CN115035182B - 一种山区滑坡灾害预警方法及系统 - Google Patents
一种山区滑坡灾害预警方法及系统 Download PDFInfo
- Publication number
- CN115035182B CN115035182B CN202210633133.7A CN202210633133A CN115035182B CN 115035182 B CN115035182 B CN 115035182B CN 202210633133 A CN202210633133 A CN 202210633133A CN 115035182 B CN115035182 B CN 115035182B
- Authority
- CN
- China
- Prior art keywords
- final
- pixel block
- expansion
- edge pixel
- edge
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 78
- 238000006073 displacement reaction Methods 0.000 claims abstract description 63
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000003287 optical effect Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种山区滑坡灾害预警方法及系统,该方法包括:获取多帧坡体图像及其内裂缝区域的数量及裂缝区域的面积平均值;获取坡体图像边缘轮廓图像,并将边缘轮廓图像分割为多个边缘像素块,根据边缘像素块的重要性确定最终像素块,对最终像素块进行相似性计算并对相似且相邻的最终像素块进行膨胀获取膨胀区域,根据膨胀区域的区域灰度差异确定最终膨胀区域,利用三步搜索法获取每个最终膨胀区域的运动矢量,并根据运动矢量确定裂缝位移量,根据裂缝位移变化量,根据裂缝位移量、位移变化量、数量及面积平均值计算发生滑坡的可能性,根据可能性与预设的灾害等级进行对滑坡预警,本发明方法提高了灾害预警的时效性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种山区滑坡灾害预警方法及系统。
背景技术
山体滑坡是在我国山区中最常见的一种地质灾害,其不仅可以破坏了工程设施建设,同时也会导致生产无法得到顺利进行,有时候将会严重威胁到人们的生命安全,在造成巨大经济损失的同时还会引发人员伤亡问题,产生了极大的社会危害,因此,需要对山体滑坡进行监测预警。
滑坡监测主要以裂缝位移、裂缝大小、裂缝位移加速度、滑坡倾角等地形变化和降雨量为主,由于涉及复杂的地质因素和动力学原理,监测仪具举足轻重,传统的地灾监测仪具和方法存在许多弊端,受气候条件及地形影响,不能持续监测、自动化程度低、人力投入大、数据难以及时处理且监测周期长。
由于裂缝位移不同于一般的物体运动,即一般运动的物体整体是不变化的,而裂缝在位移过程中,不仅仅是裂缝在运动,而且裂缝本身也发生了变化,现有的技术中,利用帧间差分法只能提取出边界,不能提取出对象的完整区域,同时依赖于选择的帧间时间间隔,对快速运动的物体,需要选择较小的时间间隔,如果选择不合适,当物体在前后两帧中没有重叠时,会被检测为两个分开的物体,运动目标在相邻帧之间的位置变化缓慢,目标内部在不同帧图像中相重叠的部分很难检测出来,然而裂缝在变化时,平常是很慢的,甚至不变化,而有时又突然进行变化,且变化速度极快,故而使用帧间差分法很难进行检测。
利用三步搜索法获取裂缝的变化矢量时,由于裂缝区域特征可能不是很明显,即相邻像素块相似度高,这就很容易造成在相邻像素块进行匹配时,会匹配到很多并不与原先位置相对应的边缘轮廓,进而造成三步搜索法计算得到裂缝位移及位移变化量时,对许多边缘轮廓都进行该计算,从而增加计算时间,影响灾害预警的时效性。
因此,需要提供一种山区滑坡灾害预警方法及系统,予以解决上述问题。
发明内容
本发明提供一种山区滑坡灾害预警方法及系统,以解决现有的问题。
本发明的一种山区滑坡灾害预警方法采用如下技术方案:该方法包括:
获取多帧连续相邻的坡体图像及其灰度图,对灰度图进行语义分割得到裂缝区域及裂缝区域的数量,获取所有裂缝区域的面积的面积平均值;
