CN114820552A - 一种利用光学卫星立体影像检测滑坡位移场的方法 - Google Patents

一种利用光学卫星立体影像检测滑坡位移场的方法 Download PDF

Info

Publication number
CN114820552A
CN114820552A CN202210511170.0A CN202210511170A CN114820552A CN 114820552 A CN114820552 A CN 114820552A CN 202210511170 A CN202210511170 A CN 202210511170A CN 114820552 A CN114820552 A CN 114820552A
Authority
CN
China
Prior art keywords
image
displacement
landslide
detecting
images
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
CN202210511170.0A
Other languages
English (en)
Inventor
彭令
殷志强
李文娟
邵海
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.)
China Institute Of Geological Environment Monitoring
Original Assignee
China Institute Of Geological Environment Monitoring
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 China Institute Of Geological Environment Monitoring filed Critical China Institute Of Geological Environment Monitoring
Priority to CN202210511170.0A priority Critical patent/CN114820552A/zh
Publication of CN114820552A publication Critical patent/CN114820552A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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
    • G06T2207/20048—Transform domain processing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

一种利用光学卫星立体影像检测滑坡位移场的方法，通过资源三号卫星前后视影像的立体相对提取高精度数字高程模型，实现卫星全色图像和多光谱影像的精确正射校正和几何配准，对高精度校正后的全色影像进行图像频率域的相关计算，并进行滤波降噪处理，获得整个滑坡体的变形位移场。本发明可以定量获取滑坡体上不同位置的位移大小、位移方向和变形空间范围，实现滑坡整体位移场检测，可以快速高效、客观全面的对滑坡灾害进行监测预警。

