CN115511899A - 浅层小型滑坡形态结构的提取方法及装置 - Google Patents

浅层小型滑坡形态结构的提取方法及装置 Download PDF

Info

Publication number
CN115511899A
CN115511899A CN202211215974.2A CN202211215974A CN115511899A CN 115511899 A CN115511899 A CN 115511899A CN 202211215974 A CN202211215974 A CN 202211215974A CN 115511899 A CN115511899 A CN 115511899A
Authority
CN
China
Prior art keywords
landslide
segmentation
level
area
scale
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
CN202211215974.2A
Other languages
English (en)
Inventor
李佳
段平
张钰洁
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.)
Yunnan Normal University
Original Assignee
Yunnan Normal University
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 Yunnan Normal University filed Critical Yunnan Normal University
Priority to CN202211215974.2A priority Critical patent/CN115511899A/zh
Publication of CN115511899A publication Critical patent/CN115511899A/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明公开了一种浅层小型滑坡形态结构的提取方法及装置，该方法包括：根据对浅层小型滑坡研究区航测拍摄的原始数据，生成数字正射影像DOM和数字高程模型DEM；针对DOM中不同地物选取出最优分割尺度构建多层次模型；根据各类地物的解译特征构建多特征规则集合，在多层次模型中逐层提取滑坡候选区域得到滑坡空间范围；基于该范围和DEM，采用条带剖面法对滑坡区的地形做精细分析，确定最优阈值后进行浅层小型滑坡形态结构提取。本发明可以在突发性的浅层小型滑坡区域，构建多层次浅层小型滑坡形态结构提取模型，准确量化浅层小型滑坡的地形起伏变化，进而实现其形态结构的有效提取，对灾害评估、应急救援、重建规划等方面具有重要意义。

Description

浅层小型滑坡形态结构的提取方法及装置
技术领域
本发明涉及滑坡地质灾害识别技术领域，尤其涉及一种顾及无人机影像多特征信息的浅层小型滑坡形态结构提取方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
滑坡是一种部分斜坡受外界因素的影响，导致在重力作用下沿着斜坡方向一个或多个滑动面作剪切运动的现象。当滑坡灾害发生后，斜坡上会形成一系列特殊的滑坡地形，如滑坡壁、物源区、滑移区、堆积区等，这些滑坡地形要素也称为滑坡的形态结构，定性、定位、定量地获取滑坡形态结构的相关信息，对于认识滑坡地质灾害特征、定量灾害评估、识别不稳定滑坡等至关重要。
数字高程模型(Digital Elevation Model，简称DEM)蕴含着大量的地形地貌信息，能够较好的描述滑坡区细微的地貌表面变化特征，使滑坡形态结构的提取成为可能。目前采用DEM对滑坡形态结构提取的方法主要有目视解译、基于像素的统计分析法与基于对象的图像分析法。目视解译依赖于大量的先验知识与经验。基于像素的统计分析法则适合于地形起伏较为明显的大型滑坡区域。基于对象的图像分析法成为浅层小型滑坡形态结构提取的有力工具，能将复杂的滑坡内部结构划分为有特定空间组织的对象，以便区分不同的滑坡地形要素，然而在提取过程中，面临着阈值设定这一巨大挑战。同时，由于滑坡的突发性特征，大多情况下只能获取到灾后的DEM数据。因此，如何利用灾后DEM来准确量化浅层小型滑坡的地形起伏变化，进而实现其形态结构的有效提取是一个关键问题。
发明内容
本发明实施例提供一种浅层小型滑坡形态结构的提取方法，用以在突发的浅层小型滑坡区域，利用灾后DEM来准确量化浅层小型滑坡的地形起伏变化，进而实现其形态结构的有效提取，该方法包括：
根据对浅层小型滑坡研究区航测拍摄的原始数据，生成数字正射影像DOM和DEM；
通过多尺度分割方法，针对DOM中不同地物的光谱、形状特征选取出最优分割尺度，根据最优分割尺度构建多层次模型；所述多层次模型用于刻画滑坡背景区域、滑坡本身及其形态结构三个不同描述尺度下的对象；
根据DOM中各类地物的解译特征构建多特征规则集合，根据多特征规则集合在所述多层次模型中逐层提取滑坡候选区域得到滑坡空间范围；
基于所述滑坡空间范围和DEM，采用条带剖面法对滑坡研究区的地形做精细分析，确定最优阈值后进行浅层小型滑坡形态结构提取。
本发明实施例还提供一种浅层小型滑坡形态结构的提取装置，用以在突发的浅层小型滑坡区域，利用灾后DEM来准确量化浅层小型滑坡的地形起伏变化，进而实现其形态结构的有效提取，该装置包括：
生成单元，用于根据对浅层小型滑坡研究区航测拍摄的原始数据，生成DOM和DEM；
模型构建单元，用于通过多尺度分割方法，针对DOM中不同地物的光谱、形状特征选取出最优分割尺度，根据最优分割尺度构建多层次模型；所述多层次模型用于刻画滑坡背景区域、滑坡本身及其形态结构三个不同描述尺度下的对象；
滑坡空间范围确定单元，用于根据DOM中各类地物的解译特征构建多特征规则集合，根据多特征规则集合在所述多层次模型中逐层提取滑坡候选区域得到滑坡空间范围；
形态结构提取单元，用于基于所述滑坡空间范围和DEM，采用条带剖面法对滑坡研究区的地形做精细分析，确定最优阈值后进行浅层小型滑坡形态结构提取。
本发明实施例还提供一种计算机设备，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计算机程序时实现上述浅层小型滑坡形态结构的提取方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述浅层小型滑坡形态结构的提取方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述浅层小型滑坡形态结构的提取方法。