对灰度图进行边缘检测得到裂缝区域的边缘轮廓图像,对边缘轮廓图像进行膨胀,并将膨胀后的边缘轮廓图像分割为多个边缘像素块;
利用光流法获取每个边缘像素块的预测向量,根据边缘像素块与其邻域内其他边缘像素块位置计算该边缘像素块的距离权值,根据每个边缘像素块预测向量、距离权值及预设的初始重要性计算该边缘像素块的重要性,根据重要性及重要性阈值确定最终像素块;
计算两个相邻最终像素块的灰度差异,根据灰度差异及预设的差异阈值确定相似且相邻的最终像素块,对相似且相邻的两个最终像素块进行膨胀获取两个膨胀区域;
根据两个膨胀区域中对应位置的两个最终像素块的灰度差异计算两个膨胀区域的区域灰度差异,根据区域灰度差异及预设的区域灰度差异阈值确定最终像素块的最终膨胀区域;
利用三步搜索法获取每个最终膨胀区域的运动矢量,根据所有最终膨胀区域的运动矢量获取裂缝位移量,根据裂缝位移量计算裂缝位移变化量;
根据裂缝位移量、裂缝位移变化量、裂缝区域的数量及裂缝区域的面积平均值计算发生滑坡的可能性,根据发生滑坡的可能性与预设的灾害等级进行滑坡预警。
优选的,对边缘轮廓图像进行膨胀,并将膨胀后的边缘轮廓图像分割为多个边缘像素块的步骤包括:
设定膨胀次数,并对边缘轮廓图像进行膨胀;
根据膨胀次数获取边缘像素块的大小;
根据边缘像素块大小对膨胀后的边缘轮廓图像进行划分得到多个边缘像素块。
优选的,利用光流法获取每个边缘像素块的预测向量的步骤包括:
获取与该边缘像素块所在坡体图像的相邻帧坡体图像,及相邻帧坡体图像中与边缘像素块对应的目标像素块;
利用光流法计算该边缘像素块与目标像素块的运动矢量,并将运动矢量预测向量。
优选的,根据每个边缘像素块预测向量、距离权值及预设的初始重要性计算该边缘像素块的重要性步骤包括:
设每个边缘像素块的初始重要性为0;
根据每个边缘像素块的预测向量获取每个边缘像素块的预测向量的模、预测向量与水平方向的夹角;
根据边缘像素块和其邻域内的边缘像素块的预测向量的模的差值、夹角的差值计算该边缘像素块的运动矢量的相似性;
根据边缘像素块的距离权值及边缘像素块的邻域内每个边缘像素块的初始重要性计算该边缘像素块的轮廓重要性;
根据边缘像素块的轮廓重要性、运动矢量的相似性计算该边缘像素块的重要性,且边缘像素块作为其他边缘像素块的邻域边缘像素块时,该重要性作为该边缘像素块的初始重要性。
优选的,计算相邻两个最终像素块的灰度差异的步骤包括:
获取相邻两个最终像素块中对应位置的像素点的灰度差值;
并计算所有对应位置的像素点的灰度差值的总值;
将所有对应位置的像素点的灰度差值的总值与最终像素块的大小的比值作为相邻两个最终像素块的灰度差异。
优选的,对相似且相邻的两个最终像素块进行膨胀获取两个膨胀区域的步骤包括:
将最终像素块作为膨胀基元;
根据膨胀基元对相似且相邻的两个最终像素块进行膨胀处理得到总膨胀区域,以两个最终像素块的相邻边为分割线对总膨胀区域进行分割得到两个膨胀区域。
优选的,根据两个膨胀区域中对应位置的两个最终像素块的灰度差异计算两个膨胀区域的区域灰度差异的步骤包括:
根据两个膨胀区域中位置相对应的两个最终像素块的坐标获取两个位置相对应的最终像素块的距离;
根据两个膨胀区域中位置相对应的两个最终像素块的灰度差异、距离计算两个最终像素块的影响权值;
根据两个膨胀区域中所有位置相对应的最终像素块的灰度差异、影响权值计算两个膨胀区域的区域灰度差异。
优选的,根据区域灰度差异及预设的区域灰度差异阈值确定最终像素块的最终膨胀区域的步骤包括:
当区域灰度差异小于预设的区域灰度差异阈值,则确定两个膨胀区域相似,并再次以最终像素块对两个膨胀区域进行膨胀得到更新后的膨胀区域;
计算两个更新后的膨胀区域之间的区域差异度;
根据更新后的膨胀区域之间的区域差异度与区域灰度差异阈值比较,直至区域灰度差异大于预设的区域灰度差异阈值,将该区域灰度差异记为最终膨胀区域灰度差异;
最终膨胀区域灰度差异对应的膨胀区域即为最终膨胀区域。
优选的,利用三步搜索法获取每个最终膨胀区域的运动矢量,根据所有最终膨胀区域的运动矢量获取裂缝位移量,根据裂缝位移量计算裂缝位移变化量的步骤包括:
获取当前帧坡体图像的相邻帧坡体图像的最终膨胀区域;
然后利用三步搜索法分别计算前帧坡体图像的最终膨胀区域与每个相邻帧坡体图像中对应的最终膨胀区域的运动矢量;
将每帧坡体图像所有最终膨胀区域的运动矢量的平均值作为该帧坡体图像裂缝位移量;
将相邻两帧坡体图像裂缝位移量的差值作为裂缝位移变化量。
