CN116167936A - 一种用于洪水监测的山体阴影去除方法及装置 - Google Patents
一种用于洪水监测的山体阴影去除方法及装置 Download PDFInfo
- Publication number
- CN116167936A CN116167936A CN202310101414.2A CN202310101414A CN116167936A CN 116167936 A CN116167936 A CN 116167936A CN 202310101414 A CN202310101414 A CN 202310101414A CN 116167936 A CN116167936 A CN 116167936A
- Authority
- CN
- China
- Prior art keywords
- water body
- model
- shadow
- sample
- distribution information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012544 monitoring process Methods 0.000 title claims abstract description 67
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 181
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 37
- 238000012706 support-vector machine Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000002194 synthesizing effect Effects 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012886 linear function Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000010287 polarization Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003809 water extraction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000005388 cross polarization Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
-
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种用于洪水监测的山体阴影去除方法,包括:S1:获取合成孔径雷达影像;S2:将合成孔径雷达影像输入水体识别模型,得到水体分布信息;S3:将水体分布信息输入阴影去除模型,得到去阴影的水体分布信息;其中,所述水体识别模型基于合成孔径雷达影像样本,及合成孔径雷达影像样本对应的水体分布信息标签训练得到;所述阴影去除模型基于水体分布信息样本构建函数模型得到。用以解决现有技术中洪水监测方法精度低、效率低和适用性差的缺陷,实现洪水监测的精度、效率及适用性的提高。
Description
技术领域
本发明涉及水文监测技术领域,尤其涉及一种用于洪水监测的山体阴影去除方法及装置。
背景技术
洪涝灾害是世界上最严重的自然灾害之一,每年对全球造成巨大的伤亡与经济损失。近年来,随着全球气候变暖和人类活动加剧,洪涝灾害的频率和强度越来越高。因此,及时准确的对洪涝灾害进行监测,分析洪水的演进趋势对灾害应急管理具有重要意义。
目前,遥感技术凭借着覆盖范围广和重访周期短等优势,其逐渐成为洪水监测的主要手段。根据探测方式的不同,可分为光学遥感监测和雷达遥感监测。然而,由于洪水发生期间通常伴随着云雨等恶劣天气,阻碍了光学遥感卫星的对地观测,从而难以获得清晰无云的光学影像。相反,合成孔径雷达(Synthetic Aperture Radar,SAR)因具有全天时、全天候的工作能力,且其不易受云雨等天气的影响,在洪水监测中发挥着愈来愈重要的作用。