本发明实施例中，浅层小型滑坡形态结构的提取方案，通过：本发明实施例提供的浅层小型滑坡形态结构的提取方法，工作时：根据对浅层小型滑坡研究区航测拍摄的原始数据，生成DOM和DEM；通过多尺度分割方法，针对DOM中不同地物的光谱、形状特征选取出最优分割尺度，根据最优分割尺度构建多层次模型；所述多层次模型用于刻画滑坡背景区域、滑坡本身及其形态结构三个不同描述尺度下的对象；根据DOM中各类地物的解译特征构建多特征规则集合，根据多特征规则集合在所述多层次模型中逐层提取滑坡候选区域得到滑坡空间范围；基于所述滑坡空间范围和DEM，采用条带剖面法对滑坡研究区的地形做精细分析，确定最优阈值后进行浅层小型滑坡形态结构提取，该方案可以在突发性的浅层小型滑坡区域，构建多层次的浅层小型滑坡形态结构提取模型，准确量化浅层小型滑坡的地形起伏变化，进而实现其形态结构的有效提取，对灾害评估、应急救援、重建规划等方面具有重要意义。
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的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中顾及无人机影像多特征信息的浅层小型滑坡形态结构提取方法的整体流程图；
图2a为本发明实施例中经处理得到的某测区无人机DOM；
图2b为本发明实施例中的DEM；
图3a为本发明实施例中多尺度多层次的第一分割层结果；
图3b为本发明实施例中多尺度多层次的第二分割层结果；
图3c为本发明实施例中多尺度多层次的第三分割层结果；
图4为本发明实施例中多特征规则集分层提取滑坡空间范围的子流程图；
图5为本发明实施例中滑坡空间范围提取结果图；
图6为本发明实施例中条带剖面法提取滑坡形态结构的子流程图；
图7为本发明实施例中滑坡形态结构提取结果图；
图8为本发明实施例中浅层小型滑坡形态结构的提取方法的流程示意图；
图9为本发明实施例中浅层小型滑坡形态结构的提取装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
本发明实施例公开了一种顾及无人机影像多特征信息的浅层小型滑坡(浅层：深度小于10m；体积小于10×104m为小型滑坡)形态结构提取方案，即该方案为一种基于无人机影像的浅层小型滑坡形态结构提取方案，包括以下步骤：(1)对划定的滑坡区域进行无人机航测拍摄，所获取到的原始数据经过预处理后生成数字正射影像(Digital OrthophotoMap，简称DOM)和数字高程模型(DigitalElevationModels，简称DEM)；(2)通过多尺度分割方法选取出最优分割尺度并构建了一个自上而下的多层次模型，以便于刻画不同描述尺度下的对象；(3)构建多特征规则集合来分层提取滑坡空间范围；(4)在滑坡空间范围有效识别的基础上，采用条带剖面法对滑坡区的地形做精细分析，确定最优阈值，以实现滑坡形态结构的提取。本发明实施例可以在突发性的浅层小型滑坡区域，综合无人机DOM的多特征信息和灾后DEM数据，构建多层次的浅层小型滑坡形态结构提取模型，有效识别滑坡内部地形要素，对灾害评估、应急救援、重建规划等方面具有重要意义。下面对该浅层小型滑坡形态结构提取方案进行详细介绍。
图8为本发明实施例中浅层小型滑坡形态结构的提取方法的流程示意图，如图8所述，该方法包括如下步骤：
步骤101：根据对浅层小型滑坡研究区航测拍摄的原始数据，生成DOM和DEM；
步骤102：通过多尺度分割方法，针对DOM中不同地物的光谱、形状特征选取出最优分割尺度，根据最优分割尺度构建多层次模型；所述多层次模型用于刻画滑坡背景区域、滑坡本身及其形态结构三个不同描述尺度下的对象；
步骤103：根据DOM中各类地物的解译特征构建多特征规则集合，根据多特征规则集合在所述多层次模型中逐层提取滑坡候选区域与剔除滑坡误报区域得到滑坡空间范围；
步骤104：基于所述滑坡空间范围和DEM，采用条带剖面法对滑坡研究区的地形做精细分析，确定最优阈值后进行浅层小型滑坡形态结构提取。
本发明实施例提供的浅层小型滑坡形态结构的提取方法，工作时：根据对浅层小型滑坡研究区航测拍摄的原始数据，生成DOM和DEM；通过多尺度分割方法，针对DOM中不同地物的光谱、形状特征选取出最优分割尺度，根据最优分割尺度构建多层次模型；所述多层次模型用于刻画滑坡背景区域、滑坡本身及其形态结构三个不同描述尺度下的对象；根据DOM中各类地物的解译特征构建多特征规则集合，根据多特征规则集合在所述多层次模型中逐层提取滑坡候选区域与剔除滑坡误报区域得到滑坡空间范围；基于所述滑坡空间范围和DEM，采用条带剖面法对滑坡研究区的地形做精细分析，确定最优阈值后进行浅层小型滑坡形态结构提取，该方法可以在突发性的浅层小型滑坡区域，构建多层次的浅层小型滑坡形态结构提取模型，准确量化浅层小型滑坡的地形起伏变化，进而实现其形态结构的有效提取，对灾害评估、应急救援、重建规划等方面具有重要意义。下面对该浅层小型滑坡形态结构的提取方法进行详细介绍。
本发明实施例的目的在于提供一种顾及无人机影像多特征信息的浅层小型滑坡形态结构提取方法，用以在突发的浅层小型滑坡区域，利用灾后DEM来准确量化浅层小型滑坡的地形起伏变化，进而实现其形态结构的有效提取。
为实现上述发明目的，本发明所提供的顾及无人机影像多特征信息的浅层小型滑坡形态结构提取方法，具体步骤如下：
步骤S1：对划定的滑坡区域进行无人机航测拍摄，所获取到的原始数据经过预处理后生成DOM和DEM；即，对所获取到的原始数据做预处理后，生成DOM和灾后DEM；
步骤S2：通过多尺度多层次的分割方法，针对DOM中不同地物的光谱、形状特征选取出最优分割尺度(针对各层级的目标地物选取出最优分割尺度)，并构建一个自上而下的多层次模型，以便于刻画滑坡背景区域、滑坡本身及其形态结构3个不同描述尺度下的对象(该对象包含着地物，即把相邻且光谱特征相似的相同类型地物，通过分割、合并后构成同一对象，这些对象与其余类型的地物未被合并且有清晰的边界，较大程度地兼顾了地物在DOM中所表现出的光谱、纹理、几何、空间等特征信息和局部细节)：分割尺度的层次越高，分割对象就越细致，高层次对象与低层次对象之间保持着拓扑关系，即较大尺度(第一尺度)层次刻画滑坡背景区域，以分割研究区的覆盖面积最广的植被为主，中尺度(第二尺度)层级分割出滑坡体和道路、裸土、建筑物等地物，较小尺度(第三尺度)层级以分割滑坡内部形态结构为主；
步骤S3：结合研究区DOM中各类地物的解译特征，构建多特征规则集合，在步骤S2的多层次模型中逐层提取滑坡候选区域和剔除滑坡误报区域，进而得到滑坡空间范围；
步骤S4：在滑坡空间范围有效识别的基础上，采用条带剖面法对滑坡区的地形做精细分析，确定最优阈值后进行滑坡形态结构提取。
作为优选实施方式，所述步骤S1中无人机数据预处理的具体步骤如下：
