CN116630426A - 一种洪涝淹没区提取方法及系统 - Google Patents
一种洪涝淹没区提取方法及系统 Download PDFInfo
- Publication number
- CN116630426A CN116630426A CN202310897110.1A CN202310897110A CN116630426A CN 116630426 A CN116630426 A CN 116630426A CN 202310897110 A CN202310897110 A CN 202310897110A CN 116630426 A CN116630426 A CN 116630426A
- Authority
- CN
- China
- Prior art keywords
- data
- sar
- image data
- sar image
- flood
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000003064 k means clustering Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 50
- 230000011218 segmentation Effects 0.000 claims description 26
- 230000014509 gene expression Effects 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 230000005855 radiation Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 7
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 6
- 230000000295 complement effect Effects 0.000 abstract description 4
- 238000003384 imaging method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002902 bimodal effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000003809 water extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明涉及遥感图像处理技术领域,解决了传统淹没区提取方法精度不足的技术问题,尤其涉及一种洪涝淹没区提取方法及系统,该提取方法包括以下步骤:S1、获取某一区域在洪涝灾害发生前期和后期的SAR影像数据;S2、对SAR影像数据预处理并计算得到后向散射系数,预处理包括对SAR影像数据几何校正、滤波处理和辐射定标;S3、计算SAR影像数据的灰度共生矩阵,并提取与其相对应的SAR纹理特征。本发明通过利用不同数据源的互补信息,并将纹理特征和DEM数据与K‑means聚类算法结合起来,能够有效解决传统淹没区提取方法精度不足的缺点,从而改善洪涝淹没区提取的准确性和鲁棒性。
Description
技术领域
本发明涉及遥感图像处理技术领域,尤其涉及一种洪涝淹没区提取方法及系统。
背景技术
台风洪涝监测的前提条件就是洪涝发生时对受灾地区水体的识别,及时有效的获取洪水范围有利于对洪涝灾情进行分析,微波遥感是一种可靠的替代勘测技术,可以在任何天气条件下全天工作,并能够在台风洪水期间提供重要的地表信息。阈值法是最常见的水体提取算法,它是根据在SAR影像中设定一个后向散射系数阈值来区分水体与非水体,因为水体的后向散射系数远低于SAR影像中其他物体。
然而,阈值的设定容易受到人主观性的影响,并且可能随时间和空间的变化而变化。目前的自动阈值分割方法包括OTSU方法和熵阈值方法。几乎所有的阈值方法都是根据SAR影像中的双峰直方图来寻找最佳阈值;当影像中的水体比例最小时,直方图不能显示双峰形状,这表明水体特征将受到背景的极大影响,最终导致不满意的水体提取结果。
现有的台风洪涝淹没区提取方法存在诸多的不足,传统的遥感洪涝灾害监测方法大都基于阈值分割、波段运算等方法提取遥感影像中灾害损失信息,但是这些简单的算法不能满足高精度的灾害损失识别从而应用在洪涝监测上,此外,阈值的科学设定、异物同谱和同物异谱等问题限制了传统方法的有效应用。
发明内容
针对现有技术的不足,本发明提供了一种洪涝淹没区提取方法及系统,通过利用不同数据源的互补信息,并将纹理特征和DEM数据与K-means聚类算法结合起来,有效解决了传统淹没区提取方法精度不足的缺点。