本发明的一种山区滑坡灾害预警系统,该系统采用如下技术方案:包括:
图像采集模块,用于获取多帧连续相邻的坡体图像及其灰度图,对灰度图进行语义分割得到裂缝区域及裂缝区域的数量,获取所有裂缝区域的面积的面积平均值;
第一图像处理模块,用于对灰度图进行边缘检测得到裂缝区域的边缘轮廓图像,对边缘轮廓图像进行膨胀,并将膨胀后的边缘轮廓图像分割为多个边缘像素块;
第一参数计算模块,用于利用光流法获取每个边缘像素块的预测向量,根据边缘像素块与其邻域内其他边缘像素块位置计算该边缘像素块的距离权值,根据每个边缘像素块预测向量、距离权值及预设的初始重要性计算该边缘像素块的重要性,根据重要性及重要性阈值确定最终像素块;
第二图像处理模块,用于计算两个相邻最终像素块的灰度差异,根据灰度差异及预设的差异阈值确定相似且相邻的最终像素块,对相似且相邻的两个最终像素块进行膨胀获取两个膨胀区域;
第三图像处理模块,用于根据两个膨胀区域中对应位置的两个最终像素块的灰度差异计算两个膨胀区域的区域灰度差异,根据区域灰度差异及预设的区域灰度差异阈值确定最终像素块的最终膨胀区域;
第二参数计算模块,用于利用三步搜索法获取每个最终膨胀区域的运动矢量,根据所有最终膨胀区域的运动矢量获取裂缝位移量,根据裂缝位移量计算裂缝位移变化量;
预警模块,用于根据裂缝位移量、裂缝位移变化量、裂缝区域的数量及裂缝区域的面积平均值计算发生滑坡的可能性,根据发生滑坡的可能性与预设的灾害等级进行滑坡预警。
本发明的有益效果是:本发明的一种山区滑坡灾害预警方法及系统,通过流光法获取边缘像素块的预测向量,然后根据边缘像素块的重要性确定重要的边缘像素块记为最终像素块,根据最终像素块相似性获取相似且相邻的两个最终像素块,然后根据相似且相邻的两个最终像素块确定最终膨胀区域,根据三步搜索法对最终膨胀区域进行运动矢量,本方法避免了在进行相似性比较时,对许多边缘轮廓都进行计算,从而减少计算时间,提高灾害预警的时效性。
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他的附图。
图1为本发明的一种山区滑坡灾害预警方法及系统的实施例总体步骤的流程图;
图2为本发明实施例的S4步骤中计算两个相邻最终像素块的灰度差异的流程图。
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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
本发明提供了一种山区滑坡灾害预警方法的实施例,如图1所示,该方法包括:
S1、获取多帧连续相邻的坡体图像及其灰度图,对灰度图进行语义分割得到裂缝区域及裂缝区域的数量,获取所有裂缝区域的面积的面积平均值。
具体的,首先通过人工筛查,确定山区重点隐患区域,即坡体倾角较大,发生过滑坡或者根据其他经验确定的一些不稳定的坡体,然后利用摄像机实时采集这些坡体的坡体图像,为减少噪音等因素对图像分析造成影响,对得到的坡体图像进行灰度化及去噪得到灰度图,提取裂缝区域的连通域;根据连通域得到每个裂缝区域的面积;根据裂缝区域的数量及每个裂缝区域的面积计算坡体图像中裂缝区域的面积平均值。
对灰度图进行语义分割得到裂缝区域的步骤:其中,神经网络语义分割使用ResNet神经网络,其中,神经网络的输入为坡体图像的灰度图,神经网络的输出为包含裂缝的裂缝区域图像,即标签分为两种,裂缝和背景,裂缝区域标记为1,背景区域标记为0,网络所用损失函数为交叉熵损失函数。
S2、对灰度图进行边缘检测得到裂缝区域的边缘轮廓图像,即使用canny边缘检测将裂缝区域的边缘检测出来得到边缘轮廓图像,对边缘轮廓图像进行膨胀,并将膨胀后的边缘轮廓图像分割为多个边缘像素块。
具体的,将边缘图像映射回原灰度图,设定膨胀次数,并对边缘轮廓图像进行膨胀;根据膨胀次数获取边缘像素块的大小;根据边缘像素块大小对膨胀后的边缘轮廓图像进行划分得到多个边缘像素块,其中,即每膨胀一次,像素块的大小增加2,本实施例膨胀四次,即得到像素块大小为9*9大小的边缘像素块。