目前,基于合成孔径雷达影像的洪水监测方法主要有阈值法、面向对象法、主动轮廓法和机器学习法。其中,阈值法是最常用的洪水监测方法,虽然其运算速度快、原理简单,但面对图像灰度分布不均匀和洪水区域范围大的情况下,阈值法难以满足精度要求。面向对象法可以利用图像的纹理和形状等特征,尽管取得了较好的效果,但分割和分类的尺度参数取决于经验,需要多次实验才能确定,效率较低。主动轮廓法可以充分利用图像的颜色特征和边缘信息,但图像上斑点噪声以及复杂的计算阻碍了其在大范围洪水监测中的应用,适用性较差。近年来,机器学习方法逐渐应用于合成孔径雷达影像的洪水监测和提取,获得了较高的提取精度。机器学习方法能够充分利用影像的特征信息,训练好的模型可以用于同类型多幅影像,适用于批量处理。因此,在洪水监测的过程中,如何应用机器学习方法去除合成孔径雷达影像中的山体阴影,以提高后续监测的精度和效率,是目前业界亟待解决的重要课题。
发明内容
本发明提供一种用于洪水监测的山体阴影去除方法,用以解决现有技术中洪水监测方法精度低、效率低和适用性差的缺陷,实现洪水监测的精度、效率及适用性的提高。
本发明提供一种用于洪水监测的山体阴影去除方法,包括:
S1:获取合成孔径雷达影像;
S2:将合成孔径雷达影像输入水体识别模型,得到水体分布信息;
S3:将水体分布信息输入阴影去除模型,得到去阴影的水体分布信息;
其中,所述水体识别模型基于合成孔径雷达影像样本,及合成孔径雷达影像样本对应的水体分布信息标签训练得到;
所述阴影去除模型基于水体分布信息样本构建函数模型得到。
根据本发明提供的一种用于洪水监测的山体阴影去除方法,所述水体识别模型基于支持向量机模型,所述支持向量机模型的类型为C_SVC,核函数类型为Linear。
根据本发明提供的一种用于洪水监测的山体阴影去除方法,所述水体识别模型的训练包括:
A1:对合成孔径雷达影像样本进行均值滤波预处理;
A2:通过预处理后的合成孔径雷达影像样本合成三波段影像样本;
A3:以三波段影像样本作为输入,三波段影像样本对应的水体分布信息作为标签,建立水体识别模型的样本集,所述样本集包括训练集和验证集;
A4:通过训练集对水体识别模型进行迭代训练,并通过验证集对比水体识别模型的预测结果,小于预设误差范围则模型收敛,水体识别模型训练完成。
根据本发明提供的一种用于洪水监测的山体阴影去除方法,所述合成孔径雷达影像为Sentine-1双极化数据,所述三波段影像包括VH特征、VV特征和SDWI特征;
所述A2包括:
A2-1:将预处理后的Sentine-1双极化数据中的VH特征和VV特征计算生成SDWI特征;
A2-2:通过VH特征、VV特征和SDWI特征合成三波段影像样本;
所述SDWI特征的计算公式如下:
KSDWI=ln(10×VV×VH)
式中,KSDWI表示波段运算的结果值,VH和VV均表示Sentinel-1双极化数据。
根据本发明提供的一种用于洪水监测的山体阴影去除方法,所述阴影去除模型的构建包括:
B1:从水体分布信息样本中解译出水体样本点和山体阴影点;
B2:提取山体阴影点在高程数据和坡度数据中对应位置的属性值,所述属性值包括对应位置的高度值和坡度值;
B3:根据山体阴影点对应位置的属性值,将水体样本点和山体阴影点绘制在高程坡度的二维空间中;
B4:根据最大阈值和最大坡度的水体样本点构建一次函数,以识别山体阴影;
B5:基于一次函数构建阴影去除模型。
根据本发明提供的一种用于洪水监测的山体阴影去除方法,所述一次函数的公式如下:
y=-0.0324x+59.5059
式中,x表示任意位置的高程值,y表示公式计算的结果值,若y大于输入x处所对应的坡度值,阴影去除模型将此处识别为山体阴影,反之则不是山体阴影。
根据本发明提供的一种用于洪水监测的山体阴影去除方法,在阴影去除模型的构建完成后,还包括:通过精确率系数和Kappa系数评价模型性能;
所述精确率系数和Kappa系数的计算公式如下:
式中,acc表示精确率系数,pe表示偶然一致性误差,kappa表示Kappa系数,TP表示模型预测为水体的真实水体像元数,FP表示模型预测为水体的真实非水体像元数,FN表示模型预测为非水体的真实水体像元数,TN表示模型预测为非水体的真实非水体像元数,k表示样本分类类别数量,N表示样本总数,ai表示每一类的真实样本个数,bi表示模型预测的每一类样本个数。
本发明还提供一种用于洪水监测的山体阴影去除装置,包括:
数据获取模块,用于获取合成孔径雷达影像;
水体识别模块,用于将合成孔径雷达影像输入水体识别模型,得到水体分布信息;
阴影去除模块,用于将水体分布信息输入阴影去除模型,得到去阴影的水体分布信息;
其中,所述水体识别模型基于合成孔径雷达影像样本,及合成孔径雷达影像样本对应的水体分布信息标签训练得到;
所述阴影去除模型基于水体分布信息样本构建函数模型得到。
本发明还提供一种电子设备,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程序时实现如上述任一种所述用于洪水监测的山体阴影去除方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述用于洪水监测的山体阴影去除方法。
本发明提供的一种用于洪水监测的山体阴影去除方法,通过机器学习方法训练水体识别模型,通过函数法构建阴影去除模型。将合成孔径雷达影像样本和对应的水体分布信息分别作为输入和标签,训练水体识别模型,用于从合成孔径雷达影像中提取洪涝水体分布信息。基于水体分布信息样本构建函数模型,从而得到阴影去除模型,用于从洪涝水体提取结果去除山体阴影的干扰。将当前的合成孔径雷达影像依次输入水体识别模型和阴影去除模型,即可得到去除山体阴影的水体分布信息,对其进行定量分析以实现更高精度的洪水监测的效果。考虑到研究区地理范围大、合成孔径雷达影像的噪声影响、洪水场景复杂多样等因素,本发明采用机器学习方法结合函数法去除山体阴影,用以精确监测大范围的洪涝灾害,解决了现有技术中洪水监测方法精度低、效率低和适用性差的缺陷,实现了洪水监测的精度、效率及适用性的提高。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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。
图1是本发明提供的用于洪水监测的山体阴影去除方法的流程示意图;
图2是本发明提供的用于洪水监测的山体阴影去除方法的高程坡度二维空间分布图;
图3是本发明提供的用于洪水监测的山体阴影去除方法的一次函数去除山体阴影的示意图;
图4是本发明提供的用于洪水监测的山体阴影去除装置的结构示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
下面结合图1-图3描述本发明第一实施例的用于洪水监测的山体阴影去除方法。
如图1所示,本实施例的一种用于洪水监测的山体阴影去除方法,具体包括以下步骤(本发明对各步骤的编号仅做步骤区分作用,不限制各步骤的具体执行顺序):
S1:获取合成孔径雷达影像。
谷歌地球引擎(Google Earth Engine,GEE)是一个专门处理遥感影像的云计算平台,其存储了近40年来主要开放获取的遥感影像数据集,如Landsat、Sentinel、Modis系列数据等。本实施例中的合成孔径雷达影像为在GEE云平台上选择成像时间跨度三个月的Sentine-1影像,成像时间囊括了整个洪涝灾害阶段,总共有320幅合成孔径雷达影像。对于更大范围的洪涝灾害,也可以结合GF-3影像实现更好的监测效果。
S2:将合成孔径雷达影像输入水体识别模型,得到水体分布信息。
以长江中下游流地区为例,将研究区的合成孔径雷达影像输入到训练好的水体识别模型进行预测和识别,从而得到长江中下游流域洪涝灾害期间的水体分布信息。
S3:将水体分布信息输入阴影去除模型,得到去阴影的水体分布信息。
随后将水体分布信息输入到阴影去除模型中,去除山体阴影的干扰,从而得到去除山体阴影后的水体分布信息。对去阴影的水体分布信息进行定量分析,即可实现洪水的监测效果。
其中,所述水体识别模型基于合成孔径雷达影像样本,及合成孔径雷达影像样本对应的水体分布信息标签训练得到。
所述阴影去除模型基于水体分布信息样本构建函数模型得到。
本发明提供的一种用于洪水监测的山体阴影去除方法,通过机器学习方法训练水体识别模型,通过函数法构建阴影去除模型。将合成孔径雷达影像样本和对应的水体分布信息分别作为输入和标签,训练水体识别模型,用于从合成孔径雷达影像中提取洪涝水体分布信息。基于水体分布信息样本构建函数模型,从而得到阴影去除模型,用于从洪涝水体提取结果去除山体阴影的干扰。将当前的合成孔径雷达影像依次输入水体识别模型和阴影去除模型,即可得到去除山体阴影的水体分布信息,对其进行定量分析以实现更高精度的洪水监测的效果。考虑到研究区地理范围大、合成孔径雷达影像的噪声影响、洪水场景复杂多样等因素,本发明采用机器学习方法结合函数法去除山体阴影,用以精确监测大范围的洪涝灾害,解决了现有技术中洪水监测方法精度低、效率低和适用性差的缺陷,实现了洪水监测的精度、效率及适用性的提高。
本实施例中,所述水体识别模型基于支持向量机模型,所述支持向量机模型的类型为C_SVC,核函数类型为Linear。
支持向量机(Support Vector Machine,SVM)是一种二分类模型,适用于本发明中对于水体识别的分类问题的处理。其中,支持向量机模型的类型为C_SVC(C_SVM forClassification),参数C为目标函数的惩罚系数,用于平衡分类间隔和错分样本。支持向量机模型的核函数类型为线性核函数Linear,主要用于线性可分的情况,对于本发明中三波段的训练样本线性可分,线性核函数Linear在保证模型精度高的情况下,模型运行效率高。
本实施例中,所述水体识别模型的训练包括:
A1:对合成孔径雷达影像样本进行均值滤波预处理。
对Sentine-1影像做均值滤波预处理,其中滤波窗口的像素尺寸设置为3×3,从而抑制影像上的斑点噪声。预处理后,得到研究区10米分辨率的后向散射图。
A2:通过预处理后的合成孔径雷达影像样本合成三波段影像样本。
A3:以三波段影像样本作为输入,三波段影像样本对应的水体分布信息作为标签,建立水体识别模型的样本集,所述样本集包括训练集和验证集。
本发明采用支持向量机模型提取洪涝灾害期间的水体分布,而支持向量机模型能否准确预测,依赖于样本数据集的构建。因此,本实施例中以三波段影像样本作为输入,三波段影像样本对应的水体分布信息作为标签,建立了70000个样本集,包括50000个训练集和20000个测试集,其中训练集包括14423个水体样本和35577个非水体样本,测试集包括8842个水体样本和11158个非水体样本,样本集中包含了水体样本和非水体样本,有利于提高模型训练的识别准确度。样本集来自6个地理区域和不同时像,从而保证了模型的健壮性和泛化性。
A4:通过训练集对水体识别模型进行迭代训练,并通过验证集对比水体识别模型的预测结果,小于预设误差范围则模型收敛,水体识别模型训练完成。
三波段影像样本作为输入,对应的水体分布信息作为标签。在模型训练的图像识别过程中,判断对应样本是否为水体,若是水体,标签则为1,若是非水体,标签则为0。通过让训练好的模型判断影像的像元是否是水体,从而进行预测。
将训练集和样本集分别输入到支持向量机模型中进行训练。通过多次实验,最终得到了合适的训练参数,即支持向量机模型的类型为C_SVC,核函数类型为Linear。模型经过迭代训练,小于预设误差范围则模型收敛,水体识别模型训练完成。
本实施例中,所述合成孔径雷达影像为Sentine-1双极化数据,所述三波段影像包括VH特征、VV特征和SDWI特征。
合成孔径雷达影像预处理完成后,接着将Sentinel-1双极化数据和衍生得来的SDWI特征叠加合成新的三波段影像。VH和VV是合成孔径雷达影像的极化方式,VH为交叉极化,VV为同向极化。在雷达成像领域中,利用不同电磁波不同的极化方式,能够获取更丰富的遥感信息。由于训练样本在VH和VV极化方式组成的二维空间上难以区分,考虑到Sentinel-1的极化数据有限,本发明引入SDWI特征来丰富数据特征。
所述A2包括:
A2-1:将预处理后的Sentine-1双极化数据中的VH特征和VV特征计算生成SDWI特征。
A2-2:通过VH特征、VV特征和SDWI特征合成三波段影像样本。
首先利用预处理后的Sentinel-1双极化数据构建SDWI特征,随后通过VH特征、VV特征和SDWI特征合成三波段影像样本,最终将带有VH-VV-SDWI特征信息的训练样本输入到支持向量机模型中进行训练。
所述SDWI特征的计算公式如下:
KSDWI=ln(10×VV×VH)
式中,KSDWI表示波段运算的结果值,VH和VV均表示Sentinel-1双极化数据。SDWI特征参考借鉴了植被指数NDWI,其利用Sentinel-1双极化数据之间的波段运算来增强水体信息,取得了较好的水体信息提取效果。
本实施例中,所述阴影去除模型的构建包括:
B1:从水体分布信息样本中解译出水体样本点和山体阴影点。
本发明在获得长江中下游流域洪涝灾害期间的水体分布信息后,借助研究区的数字高程模型(Digital Elevation Model,DEM)的高程数据和衍生得来的坡度数据(slope)构建山体阴影的二维空间分布,从而去除山体阴影的影响。
首先,在Sentinel-1影像的辅助下,从水体提取分布图中解译出若干个水体样本点和山体阴影点。
B2:提取山体阴影点在高程数据和坡度数据中对应位置的属性值,所述属性值包括对应位置的高度值和坡度值。
之后,从高程数据和坡度数据中提取出山体阴影点对应位置的属性值。
B3:根据山体阴影点对应位置的属性值,将水体样本点和山体阴影点绘制在高程坡度的二维空间中。
随后,将山体阴影点和水体样本点绘制在高程和坡度的二维空间中,如图2所示,可以看出,水体和山体阴影样本在高程坡度二维空间中存在可分性。
B4:根据最大阈值和最大坡度的水体样本点构建一次函数,以识别山体阴影。
B5:基于一次函数构建阴影去除模型
本发明基于函数法,根据最大阈值和最大坡度的水体样本点构建一次函数,基于一次函数构建阴影去除模型,将一次函数模型应用到所有水体分布图中,从而得到去除山体阴影后的水体分布图,相较于现有方法,阴影识别率有明显提升。
本实施例中,所述一次函数的公式如下:
y=-0.0324x+59.5059
式中,x表示任意位置的高程值,y表示公式计算的结果值,若y大于输入x处所对应的坡度值,阴影去除模型将此处识别为山体阴影,反之则不是山体阴影。
如图3所示,根据最大阈值和最大坡度的水体样本点,在高程坡度二维空间分布图中构建一次函数y=-0.0324x+59.5059,通过函数法去除山体阴影,从而得到去除山体阴影后的水体分布图。通过以上方式,在本实施例中相比于现有手段常用的阈值法,其阴影识别率有明显提高,从而带来更好的阴影去除效果,本发明的阴影去除模型所采用的函数法与其他方法的效果比较如表1所示:
表1去除山体阴影方法效果比较表
方法1-3是阈值法。方法1中的阈值确定是根据水体样本的最大高程和最大坡度确定的,将最大阈值应用到山体阴影样本中,其能够去除0.706%的山体阴影样本。方法2中的阈值确定是根据水体样本的高程和坡度值从低到高排列至99%比例所确定,阴影识别率达到70.54%。同理,方法3的阈值比例是99.5%,其阴影识别率为55.94%。方法4的函数法的阴影识别率达到75.46%,从而本发明选择方法4构建的一次函数模型去除山体阴影。
本实施例中,在阴影去除模型的构建完成后,还包括:通过精确率系数和Kappa系数评价模型性能。
所述精确率系数和Kappa系数的计算公式如下:
式中,acc表示精确率系数,pe表示偶然一致性误差,kappa表示Kappa系数,TP表示模型预测为水体的真实水体像元数,FP表示模型预测为水体的真实非水体像元数,FN表示模型预测为非水体的真实水体像元数,TN表示模型预测为非水体的真实非水体像元数,k表示样本分类类别数量,N表示样本总数,ai表示每一类的真实样本个数,bi表示模型预测的每一类样本个数。
为了检验本发明的阴影去除模型对洪水监测能力的提高有多大,此处从研究定量的角度分析该方法。本发明选择精准率系数(Accuracy,acc)和Kappa系数两个指标来定量评价阴影去除模型的性能。其中精准率表示被正确分类的像元数占总像元数的比例,其计算简单,通常以百分数表示,值越高,模型的性能越好,但由于分类过程中各类的样本数量不均衡,精准率高不能表明每一类别的分类准确程度。而Kappa系数是衡量模型性能的综合评价指标,更具有参考性,其范围在-1到1之间,值越高,表示模型预测的效果越好。其中,pe表示偶然一致性误差,由于实际分类过程中,各类的样本数量不平衡,精确率系数很高,但实际分类效果并不好,因此pe的引入是为了解决由于样本不平衡带来的精度“偏向”问题。
本实施例选择了一个像素尺寸为1319×2058的地理区域的合成孔径雷达影像来定量评估阴影去除模型的效果。所选区域位于长江中下游流域的西部,在图中随机生成了5000个点,对所选区域的阴影去除模型进行定量评估,将去除山体阴影前后的水体结果与实际水体进行比较。在去除山体阴影之前,所选区域的精确率系数和Kappa系数分别为93.06%和0.9173。通过阴影去除模型去除山体阴影后的水体分布信息,其精确率系数和Kappa系数分别为95%和0.9315,分别提高了1.94%和0.0142。可以看出,该函数模型对提高洪水监测能力是有用的。
下面对本发明提供的用于洪水监测的山体阴影去除装置进行描述,下文描述的用于洪水监测的山体阴影去除装置与上文描述的用于洪水监测的山体阴影去除方法可相互对应参照。
如图4所示,本发明第二实施例还提供一种用于洪水监测的山体阴影去除装置,包括:
数据获取模块410,用于获取合成孔径雷达影像。
水体识别模块420,用于将合成孔径雷达影像输入水体识别模型,得到水体分布信息。
阴影去除模块430,用于将水体分布信息输入阴影去除模型,得到去阴影的水体分布信息。
其中,所述水体识别模型基于合成孔径雷达影像样本,及合成孔径雷达影像样本对应的水体分布信息标签训练得到。
所述阴影去除模型基于水体分布信息样本构建函数模型得到。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行用于洪水监测的山体阴影去除方法,该方法包括:
S1:获取合成孔径雷达影像。
S2:将合成孔径雷达影像输入水体识别模型,得到水体分布信息。
S3:将水体分布信息输入阴影去除模型,得到去阴影的水体分布信息。
其中,所述水体识别模型基于合成孔径雷达影像样本,及合成孔径雷达影像样本对应的水体分布信息标签训练得到。
所述阴影去除模型基于水体分布信息样本构建函数模型得到。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明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,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的用于洪水监测的山体阴影去除方法,该方法包括:
S1:获取合成孔径雷达影像。
S2:将合成孔径雷达影像输入水体识别模型,得到水体分布信息。
S3:将水体分布信息输入阴影去除模型,得到去阴影的水体分布信息。
其中,所述水体识别模型基于合成孔径雷达影像样本,及合成孔径雷达影像样本对应的水体分布信息标签训练得到。
所述阴影去除模型基于水体分布信息样本构建函数模型得到。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的用于洪水监测的山体阴影去除方法,该方法包括:
S1:获取合成孔径雷达影像。
S2:将合成孔径雷达影像输入水体识别模型,得到水体分布信息。
S3:将水体分布信息输入阴影去除模型,得到去阴影的水体分布信息。
其中,所述水体识别模型基于合成孔径雷达影像样本,及合成孔径雷达影像样本对应的水体分布信息标签训练得到。
所述阴影去除模型基于水体分布信息样本构建函数模型得到。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用于洪水监测的山体阴影去除方法,其特征在于,包括:
S1:获取合成孔径雷达影像;
S2:将合成孔径雷达影像输入水体识别模型,得到水体分布信息;
S3:将水体分布信息输入阴影去除模型,得到去阴影的水体分布信息;
其中,所述水体识别模型基于合成孔径雷达影像样本,及合成孔径雷达影像样本对应的水体分布信息标签训练得到;
所述阴影去除模型基于水体分布信息样本构建函数模型得到。
2.根据权利要求1所述的用于洪水监测的山体阴影去除方法,其特征在于,所述水体识别模型基于支持向量机模型,所述支持向量机模型的类型为C_SVC,核函数类型为Linear。
3.根据权利要求2所述的用于洪水监测的山体阴影去除方法,其特征在于,所述水体识别模型的训练包括:
A1:对合成孔径雷达影像样本进行均值滤波预处理;
A2:通过预处理后的合成孔径雷达影像样本合成三波段影像样本;
A3:以三波段影像样本作为输入,三波段影像样本对应的水体分布信息作为标签,建立水体识别模型的样本集,所述样本集包括训练集和验证集;
A4:通过训练集对水体识别模型进行迭代训练,并通过验证集对比水体识别模型的预测结果,小于预设误差范围则模型收敛,水体识别模型训练完成。
4.根据权利要求3所述的用于洪水监测的山体阴影去除方法,其特征在于,所述合成孔径雷达影像为Sentine-1双极化数据,所述三波段影像包括VH特征、VV特征和SDWI特征;
所述A2包括:
A2-1:将预处理后的Sentine-1双极化数据中的VH特征和VV特征计算生成SDWI特征;
A2-2:通过VH特征、VV特征和SDWI特征合成三波段影像样本;
所述SDWI特征的计算公式如下:
KSDWI=ln(10×VV×VH)
式中,KSDWI表示波段运算的结果值,VH和VV均表示Sentinel-1双极化数据。
5.根据权利要求1~4中任一项所述的用于洪水监测的山体阴影去除方法,其特征在于,所述阴影去除模型的构建包括:
B1:从水体分布信息样本中解译出水体样本点和山体阴影点;
B2:提取山体阴影点在高程数据和坡度数据中对应位置的属性值,所述属性值包括对应位置的高度值和坡度值;
B3:根据山体阴影点对应位置的属性值,将水体样本点和山体阴影点绘制在高程坡度的二维空间中;
B4:根据最大阈值和最大坡度的水体样本点构建一次函数,以识别山体阴影;
B5:基于一次函数构建阴影去除模型。
6.根据权利要求5所述的用于洪水监测的山体阴影去除方法,其特征在于,所述一次函数的公式如下:
y=-0.0324x+59.5059
式中,x表示任意位置的高程值,y表示公式计算的结果值,若y大于输入x处所对应的坡度值,阴影去除模型将此处识别为山体阴影,反之则不是山体阴影。
8.一种用于洪水监测的山体阴影去除装置,其特征在于,包括:
数据获取模块,用于获取合成孔径雷达影像;
水体识别模块,用于将合成孔径雷达影像输入水体识别模型,得到水体分布信息;
阴影去除模块,用于将水体分布信息输入阴影去除模型,得到去阴影的水体分布信息;
其中,所述水体识别模型基于合成孔径雷达影像样本,及合成孔径雷达影像样本对应的水体分布信息标签训练得到;
所述阴影去除模型基于水体分布信息样本构建函数模型得到。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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程序时实现如权利要求1至7任一项所述用于洪水监测的山体阴影去除方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述用于洪水监测的山体阴影去除方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310101414.2A CN116167936A (zh) | 2023-01-18 | 2023-01-18 | 一种用于洪水监测的山体阴影去除方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310101414.2A CN116167936A (zh) | 2023-01-18 | 2023-01-18 | 一种用于洪水监测的山体阴影去除方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116167936A true CN116167936A (zh) | 2023-05-26 |
Family
ID=86417806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310101414.2A Pending CN116167936A (zh) | 2023-01-18 | 2023-01-18 | 一种用于洪水监测的山体阴影去除方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167936A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252789A (zh) * | 2023-11-10 | 2023-12-19 | 中国科学院空天信息创新研究院 | 高分辨率遥感影像阴影重建方法、装置及电子设备 |
-
2023
- 2023-01-18 CN CN202310101414.2A patent/CN116167936A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252789A (zh) * | 2023-11-10 | 2023-12-19 | 中国科学院空天信息创新研究院 | 高分辨率遥感影像阴影重建方法、装置及电子设备 |
CN117252789B (zh) * | 2023-11-10 | 2024-02-02 | 中国科学院空天信息创新研究院 | 高分辨率遥感影像阴影重建方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738124B (zh) | 基于Gabor变换和注意力的遥感图像云检测方法 | |
CN110472525B (zh) | 一种时间序列遥感植被指数的噪声检测方法 | |
CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN113989662B (zh) | 一种基于自监督机制的遥感图像细粒度目标识别方法 | |
CN107169492B (zh) | 基于fcn-crf主从网络的极化sar目标检测方法 | |
Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN109389062A (zh) | 利用高分辨率星载sar图像提取湖泊水陆分割线的方法 | |
CN107784655A (zh) | 一种自适应阈值的视觉注意模型sar舰船检测算法 | |
CN116012364B (zh) | Sar图像变化检测方法和装置 | |
CN112949550A (zh) | 一种基于深度学习的水体识别方法、系统和介质 | |
CN114119642A (zh) | 洪涝灾害水体提取方法及装置、设备和存储介质 | |
CN116167936A (zh) | 一种用于洪水监测的山体阴影去除方法及装置 | |
CN113657449A (zh) | 一种含噪标注数据的中医舌象腐腻分类方法 | |
CN114067152B (zh) | 一种基于星载sar影像的精细化洪水淹没区提取方法 | |
CN116206203B (zh) | 基于SAR与Dual-EndNet的溢油检测方法 | |
CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
CN107358162B (zh) | 基于深度堆栈网络的极化sar影像变化检测方法 | |
CN116912582A (zh) | 一种基于表征模型的强鲁棒性高光谱目标检测方法 | |
CN113887656B (zh) | 一种联合深度学习与稀疏表示的高光谱图像分类方法 | |
CN113591740B (zh) | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 | |
CN113822361B (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 | |
CN115223033A (zh) | 一种合成孔径声呐图像目标分类方法及系统 | |
CN113361403A (zh) | 改进的基于ndfi洪水提取方法、系统、终端及应用 |
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 |