Description

一种利用光学卫星立体影像检测滑坡位移场的方法
技术领域
本发明涉及地质灾害监测领域，尤其涉及一种利用光学卫星立体影像检测滑坡位移场的方法。
背景技术
滑坡是山区最为常见的地质灾害类型之一，普遍具有分布广、数量多、破坏性强等特点，常造成严重的人员伤亡和经济损失。滑坡位移是开展滑坡灾害预警预报的重要指标参数，目前监测滑坡位移的常用方法主要包括：大地测量法、全球卫星导航系统(GNSS)、合成孔径雷达干涉测量(InSAR)、光学遥感影像变化检测等。其中大地测量法优点是测量精度高、量程不受限制、可测量水平和垂直变形的绝对位移量，局限性是易受地形通视条件和天气条件限制，投入工作量大、耗时费力；GNSS方法优点是可实现全天候、高精度(毫米级)、连续性监测，局限性是只能实现点上监测，难以获取区域性滑坡整体变形位移，另外如遇滑坡发生剧烈变形，监测设备易受破坏；InSAR方法优点是可实现大范围区域性高分辨率监测，局限性是当受地形、植被、水体等地表条件影响或滑坡发生快速变形时易导致雷达影像失相干，从而无法有效监测滑坡位移量，此外目前国内雷达卫星SAR数据源相对于光学遥感数据源十分有限。
光学遥感影像变化检测是一种基于影像特征相似性匹配的求解方法，通过计算机自动搜索和匹配变化前后影像上的同名点，并计算其位置偏移量，该方法的优点是可实现大范围、大量级的滑坡变形位移场监测，不仅可获得整个滑坡变形的位移大小及位移方向，而且还能获得变形位移的空间范围，能够有效弥补上述方法的不足。但是该方法获取准确结果的关键在于对遥感影像数据的精确配准与校正处理，以降低系统误差影响。
发明内容
本发明的目的在于提供一种利用光学卫星立体影像检测滑坡位移场的方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种利用光学卫星立体影像检测滑坡位移场的方法，包括以下步骤：
S1、选取滑坡位移变化前后的两期卫星影像作为检测滑坡位移场的滑坡卫星影像，所述滑坡卫星影像包括前视影像、后视影像、多光谱影像和全色影像；将发生滑坡位移前T1时间的影像作为主影像，发生滑坡位移后T2时间的影像作为从影像；
S2、利用所述前视影像和所述后视影像构成的立体像对，提取所述主影像和所述从影像的数字高程模型；
S3、利用步骤S2中得到的所述主影像的数字高程模型对所述主影像的多光谱影像和全色影像进行正射校正；利用步骤S2中得到的所述从影像的数字高程模型对所述从影像的全色影像进行正射校正；
S4、利用步骤S3中得到的经过正射校正后的全色影像，匹配所述主影像和所述从影像中的目标点，并获取所述目标点的位移图像；
S5、对所述位移图像进行位移解算，并根据位移分布情况圈定发生滑坡变形的空间范围；
S6、根据步骤S4和S5得到的滑坡位移检测结果进行分析，识别滑坡的大小规模和发育特征，判断滑坡变形的运动模式；并结合搜集的实际调查资料对所述滑坡位移检测结果进行验证。
优选的，所述数字高程模型的提取为：在同一时段采集的所述前视影像和后视影像中定义连接点从而建立对应时段的立体像对，并设置所述数字高程模型的提取参数，通过所述立体像对获取所述数字高程模型。
优选的，步骤S3中通过支持有理多项式系数的严格轨道物理模型进行正射校正。
优选的，所述步骤S4中对于所述主影像和所述从影像的目标点之间的匹配方法为：利用频率域算法，对所述全色影像做傅里叶变换转换为频率域，计算所述主影像中的目标点在从影像的频率域中的最佳匹配点，假设主影像和从影像之间存在的东西方向和南北方向的相对位移为△x、△y，则：
i2(x,y)＝i1(x-△x,y-△y)
其中i1、i2分别为主影像和从影像，x、y分别为目标点在东西方向和南北方向的位置坐标，对其做傅里叶变换后存在如下关系：
