CN115236655A - 基于全极化sar的滑坡识别方法、系统、设备及介质 - Google Patents

基于全极化sar的滑坡识别方法、系统、设备及介质 Download PDF

Info

Publication number
CN115236655A
CN115236655A CN202211059361.4A CN202211059361A CN115236655A CN 115236655 A CN115236655 A CN 115236655A CN 202211059361 A CN202211059361 A CN 202211059361A CN 115236655 A CN115236655 A CN 115236655A
Authority
CN
China
Prior art keywords
target
data
landslide
synthetic aperture
aperture radar
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.)
Granted
Application number
CN202211059361.4A
Other languages
English (en)
Other versions
CN115236655B (zh
Inventor
戴可人
许强
梁茹冰
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.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202211059361.4A priority Critical patent/CN115236655B/zh
Publication of CN115236655A publication Critical patent/CN115236655A/zh
Application granted granted Critical
Publication of CN115236655B publication Critical patent/CN115236655B/zh
Priority to US18/102,339 priority patent/US11747498B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/01—Measuring or predicting earthquakes
    • 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
    • G01S13/867—Combination of radar systems with cameras
    • 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
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • 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
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9027—Pattern recognition for feature extraction
    • 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
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/904—SAR modes
    • G01S13/9076—Polarimetric features in SAR
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/024—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using polarisation effects
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Acoustics & Sound (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Astronomy & Astrophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明公开了一种基于全极化SAR的滑坡识别方法、系统、设备及介质，涉及滑坡识别技术领域。该方法主要包括：将目标全极化合成孔径雷达数据分别与目标光学遥感数据和目标数字高程模型数据进行配准，得到第一配准结果和第二配准结果；根据配准结果确定目标区域的极化特征、分解特征和地形特征；根据目标全极化合成孔径雷达数据确定目标区域的纹理特征和色调特征；根据目标光学遥感数据确定目标区域的光谱特征；将上述多维特征进行融合；将目标融合特征输入至滑坡体识别模型中进行滑坡体识别，确定目标区域中的滑坡区域。本发明能够提高滑坡识别的准确性和滑坡识别效率，实现在地震发生后及时获取同震滑坡灾害信息。