步骤S1.1：首先针对无人机可见光RGB影像进行空中三角测量(像素坐标是可以直接从照片上测量得到，但最后需要的是对应的地面坐标，所以要通过空中三角测量这一步骤把这些点的地面坐标计算出来)，结合无人机定位POS数据与实际测量的地面控制点坐标进行联合区域网平差，解算影像真实的空间位置与姿态，获得关键连接点(关键连接点是指多张照片中的公共特征点，而部分关键点可构成稀疏点云)的地面坐标，生成稀疏点云。
步骤S1.2：将步骤S1.1中已恢复真实空间位置与姿态的影像，采用多视影像密集匹配技术，识别出多幅影像中的同名点，建立测区的高密度点云。
步骤S1.3：使用步骤S1.2中生成的密集点云构建不规则三角网，从而建立数字表面模型(DSM)。
步骤S1.4：对步骤S1.3中生成的不规则三角网格进行加密滤波算法处理，将地面点与非地面点分离，剔除植被、建筑物等非地面点信息，仅保留地面点信息，并针对地面点构建高程格网，生成研究区的DEM。
步骤S1.5：根据步骤S1.4中生成的DEM模型，对单幅无人机进行影像正射纠正，并对重叠区域进行镶嵌、裁剪等处理，最终得到完整的测区DOM。
通过上述可知，在一个实施例中，所述航测拍摄的原始数据为无人机可见光RGB影像和无人机POS数据；根据对浅层小型滑坡研究区航测拍摄的原始数据，生成DOM和DEM，可以包括：
针对无人机可见光RGB影像进行空中三角测量，结合无人机定位POS数据与实际测量的地面控制点坐标进行联合区域网平差，解算影像真实的空间位置与姿态，获得关键连接点的地面坐标，生成稀疏点云；
采用多视影像密集匹配技术，从真实的空间位置与姿态的影像中识别出多幅影像中的同名点，根据多幅影像中的同名点及稀疏点云，建立测区的密集点云；
使用所述密集点云构建不规则三角网格；
对所述不规则三角网格进行加密滤波算法处理，将地面点与非地面点分离得到地面点信息，针对地面点构建高程格网，生成研究区的DEM；
根据所述DEM，对单幅无人机影像进行影像正射纠正，并对重叠区域进行镶嵌和裁剪处理，最终得到完整的研究区DOM。
作为优选实施方式，所述步骤S2中通过多尺度分割方法构建一个自上而下的多层次模型的具体步骤如下：
步骤S2.1：加载无人机DOM，并对图层权重、尺度因子、形状因子和紧致度因子四个主要参数进行设置，其中参与分割图层为R、G、B三个图层，各图层权重均为1。
步骤S2.2：将形状因子(形状因子影响分割对象的几何特征差异)和紧致度因子(紧致度因子侧重于展现影像分割对象整体的紧密程度)均设定为0.5，尺度参数在[50,300]范围内，以25为单位递增进行实验，并根据效果，选择一个较为适合的尺度参数，该步骤即为采用控制变量法，固定形状因子与紧致度因子后，对尺度因子进行多次实验，根据分割效果，选择一个适合的值(优选尺度参数值)；
步骤S2.3：将尺度因子设定为步骤S2.2中得到的优选尺度参数值，分别对形状因子和紧致度因子进行调整，根据无人机影像中实际地物的分割效果，确定最终的形状因子和紧致度因子参数值；
步骤S2.4：在步骤S2.3确定形状因子和紧致度因子参数值的情况下，采用ESP算法，调整起始尺度和循环次数，得到局部方差变化率(ROC-LV)曲线：
Figure BDA0003876112750000071
其中，L为目标级别的局部方差，L-1为下一级别的局部方差。选取峰值所在的点为潜在的最优分割尺度，分别对每一个潜在最优尺度参数进行实验，找到目标地物较为适合的参数，并确定其为最终的尺度因子(详见下面的实例的介绍，本发明实施例测试实验的最终尺度因子为215)，以此完成第一层级的分割。第一层级的分割的操作即为上述步骤S2.1至步骤S2.4执行的操作。
步骤S2.5：继承步骤S2.4的分割结果，针对目标地物(第一层目标地物：植被；第二层目标地物：滑坡、裸地、道路、建筑物等；第三层目标地物：滑坡内部形态结构)重复步骤S2.2～2.4，进一步细化已分割的对象，得到第二层级的分割结果。
步骤S2.6：继承步骤S2.5的分割结果，针对目标地物重复步骤S2.2～2.4，再次细化已分割的对象，得到第三层级的分割结果。
通过上述可知，在一个实施例中，通过多尺度分割方法，针对DOM中不同地物的光谱、形状特征选取出最优分割尺度，根据最优分割尺度构建多层次模型，可以包括：
加载DOM；所述DOM中参与分割的图层为R、G、B的三个图层，各图层权重均为1；
将形状因子和紧致度因子均设定为0.5，尺度参数在[50,300]范围内，以25为单位递增进行实验，并根据效果，选出优选尺度参数值；
将尺度因子设定为所述优选尺度参数值，分别对形状因子和紧致度因子进行调整，根据DOM中实际地物的分割效果，确定最终的形状因子和紧致度因子参数值；
在确定出最终的形状因子和紧致度因子参数值的情况下，采用ESP算法，调整初始尺度和循环次数，得到局部方差变化率曲线；选取所述曲线峰值所在的点为潜在的最优分割尺度，分别对每一个潜在的最优分割尺度的参数进行实验，找到目标地物最适合的参数作为最终的最优分割尺度，根据最终的最优分割尺度完成第一层级的分割，得到第一层级的分割结果；
继承第一层级的分割结果，针对目标地物参照所述第一层级的分割的操作，执行第二层级的分割操作，进一步细化已分割的对象，得到第二层级的分割结果；
继承第二层级的分割结果，针对目标地物参照所述第一层级的分割的操作，执行第三层级的分割操作，再次细化已分割的对象，得到第三层级的分割结果，得到所述多层次模型。
作为优选实施方式，所述步骤S3中结合区域中各类地物的解译特征，构建多特征规则集合，在步骤S2的多层次模型中逐层提取滑坡候选区域和剔除滑坡误报区域，进而得到滑坡空间范围的具体步骤如下：
步骤S3.1：对滑坡与非滑坡进行特征分析，建立地物色调、形状、位置等直接或间接的解译标志。
步骤S3.2：将步骤2中得到的分割对象(DOM中各类地物通过之前分割后，得到的对象)通过计算每个对象的特征值(包括光谱均值、长宽比、灰度共生矩阵均值等)，得到对象的光谱、纹理、几何、空间等多特征属性。
步骤S3.3：样本矢量点的选取，建立植被、裸地、建筑物、道路、滑坡等地物的样本点文件，分别进行样本点的采集。
步骤S3.4：以步骤S3.3中生成的样本点的位置为基准选取相应的分割对象作为样本对象。
步骤S3.5：在步骤S2.4得到的第一分割层(第一层级的分割结果)中进行滑坡候选区域(即非植被)的提取，其目的在于剔除区域中面积较大或分布集中且形状较为规则的地物(植被)。
具体地，可以利用可见光植被指数VDVI区分区域中的植被与非植被，剔除VDVI值较高的大面积植被区，进而得到滑坡的候选区域：
Figure BDA0003876112750000091
其中，R、G、B分别代表无人机DOM中的红、绿、蓝波段。
步骤S3.6：将步骤S3.5的提取结果(植被与非植被)作类过滤处理后得到滑坡候选区域，继承于步骤S2.5的第二分割层(第二层级的分割结果)中，采用波段均值、亮度值、灰度共生矩阵均值或标准差、长宽比、形状指数、边界指数、坐标等特征值，得到裸地、建筑物、道路、滑坡等地物的光谱、纹理、几何、空间等多特征信息，逐一剔除误报滑坡区(裸地、建筑物、道路等非滑坡区)，得到滑坡空间范围。
通过上述可知，在一个实施例中，根据DOM中各类地物的解译特征构建多特征规则集合，根据多特征规则集合在所述多层次模型中逐层提取滑坡候选区域与剔除误报滑坡区域得到滑坡空间范围，可以包括：
根据DOM中各类地物的解译特征构建多特征规则集合，根据多特征规则集合在所述多层次模型中逐层提取滑坡候选区域与剔除误报滑坡区域得到滑坡空间范围，包括：
对滑坡与非滑坡进行特征分析，建立直接或间接的解译标志；
基于直接或间接的解译标志，将不同描述尺度下的分割对象通过计算每个对象的多个特征值，得到对象的多特征属性；
基于对象的多特征属性，建立不同类型地物的样本点文件，分别进行样本矢量点的采集；
以采集的样本矢量点的位置为基准选取相应的分割对象作为样本对象；
基于所述样本对象，在第一层级的分割结果中进行滑坡候选区域的提取，以剔除区域中面积大于预设面积值或分布集中且形状规则的地物，得到提取结果：
将所述提取结果作类过滤处理后得到滑坡候选区域，继承于第二层级的分割结果中，采用波段均值、亮度值、灰度共生矩阵均值或标准差、长宽比、形状指数、边界指数和坐标特征值，得到裸地、建筑物、道路和滑坡地物的光谱、纹理、几何和空间多特征信息，逐一剔除误报滑坡区，得到滑坡空间范围。
作为优选实施方式，所述步骤S4中在滑坡空间范围有效识别的基础上，采用条带剖面法对滑坡区的地形做精细分析，确定最优阈值后进行滑坡形态结构提取的具体步骤如下：
步骤S4.1：将步骤3.6中提取出的滑坡空间范围导出后裁剪出滑坡区的DEM。
步骤S4.2：绘制滑坡区的条带剖面。
作为优选实施方式，所述步骤S4.2中条带剖面的具体步骤如下：
步骤S4.2.1：以上述滑坡区的DEM为底图，新建一个面图层，以滑坡体的滑动主轴线为基本方位绘制一个具有一定范围(根据滑坡的长宽来设定)的条带状矩形。
步骤S4.2.2：以步骤S4.2.1得到的条带状矩形为模板，进行等间距划分，生成SHP格式的格网条带以及每个格网所对应的重心点。
步骤S4.2.3：旋转、微移步骤S4.2.2中生成的格网条带，使其与滑坡体移动方向一致。
步骤S4.2.4：以等间距的格网为数据集区域，滑坡区的DEM为数据图层，对条带区域内的DEM进行分区统计。
步骤S4.2.5：将步骤S4.2.4分区统计得到的最大高程值、最小高程值、平均高程值、起伏度(高程差)与其所对应的距起点距离进行统计，建立每个格网的重心点与其所对应格网的相关高程值的映射关系，生成滑坡区的条带剖面高程曲线。
步骤S4.3：计算高程曲线一阶导数，其作用是增强条带剖面区域范围内等间距样区的高程变化率：
Figure BDA0003876112750000111
其中，(xi,yi)为第i个格网重心点坐标，L′为求导后的高程曲线。
步骤S4.4：将步骤S4.3求导后的高程曲线按一个起伏范围划分为一个地形区间，地形区间即表示为滑坡的地形结构要素，以曲线起伏转折值为滑坡地形要素的高程分界值。
步骤S4.5：将步骤S3.6的提取结果(道路、裸地、建筑物、滑坡空间范围等)作类过滤处理得到滑坡空间范围，继承于步骤S2.6的第三分割层(第三层级的分割结果)中，采用上述方法所得到的高程分界值作为滑坡地形结构要素提取的最佳阈值，进行滑坡形态结构提取。
步骤S4.6：对步骤S4.5提取结果中的局部细节，根据实际情况使用坡度、光谱、空间等特征信息进一步修正。
通过上述可知，在一个实施例中，基于所述滑坡空间范围和DEM，采用条带剖面法对滑坡研究区的地形做精细分析，确定最优阈值后进行浅层小型滑坡形态结构提取，可以包括：
将提取出的滑坡空间范围导出后裁剪出滑坡区的DEM；
绘制所述滑坡区的条带剖面；
计算滑坡区的条带剖面高程曲线一阶导数，以增强条带剖面区域范围内等间距样区的高程变化率：
将求导后的高程曲线按预设起伏范围划分为一个地形区间，地形区间表示为滑坡的地形结构要素，以曲线起伏转折值为滑坡地形要素的高程分界值；
将滑坡空间范围作类过滤处理，继承于第三层级的分割结果中，采用所述高程分界值作为滑坡地形结构要素提取的最佳阈值，进行滑坡形态结构提取。
通过上述可知，在一个实施例中，绘制所述滑坡区的条带剖面，可以包括：
以滑坡研究区的DEM为底图，新建一个面图层，以滑坡体的滑动主轴线为基本方位绘制一个具有预设范围的条带状矩形；
以所述条带状矩形为模板，进行等间距划分，生成SHP格式的格网条带以及每个格网所对应的重心点；
旋转、微移所述格网条带，使其与滑坡体移动方向一致；
以等间距的格网为数据集区域，滑坡区的DEM为数据图层，对条带区域内的DEM进行分区统计；
将分区统计得到的最大高程值、最小高程值、平均高程值、起伏度与其所对应的距起点距离进行统计，建立每个格网的重心点与其所对应格网的相关高程值的映射关系，生成滑坡区的条带剖面高程曲线。
本发明实施例的有益效果是：本发明提供了一种顾及无人机影像多特征信息的浅层小型滑坡形态结构提取方案。基于无人机DOM与DEM，通过对DOM进行多尺度多层次的分割得到一个自上而下的分层模型；以分割对象为基本单元，综合DOM中的光谱、纹理、几何、空间等多特征信息，构建多特征的分层提取规则集，逐层次进行滑坡候选区域识别与滑坡误报区域剔除，进而得到滑坡的空间范围；利用条带剖面法对滑坡区的地形起伏作精细分析，获取划分地形结构的最佳阈值并提取的滑坡形态结构，可利用灾后DEM来准确量化浅层小型滑坡的地形起伏变化，进而实现其形态结构的有效提取，为滑坡清单的绘制提供重要的信息，为滑坡受灾地区的应急救援、风险评估、重建恢复等工作提供一定的数据支撑，对滑坡灾害遥感识别具有重要意义。
为了便于理解本发明如何实施，下面将结合附图2a至图7对本发明提供的一种顾及无人机影像多特征信息的浅层小型滑坡形态结构提取方法各个步骤进行详细描述。
在步骤S1中，对突发的浅层小型滑坡区域进行无人机航测拍摄，并对原始无人机数据进行空三计算、密集匹配、点云滤波等处理，得到测区的DOM与DEM。图2a和图2b分别为本发明提供的某测区无人机DOM和DEM，具体步骤如下：
步骤S1.1：对原始无人机可见光RGB影像进行空中三角测量，结合无人机POS数据与实际测量的地面控制点坐标进行平差，解算出影像真实的空间位置与姿态，获得关键连接点的地面坐标，生成稀疏点云。
步骤S1.2：将步骤S1.1中已恢复真实空间位置与姿态的影像，采用多视影像密集匹配技术，识别出多幅影像中的同名点，建立测区的高密度点云。
步骤S1.3：使用步骤S1.2中生成的密集点云构建不规则三角网，从而建立数字表面模型(DSM)。
步骤S1.4：对步骤S1.3中生成的不规则三角网格进行加密滤波算法处理，将地面点与非地面点分离，剔除植被、建筑物等非地面信息，仅保留地面信息，并针对地面点构建高程格网，生成研究区的DEM(图2a)。
步骤S1.5：根据步骤S1.4中生成的DEM模型，采用一定的数学模型，对单幅无人机进行影像正射纠正，并对重叠区域进行镶嵌、裁剪等处理，最终得到完整的测区DOM(图2b)。
在步骤S2中，通过多尺度多层次分割方法构建一个自上而下的分层模型，分割结果如图3a至图3c所示，具体步骤如下：
步骤S2.1：加载无人机DOM，将R、G、B三个图层设为参与分割图层，并将各图层权重均设为1。
步骤S2.2：固定形状因子和紧致度因子，参数值均设定为0.5，暂时确定一个较为适合的尺度参数；
步骤S2.3：将步骤S2.2中计算的参数值设为尺度参数，分别对形状因子和紧致度因子进行调整，根据无人机影像中实际地物的分割效果，确定最终的形状因子为0.1和紧致度因子为0.5；
步骤S2.4：将形状因子设为0.1和紧致度因子设为0.5，采用ESP算法，调整起始尺度为10和循环次数为150，得到局部方差变化率(ROC-LV)曲线：
Figure BDA0003876112750000131
其中，L为目标级别的局部方差，L-1为下一级别的局部方差。选取峰值所在的点为潜在的最优分割尺度(包括：82、98、147、197、215、271)，分别对每一个潜在最优尺度参数进行实验，得到目标地物(植被)适合的参数为215，确定其为最终的尺度因子参数，以此完成第一层级的分割(图3a)。
步骤S2.5：继承步骤S2.4的分割结果，针对目标地物类别，其包括：裸地、道路、建筑物、滑坡等非植被地物，重复步骤S2.2～2.4，进一步细化已分割的对象，确定形状因子为0.3，紧致度因子为0.3，尺度因子为197，得到第二层级的分割结果(图3b)。
步骤S2.6：继承步骤S2.5的分割结果，针对目标地物类别，其包括：滑坡壁、物源区、滑移区、堆积区等滑坡结构要素，重复步骤S2.2～2.4，再次细化已分割的对象，确定形状因子为0.3，紧致度因子为0.6，尺度因子为147，得到第三层级的分割结果(图3c)。
如图4所示，为多特征规则集分层提取滑坡空间范围的子流程图，即上述步骤S3的详细步骤，具体内容如下：
步骤S3.1：分析测区中的滑坡与非滑坡进行光谱、纹理、几何、空间等多特征信息，建立各类地物直接或间接的遥感解译标志。
步骤S3.2：计算各类地物所对应对象的特征值(包括光谱均值、长宽比、灰度共生矩阵均值等)，得到对象的光谱、纹理、几何、空间等多特征属性。
步骤S3.3：样本矢量点的选取，建立植被、裸地、建筑物、道路、滑坡等地物的样本点文件，格式为SHP，每类地物分别进行样本点的采集，样本个数均为100，采集时使样本均匀且随机地布设于区域中。
步骤S3.4：以步骤S3.3中生成的矢量样本点位置为基准与分割对象建立映射关系，并将矢量样本点所对应的对象作为样本对象。
步骤S3.5：将在步骤S2.4得到的第一分割层中进行滑坡候选区域的提取，滑坡大多发生于山区，区域中覆盖面积较大或分布较广的地物一般为植被，由此选定第一分割层的目标地物为植被。
利用可见光植被指数VDVI区分区域中的植被与非植被，VDVI的范围在[-1，1]之间，植被区域的阈值大多在0以上，由此剔除大面积植被区，进而得到滑坡的候选区域：
Figure BDA0003876112750000141
其中，R、G、B分别代表无人机DOM中的红、绿、蓝波段。
步骤S3.6：将步骤S3.5的植被的提取结果继承到步骤S2.5的第二分割层中，对未提取的对象，计算其波段均值、亮度值、灰度共生矩阵均值或标准差、长宽比、形状指数、边界指数、坐标等特征值，得到裸地、建筑物、道路、滑坡等地物的光谱、纹理、几何、空间等多特征信息，逐一剔除误报滑坡区(裸地、建筑物、道路等非滑坡区)，得到滑坡空间范围(图5)。
如图6所示，为条带剖面法提取滑坡形态结构的子流程图，即上述步骤S3的详细步骤，具体内容如下：
步骤S4.1：将步骤3.6中提取出的滑坡空间范围导出后裁剪出滑坡区的DEM。
步骤S4.2：绘制滑坡区的条带剖面。
作为优选实施方式，所述步骤S4.2中条带剖面的具体步骤如下：
步骤S4.2.1：以上述滑坡区的DEM为底图，新建一个SHP格式的面要素图层，以滑坡体的滑动主轴线为基本方位绘制一个具有一定范围的条带状矩形，本实例中的条带长度为160m，宽度为10m。
步骤S4.2.2：将以步骤S4.2.1得到的条带状矩形为模板，以10×10m为等间距，共16个格网，长宽与上述的条带矩形相同，生成一个SHP格式的格网条带以及每个格网所对应的重心点。
步骤S4.2.3：旋转、微移步骤S4.2.2中生成的格网条带，使其与滑坡体移动方向一致。
步骤S4.2.4：以等间距的格网为数据集区域，滑坡区的DEM为数据图层，对条带区域内的DEM进行分区统计。
步骤S4.2.5：将步骤S4.2.4分区统计得到的最大高程值、最小高程值、平均高程值、起伏度(高程差)与其所对应的距起点距离进行统计，建立每个格网的重心点与其所对应格网的相关高程值的映射关系，生成滑坡区的条带剖面高程曲线。
步骤S4.3：计算高程曲线一阶导数，来增强高程变化率：
Figure BDA0003876112750000151
其中，(xi,yi)为第i个格网重心点坐标，L′为求导后的高程曲线。
步骤S4.4：将步骤S4.4求导后的高程曲线按一个起伏范围划分为一个地形区间，地形区间即表示为滑坡的地形结构要素，以曲线起伏转折值为滑坡地形要素的高程分界值，本实例中的分界值为2261.16m、2227.86m，以此将提取出滑坡物源区、滑移区与堆积区。
步骤S4.5：将之前的提取结果继承于步骤S2.6的第三分割层中，采用上述方法所得到的高程分界值作为滑坡地形结构要素提取的最佳阈值分别为2261.16m、2227.86m，进行滑坡形态结构提取，提取结果如图7所示。
步骤S4.6：对步骤S4.5提取结果中的局部细节，根据实际情况使用坡度、光谱、空间等特征信息进一步修正。
本发明采用混淆矩阵对提取结果进行客观评价，将检验数据与提取结果进行对比，得到总体精度为94％，Kappa系数为0.92。顾及无人机影像多特征信息的浅层小型滑坡形态结构提取方法，在突发的浅层小型滑坡灾害中，能综合利用无人机DOM的光谱、纹理、几何、空间等多特征信息，并利用灾后DEM做条带剖面对微小起伏的地形进行精细分析后确定最佳阈值，进而有效提取出滑坡形态结构，具有一定的应用价值。此外，该方法也适用于相似区域的滑坡形态结构提取。
本发明实施例中还提供了一种浅层小型滑坡形态结构的提取装置，如下面的实施例所述。由于该装置解决问题的原理与浅层小型滑坡形态结构的提取方法相似，因此该装置的实施可以参见浅层小型滑坡形态结构的提取方法的实施，重复之处不再赘述。
图9为本发明实施例中浅层小型滑坡形态结构的提取装置的结构示意图，如图9所示，该装置包括：
生成单元01，用于根据对浅层小型滑坡研究区航测拍摄的原始数据，生成DOM和DEM；
模型构建单元02，用于通过多尺度分割方法，针对DOM中不同地物的光谱、形状特征选取出最优分割尺度，根据最优分割尺度构建多层次模型；所述多层次模型用于刻画滑坡背景区域、滑坡本身及其形态结构三个不同描述尺度下的对象；
滑坡空间范围确定单元03，用于根据DOM中各类地物的解译特征构建多特征规则集合，根据多特征规则集合在所述多层次模型中逐层提取滑坡候选区域得到滑坡空间范围；
形态结构提取单元04，用于基于所述滑坡空间范围和DEM，采用条带剖面法对滑坡研究区的地形做精细分析，确定最优阈值后进行浅层小型滑坡形态结构提取。
在一个实施例中，所述航测拍摄的原始数据为无人机可见光RGB影像和无人机POS数据；所述生成单元具体用于：
针对无人机可见光RGB影像进行空中三角测量，结合无人机POS数据与实际测量的地面控制点坐标进行联合区域网平差，解算影像真实的空间位置与姿态，获得关键连接点的地面坐标，生成稀疏点云；
采用多视影像密集匹配技术，从真实的空间位置与姿态的影像中识别出多幅影像中的同名点，根据多幅影像中的同名点及稀疏点云，建立测区的密集点云；
使用所述密集点云构建不规则三角网格；
对所述不规则三角网格进行加密滤波算法处理，将地面点与非地面点分离得到地面点信息，针对地面点构建高程格网，生成研究区的DEM；
根据所述DEM，对单幅无人机影像进行影像正射纠正，并对重叠区域进行镶嵌和裁剪处理，最终得到完整的研究区DOM。
在一个实施例中，所述模型构建单元具体用于：
加载DOM；所述DOM中参与分割的图层为R、G、B的三个图层，各图层权重均为1；
将形状因子和紧致度因子均设定为0.5，尺度参数在[50,300]范围内，以25为单位递增进行实验，并根据效果，选出优选尺度参数值；
将尺度因子设定为所述优选尺度参数值，分别对形状因子和紧致度因子进行调整，根据DOM中实际地物的分割效果，确定最终的形状因子和紧致度因子参数值；
在确定出最终的形状因子和紧致度因子参数值的情况下，采用ESP算法，调整初始尺度和循环次数，得到局部方差变化率曲线；选取所述曲线峰值所在的点为潜在的最优分割尺度，分别对每一个潜在的最优分割尺度的参数进行实验，找到目标地物最适合的参数作为最终的最优分割尺度，根据最终的最优分割尺度完成第一层级的分割，得到第一层级的分割结果；
继承第一层级的分割结果，针对目标地物参照所述第一层级的分割的操作，执行第二层级的分割操作，进一步细化已分割的对象，得到第二层级的分割结果；
继承第二层级的分割结果，针对目标地物参照所述第一层级的分割的操作，执行第三层级的分割操作，再次细化已分割的对象，得到第三层级的分割结果，得到所述多层次模型。
在一个实施例中，所述滑坡空间范围确定单元具体用于：
对滑坡与非滑坡进行特征分析，建立直接或间接的解译标志；
基于直接或间接的解译标志，将不同描述尺度下的分割对象通过计算每个对象的多个特征值，得到对象的多特征属性；
基于对象的多特征属性，建立不同类型地物的样本点文件，分别进行样本矢量点的采集；
以采集的样本矢量点的位置为基准选取相应的分割对象作为样本对象；
基于所述样本对象，在第一层级的分割结果中进行滑坡候选区域的提取，以剔除区域中面积大于预设面积值或分布集中且形状规则的地物，得到提取结果：
将所述提取结果作类过滤处理后得到滑坡候选区域，继承于第二层级的分割结果中，采用波段均值、亮度值、灰度共生矩阵均值或标准差、长宽比、形状指数、边界指数和坐标特征值，得到裸地、建筑物、道路和滑坡地物的光谱、纹理、几何和空间多特征信息，逐一剔除误报滑坡区，得到滑坡空间范围。
在一个实施例中，所述形态结构提取单元具体用于：
将提取出的滑坡空间范围导出后裁剪出滑坡区的DEM；
绘制所述滑坡区的条带剖面；
计算滑坡区的条带剖面高程曲线一阶导数，以增强条带剖面区域范围内等间距样区的高程变化率：
将求导后的高程曲线按预设起伏范围划分为一个地形区间，地形区间表示为滑坡的地形结构要素，以曲线起伏转折值为滑坡地形要素的高程分界值；
将滑坡空间范围作类过滤处理，继承于第三层级的分割结果中，采用所述高程分界值作为滑坡地形结构要素提取的最佳阈值，进行滑坡形态结构提取。
在一个实施例中，绘制所述滑坡区的条带剖面，可以包括：
以滑坡研究区的DEM为底图，新建一个面图层，以滑坡体的滑动主轴线为基本方位绘制一个具有预设范围的条带状矩形；
以所述条带状矩形为模板，进行等间距划分，生成SHP格式的格网条带以及每个格网所对应的重心点；
旋转、微移所述格网条带，使其与滑坡体移动方向一致；
以等间距的格网为数据集区域，滑坡区的DEM为数据图层，对条带区域内的DEM进行分区统计；
将分区统计得到的最大高程值、最小高程值、平均高程值、起伏度与其所对应的距起点距离进行统计，建立每个格网的重心点与其所对应格网的相关高程值的映射关系，生成滑坡区的条带剖面高程曲线。
本发明实施例还提供一种计算机设备，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计算机程序时实现上述浅层小型滑坡形态结构的提取方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述浅层小型滑坡形态结构的提取方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述浅层小型滑坡形态结构的提取方法。
本发明实施例中，浅层小型滑坡形态结构的提取方案，通过：本发明实施例提供的浅层小型滑坡形态结构的提取方法，工作时：根据对浅层小型滑坡研究区航测拍摄的原始数据，生成DOM和DEM；通过多尺度分割方法，针对DOM中不同地物的光谱、形状特征选取出最优分割尺度，根据最优分割尺度构建多层次模型；所述多层次模型用于刻画滑坡背景区域、滑坡本身及其形态结构三个不同描述尺度下的对象；根据DOM中各类地物的解译特征构建多特征规则集合，根据多特征规则集合在所述多层次模型中逐层提取滑坡候选区域得到滑坡空间范围；基于所述滑坡空间范围和数字高程模型，采用条带剖面法对滑坡研究区的地形做精细分析，确定最优阈值后进行浅层小型滑坡形态结构提取，该方案可以在突发性的浅层小型滑坡区域，构建多层次的浅层小型滑坡形态结构提取模型，准确量化浅层小型滑坡的地形起伏变化，进而实现其形态结构的有效提取，对灾害评估、应急救援、重建规划等方面具有重要意义。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种浅层小型滑坡形态结构的提取方法，其特征在于，包括：
根据对浅层小型滑坡研究区航测拍摄的原始数据，生成数字正射影像DOM和数字高程模型DEM；
通过多尺度分割方法，针对DOM中不同地物的光谱、形状特征选取出最优分割尺度，根据最优分割尺度构建多层次模型；所述多层次模型用于刻画滑坡背景区域、滑坡本身及其形态结构三个不同描述尺度下的对象；
根据DOM中各类地物的解译特征构建多特征规则集合，根据多特征规则集合在所述多层次模型中逐层提取滑坡候选区域得到滑坡空间范围；
基于所述滑坡空间范围和DEM，采用条带剖面法对滑坡研究区的地形做精细分析，确定最优阈值后进行浅层小型滑坡形态结构提取。
2.如权利要求1所述的浅层小型滑坡形态结构的提取方法，其特征在于，所述航测拍摄的原始数据为无人机可见光RGB影像和无人机POS数据；根据对浅层小型滑坡研究区航测拍摄的原始数据，生成DOM和DEM，包括：
针对无人机可见光RGB影像进行空中三角测量，结合无人机POS数据与实际测量的地面控制点坐标进行联合区域网平差，解算影像真实的空间位置与姿态，获得关键连接点的地面坐标，生成稀疏点云；
采用多视影像密集匹配技术，从真实的空间位置与姿态的影像中识别出多幅影像中的同名点，根据多幅影像中的同名点及稀疏点云，建立测区的密集点云；
使用所述密集点云构建不规则三角网格；
对所述不规则三角网格进行加密滤波算法处理，将地面点与非地面点分离得到地面点信息，针对地面点构建高程格网，生成研究区的DEM；
根据所述DEM，对单幅无人机影像进行DOM纠正，并对重叠区域进行镶嵌和裁剪处理，最终得到完整的研究区DOM。
3.如权利要求1所述的浅层小型滑坡形态结构的提取方法，其特征在于，通过多尺度分割方法，针对DOM中不同地物的光谱、形状特征选取出最优分割尺度，根据最优分割尺度构建多层次模型，包括：
加载DOM；所述DOM中参与分割的图层为R、G、B的三个图层，各图层权重均为1；
将形状因子和紧致度因子均设定为0.5，尺度参数在[50,300]范围内，以25为单位递增进行实验，并根据效果，选出优选尺度参数值；
将尺度因子设定为所述优选尺度参数值，分别对形状因子和紧致度因子进行调整，根据DOM中实际地物的分割效果，确定最终的形状因子和紧致度因子参数值；
在确定出最终的形状因子和紧致度因子参数值的情况下，采用ESP算法，调整初始尺度和循环次数，得到局部方差变化率曲线；选取所述曲线峰值所在的点为潜在的最优分割尺度，分别对每一个潜在的最优分割尺度的参数进行实验，找到目标地物最适合的参数作为最终的最优分割尺度，根据最终的最优分割尺度完成第一层级的分割，得到第一层级的分割结果；
继承第一层级的分割结果，针对目标地物参照所述第一层级的分割的操作，执行第二层级的分割操作，进一步细化已分割的对象，得到第二层级的分割结果；
继承第二层级的分割结果，针对目标地物参照所述第一层级的分割的操作，执行第三层级的分割操作，再次细化已分割的对象，得到第三层级的分割结果，得到所述多层次模型。
4.如权利要求3所述的浅层小型滑坡形态结构的提取方法，其特征在于，根据DOM中各类地物的解译特征构建多特征规则集合，根据多特征规则集合在所述多层次模型中逐层提取滑坡候选区域得到滑坡空间范围，包括：
对滑坡与非滑坡进行特征分析，建立直接或间接的解译标志；
基于直接或间接的解译标志，将不同描述尺度下的分割对象通过计算每个对象的多个特征值，得到对象的多特征属性；
基于对象的多特征属性，建立不同类型地物的样本点文件，分别进行样本矢量点的采集；
以采集的样本矢量点的位置为基准选取相应的分割对象作为样本对象；
基于所述样本对象，在第一层级的分割结果中进行滑坡候选区域的提取，以剔除区域中面积大于预设面积值或分布集中且形状规则的地物，得到提取结果：
将所述提取结果作类过滤处理后得到滑坡候选区域，继承于第二层级的分割结果中，采用波段均值、亮度值、灰度共生矩阵均值或标准差、长宽比、形状指数、边界指数和坐标特征值，得到裸地、建筑物、道路和滑坡地物的光谱、纹理、几何和空间多特征信息，逐一剔除误报滑坡区，得到滑坡空间范围。
5.如权利要求1所述的浅层小型滑坡形态结构的提取方法，其特征在于，基于所述滑坡空间范围和DEM，采用条带剖面法对滑坡研究区的地形做精细分析，确定最优阈值后进行浅层小型滑坡形态结构提取，包括：
将提取出的滑坡空间范围导出后裁剪出滑坡区的DEM；
绘制所述滑坡区的条带剖面；
计算滑坡区的条带剖面高程曲线一阶导数，以增强条带剖面区域范围内等间距样区的高程变化率：
将求导后的高程曲线按预设起伏范围划分为一个地形区间，地形区间表示为滑坡的地形结构要素，以曲线起伏转折值为滑坡地形要素的高程分界值；
将滑坡空间范围作类过滤处理，继承于第三层级的分割结果中，采用所述高程分界值作为滑坡地形结构要素提取的最佳阈值，进行滑坡形态结构提取。
6.如权利要求5所述的浅层小型滑坡形态结构的提取方法，其特征在于，绘制所述滑坡区的条带剖面，包括：
以滑坡研究区的DEM为底图，新建一个面图层，以滑坡体的滑动主轴线为基本方位绘制一个具有预设范围的条带状矩形；
以所述条带状矩形为模板，进行等间距划分，生成SHP格式的格网条带以及每个格网所对应的重心点；
旋转、微移所述格网条带，使其与滑坡体移动方向一致；
以等间距的格网为数据集区域，滑坡区的DEM为数据图层，对条带区域内的DEM进行分区统计；
将分区统计得到的最大高程值、最小高程值、平均高程值、起伏度与其所对应的距起点距离进行统计，建立每个格网的重心点与其所对应格网的相关高程值的映射关系，生成滑坡区的条带剖面高程曲线。
7.一种浅层小型滑坡形态结构的提取装置，其特征在于，包括：
生成单元，用于根据对浅层小型滑坡研究区航测拍摄的原始数据，生成DOM和DEM；
模型构建单元，用于通过多尺度分割方法，针对DOM中不同地物的光谱、形状特征选取出最优分割尺度，根据最优分割尺度构建多层次模型；所述多层次模型用于刻画滑坡背景区域、滑坡本身及其形态结构三个不同描述尺度下的对象；
滑坡空间范围确定单元，用于根据DOM中各类地物的解译特征构建多特征规则集合，根据多特征规则集合在所述多层次模型中逐层提取滑坡候选区域得到滑坡空间范围；
形态结构提取单元，用于基于所述滑坡空间范围和DEM，采用条带剖面法对滑坡研究区的地形做精细分析，确定最优阈值后进行浅层小型滑坡形态结构提取。
8.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一所述方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。
CN202211215974.2A 2022-09-30 2022-09-30 浅层小型滑坡形态结构的提取方法及装置 Pending CN115511899A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211215974.2A CN115511899A (zh) 2022-09-30 2022-09-30 浅层小型滑坡形态结构的提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211215974.2A CN115511899A (zh) 2022-09-30 2022-09-30 浅层小型滑坡形态结构的提取方法及装置

Publications (1)

Publication Number Publication Date
CN115511899A true CN115511899A (zh) 2022-12-23

Family

ID=84508250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211215974.2A Pending CN115511899A (zh) 2022-09-30 2022-09-30 浅层小型滑坡形态结构的提取方法及装置

Country Status (1)

Country Link
CN (1) CN115511899A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116504031A (zh) * 2023-06-27 2023-07-28 西北大学 一种用于山体滑坡的监测数据处理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116504031A (zh) * 2023-06-27 2023-07-28 西北大学 一种用于山体滑坡的监测数据处理方法
CN116504031B (zh) * 2023-06-27 2023-08-29 西北大学 一种用于山体滑坡的监测数据处理方法

Similar Documents

Publication Publication Date Title
Ramiya et al. Segmentation based building detection approach from LiDAR point cloud
Lari et al. An adaptive approach for segmentation of 3D laser point cloud
US7983474B2 (en) Geospatial modeling system and related method using multiple sources of geographic information
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
CN112712535B (zh) 基于模拟困难样本的Mask-RCNN滑坡分割方法
Axelsson et al. Patterns in woody vegetation structure across African savannas
Hui et al. A mean shift segmentation morphological filter for airborne LiDAR DTM extraction under forest canopy
US7778808B2 (en) Geospatial modeling system providing data thinning of geospatial data points and related methods
CN111323788B (zh) 建筑物变化的监测方法、装置及计算机设备
Wang et al. Construction and optimization method of the open-pit mine DEM based on the oblique photogrammetry generated DSM
Bandyopadhyay et al. Classification and extraction of trees and buildings from urban scenes using discrete return LiDAR and aerial color imagery
Li et al. Integrating multiple textural features for remote sensing image change detection
CN115511899A (zh) 浅层小型滑坡形态结构的提取方法及装置
KR20110094957A (ko) 레인지 영상으로부터의 객체 분할 장치 및 방법
CN113076796B (zh) 喀斯特石漠化的遥感制图方法及装置
CN116012613B (zh) 一种基于激光点云的露天矿的土方量变化测算方法和系统
Costantino et al. Features and ground automatic extraction from airborne LiDAR data
Bernard et al. Beyond 2D inventories: Synoptic 3D landslide volume calculation from repeat LiDAR data
Šiljeg et al. The effect of interpolation methods on the quality of a digital terrain model for geomorphometric analyses
Silván-Cárdenas et al. Extraction of buildings footprint from lidar altimetry data with the hermite transform
Feizizadeh et al. A semi-automated object based image analysis approach for landslide delineation
Gaber et al. Mapping the surface changes in the area of East Port-Said, Egypt using multi-temporal and multi-sensors remote sensing data
Koç San Approaches for automatic urban building extraction and updating from high resolution satellite imagery
Lkebir et al. Anza palaeoichnological site, Late Cretaceous, Morocco. Part III: Comparison between traditional and photogrammetric records
Oliveira et al. Index for the evaluation of segmentation (IAVAS): an application to agriculture

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