Figure BDA0003638009720000031
其中I1、I2为傅里叶变换之后的主影像和从影像，wx、wy分别为影像行和列的频率变量。通过多次迭代，直至等式收敛，再进行傅里叶逆转换得到：
Figure BDA0003638009720000032
之后取二维脉冲函数的峰值点即可获得相对位移△x和△y，获得整个滑坡影像范围内每个所述目标点位置的位移图像。
优选的，所述位移图像包括东西向位移波段图像、南北向位移波段图像和信噪比波段图像。
优选的，所述步骤S4中得到的所述目标点的位移图像在进行位移解算前，还进行非局部均值滤波处理。
优选的，当所述主影像中存在水体信息的干扰时，还需要除去水体对所述位移图像造成的影响，包括以下步骤：
S401、对所述主影像中的所述多光谱影像进行辐射定标；
S402、对辐射定标后的所述多光谱影像进行大气校正，获得真实的物理模型参数；
S403、对所述主影像中经过大气校正的所述多光谱影像和经过正射校正后的所述全色影像进行几何配准，以所述全色影像为基准影像，采用多项式校正模型对所述多光谱影像进行几何配准，获得主影像的所述多光谱影像的几何配准结果；
S404、对所述主影像中经过几何配准的所述多光谱影像和经过正射校正后的所述全色影像进行图像融合，获得具有高空间分辨率和4个波段的主影像的多光谱影像；
S405、利用步骤S404中得到的多光谱影像中的绿波段减去近红外波段，根据具体区域选取相应阈值对上述波段运算结果进行二值化滤波处理，根据水体在绿波段和近红外波段的特征，提取出水体分布信息。
优选的，所述辐射定标的计算公式为：Le(λe)＝Gain·DN+Bias
其中Le(λe)为转换后辐射亮度，单位为W·m-2·sr-1·μm-1，DN为卫星载荷观测值，Gain为定标斜率，单位为W·m-2·sr-1·μm-1,Bias为定标截距，单位为W·m-2·sr-1·μm-1，其中定标斜率和定标截距从原始影像中读取。
优选的，利用步骤S405得到的水体分布信息对步骤S4中得到的位移图像进行水体掩膜处理，获得无水体干扰的位移图像。
优选的，步骤S5中整个滑坡影像的总体位移量和位移方向的计算方法为：
Figure BDA0003638009720000041
Figure BDA0003638009720000042
其中Displacement为总体位移量，Direction为位移方向，x、y分别表示东西方向和南北方向的位移。
本发明的有益效果是：本发明公开了一种利用光学卫星立体影像检测滑坡位移场的方法，通过资源三号卫星前后视影像的立体相对提取高精度数字高程模型，实现卫星全色图像和多光谱影像的精确正射校正和几何配准，对高精度校正后的全色影像进行图像频率域的相关计算，并进行滤波降噪处理，获得整个滑坡体的变形位移场。本发明可以定量获取滑坡体上不同位置的位移大小、位移方向和变形空间范围，实现滑坡整体位移场检测，可以快速高效、客观全面的对滑坡灾害进行监测预警。
附图说明
图1是：滑坡位移场检测流程示意图；
图2a是：2013年主影像多光谱影像；图2b是：2013年主影像前视影像；图2c是：2013年主影像后视影像；图2d是：2013年主影像全色影像；
图3a是：2018年从影像前视影像；图3b是：2018年从影像后视影像；图3c是：2018年从影像全色影像；
图4是：2013年主影像提取数字高程模型结果；
图5是：2018年从影像提取数字高程模型结果；
图6是：水体提取结果；
图7是：南北向位移大小检测结果；
图8是：东西向位移大小检测结果