为解决上述技术问题,本发明提供了如下技术方案:一种洪涝淹没区提取方法,该方法包括以下步骤:
S1、获取某一区域在洪涝灾害发生前期和后期的SAR影像数据;
S2、对SAR影像数据预处理并计算得到后向散射系数,预处理包括对SAR影像数据几何校正、滤波处理和辐射定标;
S3、计算SAR影像数据的灰度共生矩阵,并提取与其相对应的SAR纹理特征,SAR纹理特征包括熵en、均匀性hom、角二阶矩ASM和差异性dis;
S4、获取包含山体信息的DEM数据;
S5、采用K-means聚类算法根据后向散射系数、SAR纹理特征和DEM数据进行水陆分割生成水陆分割结果;
S6、通过形态学运算处理对水陆分割结果进行优化,得到洪涝灾害发生前期和后期SAR影像数据的水体提取结果;
S7、采用变化检测法对洪涝灾害发生前期和后期的水体提取结果进行变化检测,获得洪涝灾害淹没区。
进一步地,在步骤S2中,几何校正通过多项式系数RPC进行校正,其表达式为:
;
上式中,和/>是SAR影像数据中像点的坐标(x,y)和地面物点坐标(X,Y,Z)在经过平移和缩放等一系列操作处理后获得的标准化坐标值,/>为对像点标准化后获得的该像点的行、列号,/>表示选取的不同多项式。
进一步地,在步骤S2中,SAR影像中相干斑噪声通过Lee滤波去除,滤波公式为:
;
上式中,是待求滤波后的图像的像素值,/>为SAR影像数据中原图像的像素值,u为窗口的均值,w可通过窗口以及整幅图像标准差系数计算得到。
进一步地,在步骤S2中,辐射定标可通过如下公式完成:
;
上式中,为像元i和j处的强度值,/>表示外部校准因子,/>为一个常量,c的取值为32767。
进一步地,在步骤S3中,熵en的表达式为:
;
均匀性hom的表达式为:
;
角二阶矩ASM的表达式为:
;
差异性dis的表达式为:
;
上式中,为图像量化后的灰度级别,/>为对灰度共生矩阵进行归一化处理;
;
上式中,为灰度共生矩阵中像素对出现的次数。
该技术方案还提供了一种用于实现上述洪涝淹没区提取方法的系统,该系统包括:
数据提取模块,数据提取模块用于读取不同的SAR影像数据及对应的辅助数据;
数据预处理模块,数据预处理模块用于将读取的SAR影像数据进行预处理并用于后续的SAR纹理特征提取和水陆分割;
纹理特征提取模块用于根据预处理后的后向散射系数计算其SAR纹理特征;
水陆分割模块,基于后向散射系数、SAR纹理特征及DEM数据,通过K-means聚类和形态学操作,实现对水体和陆地区域的准确分割;
对比检测模块,对比检测模块用于对灾害前后SAR影像数据水陆分割结果进行对比分析,准确识别洪涝灾害引起的水体变化;
绘图模块,绘图模块用于将需要展示的数据或者过程参数绘制在经纬度坐标系的图中。
进一步地,数据预处理模块包括:
数据插值单元,数据插值单元用于根据灾害前后SAR影像数据的覆盖区域,截取出相同覆盖范围的经纬度参数,根据该参数并结合需求的空间分辨率进行插值;
几何校正单元,输入数据插值结果,将像素坐标转换为地理坐标,使得遥感影像在地理空间上具有准确的位置和几何信息;
滤波单元,输入几何校正结果,利用Lee滤波器去除SAR影像数据中的相干斑噪声;
辐射定标单元,输入滤波结果,利用辐射定标公式将强度信息转为后向散射系数;
数据集生产单元,数据集生产单元用于将经过预处理的SAR影像数据制作成数据集,作为后面模块的输入。
进一步地,水陆分割模块包括:
分类单元,输入后向散射系数、SAR纹理特征、DEM数据,利用K-means聚类算法进行分类,提取水体信息;
形态学运算单元,输入水体提取结果,通过膨胀、腐蚀运算进行处理。
借由上述技术方案,本发明提供了一种洪涝淹没区提取方法及系统,至少具备以下有益效果:
1、本发明通过将纹理特征和DEM数据结合带入K-means聚类算法中进行水陆分割,有效去除了山体阴影的影响,提高了水陆分割精度。
2、本发明通过利用不同数据源的互补信息,并将纹理特征和DEM数据与K-means聚类算法结合起来,能够有效解决传统淹没区提取方法精度不足的缺点,从而改善洪涝淹没区提取的准确性和鲁棒性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明洪涝淹没区提取方法的流程图;
图2为本发明水陆分割的结果示意图;
图3为本发明洪涝灾害淹没区域提取结果的示意图;
图4为本发明洪涝淹没区提取系统的结构框图。
具体实施方式
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。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,因此,本申请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,本申请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。