S3、由于传统的三步搜索法获取进行相似度比较虽然可以更为准确的获取运动矢量,但是上述计算是对许多轮廓边缘都进行计算,因此,该计算过程会大大增大计算时间,为了减少三步搜索法的计算量,从而提高计算效率,在计算过程中,将一些运动趋势相似,在边缘轮廓的组成中重要性低的边缘像素块进行忽略,即只计算其中某些重要性高的边缘轮廓像素块的运动矢量,即本实施例先利用光流法获取每个边缘像素块的预测向量,根据边缘像素块与其邻域内其他边缘像素块位置计算该边缘像素块的距离权值,根据每个边缘像素块预测向量、距离权值及预设的初始重要性计算该边缘像素块的重要性,根据重要性及重要性阈值确定最终像素块,其中,重要性阈值h=0.5,当重要性C小于重要性阈值h时,将该重要性对应的边缘像素块进行忽略,当重要性C大于重要性阈值h时,将该重要性对应的边缘像素块记为最终像素块,该最终像素块代表了边缘里面重要的边缘像素块。
具体的,获取与该边缘像素块所在坡体图像的相邻帧坡体图像,及相邻帧坡体图像中与边缘像素块对应的目标像素块;利用光流法计算该边缘像素块与目标像素块的运动矢量,并将运动矢量预测向量。
具体的,根据每个边缘像素块预测向量、距离权值及预设的初始重要性计算该边缘像素块的重要性的步骤包括:设每个边缘像素块的初始重要性为0;根据每个边缘像素块的预测向量获取每个边缘像素块的预测向量的模、预测向量与水平方向的夹角;根据边缘像素块和其邻域内的边缘像素块的预测向量的模的差值、夹角的差值计算该边缘像素块的运动矢量的相似性;根据边缘像素块的距离权值及边缘像素块的邻域内每个边缘像素块的初始重要性计算该边缘像素块的轮廓重要性;根据边缘像素块的轮廓重要性、运动矢量的相似性计算该边缘像素块的重要性,且边缘像素块作为其他边缘像素块的邻域边缘像素块时,该重要性作为该边缘像素块的初始重要性。
其中,根据下式(1)计算边缘像素块的重要性:
式中,δ表示边缘像素块的运动矢量的相似性,η表示边缘像素块的轮廓重要性;
其中,根据下式(11)计算边缘像素块的运动矢量的相似性:
式中,表示边缘像素块的预测向量的模;/>表示边缘像素块的邻域内第i个边缘像素块的预测向量的模;θi表示边缘像素块的邻域内第i个边缘像素块的预测向量与水平方向的夹角;θ表示边缘像素块的预测向量与水平方向的夹角;l表示邻域内像素点的个数,本实施例中的邻域选择边缘像素块的5x5邻域。
其中,根据下式(12)计算边缘像素块的轮廓重要性:
式中,ρi表示边缘像素块与其邻域中第i个边缘像素块的距离权值;Ci0表示边缘像素块的初始重要性,当第一次计算边缘像素块的重要性时,初始重要性记为0,当以初始重要性为0时计算出来边缘像素块的重要性记为该像素块下一次计算时的初始重要性;l表示邻域内像素点的个数,本实施例中的邻域选择边缘像素块的5x5邻域。
其中,根据下式(A21)计算边缘像素块与其邻域中每个边缘像素块的距离权值:
式中,ρi表示边缘像素块与其邻域中第i个边缘像素块的距离权值,(xi,yi)表示边缘像素块的邻域内第i个边缘像素块的坐标;表示边缘像素块的坐标;
具体的,对影响权值归一化,将归一化后的影响权值作为两个最终像素块的影响权值。
S4、进行像素块的运动矢量的获取时,首先计算其与相邻像素块的相似性,其中相似性计算方法是通过计算两像素块对应位置的相似性,进而可以在计算时将其中像素块进行比较计算两个相邻最终像素块的灰度差异,根据灰度差异及预设的差异阈值确定相似且相邻的最终像素块,对相似且相邻的两个最终像素块进行膨胀获取两个膨胀区域。
具体的,如图2所示,S41、获取相邻两个最终像素块中对应位置的像素点的灰度差值;S42、并计算所有对应位置的像素点的灰度差值的总值;S43、将所有对应位置的像素点的灰度差值的总值与最终像素块的大小的比值作为相邻两个最终像素块的灰度差异,其中,根据下式(2)计算相邻两个最终像素块的灰度差异:
其中,g″(i)表示其中一个最终像素块中的第i个像素点的灰度值;g′(i)表示另一个最终像素块中的第i个像素点的灰度值,N*N表示最终像素块的大小,其中,设定差异阈值Z=10,当所求灰度差异A小于差异阈值Z时,便认为这相邻的最终像素块相似。
具体的,对相似且相邻的两个最终像素块进行膨胀获取两个膨胀区域的步骤包括:将最终像素块作为膨胀基元;根据膨胀基元对相似且相邻的两个最终像素块进行膨胀处理得到总膨胀区域,以两个最终像素块的相邻边为分割线对总膨胀区域进行分割得到两个膨胀区域。
S5、根据两个膨胀区域中对应位置的两个最终像素块的灰度差异计算两个膨胀区域的区域灰度差异,根据区域灰度差异及预设的区域灰度差异阈值确定最终像素块的最终膨胀区域。