图9是：滑坡变形空间范围及位移大小与方向检测结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
一种利用光学卫星立体影像检测滑坡位移场的方法，如图1所示，包括以下步骤：
S1、选取滑坡位移变化前后两期资源三号卫星影像作为检测滑坡位移场的滑坡卫星影像，所述滑坡卫星影像包括前视影像、后视影像、多光谱影像和全色影像；将发生滑坡位移前T1时间的影像作为主影像，发生滑坡位移后T2时间的影像作为从影像。
S2、利用所述前视影像和所述后视影像构成的立体像对，提取所述主影像和所述从影像的数字高程模型；在同一时段采集的所述前视影像和后视影像中定义连接点从而建立对应时段的立体像对，并设置所述数字高程模型的提取参数，通过所述立体像对获取所述数字高程模型；
所述提取参数包括坐标系统、像元大小和数据输出类型。
S3、利用步骤S2中得到的所述主影像的数字高程模型对所述主影像的多光谱影像和全色影像进行正射校正；采用支持有理多项式系数的严格轨道物理模型，利用步骤S2中得到的所述从影像的数字高程模型对所述从影像的全色影像进行正射校正；
S4、利用步骤S3中得到的经过正射校正后的全色影像，匹配所述主影像和所述从影像中的目标点，并获取所述目标点的位移图像；所述位移图像包括东西向位移波段图像、南北向位移波段图像和信噪比波段图像；
所述主影像和所述从影像的目标点之间的匹配方法为：在所述从影像的频率域中设置初始匹配窗口和终止匹配窗口的大小为2n、窗口间隔步长m、迭代次数和掩模阈值，利用频率域算法，对所述全色影像做傅里叶变换转换为频率域，进行影像逐像元匹配所述主影像和从影像中的目标点，计算所述主影像中的目标点在从影像的频率域中的最佳匹配点，假设主影像和从影像之间存在的东西方向和南北方向的相对位移为△x、△y，则：
i2(x,y)＝i1(x-△x,y-△y)
其中i1、i2分别为主影像和从影像，x、y分别为目标点在东西方向和南北方向的位置坐标，对其做傅里叶变换后存在如下关系：
Figure BDA0003638009720000061
其中I1、I2为傅里叶变换之后的主影像和从影像，wx、wy分别为影像行和列的频率变量。通过多次迭代，直至等式收敛，再进行傅里叶逆转换得到：
Figure BDA0003638009720000062
之后取二维脉冲函数的峰值点即可获得相对位移△x和△y，获得整个滑坡影像范围内每个所述目标点位置的位移图像；
并对上述得到的位移图像进行非局部均值滤波处理，以降低位移图像的噪声干扰而保留真实信号和细节特征；非局部均值滤波处理的过程为：一次对其中的一个像元作为目标点进行处理，并以所述像元为中心取一个小窗口，以此窗口为中心窗口设定搜索范围，在设定的搜索范围内选取与中心窗口同等大小的窗口，在设定搜索范围内选取窗口内所有像素点的加权平均值作为所述目标点的滤波值，所述像素点的权重根据所述像素点所在的窗口与所述中心窗口之间的相似程度进行确定；根据所述位移图像标准差值设置所述位移图像的去噪参数，控制去噪程度，从而实现所述位移图像的最优参数滤波处理。
当所述主影像中存在水体信息的干扰时，还需要除去水体对所述位移图像造成的影响，包括以下步骤：
S401、对所述主影像中的所述多光谱影像进行辐射定标；所述辐射定标的计算公式为：Le(λe)＝Gain·DN+Bias
其中Le(λe)为转换后辐射亮度，单位为W·m-2·sr-1·μm-1，DN为卫星载荷观测值，Gain为定标斜率，单位为W·m-2·sr-1·μm-1,Bias为定标截距，单位为W·m-2·sr-1·μm-1，其中定标斜率和定标截距从原始影像中读取；
S402、利用遥感软件ENVI5.3中FLAASH方法，对辐射定标后的所述多光谱影像进行大气校正，去除水汽、气溶胶、光照等因素对影像的影响，以获得地物反射率和辐射率等真实物理模型参数；