Description

基于全极化SAR的滑坡识别方法、系统、设备及介质
技术领域
本发明涉及滑坡识别技术领域，特别是涉及一种基于全极化SAR的滑坡识别方法、系统、设备及介质。
背景技术
星载光学遥感影像受到云雾等影响较大，且影像分辨率较低，容易造成同震滑坡识别结果的不准确。合成孔径雷达（Synthetic Aperture Rader，SAR）作为一种新型对地观测手段，能够在云雾遮挡的天气条件下获取微波遥感影像，雷达卫星重访周期短且所拍摄影像覆盖范围广，突破了光学遥感影像的局限性，逐渐成为地震和地质灾害形变监测的主流遥感手段。面对不同应用需求的SAR遥感卫星竞相升空，为地质灾害的监测提供了更多选择。目前，SAR传感器不断向多种波段、多种极化方式、高分辨率和高重访周期的方向发展，为同震滑坡的识别研究提供了更多保障。
现有的遥感影像识别同震滑坡方法根据其特点可以归纳为：（1）基于光学遥感影像的滑坡分类方法。（2）基于SAR影像变化检测的滑坡信息提取方法。
对于基于光学遥感影像的滑坡分类方法，光学遥感影像可以很好的捕捉滑坡的色调、形态和纹理特征，利用光学遥感影像进行滑坡识别，需要深入对比滑坡体与其他地物在光学遥感影像上的差异，以滑坡色调、纹理和形态特征为样本，构建基于机器学习的光学遥感进行识别滑坡信息。该方法旨在利用光学遥感影像自身信息来进行分类。由于不同研究区内天气环境条件不同，光学遥感影像受云雾天气等影响较大，常常导致难以有效成像，无法在灾后第一时间获取滑坡信息，使得无法满足应急调查的需求。
对于基于SAR影像变化检测的滑坡信息提取方法，该方法利用两多时相滑坡图像利用对数比运算符生成差分图像，再将光学遥感影像与SAR影像进行配准来选择可靠样本，最后根据机器学习模型来进行识别滑坡信息。该方法旨在利用SAR影像的强度信息进行分类，而未深入挖掘SAR影像的其他特征信息。导致分类出来的结果易受到SAR影像几何畸变等误差影响，出现大量错误分类和遗漏分类的现象。
综上，目前的滑坡识别方法存在以下问题：（1）仅依靠光学遥感影像进行滑坡识别，受云雾影响较大，识别效率低，及时性差。（2）采用SAR影像变化监测方法只用到了SAR影像上不同地物散射强度的差异，而未深入挖掘目标地物在SAR影像上的其他特征，且变化监测方法受到周围其他地物影响较大，无法准确获取目标地物的信息。
发明内容
本发明的目的是提供一种基于全极化SAR的滑坡识别方法、系统、设备及介质，以避免滑坡识别受云雾或周围其他地物影响，提高滑坡识别的准确性和滑坡识别效率。
为实现上述目的，本发明提供了如下方案：
一种基于全极化SAR的滑坡识别方法，所述方法包括：
获取目标区域的目标全极化合成孔径雷达数据、目标光学遥感数据和目标数字高程模型数据；
将所述目标全极化合成孔径雷达数据分别与所述目标光学遥感数据以及所述目标数字高程模型数据进行配准，得到第一配准结果和第二配准结果；
根据所述第一配准结果确定所述目标区域的极化特征；
根据所述极化特征确定所述目标区域的分解特征；
根据所述第二配准结果确定所述目标区域的地形特征；
根据所述目标全极化合成孔径雷达数据确定所述目标区域的纹理特征和色调特征；
根据所述目标光学遥感数据确定所述目标区域的光谱特征；
将所述纹理特征、所述色调特征、所述光谱特征、所述极化特征、所述分解特征和所述地形特征进行融合，得到所述目标区域的目标融合特征；
将所述目标融合特征输入至滑坡体识别模型中进行滑坡体识别，确定所述目标区域中的滑坡区域。
可选地，所述将所述目标全极化合成孔径雷达数据分别与所述目标光学遥感数据以及所述目标数字高程模型数据进行配准，得到第一配准结果和第二配准结果，具体包括：
对所述目标全极化合成孔径雷达数据、所述目标光学遥感数据和所述目标数字高程模型数据分别进行预处理；
对预处理后的目标全极化合成孔径雷达数据进行彩色合成；
将彩色合成后的目标全极化合成孔径雷达数据与预处理后的目标光学遥感数据进行配准，得到第一配准结果；
将彩色合成后的目标全极化合成孔径雷达数据与预处理后的目标数字高程模型数据进行配准，得到第二配准结果。
可选地，对所述目标全极化合成孔径雷达数据进行预处理，具体包括：
对所述目标全极化合成孔径雷达数据进行多视处理；
对多视处理后的目标全极化合成孔径雷达数据进行滤波处理；
对滤波处理后的目标全极化合成孔径雷达数据进行地理编码处理，并将地理编码处理后的目标全极化合成孔径雷达数据作为预处理后的目标全极化合成孔径雷达数据。
可选地，所述滑坡体识别模型的构建过程包括：
获取样本数据集；所述样本数据集包括多个已标注滑坡区域的样本区域的样本全极化合成孔径雷达数据、样本光学遥感数据和样本数字高程模型数据；
根据所述样本全极化合成孔径雷达数据、所述样本光学遥感数据和所述样本数字高程模型数据确定每个所述样本区域对应的样本融合特征；
采用所述样本融合特征对支持向量机模型进行训练，得到滑坡体识别模型。
一种基于全极化SAR的滑坡识别系统，所述系统采用上述方法实现，所述系统包括：
数据获取模块，用于获取目标区域的目标全极化合成孔径雷达数据、目标光学遥感数据和目标数字高程模型数据；
配准模块，用于将所述目标全极化合成孔径雷达数据分别与所述目标光学遥感数据以及所述目标数字高程模型数据进行配准，得到第一配准结果和第二配准结果；
极化特征确定模块，用于根据所述第一配准结果确定所述目标区域的极化特征；
分解特征确定模块，用于根据所述极化特征确定所述目标区域的分解特征；