具体的,根据两个膨胀区域中位置相对应的两个最终像素块的坐标获取两个位置相对应的最终像素块的距离;根据两个膨胀区域中位置相对应的两个最终像素块的灰度差异、距离计算两个最终像素块的影响权值;根据两个膨胀区域中所有位置相对应的最终像素块的灰度差异、影响权值计算两个膨胀区域的区域灰度差异,其中,根据下式(3)计算两个最终像素块的影响权值:
式中,ωi表示两个膨胀区域中第i个对应的最终像素块的影响权值;
(xi,yi)表示其中一个膨胀区域第i个最终像素块的坐标;
表示另一个膨胀区域中第i个边缘像素块对应的最终像素块坐标;
Ai为相邻两膨胀区域第i个对应的最终像素块的相似度差异;
m表示膨胀区域中最终像素块的总数;
根据下式(4)计算两个膨胀区域的区域灰度差异:
式中,ωi表示两个膨胀区域中第i个对应的最终像素块的影响权值;
Ai表示两个膨胀区域中第i个对应的最终像素块的相似度差异;
m表示膨胀区域中最终像素块的总数。
具体的,对影响权值归一化,将归一化后的影响权值作为两个最终像素块的影响权值。
S6、利用三步搜索法获取每个最终膨胀区域的运动矢量,根据所有最终膨胀区域的运动矢量获取坡体图像的裂缝位移量,根据相邻两帧坡体图像对应的裂缝位移量计算裂缝位移变化量。
具体的,根据获取当前帧坡体图像的最终膨胀区域的方法获取当前帧坡体图像的两个相邻帧坡体图像的最终膨胀区域;然后利用三步搜索法分别计算前帧坡体图像的最终膨胀区域与每个相邻帧坡体图像中对应的最终膨胀区域的运动矢量;将每帧坡体图像所有最终膨胀区域的运动矢量的平均值作为该帧坡体图像裂缝位移量,其中,裂缝位移量的大小为所有运动矢量的模大小的平均值,即裂缝位移量其中,/>为所有运动矢量的模大小的平均值;将相邻两帧坡体图像裂缝位移量的差值作为裂缝位移变化量,裂缝位移变化量/>表示其中一帧坡体图像的裂缝位移量,/>表示与其中一帧坡体图像相邻帧坡体图像的裂缝位移量。
S7、根据分析得到的裂缝区域的数量、裂缝区域的面积平均值、裂缝位移量以及裂缝位移变化量,进而确定该区域发生滑坡的可能性,即裂缝区域越多,裂缝区域越大,裂缝位移量越大,裂缝位移变化量的越大,那么该区域就越可能发生滑坡,该区域的危险警告等级越大,具体的,根据裂缝位移量、裂缝位移变化量、裂缝区域的数量及裂缝区域的面积平均值计算发生滑坡的可能性,根据发生滑坡的可能性与预设的灾害等级进行坡体的滑坡预警。
具体的,根据下式(5)计算发生滑坡的可能性Q:
式中,W为裂缝区域的面积平均值;E为裂缝区域的数量;R为裂缝位移量;T为裂缝位移变化量。
本发明还提供一种山区滑坡灾害预警系统,该系统采用如下技术方案:包括:图像采集模块、第一图像处理模块、第二图像处理模块、第三图像处理模块、第一参数计算模块、第二参数计算模块及预警模块,其中,图像采集模块用于获取多帧连续相邻的坡体图像及其灰度图,对灰度图进行语义分割得到裂缝区域及裂缝区域的数量,获取所有裂缝区域的面积的面积平均值;第一图像处理模块用于对灰度图进行边缘检测得到裂缝区域的边缘轮廓图像,对边缘轮廓图像进行膨胀,并将膨胀后的边缘轮廓图像分割为多个边缘像素块;第一参数计算模块用于利用光流法获取每个边缘像素块的预测向量,根据边缘像素块与其邻域内其他边缘像素块位置计算该边缘像素块的距离权值,根据每个边缘像素块预测向量、距离权值及预设的初始重要性计算该边缘像素块的重要性,根据重要性及重要性阈值确定最终像素块;第二图像处理模块用于计算两个相邻最终像素块的灰度差异,根据灰度差异及预设的差异阈值确定相似且相邻的最终像素块,对相似且相邻的两个最终像素块进行膨胀获取两个膨胀区域;第三图像处理模块用于根据两个膨胀区域中对应位置的两个最终像素块的灰度差异计算两个膨胀区域的区域灰度差异,根据区域灰度差异及预设的区域灰度差异阈值确定最终像素块的最终膨胀区域;第二参数计算模块用于利用三步搜索法获取每个最终膨胀区域的运动矢量,根据所有最终膨胀区域的运动矢量获取裂缝位移量,根据裂缝位移量计算裂缝位移变化量;预警模块用于根据裂缝位移量、裂缝位移变化量、裂缝区域的数量及裂缝区域的面积平均值计算发生滑坡的可能性,根据发生滑坡的可能性与预设的灾害等级进行滑坡预警。
综上所述,本发明提供一种山区滑坡灾害预警方法及系统,通过流光法获取边缘像素块的预测向量,然后根据边缘像素块的重要性确定重要的边缘像素块记为最终像素块,根据最终像素块相似性获取相似且相邻的两个最终像素块,然后根据相似且相邻的两个最终像素块确定最终膨胀区域,根据三步搜索法对最终膨胀区域进行运动矢量,本方法避免了在进行相似性比较时,对许多边缘轮廓都进行计算,从而减少计算时间,提高灾害预警的时效性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种山区滑坡灾害预警方法,其特征在于,该方法包括:
获取多帧连续相邻的坡体图像及其灰度图,对灰度图进行语义分割得到裂缝区域及裂缝区域的数量,获取所有裂缝区域的面积的面积平均值;
对灰度图进行边缘检测得到裂缝区域的边缘轮廓图像,对边缘轮廓图像进行膨胀,并将膨胀后的边缘轮廓图像分割为多个边缘像素块;
利用光流法获取每个边缘像素块的预测向量,根据边缘像素块与其邻域内其他边缘像素块位置计算该边缘像素块的距离权值,根据每个边缘像素块预测向量、距离权值及预设的初始重要性计算该边缘像素块的重要性,根据重要性及重要性阈值确定最终像素块;
计算两个相邻最终像素块的灰度差异,根据灰度差异及预设的差异阈值确定相似且相邻的最终像素块,对相似且相邻的两个最终像素块进行膨胀获取两个膨胀区域;
根据两个膨胀区域中对应位置的两个最终像素块的灰度差异计算两个膨胀区域的区域灰度差异,根据区域灰度差异及预设的区域灰度差异阈值确定最终像素块的最终膨胀区域;
利用三步搜索法获取每个最终膨胀区域的运动矢量,根据所有最终膨胀区域的运动矢量获取裂缝位移量,根据裂缝位移量计算裂缝位移变化量;
根据裂缝位移量、裂缝位移变化量、裂缝区域的数量及裂缝区域的面积平均值计算发生滑坡的可能性,根据发生滑坡的可能性与预设的灾害等级进行滑坡预警。
2.根据权利要求1所述的一种山区滑坡灾害预警方法,其特征在于,对边缘轮廓图像进行膨胀,并将膨胀后的边缘轮廓图像分割为多个边缘像素块的步骤包括:
设定膨胀次数,并对边缘轮廓图像进行膨胀;
根据膨胀次数获取边缘像素块的大小;
根据边缘像素块大小对膨胀后的边缘轮廓图像进行划分得到多个边缘像素块。
3.根据权利要求1所述的一种山区滑坡灾害预警方法,其特征在于,利用光流法获取每个边缘像素块的预测向量的步骤包括:
获取与该边缘像素块所在坡体图像的相邻帧坡体图像,及相邻帧坡体图像中与边缘像素块对应的目标像素块;
利用光流法计算该边缘像素块与目标像素块的运动矢量,并将运动矢量预测向量。
4.根据权利要求1所述的一种山区滑坡灾害预警方法,其特征在于,根据每个边缘像素块预测向量、距离权值及预设的初始重要性计算该边缘像素块的重要性步骤包括:
设每个边缘像素块的初始重要性为0;
根据每个边缘像素块的预测向量获取每个边缘像素块的预测向量的模、预测向量与水平方向的夹角;
根据边缘像素块和其邻域内的边缘像素块的预测向量的模的差值、夹角的差值计算该边缘像素块的运动矢量的相似性;
根据边缘像素块的距离权值及边缘像素块的邻域内每个边缘像素块的初始重要性计算该边缘像素块的轮廓重要性;
根据边缘像素块的轮廓重要性、运动矢量的相似性计算该边缘像素块的重要性,且边缘像素块作为其他边缘像素块的邻域边缘像素块时,该重要性作为该边缘像素块的初始重要性。
5.根据权利要求1所述的一种山区滑坡灾害预警方法,其特征在于,计算相邻两个最终像素块的灰度差异的步骤包括:
获取相邻两个最终像素块中对应位置的像素点的灰度差值;
并计算所有对应位置的像素点的灰度差值的总值;
将所有对应位置的像素点的灰度差值的总值与最终像素块的大小的比值作为相邻两个最终像素块的灰度差异。
6.根据权利要求1所述的一种山区滑坡灾害预警方法,其特征在于,对相似且相邻的两个最终像素块进行膨胀获取两个膨胀区域的步骤包括:
将最终像素块作为膨胀基元;
根据膨胀基元对相似且相邻的两个最终像素块进行膨胀处理得到总膨胀区域,以两个最终像素块的相邻边为分割线对总膨胀区域进行分割得到两个膨胀区域。
7.根据权利要求1所述的一种山区滑坡灾害预警方法,其特征在于,根据两个膨胀区域中对应位置的两个最终像素块的灰度差异计算两个膨胀区域的区域灰度差异的步骤包括:
根据两个膨胀区域中位置相对应的两个最终像素块的坐标获取两个位置相对应的最终像素块的距离;
根据两个膨胀区域中位置相对应的两个最终像素块的灰度差异、距离计算两个最终像素块的影响权值;
根据两个膨胀区域中所有位置相对应的最终像素块的灰度差异、影响权值计算两个膨胀区域的区域灰度差异。
8.根据权利要求1所述的一种山区滑坡灾害预警方法,其特征在于,根据区域灰度差异及预设的区域灰度差异阈值确定最终像素块的最终膨胀区域的步骤包括:
当区域灰度差异小于预设的区域灰度差异阈值,则确定两个膨胀区域相似,并再次以最终像素块对两个膨胀区域进行膨胀得到更新后的膨胀区域;