S403、对所述主影像中经过大气校正的所述多光谱影像和经过正射校正后的所述全色影像进行几何配准，以所述全色影像为基准影像，采用多项式校正模型对所述多光谱影像进行几何配准，获得主影像的所述多光谱影像的几何配准结果；
S404、对所述主影像中经过几何配准的所述多光谱影像和经过正射校正后的所述全色影像进行图像融合，采用既能保持融合前后影像波谱信息的一致性，又能较好保持影像纹理和光谱信息的Gram-Schmidt Pan Sharpening融合方法，对多光谱和全色数据进行像素级融合，获得具有高空间分辨率和4个波段的主影像的多光谱影像；
S405、利用步骤S404中得到的多光谱影像中的绿波段减去近红外波段，根据具体区域选取相应阈值对上述波段运算结果进行二值化滤波处理，根据水体在绿波段和近红外波段的特征，提取出水体分布信息。
S406、利用步骤S405得到的水体分布信息对步骤S4中得到的位移图像进行水体掩膜处理，获得无水体干扰的位移图像。
S5、对所述位移图像进行位移解算，并根据位移分布情况圈定发生滑坡变形的空间范围；整个滑坡影像的总体位移量和位移方向的计算方法为：
Figure BDA0003638009720000071
Figure BDA0003638009720000072
其中Displacement为总体位移量，Direction为位移方向，x、y分别表示东西方向和南北方向的位移。
S6、根据步骤S4和S5得到的滑坡位移检测结果进行分析，识别滑坡的大小规模和发育特征，判断滑坡变形的运动模式；并结合搜集的实际调查资料对所述滑坡位移检测结果进行验证。
实施例
针对滑坡灾害发育的三峡库区秭归县戴家坪滑坡，利用资源三号卫星采集立体影像，执行滑坡位移场的检测；资源三号(ZY-3)卫星是中国首颗民用高分辨率光学传输型立体测绘卫星，具有同步获取前视、正视和后视立体影像的独特优势，可生成高分辨率的数字高程模型(DEM)，对精确配准与校正处理影像起到至关重要的作用，为滑坡位移变化检测提供了有利条件。目前，尚没有利用资源三号卫星立体影像检测滑坡位移场的方法。
滑坡位移场的检测过程为：
步骤S1、选择其中2013年的影像作为主影像，如图2所示，2018年的影像作为从影像，如图3所示，通过资源三号卫星采集包含蓝、绿、红、近红4个波段的多光谱影像、前视影像、后视影像和全色影像，所述多光谱图像的空间分辨率为6米，所述前视影像和所述后视影像的空间分辨率为3.5米，所述全色影像的空间分辨率为2.1米。
步骤S2、利用资源三号卫星前后视影像提取实例区数字高程模型信息，分别输入2013和2018年资源三号卫星前、后视影像组成立体像对，影像均自带RPC文件，以卫星默认的地势面作为基准面，在前后视两幅影像上寻找同名点，并定义为连接点；设置数字高程模型提取参数，包括坐标系统为“WGS_1984_TUM_Zone_49N”、像元大小为“10米”、数据输出类型为“Float”；获得数字高程模型数据图4、图5，检查提取结果无空值，符合要求。
步骤S3、对2013年和2018年多光谱、全色影像分别进行正射校正，利用支持有理多项式系数严格轨道物理模型，并结合上述步骤S2提取出的数字高程模型信息，设置全色和多光谱影像输出像元大小分别为2米和6米，影像重采样方法为“Bilinear”，获得实例区2013年全色和多光谱正射校正结果和2018年全色影像正射校正结果。
步骤S4、对2013年多光谱影像进行辐射定标，从原始影像中获得蓝、绿、红、近红外波段的定标斜率分别为0.2551、0.2353、0.1944和0.2107，定标截距均为0，利用定标公式计算得到多光谱影像的辐射亮度图像。