地形特征确定模块，用于根据所述第二配准结果确定所述目标区域的地形特征；
纹理色调特征确定模块，用于根据所述目标全极化合成孔径雷达数据确定所述目标区域的纹理特征和色调特征；
光谱特征确定模块，用于根据所述目标光学遥感数据确定所述目标区域的光谱特征；
特征融合模块，用于将所述纹理特征、所述色调特征、所述光谱特征、所述极化特征、所述分解特征和所述地形特征进行融合，得到所述目标区域的目标融合特征；
滑坡区域确定模块，用于将所述目标融合特征输入至滑坡体识别模型中进行滑坡体识别，确定所述目标区域中的滑坡区域。
可选地，所述配准模块包括：
数据预处理子模块，用于对所述目标全极化合成孔径雷达数据、所述目标光学遥感数据和所述目标数字高程模型数据分别进行预处理；
彩色合成子模块，用于对预处理后的目标全极化合成孔径雷达数据进行彩色合成；
第一配准子模块，用于将彩色合成后的目标全极化合成孔径雷达数据与预处理后的目标光学遥感数据进行配准，得到第一配准结果；
第二配准子模块，用于将彩色合成后的目标全极化合成孔径雷达数据与预处理后的目标数字高程模型数据进行配准，得到第二配准结果。
可选地，所述数据预处理子模块包括：
多视处理单元，用于对所述目标全极化合成孔径雷达数据进行多视处理；
滤波处理单元，用于对多视处理后的目标全极化合成孔径雷达数据进行滤波处理；
地理编码处理单元，用于对滤波处理后的目标全极化合成孔径雷达数据进行地理编码处理，并将地理编码处理后的目标全极化合成孔径雷达数据作为预处理后的目标全极化合成孔径雷达数据。
可选地，所述系统还包括：滑坡体识别模型构建模块，用于构建滑坡体识别模型；
所述滑坡体识别模型构建模块包括：
数据集获取子模块，用于获取样本数据集；所述样本数据集包括多个已标注滑坡区域的样本区域的样本全极化合成孔径雷达数据、样本光学遥感数据和样本数字高程模型数据；
样本融合特征确定子模块，用于根据所述样本全极化合成孔径雷达数据、所述样本光学遥感数据和所述样本数字高程模型数据确定每个所述样本区域对应的样本融合特征；
支持向量机模型训练子模块，用于采用所述样本融合特征对支持向量机模型进行训练，得到滑坡体识别模型。
本发明还提供一种电子设备，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于运行所述计算机程序以使所述电子设备执行上述基于全极化SAR的滑坡识别方法。
本发明还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述基于全极化SAR的滑坡识别方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的基于全极化SAR的滑坡识别方法通过将全极化合成孔径雷达（Polarimetry Synthetic Aperture Rader，PolSAR）数据分别与光学遥感数据和数字高程模型数据进行配准，得到配准结果，并基于配准结果提取目标区域的不同特征，融合了目标区域的极化特征、分解特征和地形特征等多维特征信息，能够准确反映目标区域的不同地物特征，避免了仅依靠光学遥感数据进行滑坡识别时易受天气影响的问题，提高了滑坡识别的准确性和滑坡识别效率，能够实现在地震发生后及时获取同震滑坡灾害信息。
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为本发明实施例提供的基于全极化SAR的滑坡识别方法的流程图；
图2为本发明实施例提供的基于全极化SAR的滑坡识别方法的具体流程框图；
图3为本发明实施例提供的目标区域的滑坡识别结果示意图；
图4为本发明实施例提供的基于全极化SAR的滑坡识别系统的结构框图。
符号说明：
数据获取模块-1，配准模块-2，极化特征确定模块-3，分解特征确定模块-4，地形特征确定模块-5，纹理色调特征确定模块-6，光谱特征确定模块-7，特征融合模块-8，滑坡区域确定模块-9。
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。
本发明的目的是提供一种基于全极化SAR的滑坡识别方法、系统、设备及介质，以避免滑坡识别受云雾或周围其他地物影响，提高滑坡识别的准确性和滑坡识别效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
PolSAR数据包含丰富的目标信息，其中极化特性和分解特征可以很好地构建与目标形状结构、物理属性之间的联系，更加准确地识别地物信息。本发明在利用PolSAR数据，深入分析滑坡体与其他地物类型的极化特征的基础上，引入Pauli分解散射特征，融合极化特征、纹理特征和地形特征等多维特征信息，结合高分辨率光学遥感影像训练样本，构建基于支持向量机（Support Vector Machine，SVM）的分类方法来对PolSAR数据进行滑坡自动识别。该方法能够突破光学影像易受到天气影响的局限性，能够在地震发生后及时获取同震滑坡灾害信息。
图1为本发明实施例提供的基于全极化SAR的滑坡识别方法的流程图。如图1所示，本发明提供的基于全极化SAR的滑坡识别方法包括：
步骤S1：获取目标区域的目标全极化合成孔径雷达数据（即PolSAR影像）、目标光学遥感数据（即光学遥感影像）和目标数字高程模型（Digital Elevation Model，DEM）数据。在本实施例中，获取的数据包括覆盖目标区域的PolSAR数据、高分辨率光学遥感影像和外部参考DEM数据。
