CN115060208A - 基于多源卫星融合的输变电线路地质灾害监测方法及系统 - Google Patents
基于多源卫星融合的输变电线路地质灾害监测方法及系统 Download PDFInfo
- Publication number
- CN115060208A CN115060208A CN202210757759.9A CN202210757759A CN115060208A CN 115060208 A CN115060208 A CN 115060208A CN 202210757759 A CN202210757759 A CN 202210757759A CN 115060208 A CN115060208 A CN 115060208A
- Authority
- CN
- China
- Prior art keywords
- image data
- radar
- power transmission
- fusion
- geological disaster
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 55
- 230000009466 transformation Effects 0.000 title claims abstract description 48
- 230000005540 biological transmission Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 230000003287 optical effect Effects 0.000 claims abstract description 40
- 230000008859 change Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000149 penetrating effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000003491 array Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
- G01B15/06—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring the deformation in a solid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多源卫星融合的输变电线路地质灾害监测方法及系统，包括：获取设定区域的光学影像及雷达影像数据；对雷达影像数据进行多幅影像的拼接及解译，得到全幅雷达影像数据；通过全幅雷达影像数据的时间域、空间域、频率域信息，获取输电线路在雷达视线向的位置变化信息；将全幅雷达影像与光学卫星影像数据进行融合，得到全景融合影像；结合位置变化信息，基于全景融合影像以及建立的地质灾害特征库，得到输变电线路地质灾害识别结果。本发明基于遥感及光学卫星数据，获取高分辨率的全景融合影像，提升了遥感影像的信息量及精度。
Description
技术领域
本发明涉及输变电线路地质灾害监测技术领域，尤其涉及一种基于多源卫星融合的输变电线路地质灾害监测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
目前电力设备巡检主要有人工、直升机、无人机、可视化监拍、机器人等方式，受恶劣天气条件、特殊地理环境等因素限制，无法实现特殊地区、特殊气候下的全天候、全地域的精细化巡检。
随着电网设施规模的成倍增加，设备运维面临的压力和挑战也越来越大，线路穿越复杂地质环境的情况增多，地质灾害对输电通道和电网基础设施的威胁日益加剧，对地质灾害等隐患的应对也提出了更高的要求。
受天气、地域、地理环境等因素的影响，现有技术公开的地质灾害监测方法往往准确度不够，且不能够实现全天候、全地域的监测。
发明内容
为了解决上述问题，本发明提出了一种基于多源卫星融合的输变电线路地质灾害监测方法及系统，利用光学影像排查其位置、类型、危险程度等，利用雷达数据对其形变速率及形变量进行监测，分析其形变发展规律并对未来做出评估。
在一些实施方式中，采用如下技术方案：
一种基于多源卫星融合的输变电线路地质灾害监测方法，包括：
获取设定区域的光学影像及雷达影像数据；
对雷达影像数据进行多幅影像的拼接及解译，得到全幅雷达影像数据；
通过全幅雷达影像数据的时间域、空间域、频率域信息，获取输电线路在雷达视线向的位置变化信息；
将全幅雷达影像与光学卫星影像数据进行融合，得到全景融合影像；
结合位置变化信息，基于全景融合影像以及建立的地质灾害特征库，得到输变电线路地质灾害识别结果。
作为可选的方式，对雷达影像数据进行多幅影像的拼接及解译，得到全幅雷达影像数据，具体包括：
对雷达影像数据进行预处理；
对预处理后的图像通过特征空间选取、搜索空间、搜索策略和相似性度量进行配准；
对多幅存在重叠区域的子孔径图像的空间位置对齐，进而拼接成一副完整的大场景的图像，以扩大雷达影像数据成像的场景范围。
作为可选的方式，通过全幅雷达影像数据的时间域、空间域、频率域信息，获取输电线路在雷达视线向的位置变化信息，具体包括：
利用同一区域不同时间点的雷达影像数据进行干涉叠加分析，获取目标点在时间域上的变化特征信息；