步骤S5、对2013年多光谱影像进行大气校正，采用遥感软件ENVI5.3中FLAASH方法，输入传感器类型为“ZY-3”、传感器高度为“505km”、成像中心点经纬度为“110°27′46.76″，31°4′15.8″”、成像时间为“2013年4月30日11点31分31秒”，地面平均高程为“0.814km”，根据实例区特点选择大气模型为“中纬度夏季型”、气溶胶模型为“乡村模式”，获得主影像多光谱的大气校正后数据。
步骤S6、对2013年多光谱大气校正后影像进行几何配准，利用ENVI5.3自动提取影像间的配准点，剔除均方根误差大于1个像素的配准点，利用配准点计算多项式校正模型参数，采用双线性内插法进行图像输出重采样，获得2013年多光谱几何配准后的影像。
步骤S7、对2013年几何配准后的多光谱和全色影像进行Gram-Schmidt PanSharpening图像融合，获得具有2米空间分辨率和蓝、绿、红、近红外4个波段的影像融合结果。
步骤S8、利用2013年图像融合后影像的绿波段值减去近红外波段值，对波段运算结果进行二值化图像分割，设置水体提取阈值为1000至1900，获得实例区水体分布，图6所示。
步骤S9、对2013年全色正射校正影像和2018年全色正射校正影像进行频率域相关计算，设置初始匹配窗口和终止匹配窗口大小均为128×128像素，窗口间隔步长为1个像素，即计算结果图像的空间分辨率同输入全色影像一样，迭代次数为4，掩模阈值为0.9，利用COSI-Corr方法中的频率域相关算法，获得实例区东西向位移、南北向位移和信噪比三个波段图像。
步骤S10、对实例区位移图像进行非局部均值滤波处理，分别设置东西向和南北向位移图像的去噪参数H为3.52和3.04，计算窗口大小为5×5像素、搜索范围大小为21×21像素、权重计算方法为求平均值，获取实例区位移图像的最优化滤波处理后结果。
步骤S11、利用步骤S8提取出的水体分布数据，对步骤S10的处理结果进行水体掩膜处理，获得无水体干扰后的南北向位移波段图像和东西向位移波段图像，如图7和图8所示。
步骤S12、对步骤S11处理后的位移图像，根据实例区位移分布情况圈定滑坡变形空间范围，按照位移解算公式进行逐像元计算，获得实例区滑坡体的总体位移量和位移运动方向，如图9所示。
步骤S13、对选定的滑坡位移检测结果进行分析，通过检测出的变形空间范围可见，该滑坡整体形态清晰，呈舌形，南北向展布，纵长约360米，平均宽度约200米，面积为6.8万平方米，2013至2018年间该滑坡整体都在发生变形位移，并且滑坡体的前部位移量大于后部，表明该滑坡变形运动模式为牵引式滑动，而位移方向为整体向南运动；
对所述滑坡位移检测结果进行验证，通过野外调查资料得到该滑坡受三峡库水位下降和降雨影响，该滑坡已出现明显变形特征，坡体上水泥公路路面开裂并下沉，地面出现连续的弧形拉张裂缝，并从后缘向两侧延伸。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明公开了一种利用光学卫星立体影像检测滑坡位移场的方法，通过资源三号卫星前后视影像的立体相对提取高精度数字高程模型，实现卫星全色图像和多光谱影像的精确正射校正与几何配准，对高精度校正后的全色影像进行图像频率域的相关计算，并进行滤波降噪处理，获得整个滑坡体的变形位移场。本发明可以定量获取滑坡体上不同位置的位移大小、位移方向和变形空间范围，实现滑坡整体位移场检测，可以快速高效、客观全面的对滑坡灾害进行监测预警。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (10)