计算两个更新后的膨胀区域之间的区域差异度;
根据更新后的膨胀区域之间的区域差异度与区域灰度差异阈值比较,直至区域灰度差异大于预设的区域灰度差异阈值,将该区域灰度差异记为最终膨胀区域灰度差异;
最终膨胀区域灰度差异对应的膨胀区域即为最终膨胀区域。
9.根据权利要求1所述的一种山区滑坡灾害预警方法,其特征在于,利用三步搜索法获取每个最终膨胀区域的运动矢量,根据所有最终膨胀区域的运动矢量获取裂缝位移量,根据裂缝位移量计算裂缝位移变化量的步骤包括:
获取当前帧坡体图像的相邻帧坡体图像的最终膨胀区域;
然后利用三步搜索法分别计算前帧坡体图像的最终膨胀区域与每个相邻帧坡体图像中对应的最终膨胀区域的运动矢量;
将每帧坡体图像所有最终膨胀区域的运动矢量的平均值作为该帧坡体图像裂缝位移量;
将相邻两帧坡体图像裂缝位移量的差值作为裂缝位移变化量。
10.根据权利要求1-9任一项所述的一种山区滑坡灾害预警系统,其特征在于,该系统包括:
图像采集模块,用于获取多帧连续相邻的坡体图像及其灰度图,对灰度图进行语义分割得到裂缝区域及裂缝区域的数量,获取所有裂缝区域的面积的面积平均值;
第一图像处理模块,用于对灰度图进行边缘检测得到裂缝区域的边缘轮廓图像,对边缘轮廓图像进行膨胀,并将膨胀后的边缘轮廓图像分割为多个边缘像素块;
第一参数计算模块,用于利用光流法获取每个边缘像素块的预测向量,根据边缘像素块与其邻域内其他边缘像素块位置计算该边缘像素块的距离权值,根据每个边缘像素块预测向量、距离权值及预设的初始重要性计算该边缘像素块的重要性,根据重要性及重要性阈值确定最终像素块;
第二图像处理模块,用于计算两个相邻最终像素块的灰度差异,根据灰度差异及预设的差异阈值确定相似且相邻的最终像素块,对相似且相邻的两个最终像素块进行膨胀获取两个膨胀区域;
第三图像处理模块,用于根据两个膨胀区域中对应位置的两个最终像素块的灰度差异计算两个膨胀区域的区域灰度差异,根据区域灰度差异及预设的区域灰度差异阈值确定最终像素块的最终膨胀区域;
第二参数计算模块,用于利用三步搜索法获取每个最终膨胀区域的运动矢量,根据所有最终膨胀区域的运动矢量获取裂缝位移量,根据裂缝位移量计算裂缝位移变化量;
预警模块,用于根据裂缝位移量、裂缝位移变化量、裂缝区域的数量及裂缝区域的面积平均值计算发生滑坡的可能性,根据发生滑坡的可能性与预设的灾害等级进行滑坡预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210633133.7A CN115035182B (zh) | 2022-06-06 | 2022-06-06 | 一种山区滑坡灾害预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210633133.7A CN115035182B (zh) | 2022-06-06 | 2022-06-06 | 一种山区滑坡灾害预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115035182A CN115035182A (zh) | 2022-09-09 |
CN115035182B true CN115035182B (zh) | 2024-03-29 |
Family
ID=83123706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210633133.7A Active CN115035182B (zh) | 2022-06-06 | 2022-06-06 | 一种山区滑坡灾害预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115035182B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272344B (zh) * | 2022-09-30 | 2023-12-08 | 山西豪正森资源环境规划设计有限公司 | 依据图像特征匹配的地面位移检测方法 |
CN116071893B (zh) * | 2023-04-06 | 2023-07-14 | 湖南智慧平安科技有限公司 | 基于大数据与计算机视觉的预警中控指挥平台 |