请参照图1-图4,示出了本实施例的一种具体实施方式,本实施例通过利用不同数据源的互补信息,并将纹理特征和DEM数据与K-means聚类算法结合起来,能够有效解决传统淹没区提取方法精度不足的缺点,从而改善洪涝淹没区提取的准确性和鲁棒性。
请参照图1,本实施例提出了一种洪涝淹没区提取方法,该方法包括以下步骤:
S1、获取某一区域在洪涝灾害发生前期和后期的SAR影像数据;本实施例所使用的SAR影像数据是高分3号的精细条带1(FSI)和超精细条带模式(UFS)的L1A级数据。这两种成像方式都属于条带模式,即卫星采用固定波束成像,天线在距离向和方位向的波束指向在成像过程中不作调整,实现固定波位的连续成像,这两种成像模式的分辨率均在10米以内,可较为清晰的观测水陆分界线。
S2、对SAR影像数据预处理并计算得到后向散射系数,预处理包括对SAR影像数据几何校正、滤波处理和辐射定标,在本实施例中,辐射定标即为后向散射系数;
其中,几何校正通过多项式系数RPC进行校正,其表达式为:
;
上式中,和/>是SAR影像数据中像点的坐标(x,y)和地面物点坐标(X,Y,Z)在经过平移和缩放等一系列操作处理后获得的标准化坐标值,/>为对像点标准化后获得的该像点的行、列号,/>表示选取的不同多项式。
SAR影像中相干斑噪声通过Lee滤波去除,滤波公式为:
;
上式中,是待求滤波后的图像的像素值,/>为SAR影像数据中原图像的像素值,u为窗口的均值,w可通过窗口以及整幅图像标准差系数计算得到。
对于后向散射系数可通过计算辐射定标得到,因此后向反射系数可通过如下公式完成:
;
上式中,为辐射定标,即后向散射系数,/>为像元i和j处的强度值,/>表示外部校准因子,/>为一个常量,对于L1A级产品,c为32767,对于L1B/L2级产品,c为65535,这里用的L1A级产品,所以c的取值为32767。
S3、计算SAR影像数据的灰度共生矩阵,并提取与其相对应的SAR纹理特征,SAR纹理特征包括熵en、均匀性hom、角二阶矩ASM和差异性dis,表达式分别为:
熵en的表达式为:
;
均匀性hom的表达式为:
;
角二阶矩ASM的表达式为:
;
差异性dis的表达式为:
;
上式中,为图像量化后的灰度级别,/>为对灰度共生矩阵进行归一化处理;
;
上式中,为灰度共生矩阵中像素对出现的次数。
灰度共生矩阵是一种基于统计的纹理特征提取方法,描述图像中某像素在特定区域与其一定距离内的相邻像素的灰度关系矩阵,反应图像中像素对的联合分布概率,可以表示如下:
;
其中,表示像素对出现在方向角/>上的次数,其中像素对的灰度值分别为i和j,i,j=0,1,2,…,L-1,L是量化灰度级数,d是像素对的间隔距离,/>是像素在整个图像中的相对坐标,/>和/>分别是水平和垂直偏移,/>和/>分别是图像的列数和行数,/>是位移过程中的方向角,一般取0°、45°、135°、180°。
在计算得到灰度共生矩阵之后,再使用基于该矩阵的反映各种纹理指标的统计量作为特征。
S4、获取包含山体信息的DEM数据,DEM数据为该地区的数字高程模型数据,是DTM中最基本的部分,它是对地球表面地形地貌的一种离散的数学表达,具有表达的多样性,容易以多种形式显示地形信息,而对于DEM数据的获取可直接从公开数据库中得到,因此不再做详细赘述。
S5、采用K-means聚类算法根据后向散射系数、SAR纹理特征和DEM数据进行水陆分割生成水陆分割结果;在将后向散射系数、SAR纹理特征和DEM数据带入K-means聚类算法中,用以对SAR影像数据的各种图像进行分类,本实施例中分为4类,分别为水体、山体、平原陆地和高楼大厦,分类结束后提取出水体信息,并利用形态学运算对分割结果进行优化,如图2所示,为基于SAR影像的水陆分割结果,矩形框所示的区域为主要的淹没区域。
在本实施例中,K-means聚类算法的相关公式定义为:K-means算法一般使用欧氏距离来衡量两个样本之间的相似度。
在本实施例中,采用K-means聚类算法进行水陆分割主要为:假设数据集D有n个m维样本,则任意两个样本和/>的距公式如下:
;
则,K-means算法的质心迭代计算公式如下:
;
上式中,表示第i个划分簇,/>是i个簇中包含的样本总数。
算法可以设置为迭代T次后终止,但是一般使用误差平方和标准函数SSE,当误差平方和小于允许误差时,算法结束。
SSE定义如下:
;
若将样本划分为k类,则是第i个簇的质心,/>是簇i中第j个样本,/>是该簇中样本到质心的距离。还可以使用迭代过程中质心变化差值CPD判断算法是否结束,公式定义如下:
;
上式中,是第i个簇上一代质心位置,/>为当前的质心位置,/>是该簇中两代质心的欧氏距离,若CPD满足误差要求,则算法结束。
S6、通过形态学运算处理对水陆分割结果进行优化,得到洪涝灾害发生前期和后期SAR影像数据的水体提取结果,形态学运算处理包括对水陆分割结果进行腐蚀运算和膨胀运算等,以去除噪声、填充小的空洞,进一步提升洪涝淹没区提取的准确性和可靠性。
腐蚀运算:
在灰度图像中原始图像f被结构元素b腐蚀的定义为:
;
式中,表示原始图像f的定义域;Db表示结构元素b的定义域;f(s+x,t+y)表示结构元素b在图像f上滑动。
膨胀运算:
灰度图像中,原始图像f被结构元素b膨胀的定义式为:
;
式中,表示原始图像f的定义域;Db表示结构元素b的定义域;f(s+x,t+y)表示结构元素b在图像f上滑动。
S7、采用变化检测法对洪涝灾害发生前期和后期的水体提取结果进行变化检测,获得洪涝灾害淹没区,对洪涝灾害发生前期和后期的水体提取结果进行比较和分析,根据前后的变化进行增减,以确定洪涝淹没区域,并且在提取了正确的水体结果后,通过对灾害前后的水体结果进行对比分析便可提取洪涝淹没区域。如图3所示,图中左侧被围起来的区域便为所提取的淹没区域。
本实施例通过将纹理特征和DEM数据结合带入K-means聚类算法中进行水陆分割,有效去除了山体阴影的影响,提高了水陆分割精度,从而改善洪涝淹没区提取的准确性和鲁棒性。
与上述实施例提供的洪涝淹没区提取方法相对应,本实施例还提供洪涝淹没区提取方法的系统,由于本实施例提供的洪涝淹没区提取系统与上述实施例提供的洪涝淹没区提取方法相对应,因此前述洪涝淹没区提取方法的实施方式也适用于本实施例提供的洪涝淹没区提取系统,在本实施例中不再详细描述。
请参阅图4,其所示为本实施例提供的洪涝淹没区提取系统的结构框图,该洪涝淹没区提取系统包括:数据提取模块、数据预处理模块、纹理特征提取模块、水陆分割模块、对比检测模块和绘图模块;
数据提取模块用于读取不同的SAR影像数据及对应的辅助数据;数据预处理模块用于将读取的SAR影像数据进行预处理并用于后续的SAR纹理特征提取和水陆分割;纹理特征提取模块用于根据预处理后的后向散射系数计算其SAR纹理特征;水陆分割模块,基于后向散射系数、SAR纹理特征及DEM数据,通过K-means聚类和形态学操作,实现对水体和陆地区域的准确分割;
对比检测模块用于对灾害前后SAR影像数据水陆分割结果进行对比分析,准确识别洪涝灾害引起的水体变化;绘图模块用于将需要展示的数据或者过程参数绘制在经纬度坐标系的图中。
其中,数据预处理模块包括:数据插值单元、几何校正单元、滤波单元、辐射定标单元和数据集生产单元;
数据插值单元用于根据灾害前后SAR影像数据的覆盖区域,截取出相同覆盖范围的经纬度参数,根据该参数并结合需求的空间分辨率进行插值;
几何校正单元,输入数据插值结果,将像素坐标转换为地理坐标,使得遥感影像在地理空间上具有准确的位置和几何信息;
滤波单元,输入几何校正结果,利用Lee滤波器去除SAR影像数据中的相干斑噪声;辐射定标单元,输入滤波结果,利用辐射定标公式将强度信息转为后向散射系数;数据集生产单元用于将经过预处理的SAR影像数据制作成数据集,作为后面模块的输入。
水陆分割模块包括:分类单元和形态学运算单元;
分类单元,输入后向散射系数、SAR纹理特征、DEM数据,利用K-means聚类算法进行分类,提取水体信息;形态学运算单元,输入水体提取结果,通过膨胀、腐蚀运算进行处理。
需要说明的是,上述实施例提供的系统,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的系统与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
以上实施方式对本发明进行了详细介绍,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方法及其核心思想;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 (8)
1.一种洪涝淹没区提取方法,其特征在于,该方法包括以下步骤:
S1、获取某一区域在洪涝灾害发生前期和后期的SAR影像数据;
S2、对SAR影像数据预处理并计算得到后向散射系数,预处理包括对SAR影像数据几何校正、滤波处理和辐射定标;
S3、计算SAR影像数据的灰度共生矩阵,并提取与其相对应的SAR纹理特征,SAR纹理特征包括熵en、均匀性hom、角二阶矩ASM和差异性dis;
S4、获取包含山体信息的DEM数据;
S5、采用K-means聚类算法根据后向散射系数、SAR纹理特征和DEM数据进行水陆分割生成水陆分割结果;