1.一种利用光学卫星立体影像检测滑坡位移场的方法，其特征在于，包括以下步骤：
S1、选取滑坡位移变化前后的两期卫星影像作为检测滑坡位移场的滑坡卫星影像，所述滑坡卫星影像包括前视影像、后视影像、多光谱影像和全色影像；将发生滑坡位移前的影像作为主影像，发生滑坡位移后的影像作为从影像；
S2、利用所述前视影像和所述后视影像构成的立体像对，提取所述主影像和所述从影像的数字高程模型；
S3、利用步骤S2中得到的所述主影像的数字高程模型对所述主影像的多光谱影像和全色影像进行正射校正；利用步骤S2中得到的所述从影像的数字高程模型对所述从影像的全色影像进行正射校正；
S4、利用步骤S3中得到的经过正射校正后的全色影像，匹配所述主影像和所述从影像中的目标点，并获取所述目标点的位移图像；
S5、对所述位移图像进行位移解算，并根据位移分布情况圈定发生滑坡变形的空间范围；
S6、根据步骤S4和S5得到的滑坡位移检测结果进行分析，识别滑坡的大小规模和发育特征，判断滑坡变形的运动模式；并结合搜集的实际调查资料对所述滑坡位移检测结果进行验证。
2.根据权利要求1所述的利用光学卫星立体影像检测滑坡位移场的方法，其特征在于，所述数字高程模型的提取为：在同一时段采集的所述前视影像和后视影像中定义连接点从而建立对应时段的立体像对，并设置所述数字高程模型的提取参数，通过所述立体像对获取所述数字高程模型。
3.根据权利要求1所述的利用光学卫星立体影像检测滑坡位移场的方法，其特征在于，步骤S3中通过支持有理多项式系数的严格轨道物理模型进行正射校正。
4.根据权利要求1所述的利用光学卫星立体影像检测滑坡位移场的方法，其特征在于，所述步骤S4中对于所述主影像和所述从影像的目标点之间的匹配方法为：利用频率域算法，对所述全色影像做傅里叶变换转换为频率域，计算所述主影像中的目标点在从影像的频率域中的最佳匹配点，假设主影像和从影像之间存在的东西方向和南北方向的相对位移为△x、△y，则：
i2(x,y)＝i1(x-△x,y-△y)
其中i1、i2分别为主影像和从影像，x、y分别为目标点在东西方向和南北方向的位置坐标，对其做傅里叶变换后存在如下关系：
Figure FDA0003638009710000021
其中I1、I2为傅里叶变换之后的主影像和从影像，wx、wy分别为影像行和列的频率变量。通过多次迭代，直至等式收敛，再进行傅里叶逆转换得到：
Figure FDA0003638009710000022
之后取二维脉冲函数的峰值点即可获得相对位移△x和△y，获得整个滑坡影像范围内每个所述目标点位置的位移图像。
5.根据权利要求4所述的利用光学卫星立体影像检测滑坡位移场的方法，其特征在于，所述位移图像包括东西向位移波段图像、南北向位移波段图像和信噪比波段图像。
6.根据权利要求1所述的利用光学卫星立体影像检测滑坡位移场的方法，其特征在于，所述步骤S4中得到的所述目标点的位移图像在进行位移解算前，还进行非局部均值滤波处理。
7.根据权利要求1所述的利用光学卫星立体影像检测滑坡位移场的方法，其特征在于，当所述主影像中存在水体信息的干扰时，还需要除去水体对所述位移图像造成的影响，包括以下步骤：
S401、对所述主影像中的所述多光谱影像进行辐射定标；
S402、对辐射定标后的所述多光谱影像进行大气校正，获得真实的物理模型参数；
S403、对所述主影像中经过大气校正的所述多光谱影像和经过正射校正后的所述全色影像进行几何配准，以所述全色影像为基准影像，采用多项式校正模型对所述多光谱影像进行几何配准，获得主影像的所述多光谱影像的几何配准结果；
S404、对所述主影像中经过几何配准的所述多光谱影像和经过正射校正后的所述全色影像进行图像融合，获得具有高空间分辨率和4个波段的主影像的多光谱影像；
S405、利用步骤S404中得到的多光谱影像中的绿波段减去近红外波段，根据具体区域选取相应阈值对上述波段运算结果进行二值化滤波处理，根据水体在绿波段和近红外波段的特征，提取出水体分布信息。
8.根据权利要求7所述的利用光学卫星立体影像检测滑坡位移场的方法，其特征在于，所述辐射定标的计算公式为：Le(λe)＝Gain·DN+Bias
其中Le(λe)为转换后辐射亮度，单位为W·m-2·sr-1·μm-1，DN为卫星载荷观测值，Gain为定标斜率，单位为W·m-2·sr-1·μm-1,Bias为定标截距，单位为W·m-2·sr-1·μm-1，其中定标斜率和定标截距从原始影像中读取。
9.根据权利要求7所述的利用光学卫星立体影像检测滑坡位移场的方法，其特征在于，利用步骤S405得到的水体分布信息对步骤S4中得到的位移图像进行水体掩膜处理，获得无水体干扰的位移图像。
10.根据权利要求1所述的利用光学卫星立体影像检测滑坡位移场的方法，其特征在于，步骤S5中整个滑坡影像的总体位移量和位移方向的计算方法为：
Figure FDA0003638009710000031
Figure FDA0003638009710000032
其中Displacement为总体位移量，Direction为位移方向，x、y分别表示东西方向和南北方向的位移。
CN202210511170.0A 2022-05-11 2022-05-11 一种利用光学卫星立体影像检测滑坡位移场的方法 Pending CN114820552A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210511170.0A CN114820552A (zh) 2022-05-11 2022-05-11 一种利用光学卫星立体影像检测滑坡位移场的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210511170.0A CN114820552A (zh) 2022-05-11 2022-05-11 一种利用光学卫星立体影像检测滑坡位移场的方法