CN117854256B (zh) * | 2024-03-05 | 2024-06-11 | 成都理工大学 | 基于无人机视频流分析的地质灾害监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
KR102347925B1 (ko) * | 2020-11-11 | 2022-01-06 | 이예슬 | 기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템 및 그 방법 |
-
2022
- 2022-06-06 CN CN202210633133.7A patent/CN115035182B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102347925B1 (ko) * | 2020-11-11 | 2022-01-06 | 이예슬 | 기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템 및 그 방법 |
CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
Non-Patent Citations (1)
Title |
---|
基于统计特征的D邻域滑动窗路面裂缝分割法;李鹏;蒋威;顾彬彬;;计算机仿真;20191215(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115035182A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115035182B (zh) | 一种山区滑坡灾害预警方法及系统 | |
CN106327520B (zh) | 一种运动目标检测方法及系统 | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
CN111626170B (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
CN110874592B (zh) | 一种基于总有界变分的森林火灾烟雾图像检测方法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN108804992B (zh) | 一种基于深度学习的人群统计方法 | |
CN111626169B (zh) | 一种基于图像的铁路危险落石尺寸判断方法 | |
CN109919053A (zh) | 一种基于监控视频的深度学习车辆停车检测方法 | |
CN111612747B (zh) | 产品表面裂缝快速检测方法及检测系统 | |
CN113822352B (zh) | 基于多特征融合的红外弱小目标检测方法 | |
CN110110675A (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
CN110443830B (zh) | 一种基于混合高斯背景模型的降水云团检测方法 | |
CN113111878B (zh) | 一种复杂背景下的红外弱小目标检测方法 | |
CN110717886A (zh) | 复杂环境下基于机器视觉的路面坑塘检测方法 | |
CN113240735B (zh) | 一种边坡位移活动性监测方法 | |
CN115471980B (zh) | 泥石流灾害预警方法 | |
CN111723757B (zh) | 垃圾填埋场的监控方法及系统 | |
CN107169969B (zh) | 一种基于fpga的公路危岩崩塌堆积物大小测量及报警系统 | |
CN112198170A (zh) | 一种无缝钢管外表面三维检测中识别水滴的检测方法 | |
CN113988222A (zh) | 一种基于Faster-RCNN的森林火灾检测与识别方法 | |
CN114332644A (zh) | 一种基于视频卫星数据的大视场交通密度获取方法 | |
Lee et al. | Extraction of weather information on road using CCTV video | |
CN105844671B (zh) | 一种变光照条件下的快速背景减除法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |