提取方法 | |
Ferrentino et al. | On the use of multipolarization satellite SAR data for coastline extraction in harsh coastal environments: The case of Solway Firth | |
Song et al. | Efficient water area classification using Radarsat-1 SAR imagery in a high relief mountainous environment | |
Pulvirenti et al. | Detection of floods and heavy rain using Cosmo-SkyMed data: The event in Northwestern Italy of November 2011 | |
CN116704331A (zh) | 滩涂变化信息提取方法、装置及电子设备 | |
Wang et al. | Land contained sea area ship detection using spaceborne image | |
Li et al. | Dynamic waterline mapping of inland great lakes using time-series SAR data from GF-3 and S-1A satellites: A case study of DJK reservoir, China | |
CN109801306B (zh) | 基于高分遥感影像的潮沟提取方法 | |
CN108765440B (zh) | 一种单极化sar图像的线引导超像素海岸线提取方法 | |
CN114219800A (zh) | 一种基于sar图像的洪涝检测方法 | |
Yu et al. | Automatic extraction of green tide using dual polarization Chinese GF-3 SAR images | |
Zhang et al. | A novel saliency-driven oil tank detection method for synthetic aperture radar images | |
CN114373135A (zh) | 基于局部显著性特征度量的舰船目标检测方法 | |
CN114219996A (zh) | 一种sar图像停泊舰船目标检测方法 | |
CN110211124B (zh) | 一种基于MobileNetV2的红外成像结冰湖泊检测方法 | |
Arvelyna et al. | Auto segmentation of oil slick in RADARSAT SAR image data around Rupat Island, Malacca Strait | |
Zhu et al. | High-frequency monitoring of inland lakes water extent using time-series Sentinel-1 SAR data | |
Tian et al. | The multi-parameter monitoring method of sea ice based on image processing technique | |
Han et al. | Remote Sensing Monitoring and Disaster Assessment of Flood Based on Sentinel-1B Sar Data | |
Wang et al. | Flood Monitoring in Weifang City, Shandong Province based on Sentinel-1A SAR | |
Dang et al. | Discussion on sea ice segmentation of high resolution radar data |
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 |