使用全景雷达影像数据集获得目标区域的变化特征信息，结合不同空间位置进行对比分析，得到相对变化矢量，从而获得目标区域的变化值；
不同频率的波对地表物体的穿透能力不同，利用雷达影像数据的这一特点分析不同频率下监测目标物的相对变化量。
作为可选的方式，按照短时空基线原则组合生成多组影像的序列差分干涉图，对差分干涉图进行空间滤波，再进行相位解缠，在解缠效果适中的干涉对选取GCP点，经过形变速率反演、DEM校正以及大气相位和残余地形相位滤波后，得到地表形变速率和累积形变量。
作为可选的方式，将两期影像进行干涉处理，即逐点把主影像的复数值和从影像的复共轭相乘，计算出干涉相位，获取的干涉相位包含地面高程信息；所述干涉相位具体为：平地相位、地形相位、两次成像时间间隔内目标沿雷达视线方向移动引起的变形相位、大气扰动引起的相位延迟和相位噪声的总和。
作为可选的方式，将全幅雷达影像与光学卫星影像数据进行融合，得到全景融合影像，具体包括：
对光学影像进行HSI变换，将光学影像从RGB变换到HSI空间，分离出影像的强度分量I和光谱分量H和S；
利用分离出来的强度分量I对雷达影像进行直方图匹配，使雷达影像与光学影像的直方图分布趋势一致；
通过小波变换分别得到强度分量和雷达影像的高频分量和低频分量，将二者的低频分量和高频分量分别融合；
分别对低频融合结果与高频融合结果进行小波逆变换，得到新的强度分量I’；
新的强度分量I’与光学影像经过HIS变换分离出来的色调分量H、饱和度分量S进行HIS逆变换，得到RGB空间的光学与雷达融合结果。
作为可选的方式，所述地质灾害特征库中包括不同时间段的不同地质灾害的影像形状特征、影像光谱特征、光学影像、雷达数据以及全景融合影像数据；通过地质灾害特征库形成地质灾害识别标准。
在另一些实施方式中，采用如下技术方案：
一种基于多源卫星融合的输变电线路地质灾害监测系统，包括：
数据获取模块，用于获取设定区域的光学影像及雷达影像数据；
雷达影像数据拼接模块，用于对雷达影像数据进行多幅影像的拼接及解译，得到全幅雷达影像数据；
雷达影像数据处理模块，用于通过全幅雷达影像数据的时间域、空间域、频率域信息，获取输电线路在雷达视线向的位置变化信息；
全景融合模块，用于将全幅雷达影像与光学卫星影像数据进行融合，得到全景融合影像；
地址灾害识别模块，用于基于全景融合影像以及建立的地质灾害特征库，得到输变电线路地质灾害识别结果。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于多源卫星融合的输变电线路地质灾害监测方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于多源卫星融合的输变电线路地质灾害监测方法。
与现有技术相比，本发明的有益效果是：
(1)本发明基于遥感及光学卫星数据，获取高分辨率的全景融合影像，提升了遥感影像的信息量及精度。
(2)本发明自动提取输变电线路周边的地物信息，通过智能对比库，实现地质灾害点的自动识别，地质灾害的监测更加快速、便捷。
(3)本发明通过光学及雷达卫星的联合应用，可实现针对输电线路等线性工程大范围的地质灾害隐患点排查，并可实现对重点区域或高风险区域的长期监测。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中的基于多源卫星融合的输变电线路地质灾害监测方法流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种基于多源卫星融合的输变电线路地质灾害监测方法，参照图1，具体包括如下过程：
(1)获取设定区域的光学影像及雷达影像数据；
(2)对雷达影像数据进行多幅影像的拼接及解译，得到全幅雷达影像数据；
具体地，通过空域滤波法和频域滤波法抑制雷达影像噪声，可保留图像原有信息，实现图像预处理。对预处理后的图像进行配准，主要步骤为特征空间选取、搜索空间、搜索策略和相似性度量。完成图像配准后，对多幅存在重叠区域的子孔径图像的空间位置对齐，进而拼接成一副完整的大场景的图像，以扩大雷达成像的场景范围。
(3)通过全幅雷达影像数据的时间域、空间域、频率域信息，获取输电线路在雷达视线向的位置变化信息；
具体地，通过全幅雷达影像数据的时间域、空间域、频率域信息获取目标物在雷达视线向的变形，将雷达视线向形变投影到东西方向水平移动和南北方向水平移动。
1)时间域处理：利用同一区域不同时间点的SAR数据进行干涉叠加分析，获取目标点在时间域上的变化特征信息；
2)空间域：使用全景SAR数据集获得目标区域的变化特征信息，结合不同空间位置进行对比分析，得到相对变化矢量，从而获得目标区域的变化值；
3)频率域：不同频率的波对地表物体的穿透能力不同，利用SAR数据的这一特点分析不同频率下监测目标物的相对变化量。
将获取的雷达回波信号利用直接解算模型、结合模拟法解算模型、InSAR算法与offset解算模型等不同方法对目标物三维矢量的解算，解算获取目标物的三维矢量特征，包括东西方向相对位置，南北方向相对位置以及垂直相对位置，通过理论推导和实验验证各解算模型的优点、局限性和适用性。
本实施例中，按照短时空基线原则组合生成多主影像的序列差分干涉图，对差分干涉图进行空间滤波，再进行相位解缠，在解缠效果适中的干涉对选取GCP点，经过形变速率反演、DEM校正以及大气相位和残余地形相位滤波后，得到地表形变速率和累积形变量。
具体操作为：
1)引入精密轨道数据；
2)SAR数据根据需求进行适当裁剪；
3)定义参考影像，从影像与之匹配，生成连接图；
4)差分干涉处理，包括：SAR影像匹配、差分干涉、滤波、相位解缠处理；
5)修改干涉对组合，选择适合的干涉对组合，差分干涉完成以后，首先要考虑的便是干涉对的编辑，在这一步，处理人员将逐个判断干涉对的质量以决定是否将其移除。；
6)选择影像中滤波结果和解缠结果较好的一期的干涉图作为参考文件，在远离形变区且无残余地形相位处进行手动选择，从而估算和消除残余的恒定相位及相位坡道。轨道精炼和重去平；
7)第一次反演对地表形变速率及残余相位的估算是反演计算的核心，使用线性模型做二次轨道精炼和相位解缠，去除误差相位获得更为精确的解缠结果，；
8)第二次反演的主要工作是利用滤波的方法对干涉像对的大气效应进行去除，进而准确反演时间序列形变量。；
9)地理编码是处理的最后一个流程，具体是指将SAR坐标下的结果转化到地理坐标系下，从而更好的与其他资料相融合。
将两期影像进行干涉处理，即逐点把主影像的复数值和从影像的复共轭相乘，计算出干涉相位，获取的干涉相位包含地面高程信息，一般表达为如下公式：
φif＝φflat+φtopo+φdis+φatmo+φnoi
其中，φif为干涉相位、φflat为平地相位、φtopo为地形相位、φdis为两次成像时间间隔内目标沿雷达视线方向移动引起的变形相位、φatmo为大气扰动引起的相位延迟、φnoi为相位噪声。
通过时间域上的不同影像处理，可以获取这段时间内的地面累积相位，即地面累积沉降，通过判断地面累积沉降累积量、地面累积沉降变形速率等因素，来初步判断地质灾害点位置、危险程度。
(4)将全幅雷达影像与光学卫星影像数据进行融合，得到全景融合影像；
对光学影像进行HSI变换，将光学影像从RGB变换到HSI空间，分离出影像的强度分量(纹理信息)I和光谱分量H和S；然后利用分离出来的强度分量I对雷达影像进行直方图匹配，使SAR与光学影像的直方图分布趋势一致，从而有效的保持光谱信息；然后将小波变换算法应用到光学影像强度分量和直方图匹配后的SAR图像上，分别得到强度分量和SAR影像的高频分量和低频分量，
对光学影像利用分离出来的强度分量I进行小波变换得到高频分量I1和低频分量I2，对雷达影像进行小波变换得到高频分量Ia和低频分量Ib，将强度分量I和雷达影像的高频分量与高频分量进行融合，低频分量与低频分量进行融合，即I1和Ia、I2和Ib，分别得到融合后的高频I1，a和融合后的低频I2，b，将融合后的高频和低频通过逆处理，得到新的强度分量I’。
将新的强度分量I’与光学影像经过HIS变换分离出来的色调分量H、饱和度分量S进行HIS逆变换，得到RGB空间的光学与雷达融合结果；融合后的影像结果保留了原始影像的光谱和纹理信息，使用融合后影像识别的精度优于单独的光学或雷达影像，获取高分辨率的全景融合影像。
(5)结合地表形变速率和累积形变量结果，基于全景融合影像以及建立的地质灾害特征库，得到输变电线路地质灾害识别结果。
本实施例中，基于大量的地质灾害样本数据，提取隐含信息进行分析研究，开展相应的图像识别，实现对全景融合影像中地质灾害的辨别，并形成地质灾害特征库，地质灾害特征库中包含不同时间段的不同地质灾害的影像形状特征、影像光谱特征、光学影像、Insar雷达数据以及全景融合影像数据。
基于高分辨率全景融合影像，结合收集的线路周边地质灾害点位信息，人工识别线路周边灾害点，根据地质灾害自身的特征，选取大量有代表性的灾害点数据作为样本，包括灾害点位的边界勾画、纯像元的样本选取。采用Canny边缘检测方法获取地址灾害影像的形状特征，求图像与高斯平滑滤波器卷积，公式如下：
S[i，j]＝G[I，J；σ]*I[I，J]
使用一阶有限差分计算偏导数的两个阵列P与Q：
P[i，j]≈(S[i，j+1]-S[i，j]+S[i+1，j+1]-S[i+1，j])/2
Q[i，j]≈(S[i，j]-S[i+1，j]+S[i，j+1]-S[i+1，j+1])/2
梯度的幅值和方位角为：
θ[i，j]＝arctan(Q[i，j]/P[i，j])
求取一阶有限差分计算偏导数的两个阵列P和Q用来计算梯度的幅值和方位角，而求取梯度的幅值和方位角是应用非极大值抑制的前提，通过非极大值抑制可以实现细化幅值图像中的屋脊带，只保留幅值局部变化最大的点。最后用双阈值算法检测和连接边缘。
借助面向像元、面向对象分析技术，分析得到输电设备独特的纹理特征、光谱特征、后向散射特征等。
基于步骤(3)中得到的形变结果，结合光学影像，利用地质灾害特征库，可以排查分析线路广域大型施工、建(构)筑物、树障、山体滑坡等外破隐患类型及危险程度，解译地灾类型，最终可以获取线路附近潜在地灾信息，实现外破隐患的监测预警。
本实施例中，针对线路筛查出的潜在地质灾害点，通过时序SAR技术追溯其滑动的连续过程。基于监测结果，分析滑坡体在历史不同时期的形变速率差异、不同部位的形变速率差异及多年累积形变量，进而对滑坡体的滑动趋势进行研究，同时圈定受滑坡影响范围、标定潜在滑坡影响塔基。
实施例二
在一个或多个实施方式中，公开了一种基于多源卫星融合的输变电线路地质灾害监测系统，包括：
数据获取模块，用于获取设定区域的光学影像及雷达影像数据；
雷达影像数据拼接模块，用于对雷达影像数据进行多幅影像的拼接及解译，得到全幅雷达影像数据；
雷达影像数据处理模块，用于通过全幅雷达影像数据的时间域、空间域、频率域信息，获取输电线路在雷达视线向的位置变化信息；
全景融合模块，用于将全幅雷达影像与光学卫星影像数据进行融合，得到全景融合影像；
地址灾害识别模块，用于基于全景融合影像以及建立的地质灾害特征库，得到输变电线路地质灾害识别结果。
上述各模块的具体实现方式已经在实施例一中进行了说明，此处不再详述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于多源卫星融合的输变电线路地质灾害监测方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于多源卫星融合的输变电线路地质灾害监测方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于多源卫星融合的输变电线路地质灾害监测方法，其特征在于，包括：
获取设定区域的光学影像及雷达影像数据；
对雷达影像数据进行多幅影像的拼接及解译，得到全幅雷达影像数据；
通过全幅雷达影像数据的时间域、空间域、频率域信息，获取输电线路在雷达视线向的位置变化信息；
将全幅雷达影像与光学卫星影像数据进行融合，得到全景融合影像；
结合位置变化信息，基于全景融合影像以及建立的地质灾害特征库，得到输变电线路地质灾害识别结果。
2.如权利要求1所述的一种基于多源卫星融合的输变电线路地质灾害监测方法，其特征在于，对雷达影像数据进行多幅影像的拼接及解译，得到全幅雷达影像数据，具体包括：
对雷达影像数据进行预处理；
对预处理后的图像通过特征空间选取、搜索空间、搜索策略和相似性度量进行配准；
对多幅存在重叠区域的子孔径图像的空间位置对齐，进而拼接成一副完整的大场景的图像，以扩大雷达影像数据成像的场景范围。
3.如权利要求1所述的一种基于多源卫星融合的输变电线路地质灾害监测方法，其特征在于，通过全幅雷达影像数据的时间域、空间域、频率域信息，获取输电线路在雷达视线向的位置变化信息，具体包括：
利用同一区域不同时间点的雷达影像数据进行干涉叠加分析，获取目标点在时间域上的变化特征信息；
使用全景雷达影像数据集获得目标区域的变化特征信息，结合不同空间位置进行对比分析，得到相对变化矢量，从而获得目标区域的变化值；
不同频率的波对地表物体的穿透能力不同，利用雷达影像数据的这一特点分析不同频率下监测目标物的相对变化量。
4.如权利要求3所述的一种基于多源卫星融合的输变电线路地质灾害监测方法，其特征在于，按照短时空基线原则组合生成多组影像的序列差分干涉图，对差分干涉图进行空间滤波，再进行相位解缠，在解缠效果适中的干涉对选取GCP点，经过形变速率反演、DEM校正以及大气相位和残余地形相位滤波后，得到地表形变速率和累积形变量。
5.如权利要求4所述的一种基于多源卫星融合的输变电线路地质灾害监测方法，其特征在于，将两期影像进行干涉处理，即逐点把主影像的复数值和从影像的复共轭相乘，计算出干涉相位，获取的干涉相位包含地面高程信息；所述干涉相位具体为：平地相位、地形相位、两次成像时间间隔内目标沿雷达视线方向移动引起的变形相位、大气扰动引起的相位延迟和相位噪声的总和。
6.如权利要求1所述的一种基于多源卫星融合的输变电线路地质灾害监测方法，其特征在于，将全幅雷达影像与光学卫星影像数据进行融合，得到全景融合影像，具体包括：
对光学影像进行HSI变换，将光学影像从RGB变换到HSI空间，分离出影像的强度分量I和光谱分量H和S；
利用分离出来的强度分量I对雷达影像进行直方图匹配，使雷达影像与光学影像的直方图分布趋势一致；
通过小波变换分别得到强度分量和雷达影像的高频分量和低频分量，将二者的低频分量和高频分量分别融合；
分别对低频融合结果与高频融合结果进行小波逆变换，得到新的强度分量I’；
新的强度分量I’与光学影像经过HIS变换分离出来的色调分量H、饱和度分量S进行HIS逆变换，得到RGB空间的光学与雷达融合结果。
7.如权利要求1所述的一种基于多源卫星融合的输变电线路地质灾害监测方法，其特征在于，所述地质灾害特征库中包括不同时间段的不同地质灾害的影像形状特征、影像光谱特征、光学影像、雷达数据以及全景融合影像数据；通过地质灾害特征库形成地质灾害识别标准。
8.一种基于多源卫星融合的输变电线路地质灾害监测系统，其特征在于，包括：
数据获取模块，用于获取设定区域的光学影像及雷达影像数据；
雷达影像数据拼接模块，用于对雷达影像数据进行多幅影像的拼接及解译，得到全幅雷达影像数据；
雷达影像数据处理模块，用于通过全幅雷达影像数据的时间域、空间域、频率域信息，获取输电线路在雷达视线向的位置变化信息；
全景融合模块，用于将全幅雷达影像与光学卫星影像数据进行融合，得到全景融合影像；
地址灾害识别模块，用于基于全景融合影像以及建立的地质灾害特征库，得到输变电线路地质灾害识别结果。
9.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于多源卫星融合的输变电线路地质灾害监测方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于多源卫星融合的输变电线路地质灾害监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210757759.9A CN115060208A (zh) | 2022-06-30 | 2022-06-30 | 基于多源卫星融合的输变电线路地质灾害监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210757759.9A CN115060208A (zh) | 2022-06-30 | 2022-06-30 | 基于多源卫星融合的输变电线路地质灾害监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115060208A true CN115060208A (zh) | 2022-09-16 |
Family
ID=83203661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210757759.9A Pending CN115060208A (zh) | 2022-06-30 | 2022-06-30 | 基于多源卫星融合的输变电线路地质灾害监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115060208A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115575920A (zh) * | 2022-11-24 | 2023-01-06 | 国家气象中心(中央气象台) | 基于小波变换的雷达回波动态融合预报方法、系统及设备 |
| CN115856890A (zh) * | 2023-02-22 | 2023-03-28 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种针对高原铁路线路的PS-InSAR形变观测方法 |
| CN116222411A (zh) * | 2023-04-06 | 2023-06-06 | 山东环宇地理信息工程有限公司 | 一种地表形变监测系统、监测方法及应用 |
| CN116299438A (zh) * | 2023-01-13 | 2023-06-23 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于干涉雷达的地表形变监控方法及相关设备 |
| CN116452483A (zh) * | 2023-05-10 | 2023-07-18 | 北京道达天际科技股份有限公司 | 一种基于小波变换和hsi颜色空间的图像融合方法 |
| CN117689983A (zh) * | 2023-10-09 | 2024-03-12 | 北京国遥新天地信息技术股份有限公司 | 基于动态泛感知与地理实景融合的电力通道多元重构方法 |
-
2022
- 2022-06-30 CN CN202210757759.9A patent/CN115060208A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115575920A (zh) * | 2022-11-24 | 2023-01-06 | 国家气象中心(中央气象台) | 基于小波变换的雷达回波动态融合预报方法、系统及设备 |
| CN115575920B (zh) * | 2022-11-24 | 2023-02-28 | 国家气象中心(中央气象台) | 基于小波变换的雷达回波动态融合预报方法、系统及设备 |
| CN116299438A (zh) * | 2023-01-13 | 2023-06-23 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于干涉雷达的地表形变监控方法及相关设备 |
| CN116299438B (zh) * | 2023-01-13 | 2023-12-01 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于干涉雷达的地表形变监控方法及相关设备 |
| CN115856890A (zh) * | 2023-02-22 | 2023-03-28 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种针对高原铁路线路的PS-InSAR形变观测方法 |
| CN115856890B (zh) * | 2023-02-22 | 2023-04-28 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种针对高原铁路线路的PS-InSAR形变观测方法 |
| CN116222411A (zh) * | 2023-04-06 | 2023-06-06 | 山东环宇地理信息工程有限公司 | 一种地表形变监测系统、监测方法及应用 |
| CN116222411B (zh) * | 2023-04-06 | 2023-10-20 | 山东环宇地理信息工程有限公司 | 一种地表形变监测系统、监测方法及应用 |
| CN116452483A (zh) * | 2023-05-10 | 2023-07-18 | 北京道达天际科技股份有限公司 | 一种基于小波变换和hsi颜色空间的图像融合方法 |
| CN117689983A (zh) * | 2023-10-09 | 2024-03-12 | 北京国遥新天地信息技术股份有限公司 | 基于动态泛感知与地理实景融合的电力通道多元重构方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115060208A (zh) | 基于多源卫星融合的输变电线路地质灾害监测方法及系统 | |
| US11244197B2 (en) | Fast and robust multimodal remote sensing image matching method and system | |
| US20150324989A1 (en) | Method & system for high accuracy & reliability registration of multi modal imagery | |
| Zhou et al. | Tightly-coupled camera/LiDAR integration for point cloud generation from GNSS/INS-assisted UAV mapping systems | |
| CN107560592B (zh) | 一种用于光电跟踪仪联动目标的精确测距方法 | |
| Abdelfattah et al. | Interferometric SAR coherence magnitude estimation using second kind statistics | |
| CN110456352B (zh) | 一种基于相干系数阈值的冰川识别方法 | |
| CN107917880B (zh) | 一种基于地基云图的云底高度反演方法 | |
| CN109212522B (zh) | 一种基于双基星载sar的高精度dem反演方法及装置 | |
| CN111856459B (zh) | 一种改进的DEM最大似然约束多基线InSAR相位解缠方法 | |
| Sheng et al. | Automated georeferencing and orthorectification of Amazon basin-wide SAR mosaics using SRTM DEM data | |
| CN115236655B (zh) | 基于全极化sar的滑坡识别方法、系统、设备及介质 | |
| CN111077525B (zh) | 融合sar与光学偏移量技术的地表三维形变计算方法及系统 | |
| Liu et al. | Urban monitoring and change detection of central Tokyo using high-resolution X-band SAR images | |
| Gonzalez et al. | Coseismic horizontal offsets and fault-trace mapping using phase correlation of IRS satellite images: The 1999 Izmit (Turkey) earthquake | |
| Ye et al. | Improved geometric modeling of 1960s KH-5 ARGON satellite images for regional Antarctica applications | |
| CN108646244B (zh) | 测量建筑五维形变的分析方法及系统 | |
| Oh et al. | Automated georegistration of high-resolution satellite imagery using a RPC model with airborne lidar information | |
| Re et al. | Performance evaluation of 3DPD, the photogrammetric pipeline for the CaSSIS stereo images | |
| CN112363165B (zh) | 一种林下地形反演方法、装置、设备及介质 | |
| Tang et al. | A knowledge-based 3-D building reconstruction from single very high resolution SAR images | |
| Gelautz et al. | Automated matching experiments with different kinds of SAR imagery | |
| Nascetti et al. | Radargrammetric digital surface models generation from high resolution satellite SAR imagery: Methodology and case studies | |
| Wan et al. | Phase correlation based local illumination-invariant method for multi-tempro remote sensing image matching | |
| Gakne et al. | Skyline-based positioning in urban canyons using a narrow fov upward-facing camera |
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 |