步骤S2：将所述目标全极化合成孔径雷达数据分别与所述目标光学遥感数据以及所述目标数字高程模型数据进行配准，得到第一配准结果和第二配准结果。
进一步地，所述步骤S2，具体包括：
步骤S21：对所述目标全极化合成孔径雷达数据、所述目标光学遥感数据和所述目标数字高程模型数据分别进行预处理。
其中，对所述目标全极化合成孔径雷达数据进行预处理，具体包括：
（1）对所述目标全极化合成孔径雷达数据进行多视处理。具体地，所述多视处理，即将PolSAR影像中的极化散射矩阵转换为协方差矩阵和极化相干矩阵的过程，通过上述转换能够实现对PolSAR影像的距离向视数和方位向视数做均值处理的目的，进而降低斑点噪声对PolSAR影像的误差影响。
（2）对多视处理后的目标全极化合成孔径雷达数据进行滤波处理。具体地，所述滤波处理，即以最小均方误差以及乘性噪声为基础，计算每个滤波窗口内像素的均值和方差，进而得到窗口内先验均值和方差。其中，在多次实验中发现，滤波窗口以5*5大小对于本发明的影像滤波效果较好，因此本发明中采用的滤波窗口大小为5*5。通过滤波处理，能够实现对PolSAR影像斑点噪声的去除。
（3）对滤波处理后的目标全极化合成孔径雷达数据进行地理编码处理，并将地理编码处理后的目标全极化合成孔径雷达数据作为预处理后的目标全极化合成孔径雷达数据。具体地，PolSAR影像的地理编码是实现将原始PolSAR影像的斜距坐标系变成数字高程模型坐标系下的影像的过程。本发明通过地理编码处理来完成对PolSAR影像的矫正。
对所述目标光学遥感数据和所述目标数字高程模型数据进行预处理，则包括：（1）对所述目标光学遥感数据进行大气校正、辐射校正和影像镶嵌等预处理，得到预处理后的光学遥感数据；（2）对所述目标数字高程模型数据进行大气校正、辐射校正和影像镶嵌等预处理，得到预处理后的数字高程模型数据。
步骤S22：对预处理后的目标全极化合成孔径雷达数据进行彩色合成。
具体地，由于雷达遥感系统通常采用四种极化方式，即同向水平极化HH、同向垂直极化VV、水平垂直交叉极化HV和垂直水平交叉极化VH，则所述目标全极化合成孔径雷达数据中包括HH、VV、HV和VH四种极化方式对应的四种波段的数据。其中，同向水平极化HH对应的波段为红色波段，同向垂直极化VV对应的波段为绿色波段，垂直水平交叉极化VH对应的波段为蓝色波段。在本实施例中，以预处理后的目标全极化合成孔径雷达数据中的红色波段数据、绿色波段数据和蓝色波段数据分别作为RGB三个通道进行彩色合成。
步骤S23：将彩色合成后的目标全极化合成孔径雷达数据与预处理后的目标光学遥感数据进行配准，得到第一配准结果。
步骤S24：将彩色合成后的目标全极化合成孔径雷达数据与预处理后的目标数字高程模型数据进行配准，得到第二配准结果。
具体地，所述配准是对待配准影像进行过采样，通过求取同名点来确定主从影像间映射关系拟合多项式，最终得到每个像素的精确的偏移量。所述第一配准结果包括配准后的目标全极化合成孔径雷达数据和目标光学遥感数据；所述第二配准结果包括配准后的目标全极化合成孔径雷达数据和目标数字高程模型数据。
步骤S3：根据所述第一配准结果确定所述目标区域的极化特征。
步骤S4：根据所述极化特征确定所述目标区域的分解特征。
步骤S5：根据所述第二配准结果确定所述目标区域的地形特征。
具体地，通过对配准过后的光学遥感影像和PolSAR影像进行分析，首先在光学遥感影像上选取多种地物的分布位置，进而在PolSAR影像上依次提取该位置下的多种地物的极化特征，作为所述目标区域的极化特征。极化特征、分解特征和地形特征的提取过程具体为：将PolSAR影像输入Matlab中读取每一个点的数值，并转到Excel中分析不同地物在PolSAR影像中的极化特征。之后，再深入分析滑坡体在PolSAR影像上的极化特征，基于目标分解得到滑坡体的分解特征。最后，将PolSAR影像与数字高程模型数据配准获取地形特征。
极化特征：PolSAR影像中滑坡体表面的植被遭到破坏，使得下方岩土体裸露在外，对电磁波具有较强的反射效应，在PolSAR影像中滑坡体区域常常亮度对比其他地物较强，散射特征数值和像元分解数值较高。
分解特征：通过对PolSAR影像中不同极化基矩阵中极化特征提取方法进行定义，来获取不同极化基矩阵代表的地物类型。将PolSAR影像散射强度分为奇次散射、偶次散射和体散射。
地形特征：通过对PolSAR影像和数字高程模型数据进行配准，寻求滑坡体在空间分布上的分布特征。
步骤S6：根据所述目标全极化合成孔径雷达数据确定所述目标区域的纹理特征和色调特征。优选地，从所述彩色合成后的目标全极化合成孔径雷达数据中提取所述目标区域的纹理特征和色调特征。
步骤S7：根据所述目标光学遥感数据确定所述目标区域的光谱特征。优选地，从所述预处理后的目标光学遥感数据中提取所述目标区域的光谱特征。
步骤S8：将所述纹理特征、所述色调特征、所述光谱特征、所述极化特征、所述分解特征和所述地形特征进行融合，得到所述目标区域的目标融合特征。
步骤S9：将所述目标融合特征输入至滑坡体识别模型中进行滑坡体识别，确定所述目标区域中的滑坡区域。优选地，所述目标区域中的滑坡区域标注在所述彩色合成后的目标全极化合成孔径雷达数据中的相应位置，以便查看。
在本实施例中，所述滑坡体识别模型的构建过程包括：