Publications (1)

Publication Number Publication Date
CN114820552A true CN114820552A (zh) 2022-07-29

Family

ID=82512856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210511170.0A Pending CN114820552A (zh) 2022-05-11 2022-05-11 一种利用光学卫星立体影像检测滑坡位移场的方法

Country Status (1)

Country Link
CN (1) CN114820552A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147461A (zh) * 2022-09-01 2022-10-04 湖南北斗微芯产业发展有限公司 一种灾害实时预警方法、系统及设备
CN116183624A (zh) * 2023-01-05 2023-05-30 国网安徽省电力有限公司铜陵供电公司 一种施工区顺坡溜渣监测方法、系统和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100232728A1 (en) * 2008-01-18 2010-09-16 Leprince Sebastien Ortho-rectification, coregistration, and subpixel correlation of optical satellite and aerial images
CN104700399A (zh) * 2015-01-08 2015-06-10 东北大学 一种基于高分遥感影像的大变形滑坡位移场标定方法
CN110120046A (zh) * 2019-03-27 2019-08-13 长安大学 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法
CN110836662A (zh) * 2019-11-04 2020-02-25 南京理工大学 基于相对定向和绝对定向算法的边坡位移监测方法
CN112051222A (zh) * 2020-08-30 2020-12-08 山东锋士信息技术有限公司 一种基于高分卫星影像的河湖水质监测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100232728A1 (en) * 2008-01-18 2010-09-16 Leprince Sebastien Ortho-rectification, coregistration, and subpixel correlation of optical satellite and aerial images
CN104700399A (zh) * 2015-01-08 2015-06-10 东北大学 一种基于高分遥感影像的大变形滑坡位移场标定方法
CN110120046A (zh) * 2019-03-27 2019-08-13 长安大学 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法
CN110836662A (zh) * 2019-11-04 2020-02-25 南京理工大学 基于相对定向和绝对定向算法的边坡位移监测方法
CN112051222A (zh) * 2020-08-30 2020-12-08 山东锋士信息技术有限公司 一种基于高分卫星影像的河湖水质监测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A. STUMPF ET AL.: "Surface reconstruction and landslidedisplacement measurements with Pleiades satellite images", 《ELSEVIER》 *
卢乐浚等: "利用锁眼卫星影像提取历史地震同震位移——以1976年土耳其Chaldiran地震为例", 《武汉大学学报(信息科学版)》 *
李阳: "基于资源三号卫星立体像对的DEM提取及精度分析 ——以西藏墨竹工卡实验区为例", 《中国优秀硕士学位论文全文数据库基础科学辑》 *
萌萌萌: "高分一号影像详细处理流程", 《知乎》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147461A (zh) * 2022-09-01 2022-10-04 湖南北斗微芯产业发展有限公司 一种灾害实时预警方法、系统及设备
CN116183624A (zh) * 2023-01-05 2023-05-30 国网安徽省电力有限公司铜陵供电公司 一种施工区顺坡溜渣监测方法、系统和存储介质

Similar Documents

Publication Publication Date Title
Nikolakopoulos et al. SRTM vs ASTER elevation products. Comparison for two regions in Crete, Greece
Lamsal et al. Digital terrain modelling using Corona and ALOS PRISM data to investigate the distal part of Imja Glacier, Khumbu Himal, Nepal
San et al. Digital elevation model (DEM) generation and accuracy assessment from ASTER stereo data
Baltsavias et al. DSM generation and interior orientation determination of IKONOS images using a testfield in Switzerland
Satge et al. Absolute and relative height-pixel accuracy of SRTM-GL1 over the South American Andean Plateau
Puniach et al. Application of UAV-based orthomosaics for determination of horizontal displacement caused by underground mining
Pipaud et al. Evaluation of TanDEM-X elevation data for geomorphological mapping and interpretation in high mountain environments—A case study from SE Tibet, China
CN114820552A (zh) 一种利用光学卫星立体影像检测滑坡位移场的方法
CN111856459B (zh) 一种改进的DEM最大似然约束多基线InSAR相位解缠方法
CN110174673B (zh) 一种利用时序接力干涉图叠加高效减弱大气相位影响的方法
CN111144350B (zh) 一种基于参考底图的遥感影像定位精度评价方法
Dong et al. Radargrammetric DSM generation in mountainous areas through adaptive-window least squares matching constrained by enhanced epipolar geometry
CN117523404B (zh) 一种堆土场动态变化监测方法、装置、终端及存储介质
Aati et al. A new approach for 2-D and 3-D precise measurements of ground deformation from optimized registration and correlation of optical images and ICA-based filtering of image geometry artifacts
CN108827880B (zh) 基于多光谱影像和ndvi时间序列的地表覆盖变化检测方法
Yu et al. Radargrammetry for digital elevation model generation using Envisat reprocessed image and simulation image
Feng et al. Automatic selection of permanent scatterers-based GCPs for refinement and reflattening in InSAR DEM generation
Bertin et al. A merging solution for close-range DEMs to optimize surface coverage and measurement resolution
Jang et al. Topographic information extraction from KOMPSAT satellite stereo data using SGM
CN111310649B (zh) 一种无人机高分辨率影像对山岳冰川运动消融的提取方法
Schmitt et al. On the challenges in stereogrammetric fusion of SAR and optical imagery for urban areas
Zhang et al. Matching of Ikonos stereo and multitemporal GEO images for DSM generation
Crespi et al. Radiometric quality and DSM generation analysis of CartoSat-1 stereo imagery
Kaimaris Image Fusion Capability from Different Cameras for UAV in Cultural Heritage Applications
Sohn et al. Shadow-effect correction in aerial color imagery

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: 20220729