S6、通过形态学运算处理对水陆分割结果进行优化,得到洪涝灾害发生前期和后期SAR影像数据的水体提取结果;
S7、采用变化检测法对洪涝灾害发生前期和后期的水体提取结果进行变化检测,获得洪涝灾害淹没区。
2.根据权利要求1所述的洪涝淹没区提取方法,其特征在于,在步骤S2中,几何校正通过多项式系数RPC进行校正,其表达式为:
;
上式中,和/>是SAR影像数据中像点的坐标(x,y)和地面物点坐标(X,Y,Z)在经过平移和缩放等一系列操作处理后获得的标准化坐标值,/>为对像点标准化后获得的该像点的行、列号,/>表示选取的不同多项式。
3.根据权利要求1所述的洪涝淹没区提取方法,其特征在于,在步骤S2中,SAR影像中相干斑噪声通过Lee滤波去除,滤波公式为:
;
上式中,是待求滤波后的图像的像素值,/>为SAR影像数据中原图像的像素值,u为窗口的均值,w可通过窗口以及整幅图像标准差系数计算得到。
4.根据权利要求1所述的洪涝淹没区提取方法,其特征在于,在步骤S2中,辐射定标可通过如下公式完成:
;
上式中,为像元i和j处的强度值,/>表示外部校准因子,/>为一个常量,c的取值为32767。
5.根据权利要求1所述的洪涝淹没区提取方法,其特征在于,在步骤S3中,熵en的表达式为:
;
均匀性hom的表达式为:
;
角二阶矩ASM的表达式为:
;
差异性dis的表达式为:
;
上式中,为图像量化后的灰度级别,/>为对灰度共生矩阵进行归一化处理;
;
上式中,为灰度共生矩阵中像素对出现的次数。
6.一种用于实现上述权利要求1-5任一项所述的洪涝淹没区提取方法的系统,其特征在于,该系统包括:
数据提取模块,数据提取模块用于读取不同的SAR影像数据及对应的辅助数据;
数据预处理模块,数据预处理模块用于将读取的SAR影像数据进行预处理并用于后续的SAR纹理特征提取和水陆分割;
纹理特征提取模块,纹理特征提取模块用于根据预处理后的后向散射系数计算其SAR纹理特征;
水陆分割模块,基于后向散射系数、SAR纹理特征及DEM数据,通过K-means聚类和形态学操作,实现对水体和陆地区域的准确分割;
对比检测模块,对比检测模块用于对灾害前后SAR影像数据水陆分割结果进行对比分析,准确识别洪涝灾害引起的水体变化;
绘图模块,绘图模块用于将需要展示的数据或者过程参数绘制在经纬度坐标系的图中。
7.根据权利要求6所述的系统,其特征在于,数据预处理模块包括:
数据插值单元,数据插值单元用于根据灾害前后SAR影像数据的覆盖区域,截取出相同覆盖范围的经纬度参数,根据该参数并结合需求的空间分辨率进行插值;
几何校正单元,输入数据插值结果,将像素坐标转换为地理坐标,使得遥感影像在地理空间上具有准确的位置和几何信息;
滤波单元,输入几何校正结果,利用Lee滤波器去除SAR影像数据中的相干斑噪声;
辐射定标单元,输入滤波结果,利用辐射定标公式将强度信息转为后向散射系数;
数据集生产单元,数据集生产单元用于将经过预处理的SAR影像数据制作成数据集,作为后面模块的输入。
8.根据权利要求6所述的系统,其特征在于,水陆分割模块包括:
分类单元,输入后向散射系数、SAR纹理特征、DEM数据,利用K-means聚类算法进行分类,提取水体信息;
形态学运算单元,输入水体提取结果,通过膨胀、腐蚀运算进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310897110.1A CN116630426A (zh) | 2023-07-21 | 2023-07-21 | 一种洪涝淹没区提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310897110.1A CN116630426A (zh) | 2023-07-21 | 2023-07-21 | 一种洪涝淹没区提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116630426A true CN116630426A (zh) | 2023-08-22 |
Family
ID=87602876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310897110.1A Pending CN116630426A (zh) | 2023-07-21 | 2023-07-21 | 一种洪涝淹没区提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630426A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191292A (zh) * | 2021-05-11 | 2021-07-30 | 四川大学 | 一种溃决洪水淹没范围快速提取方法 |
CN113567981A (zh) * | 2021-06-28 | 2021-10-29 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于sar影像的洪涝风险区自动提取方法 |
CN114519824A (zh) * | 2022-02-15 | 2022-05-20 | 中国电子科技集团公司第十四研究所 | 一种sar图像洪涝淹没区域的快速检测方法 |
-
2023
- 2023-07-21 CN CN202310897110.1A patent/CN116630426A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191292A (zh) * | 2021-05-11 | 2021-07-30 | 四川大学 | 一种溃决洪水淹没范围快速提取方法 |
CN113567981A (zh) * | 2021-06-28 | 2021-10-29 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于sar影像的洪涝风险区自动提取方法 |
CN114519824A (zh) * | 2022-02-15 | 2022-05-20 | 中国电子科技集团公司第十四研究所 | 一种sar图像洪涝淹没区域的快速检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728658A (zh) | 一种基于深度学习的高分辨率遥感影像弱目标检测方法 | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN112287807A (zh) | 一种基于多分支金字塔神经网络的遥感影像道路提取方法 | |
CN110598613B (zh) | 一种高速公路团雾监测方法 | |
US11227367B2 (en) | Image processing device, image processing method and storage medium | |
CN114332095A (zh) | 一种基于多层结构的细胞分割方法、装置及电子设备 | |
CN109784229B (zh) | 一种地面建筑物数据融合的复合识别方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN116863357A (zh) | 一种无人机遥感堤坝影像定标与智能分割变化检测方法 | |
CN111862005A (zh) | 一种利用合成雷达图像精准定位热带气旋中心的方法及系统 | |
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 | |
CN115953371A (zh) | 一种绝缘子缺陷检测方法、装置、设备和存储介质 | |
CN116630426A (zh) | 一种洪涝淹没区提取方法及系统 | |
CN113486728A (zh) | 基于特征融合的地表三维变化检测方法和装置 | |
CN112926418B (zh) | 一种利用高精度地形信息消除云层干扰的水体优化提取方法 | |
CN117592002B (zh) | 一种初生对流的判识方法及装置 | |
Liu et al. | Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis | |
CN116342417B (zh) | 一种航空遥感影像的辐射校正方法及系统 | |
CN117310705B (zh) | 一种基于双极化sar影像的洪涝灾害快速检测方法 | |
CN117036959B (zh) | 一种基于遥感的建筑物洪灾易损性评价方法 | |
CN117423010B (zh) | 一种基于遥感数据的河湖划界识别监测方法 | |
CN113989505B (zh) | 基于融合多层级模糊聚类软决策结果的sar目标检测方法 | |
Li et al. | A high-resolution satellite DEM filtering method assisted with building segmentation | |
CN112016558B (zh) | 一种基于图像质量的介质能见度识别方法 | |
CN112070001A (zh) | 一种基于星载合成孔径雷达的洪水区域提取方法及系统 |
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 |