步骤S101：获取样本数据集；所述样本数据集包括多个已标注滑坡区域的样本区域的样本全极化合成孔径雷达数据、样本光学遥感数据和样本数字高程模型数据。
步骤S102：根据所述样本全极化合成孔径雷达数据、所述样本光学遥感数据和所述样本数字高程模型数据确定每个所述样本区域对应的样本融合特征。其中，所述样本融合特征的确定方法与所述目标融合特征的确定方法类似，在此不作赘述。
步骤S103：采用所述样本融合特征对支持向量机模型进行训练，得到滑坡体识别模型。
具体地，支持向量机（Support Vector Machine，SVM）分类方法基于遥感影像的光谱、色调、纹理的差异来捕捉目标，将对PolSAR影像中滑坡体识别简化为一个二分类问题。对于给定的一个训练样本x l =（x ’ i1,x ’ i2,...,x ’ ij）T，其中，上标T表示转置；i表示PolSAR影像的彩色合成图像（即彩色合成后的全极化合成孔径雷达数据）中像素的行号，j表示PolSAR影像的彩色合成图像中像素的列号；x ’ ij表示PolSAR影像的彩色合成图像中第i行第j列像素的RGB值，x ’ i1表示第i行第1列像素的RGB值，x ’ i2表示第i行第2列像素的RGB值；l表示训练样本的下标，假设共有n个训练样本。设定y l =（-1,1）为第l个训练样本对应的样本分类标签，其中，y l =1表示第l个训练样本为滑坡样本，y l =-1表示第l个训练样本为非滑坡样本。C为惩罚系数，ξ=（ξ1，ξ2，···，ξn）为松弛变量，其中，ξ1表示第1重视群，ξ2表示第2重视群，ξ3表示第3重视群，以此类推，ξn表示第n重视群，重视群越靠后表示该因子越不受重视。全极化SAR影像中滑坡体识别等价于求解如下方程：
Figure 462394DEST_PATH_IMAGE001
（1）
Figure 691381DEST_PATH_IMAGE002
（2）
其中，l表示训练样本的序号；n为训练样本的总数；ξ l 表示第l重视群；ω为支持向量机所寻求的超平面的斜率，b为支持向量机所寻求的超平面的截距，支持向量机所寻求的超平面表示为ωx+b。
求解式（1），可以得到SVM的判别函数为：
Figure 879786DEST_PATH_IMAGE003
（3）
其中，K（·）是满足Mercer条件的核函数；ω 0和b 0分别为第0个超平面的斜率和截距，x 1表示第1个训练样本，x l 表示第l个训练样本，y l 表示第l个训练样本对应的样本分类标签。
进一步地，本发明提供的基于全极化SAR的滑坡识别方法还包括：对滑坡体识别模型的识别结果进行精度限制。
具体地，将所识别的滑坡体分类结果进行误差分析，通过计算滑坡体识别模型预测误差来判断结果的可靠性，对误差较大的结果进行重分类。当误差较小时，就把此时的滑坡结果作为最终结果进行输出。
作为一种具体的实施方式，本发明对支持向量机SVM分类方法的分类结果（即滑坡识别结果）进行预测误差，根据支持向量机选择的样本计算样本可分离性，通过计算滑坡识别结果中滑坡区域样本与非滑坡区域样本之间的分离性并与设定阈值进行比较判断滑坡识别结果是否合格。例如：若计算得到的分离性大于1.9，说明样本之间可分离性好，属于合格样；分离性小于1.8，则需要重新选取样本进行分类。而样本可分离性与分类误差呈反比关系，即样本可分离性越高，表示分类误差越低，通过上述方法来预测分类误差，对误差较大的结果进行重分类。当误差较小时，就把此时的滑坡结果作为最终结果进行输出。
下面以一个具体实施例对本发明提供的基于全极化SAR的滑坡识别方法进行详细论述。
在本实施例中，提供了一种基于单时相PolSAR影像来实现大区域快速识别滑坡空间分布的自动分类方案。该方案利用PolSAR影像，深入分析滑坡体与其他地物类型的极化特征的基础上，引入Pauli分解散射特征，融合极化特征、分解特征和地形特征等多维特征信息，结合高分辨率光学遥感影像训练样本，构建基于支持向量机SVM分类方法来对PolSAR影像进行滑坡自动识别。该方法的流程图如图2所示，其具体步骤包括：
步骤一：收集覆盖目标区域的PolSAR数据、高分辨率光学遥感影像和外部参考数字高程模型数据，在本实施例中，获取了PolSAR高分三号影像、30m空间分辨率的ALOSWORLD 3D DEM数据和Sentinel-2光学遥感影像，分别对上述数据进行预处理，并将PolSAR影像中的HH(红色波段)、VV(绿色波段)、VH(蓝色波段)数据分别作为RGB通道进行彩色合成。
步骤二：深入分析滑坡体在PolSAR影像上的极化特征，引入Pauli分解方法得到滑坡体的分解特征，同时与数字高程模型数据配准获取地形特征。分别统计滑坡体在极化特征、分解特征和地形特征上的分布特征，基于滑坡体多种特征对非滑坡区域进行粗掩膜，粗略去除其他地物对滑坡体识别的干扰。
步骤三：将获取的Sentienl-2光学遥感影像与PolSAR高分三号影像进行配准，在PolSAR高分三号影像上选择滑坡体训练样本向量，基于PolSAR彩色影像上光谱、色调、纹理的差异来捕捉目标，构造支持向量机SVM分类方法对滑坡样本进行训练和分类。
步骤四：对支持向量机SVM分类方法的分类结果进行误差计算，对误差较大的结果进行重分类。当误差较小时，就把此时的滑坡识别结果作为最终结果进行输出，最终得到基于PolSAR高分三号影像识别同震滑坡结果。本发明实施例提供的目标区域的滑坡识别结果如图3所示，其中，横坐标表示目标区域的经度，纵坐标表示目标区域的纬度，黑色部分表示识别到的滑坡区域。
步骤五：将滑坡隐患库中的滑坡隐患区域与本发明所确定的滑坡区域进行对比分析，对本发明的滑坡识别结果的精度进行评价，并统计本发明所识别的滑坡面积，出图表示滑坡的分布现状。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，本发明还提供一种基于全极化SAR的滑坡识别系统。图4为本发明实施例提供的基于全极化SAR的滑坡识别系统的结构框图。如图4所示，所述系统包括：数据获取模块1、配准模块2、极化特征确定模块3、分解特征确定模块4、地形特征确定模块5、纹理色调特征确定模块6、光谱特征确定模块7、特征融合模块8和滑坡区域确定模块9。
所述数据获取模块1用于获取目标区域的目标全极化合成孔径雷达数据、目标光学遥感数据和目标数字高程模型数据。
所述配准模块2用于将所述目标全极化合成孔径雷达数据分别与所述目标光学遥感数据以及所述目标数字高程模型数据进行配准，得到第一配准结果和第二配准结果。
所述极化特征确定模块3用于根据所述第一配准结果确定所述目标区域的极化特征。
所述分解特征确定模块4用于根据所述极化特征确定所述目标区域的分解特征。
所述地形特征确定模块5用于根据所述第二配准结果确定所述目标区域的地形特征。
所述纹理色调特征确定模块6用于根据所述目标全极化合成孔径雷达数据确定所述目标区域的纹理特征和色调特征。
所述光谱特征确定模块7用于根据所述目标光学遥感数据确定所述目标区域的光谱特征。
所述特征融合模块8用于将所述纹理特征、所述色调特征、所述光谱特征、所述极化特征、所述分解特征和所述地形特征进行融合，得到所述目标区域的目标融合特征。
所述滑坡区域确定模块9用于将所述目标融合特征输入至滑坡体识别模型中进行滑坡体识别，确定所述目标区域中的滑坡区域。
进一步地，所述配准模块2包括：数据预处理子模块、彩色合成子模块、第一配准子模块和第二配准子模块。
所述数据预处理子模块用于对所述目标全极化合成孔径雷达数据、所述目标光学遥感数据和所述目标数字高程模型数据分别进行预处理。
所述彩色合成子模块用于对预处理后的目标全极化合成孔径雷达数据进行彩色合成。
所述第一配准子模块用于将彩色合成后的目标全极化合成孔径雷达数据与预处理后的目标光学遥感数据进行配准，得到第一配准结果。
所述第二配准子模块用于将彩色合成后的目标全极化合成孔径雷达数据与预处理后的目标数字高程模型数据进行配准，得到第二配准结果。
进一步地，所述数据预处理子模块包括：多视处理单元、滤波处理单元和地理编码处理单元。
所述多视处理单元用于对所述目标全极化合成孔径雷达数据进行多视处理。
所述滤波处理单元用于对多视处理后的目标全极化合成孔径雷达数据进行滤波处理。
所述地理编码处理单元用于对滤波处理后的目标全极化合成孔径雷达数据进行地理编码处理，并将地理编码处理后的目标全极化合成孔径雷达数据作为预处理后的目标全极化合成孔径雷达数据。
进一步地，所述系统还包括：滑坡体识别模型构建模块；所述滑坡体识别模型构建模块用于构建滑坡体识别模型。
在本实施例中，所述滑坡体识别模型构建模块包括：数据集获取子模块、样本融合特征确定子模块和支持向量机模型训练子模块。
所述数据集获取子模块用于获取样本数据集；所述样本数据集包括多个已标注滑坡区域的样本区域的样本全极化合成孔径雷达数据、样本光学遥感数据和样本数字高程模型数据。
所述样本融合特征确定子模块用于根据所述样本全极化合成孔径雷达数据、所述样本光学遥感数据和所述样本数字高程模型数据确定每个所述样本区域对应的样本融合特征。
所述支持向量机模型训练子模块用于采用所述样本融合特征对支持向量机模型进行训练，得到滑坡体识别模型。
实施例三
本发明实施例还提供一种电子设备，包括存储器和处理器，该存储器用于存储计算机程序，该处理器用于运行计算机程序以使电子设备执行实施例一的基于全极化SAR的滑坡识别方法。所述电子设备可以是服务器。
另外，本发明还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的基于全极化SAR的滑坡识别方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于全极化SAR的滑坡识别方法，其特征在于，包括：
获取目标区域的目标全极化合成孔径雷达数据、目标光学遥感数据和目标数字高程模型数据；
将所述目标全极化合成孔径雷达数据分别与所述目标光学遥感数据以及所述目标数字高程模型数据进行配准，得到第一配准结果和第二配准结果；
根据所述第一配准结果确定所述目标区域的极化特征；
根据所述极化特征确定所述目标区域的分解特征；
根据所述第二配准结果确定所述目标区域的地形特征；
根据所述目标全极化合成孔径雷达数据确定所述目标区域的纹理特征和色调特征；
根据所述目标光学遥感数据确定所述目标区域的光谱特征；
将所述纹理特征、所述色调特征、所述光谱特征、所述极化特征、所述分解特征和所述地形特征进行融合，得到所述目标区域的目标融合特征；
将所述目标融合特征输入至滑坡体识别模型中进行滑坡体识别，确定所述目标区域中的滑坡区域。
2.根据权利要求1所述的基于全极化SAR的滑坡识别方法，其特征在于，所述将所述目标全极化合成孔径雷达数据分别与所述目标光学遥感数据以及所述目标数字高程模型数据进行配准，得到第一配准结果和第二配准结果，具体包括：
对所述目标全极化合成孔径雷达数据、所述目标光学遥感数据和所述目标数字高程模型数据分别进行预处理；
对预处理后的目标全极化合成孔径雷达数据进行彩色合成；
将彩色合成后的目标全极化合成孔径雷达数据与预处理后的目标光学遥感数据进行配准，得到第一配准结果；
将彩色合成后的目标全极化合成孔径雷达数据与预处理后的目标数字高程模型数据进行配准，得到第二配准结果。
3.根据权利要求2所述的基于全极化SAR的滑坡识别方法，其特征在于，对所述目标全极化合成孔径雷达数据进行预处理，具体包括：
对所述目标全极化合成孔径雷达数据进行多视处理；
对多视处理后的目标全极化合成孔径雷达数据进行滤波处理；
对滤波处理后的目标全极化合成孔径雷达数据进行地理编码处理，并将地理编码处理后的目标全极化合成孔径雷达数据作为预处理后的目标全极化合成孔径雷达数据。
4.根据权利要求1所述的基于全极化SAR的滑坡识别方法，其特征在于，所述滑坡体识别模型的构建过程包括：
获取样本数据集；所述样本数据集包括多个已标注滑坡区域的样本区域的样本全极化合成孔径雷达数据、样本光学遥感数据和样本数字高程模型数据；
根据所述样本全极化合成孔径雷达数据、所述样本光学遥感数据和所述样本数字高程模型数据确定每个所述样本区域对应的样本融合特征；
采用所述样本融合特征对支持向量机模型进行训练，得到滑坡体识别模型。
5.一种基于全极化SAR的滑坡识别系统，其特征在于，包括：
数据获取模块，用于获取目标区域的目标全极化合成孔径雷达数据、目标光学遥感数据和目标数字高程模型数据；
配准模块，用于将所述目标全极化合成孔径雷达数据分别与所述目标光学遥感数据以及所述目标数字高程模型数据进行配准，得到第一配准结果和第二配准结果；
极化特征确定模块，用于根据所述第一配准结果确定所述目标区域的极化特征；
分解特征确定模块，用于根据所述极化特征确定所述目标区域的分解特征；
地形特征确定模块，用于根据所述第二配准结果确定所述目标区域的地形特征；
纹理色调特征确定模块，用于根据所述目标全极化合成孔径雷达数据确定所述目标区域的纹理特征和色调特征；
光谱特征确定模块，用于根据所述目标光学遥感数据确定所述目标区域的光谱特征；
特征融合模块，用于将所述纹理特征、所述色调特征、所述光谱特征、所述极化特征、所述分解特征和所述地形特征进行融合，得到所述目标区域的目标融合特征；
滑坡区域确定模块，用于将所述目标融合特征输入至滑坡体识别模型中进行滑坡体识别，确定所述目标区域中的滑坡区域。
6.根据权利要求5所述的基于全极化SAR的滑坡识别系统，其特征在于，所述配准模块包括：
数据预处理子模块，用于对所述目标全极化合成孔径雷达数据、所述目标光学遥感数据和所述目标数字高程模型数据分别进行预处理；
彩色合成子模块，用于对预处理后的目标全极化合成孔径雷达数据进行彩色合成；
第一配准子模块，用于将彩色合成后的目标全极化合成孔径雷达数据与预处理后的目标光学遥感数据进行配准，得到第一配准结果；
第二配准子模块，用于将彩色合成后的目标全极化合成孔径雷达数据与预处理后的目标数字高程模型数据进行配准，得到第二配准结果。
7.根据权利要求6所述的基于全极化SAR的滑坡识别系统，其特征在于，所述数据预处理子模块包括：
多视处理单元，用于对所述目标全极化合成孔径雷达数据进行多视处理；
滤波处理单元，用于对多视处理后的目标全极化合成孔径雷达数据进行滤波处理；
地理编码处理单元，用于对滤波处理后的目标全极化合成孔径雷达数据进行地理编码处理，并将地理编码处理后的目标全极化合成孔径雷达数据作为预处理后的目标全极化合成孔径雷达数据。
8.根据权利要求5所述的基于全极化SAR的滑坡识别系统，其特征在于，还包括：滑坡体识别模型构建模块，用于构建滑坡体识别模型；
所述滑坡体识别模型构建模块包括：
数据集获取子模块，用于获取样本数据集；所述样本数据集包括多个已标注滑坡区域的样本区域的样本全极化合成孔径雷达数据、样本光学遥感数据和样本数字高程模型数据；
样本融合特征确定子模块，用于根据所述样本全极化合成孔径雷达数据、所述样本光学遥感数据和所述样本数字高程模型数据确定每个所述样本区域对应的样本融合特征；
支持向量机模型训练子模块，用于采用所述样本融合特征对支持向量机模型进行训练，得到滑坡体识别模型。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于运行所述计算机程序以使所述电子设备执行如权利要求1-4中任意一项所述的基于全极化SAR的滑坡识别方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4中任意一项所述的基于全极化SAR的滑坡识别方法。
CN202211059361.4A 2022-09-01 2022-09-01 基于全极化sar的滑坡识别方法、系统、设备及介质 Active CN115236655B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211059361.4A CN115236655B (zh) 2022-09-01 2022-09-01 基于全极化sar的滑坡识别方法、系统、设备及介质
US18/102,339 US11747498B1 (en) 2022-09-01 2023-01-27 Method, system, device and medium for landslide identification based on full polarimetric SAR

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211059361.4A CN115236655B (zh) 2022-09-01 2022-09-01 基于全极化sar的滑坡识别方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN115236655A true CN115236655A (zh) 2022-10-25
CN115236655B CN115236655B (zh) 2022-12-20

Family

ID=83680952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211059361.4A Active CN115236655B (zh) 2022-09-01 2022-09-01 基于全极化sar的滑坡识别方法、系统、设备及介质

Country Status (2)

Country Link
US (1) US11747498B1 (zh)
CN (1) CN115236655B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994156B (zh) * 2023-09-27 2023-12-08 自然资源部第三地理信息制图院 一种滑坡隐患综合遥感识别方法、系统、设备及介质
CN117333468B (zh) * 2023-10-17 2024-05-24 南京北斗创新应用科技研究院有限公司 面向多模式时序PolSAR影像的洪涝灾害监测方法
CN117274821B (zh) * 2023-11-20 2024-02-02 中国石油大学(华东) 顾及降雨影响的多极化sar农田洪涝检测方法与系统
CN117367331B (zh) * 2023-12-04 2024-03-12 山西阳光三极科技股份有限公司 一种矿区地表形变的雷达监测方法、装置以及电子设备

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009211344A (ja) * 2008-03-04 2009-09-17 Hitachi Electronics Service Co Ltd 階層因果関係マトリクスによる想定問題特定方法
CN101976357A (zh) * 2010-10-18 2011-02-16 中国林业科学研究院资源信息研究所 一种全极化合成孔径雷达图像分类方法及装置
CN103208001A (zh) * 2013-02-06 2013-07-17 华南师范大学 结合形状自适应邻域和纹理特征提取的遥感图像处理方法
CN103675812A (zh) * 2013-08-21 2014-03-26 中国科学院电子学研究所 一种基于圆迹sar数据的角度维散射信息提取及表征方法
CN103869296A (zh) * 2014-01-26 2014-06-18 中国测绘科学研究院 一种基于成像面表征的极化sar地形辐射校正和几何纠正方法
CN104951789A (zh) * 2015-07-15 2015-09-30 电子科技大学 一种基于全极化sar图像的快速滑坡提取方法
CN105808936A (zh) * 2016-03-03 2016-07-27 成都理工大学 一种快速判识滑坡危险程度的方法
CN105957311A (zh) * 2016-06-01 2016-09-21 中国水利水电科学研究院 自适应扩展的边坡稳定智能监测预警系统
CN108168526A (zh) * 2017-12-15 2018-06-15 长安大学 一种基于地面沉降信息的黄土滑坡早期识别方法
CN108459318A (zh) * 2018-02-02 2018-08-28 中国铁路设计集团有限公司 基于遥感技术的潜在滑坡早期识别方法
US20200096628A1 (en) * 2016-12-27 2020-03-26 Nec Corporation Image analysis device, image analysis method, and computer-readable recording medium
CN112307901A (zh) * 2020-09-28 2021-02-02 国网浙江省电力有限公司电力科学研究院 一种面向滑坡检测的sar与光学影像融合方法及系统
CN113191374A (zh) * 2021-05-19 2021-07-30 甘肃省地震局（中国地震局兰州地震研究所） 基于金字塔注意力网络的PolSAR图像山脊线提取方法
CN113989637A (zh) * 2021-09-26 2022-01-28 中国科学院空天信息创新研究院 滑坡识别知识库建立方法、装置、电子设备及存储介质
CN114252509A (zh) * 2021-12-17 2022-03-29 成都理工大学 一种基于声发射信号的三段式锁固型滑坡前兆识别方法
CN114463643A (zh) * 2021-12-23 2022-05-10 中国科学院空天信息创新研究院 多模型决策级融合的滑坡识别方法及装置
CN114494282A (zh) * 2021-12-24 2022-05-13 中国人民解放军战略支援部队信息工程大学 融合极化信息的复杂背景下滑坡识别方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113534154B (zh) * 2021-09-16 2021-11-30 成都理工大学 一种sar视线向变形与坡度坡向敏感度计算方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009211344A (ja) * 2008-03-04 2009-09-17 Hitachi Electronics Service Co Ltd 階層因果関係マトリクスによる想定問題特定方法
CN101976357A (zh) * 2010-10-18 2011-02-16 中国林业科学研究院资源信息研究所 一种全极化合成孔径雷达图像分类方法及装置
CN103208001A (zh) * 2013-02-06 2013-07-17 华南师范大学 结合形状自适应邻域和纹理特征提取的遥感图像处理方法
CN103675812A (zh) * 2013-08-21 2014-03-26 中国科学院电子学研究所 一种基于圆迹sar数据的角度维散射信息提取及表征方法
CN103869296A (zh) * 2014-01-26 2014-06-18 中国测绘科学研究院 一种基于成像面表征的极化sar地形辐射校正和几何纠正方法
CN104951789A (zh) * 2015-07-15 2015-09-30 电子科技大学 一种基于全极化sar图像的快速滑坡提取方法
CN105808936A (zh) * 2016-03-03 2016-07-27 成都理工大学 一种快速判识滑坡危险程度的方法
CN105957311A (zh) * 2016-06-01 2016-09-21 中国水利水电科学研究院 自适应扩展的边坡稳定智能监测预警系统
US20200096628A1 (en) * 2016-12-27 2020-03-26 Nec Corporation Image analysis device, image analysis method, and computer-readable recording medium
CN108168526A (zh) * 2017-12-15 2018-06-15 长安大学 一种基于地面沉降信息的黄土滑坡早期识别方法
CN108459318A (zh) * 2018-02-02 2018-08-28 中国铁路设计集团有限公司 基于遥感技术的潜在滑坡早期识别方法
CN112307901A (zh) * 2020-09-28 2021-02-02 国网浙江省电力有限公司电力科学研究院 一种面向滑坡检测的sar与光学影像融合方法及系统
CN113191374A (zh) * 2021-05-19 2021-07-30 甘肃省地震局（中国地震局兰州地震研究所） 基于金字塔注意力网络的PolSAR图像山脊线提取方法
CN113989637A (zh) * 2021-09-26 2022-01-28 中国科学院空天信息创新研究院 滑坡识别知识库建立方法、装置、电子设备及存储介质
CN114252509A (zh) * 2021-12-17 2022-03-29 成都理工大学 一种基于声发射信号的三段式锁固型滑坡前兆识别方法
CN114463643A (zh) * 2021-12-23 2022-05-10 中国科学院空天信息创新研究院 多模型决策级融合的滑坡识别方法及装置
CN114494282A (zh) * 2021-12-24 2022-05-13 中国人民解放军战略支援部队信息工程大学 融合极化信息的复杂背景下滑坡识别方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KEREN DAI: "Monitoring activity at the Daguangbao mega-landslide (China) using Sentinel-1 TOPS time series interferometry", 《REMOTE SENSING OF ENVIRONMENT》 *
WEN LIU: "Detection of landslides due to the 2013 Thypoon Wipha from high-resolution airborne SAR images", 《2015 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 *
王兴玲: "基于Bayes决策的机载全极化SAR图像滑坡信息提取", 《国土资源遥感》 *
许强: "滑坡隐患类型与对应识别方法", 《武汉大学学报 信息科学版》 *

Also Published As

Publication number Publication date
CN115236655B (zh) 2022-12-20
US11747498B1 (en) 2023-09-05

Similar Documents

Publication Publication Date Title
CN115236655B (zh) 基于全极化sar的滑坡识别方法、系统、设备及介质
CN112712535B (zh) 基于模拟困难样本的Mask-RCNN滑坡分割方法
CN100547438C (zh) 一种油气勘探方法及系统
CN109840553B (zh) 耕地作物类型的提取方法及系统、存储介质、电子设备
Prasad et al. Optical remote sensing
CN107145891B (zh) 一种基于遥感影像的水体提取方法及系统
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
Ghasemi et al. Urban classification using preserved information of high dimensional textural features of Sentinel-1 images in Tabriz, Iran
Tao et al. Simulation-based building change detection from multiangle SAR images and digital surface models
Awad Toward robust segmentation results based on fusion methods for very high resolution optical image and lidar data
Rizayeva et al. Large-area, 1964 land cover classifications of Corona spy satellite imagery for the Caucasus Mountains
Tian et al. 3D building change detection from high resolution spaceborne stereo imagery
Mohamed et al. Change detection techniques using optical remote sensing: a survey
CN112529828B (zh) 参考数据非敏感的遥感影像时空融合模型构建方法
Zhu et al. Reducing mis-registration and shadow effects on change detection in wetlands
CN116363526B (zh) MROCNet模型构建与多源遥感影像变化检测方法及系统
CN114545410B (zh) 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法
Misra et al. An approach for generation of multi temporal co-registered optical remote sensing images from Resourcesat-2/2A sensors
Tian et al. A new method for estimating signal-to-noise ratio in UAV hyperspectral images based on pure pixel extraction
Bartels et al. Rule-based improvement of maximum likelihood classified LIDAR data fused with co-registered bands
Zhao Multitemporal SAR images denoising and change detection: applications to Sentinel-1 data
Yang et al. A deep learning solution for height reconstruction in SAR tomography
Javed et al. Development of Soil-Suppressed Impervious Surface Area Index for Automatic Urban Mapping
CN113050090B (zh) 一种双极化hh、hv雷达图像特征融合增强方法
Gelautz et al. Automated matching experiments with different kinds of SAR 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
GR01 Patent grant
GR01 Patent grant