CN117115644A - 基于图像数据的灾害分析方法和装置 - Google Patents
基于图像数据的灾害分析方法和装置 Download PDFInfo
- Publication number
- CN117115644A CN117115644A CN202310996025.0A CN202310996025A CN117115644A CN 117115644 A CN117115644 A CN 117115644A CN 202310996025 A CN202310996025 A CN 202310996025A CN 117115644 A CN117115644 A CN 117115644A
- Authority
- CN
- China
- Prior art keywords
- disaster
- image information
- information
- image
- calibrated
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 34
- 238000011161 development Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004393 prognosis Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 20
- 230000018109 developmental process Effects 0.000 description 15
- 238000003062 neural network model Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于图像数据的灾害分析方法和装置,属于图像数据处理技术领域,方法包括:获取第一遥感平台采集的第一图像信息和与第一图像信息对应的第一位置信息,所述第一位置信息包含待校准的灾害位置信息;根据预设的第二图像信息获取策略和所述待校准的灾害位置信息获取第二遥感平台采集的第二图像信息;根据预设的分析策略对第一图像信息和第二图像信息进行分析,得到校准后的灾害位置信息和灾害程度信息。本发明提供的方法和装置,基于多源遥感平台采集的图像信息进行分析,可以快速获得灾害位置信息和灾害程度信息,从而帮助抢险救灾人员有针对性的制定抢救策略。本方法具有速度快,识别精度高,鲁棒性显著的优势。
Description
技术领域
本申请涉及图像数据处理技术领域,具体涉及一种基于图像数据的灾害分析方法和装置。
背景技术
随着科技的进步和发展,无人机已经应用在生活的很多方面,尤其是在拍摄方面有独到的优势,用于抢险救灾时发挥了较大的作用,但是单单只依靠无人机拍摄无法对灾害有更加准确的判断。
发明内容
本发明的目的是提供一种基于图像数据的灾害分析方法和装置,为了解决现有技术中,单独使用无人机拍摄造成的数据单一,信息维度小的问题。
为解决上述问题,本发明的第一方面提供了一种基于图像数据的灾害分析方法,包括:
获取第一遥感平台采集的第一图像信息和与第一图像信息对应的第一位置信息,所述第一位置信息包含待校准的灾害位置信息;
根据预设的第二图像信息获取策略和所述待校准的灾害位置信息获取第二遥感平台采集的第二图像信息;
根据预设的灾害位置分析策略对第一图像信息和第二图像信息进行分析,得到校准后的灾害位置信息;
获取灾害类型信息;
根据所述灾害类型信息获取对应的灾害评级策略;
根据处理后的所述第一图像信息、第二图像信息和灾害评级策略分析得到灾害程度信息。
可选的,所述根据预设的第二图像信息获取策略和所述待校准的灾害位置信息获取第二遥感平台采集的第二图像信息包括:
获取第二遥感平台在多个周期采集的与所述待校准的灾害位置信息对应的图像数据信息集,所述图像数据信息集包括多个图像信息和每个图像信息对应的时间信息;
按照每个图像信息所对应的时间信息对图像信息进行排序;
分别计算相邻的两个图像信息的相似度信息;
获取相似度最低的两个图像信息中时间信息较早的图像信息作为第二图像信息。
可选的,根据预设的分析策略对第一图像信息和第二图像信息进行分析包括:
对所述第一图像信息和第二图像信息进行预处理;
将处理后的所述第一图像信息和第二图像信息进行对比,获取灾害位置信息和灾害程度信息。
可选的,所述对所述第一图像信息和第二图像信息进行预处理包括:
对所述第二图像信息进行比例调节;
对第一图像信息和比例调节后的第二图像信息进行灰度化处理;
对第一图像信息和比例调节后的第二图像信息进行去噪处理;
对所述第一图像信息和比例调节后的第二图像信息进行叠加。
可选的,所述对所述第一图像信息和第二图像信息进行叠加包括:
在第一图像信息中与灾害位置信息对应的位置以外的位置确定第一参照点和第二参照点;
在所述第二图像信息中识别所述第一参照点和所述第二参照点;
基于所述第一参照点和所述第二参照点对所述第一图像信息和第二图像信息进行叠加。
可选的,所述根据预设的灾害位置分析策略对第一图像信息和第二图像信息进行分析,得到校准后的灾害位置信息包括:
基于叠加后的第一图像信息和第二图像信息对所述待校准的灾害位置信息进行校准,从而获取校准后的灾害位置信息。
可选的,根据处理后的所述第一图像信息、第二图像信息和灾害评级策略分析得到灾害程度信息包括:
根据灾害类型、第一图像信息和第二图像信息得到灾害发展速度;
根据灾害类型和第一图像信息得到灾害状态;
根据灾害类别、周围环境信息和天气信息获取灾害发展预后。
可选的,所述根据灾害类型、第一图像信息和第二图像信息得到灾害发展速度包括:
根据灾害类型获取灾害评价特征;
分别在第一图像信息和第二图像信息识别灾害评价特征;
根据第一图像信息和第二图像信息的拍摄时间差以及第一图像信息中的灾害评价特征和第二图像信息中的灾害评价特征得到灾害发展速度。
根据本发明的另一个方面,还提供了一种基于图像数据的灾害分析装置,包括:
第一图像信息获取模块,获取第一遥感平台采集的第一图像信息和与第一图像信息对应的第一位置信息,所述第一位置信息包含待校准的灾害位置信息;
第二图像信息获取模块,根据预设的第二图像信息获取策略和所述待校准的灾害位置信息获取第二遥感平台采集的第二图像信息;
灾害位置分析模块,根据预设的灾害位置分析策略对第一图像信息和第二图像信息进行分析,得到校准后的灾害位置信息;
灾害类型获取模块,获取灾害类型信息;
灾害评级策略获取模块,根据所述灾害类型信息获取对应的灾害评级策略;
灾害程度分析模块,根据处理后的所述第一图像信息、第二图像信息和灾害评级策略分析得到灾害程度信息。
本发明的上述技术方案具有如下有益的技术效果:
本申请提供的基于图像数据的灾害分析的方法和装置,基于无人机采集的图像信息和卫星采集的图像信息进行分析,可以快速获得灾害位置信息和灾害程度信息,同时,本方法结合第一图像信息和第二图像信息以及周围环境信息和天气信息综合分析,得到灾害发展速度、灾害状态和灾害发展预后等多个维度的信息从而帮助抢险救灾人员有针对性的制定抢救策略。本方法具有速度快,识别精度高,鲁棒性显著的优势。
附图说明
图1是本发明一个实施方式的基于图像数据的灾害分析方法流程图;
图2是图像信息位置的示意图。
图3是本发明一个实施例提供的电子设备的示意图。
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明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
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。
在本发明的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明是针对自然资源多要素的监测,包括森林资源、海洋资源、湖泊资源等,具体来说包括灾害分析,灾害可以是森林灾害、水体灾害等;更加具体的说,本发明提供了一种基于图像数据的灾害分析方法。
参照图1,本发明的一个方面提供了一种基于图像数据的灾害分析方法,包括:
获取第一遥感平台采集的第一图像信息和与第一图像信息对应的第一位置信息,所述第一位置信息包含待校准的灾害位置信息;举例来说第一遥感平台可以是无人机,相机或其他影像设备,总之,第一遥感平台获取的是实时的影像信息;
根据预设的第二图像信息获取策略和所述第一位置信息获取第二遥感平台采集的第二图像信息;第二遥感平台可以是卫星,或其他具有周期性拍摄的平台;第二图像信息获取策略可以是根据第一图像信息携带的位置信息获取第二图像信息;
根据预设的灾害位置分析策略对第一图像信息、第一位置信息和第二图像信息进行分析,得到校准后的灾害位置信息;
获取灾害类型信息;
根据所述灾害类型信息获取对应的灾害评级策略;
根据处理后的所述第一图像信息、第二图像信息和灾害评级策略分析得到灾害程度信息。通过第一图像信息和第二图像信息的比对可以获得准确的位置信息,并根据图像中的周围环境和灾害面积等情况对灾害程度进行分析。
本申请提供的基于图像数据的灾害分析方法基于第一遥感平台采集的第一图像信息和第二遥感平台采集的第二图像信息进行分析,可以快速获得灾害位置信息和灾害程度信息,从而帮助抢险救灾人员有针对性的制定抢救策略。
在一实施例中,根据预设的第二图像信息获取策略和所述待校准的灾害位置信息获取第二遥感平台采集的第二图像信息包括:
获取第二遥感平台在多个周期采集的与所述待校准的灾害位置信息对应的图像数据信息集,图像数据信息集包括多个图像信息、每个图像信息对应的时间信息;
按照每个图像信息所对应的时间信息对图像信息进行排序;
分别计算相邻的两个图像信息的相似度信息;
获取相似度最低的两个图像信息中时间信息较早的图像信息作为第二图像信息。
在一实施例中,获取第二遥感平台在多个周期采集的与所述待校准的灾害位置信息对应的图像数据信息集包括:
识别第一图像信息中的待校准的灾害位置信息;
根据待校准的灾害位置信息获取第二遥感平台在多个周期采集的图像数据信息集。
在一实施例中,识别第一图像信息中的待校准的灾害位置信息包括:
获取到灾害类型数据,灾害类型数据可以通过人工输入的方式得到;
获取该灾害类型对应的神经网络模型;
使用神经网络模型对第一图像信息中的待校准的灾害位置信息进行识别。
举例来说,每个灾害类型根据自身的特点训练一个神经网络模型,采用训练好的神经网络模型识别第一图像信息中的待校准的灾害位置边界相对于第一图像信息边界的距离,根据第一位置信息和第一图像信息的比例尺获取到待校准的灾害位置信息,例如,第一图像的尺寸为5CM*5CM,对应的比例尺为每厘米对应1千米,同时司仪图像的四个边界分别对应不同的经纬度,那么根据以上信息即可获取到待校准的灾害位置信息(经纬度信息)。
优选的,神经网络模型可以使用Mask R-CNN模型;
采用训练好的神经网络模型识别第一图像信息中的待校准的灾害位置的边界,根据第一图像信息中的待校准的灾害位置信息的边界,可以使用多种方式来计算待校准的灾害位置信息的边界到原图像边界的距离,包括计算边缘像素和原图像边缘的距离,使用前景掩码计算到水面边缘的距离等。
对神经网络进行训练采用如下步骤:
数据采集和预处理:采集包含对应灾害类型的图像数据,例如,火灾则获取多种火灾图像和其他灾害图像。同时,对卫星图像进行预处理,例如调整大小、镜像翻转、旋转、填充空白区域等,以扩充训练集的多样性和数量。
标记和分类:对采集到的卫星影像进行标记,并进行分类,将火灾和其他灾害作为两个类别进行分类。同时将数据分为训练集合测试集,可以使用一些专业的遥感软件或者Python等编程语言进行数据处理。
网络设计:选择合适的神经网络结构,并设定相应的超参数,如网络深度、卷积核大小、学习率等。举例来说,网络结构包括卷积神经网络(CNN)、残差神经网络(ResNet)等,优选的,可以使用Mask R-CNN(掩膜基于区域的卷积神经网络)模型。
举例来说,主要的模型参数如下:
1.主干网络:使用ResNet(残差神经网络)50/ResNet101/ResNeXt101等先进的卷积神经网络作为模型的主干网络。
2.RoIPooling(感兴趣区域池化)大小:默认情况下,RoIPooling的输出大小为7x7。
3.Anchor(目标检测网络)的大小和比例:默认情况下,Anchor的大小范围从32x32到256x256,比例范围从0.5到1.0。
4.最大迭代次数:训练过程中的最大迭代次数,一般使用100000至200000次。
5.初始学习率:学习率的初始值,一般使用较小的值,例如0.001。
6.学习率下降策略:可以采用常见的学习率下降策略,例如每隔一定次数就将学习率除以10。
7.损失函数权重:可以对物体分类损失、边界框回归损失和掩码损失等分别赋予不同的权重,以调整模型在不同任务上的表现。
训练网络:定义模型的各个组件,包括RPN(区域生成网络)、RoIPooling(感兴趣区域池化)、Classification head(分类头部分)、Regression head(回归头部分)和Segmentation head(分割头部分)等,将处理好的卫星图像输入到神经网络中进行训练,使用交叉熵损失函数计算误差,并通过反向传播算法更新网络权重和偏置。可使用GPU加速计算,以提高训练速度和效率。
模型测试:测试过程包括输入测试数据、前向传播、输出预测结果等。
通过以上步骤构建的神经网络模型可以根据第一图像信息和第一位置信息识别待校准的灾害位置信息。
根据灾害位置信息获取图像数据信息集包括:
获取覆盖灾害位置信息的卫星图像数据信息集。
举例来说,按照每个图像信息所对应的时间信息对图像信息进行排序;
分别计算相邻的两个图像的相似度信息;
获取相似度最低的两个图像信息中时间信息较早的图像信息作为第二图像信息;
例如,在某一地点发生灾害(火灾、泥石流、地震等),此时采用无人机对该地点进行拍摄,生成第一图像信息,同时无人机内具有GPS、北斗等位置信息采集模块,可以采集拍摄的第一图像信息所对应的位置信息(经纬度),可以知道的是,卫星的拍摄周期是固定的(1天/3天/5天等),此处我们以拍摄周期是1天举例,获取卫星在5个周期拍摄该位置的图像信息,分别是A1(1天前),A2(2天前),A3(3天前),A4(4天前),A5(5天前),此时计算A1与A2之间的相似度,A2与A3之间的相似度,A3与A4之间的相似度,A4与A5之间的相似度;对比发现A1与A2之间的相似度最低(也就是说在此之间发生的灾害),此时获取A2为第二图像信息。此部分可以根据实际情况设置,如果卫星拍摄周期较长(例如1个月或3个月),且上次拍摄时间距今已经很长时间(大于阈值),那么可以不进行相似度对比直接选择举例当前时间最近的拍摄图像信息。
在一实施例中,根据分析策略、第一图像信息、第一位置信息和第二图像信息进行分析包括:
对第一图像信息和第二图像信息进行预处理;
将处理后的第一图像信息和第二图像信息进行对比,从而获取校准后的灾害位置信息和灾害程度信息。
在一实施例中,对第一图像信息和第二图像信息进行预处理包括:
对第二图像信息进行比例调节;
对第一图像信息和比例调节后的第二图像信息进行灰度化处理;
对第一图像信息和比例调节后的第二图像信息进行去噪处理;
对第一图像信息和比例调节后的第二图像信息进行叠加。
在一实施例中,对第二图像信息进行比例调节包括:
获取第一图像信息对应的第一比例尺信息;
获取第二图像信息对应的第二比例尺信息;
根据所述第一比例尺信息和所述第二比例尺信息对所述第二图像信息的比例进行调整,调整比例包括将所述第二图像信息放大或缩小;
对第一图像信息和调整比例后的第二图像信息进行灰度化处理;
对第一图像信息和调整比例后的第二图像信息进行去噪处理。。
例如,无人机获取的第一图像信息的第一比例尺为1/500,卫星获取的第二图像信息的第二比例尺为1/1000,那么根据比例关系,对卫星图像进行放大。
在一实施例中,对第一图像信息和第二图像信息进行叠加包括:
在第一图像信息中与灾害位置信息对应的位置以外的位置确定第一参照点和第二参照点;举例来说,第一参照点和第二参照点可以采用人工标注,也可以采用算法识别,当使用算法识别时,第一参照点和第二参照点为第一图像信息中处于灾害位置信息所对应的位置以外的位置上对比度最高的第一点和第二点;第一参照点和第二参照点都代表了位置信息;
在所述第二图像信息中识别所述第一参照点和所述第二参照点;
基于所述第一参照点和所述第二参照点对所述第一图像信息和第二图像信息进行叠加。
基于第一参照点和第二参照点将所述第一图像信息和第二图像信息叠加是指:
在第一图像信息和第二图像信息中分别识别到第一参照点和第二参照点,将第一图像信息中的第一参照点与第二图像信息中的第一参照点对齐,将第一图像信息中的第二参照点与第二图像信息中的第二参照点对齐;其中在此步骤前需要先将两个图像数据调整为相同的精度(比例尺相同);
将第一图像信息作为底层,将第二图像信息作为首层进行叠加,将第二图像信息的不透明度根据情况进行调整,举例来说可以是调整为80%;
在第二图像信息中识别第一参照点和第二参照点;此步骤中的识别可以采用人工标注,也可以采用神经网络模型进行识别,使用神经网络模型的方法与上述相同。
对比度越高,图像越清晰,因此,采用对比度最高的点作为标志物进行识别,可以有效的提升识别精度。本方法在经纬度初步匹配的情况下,在进行二次匹配,可以有效提升匹配精度。在标志物选取方面,本方法在没有被灾害破坏的位置选取标志物,避免因为标志物损坏无法匹配的情况,因此,具有速度快,鲁棒性显著的优势。
举例来说,参照图2,未进行比例调节的第二图像信息为A,比例调节后的第二图像信息为B,第一图像信息是C,叠加后的图像信息是D;其中,第一参照点为Z1,第二参照点为Z2,经过预处理后的第一图像信息和第二图像信息所对应的区域都是X,灾害位置信息所对应的区域为Y,在第一图像信息中与灾害位置信息对应的区域以外的区域是指属于X且不属于Y的区域,也就是Z1和Z2所在的位置。
例如,对第一图像信息和第二图像信息进行叠加包括:
图像灰度化处理,灰度化处理是指将RGB图像处理成灰度图像,减小算法压力,可以采用加权平均法获得;
图像去噪处理,图像去噪处理可以采用中值滤波处理,
采用SURF(Speeded-Up Robust Features)算法在预处理后的第一图像信息和第二图像信息中识别第一参照点和第二参照点完成叠加。
在一实施例中,根据预设的灾害位置分析策略对第一图像信息和第二图像信息进行分析,得到校准后的灾害位置信息包括:
基于叠加后的第一图像信息和第二图像信息对所述待校准的灾害位置信息进行校准,从而获取校准后的灾害位置信息。
举例来说,基于第一参照点和第二参照点将第一图像信息和第二图像信息进行叠加,从而获取校准后的灾害位置信息包括:
基于第一参照点和第二参照点将所述第一图像信息和第二图像信息叠加是指:
在第一图像信息和第二图像信息中分别识别到第一参照点和第二参照点,将第一图像信息中的第一参照点与第二图像信息中的第一参照点对齐,将第一图像信息中的第二参照点与第二图像信息中的第二参照点对齐;其中在此步骤前需要先将两个图像数据调整为相同的精度(比例尺相同);
将第一图像信息作为底层,将第二图像信息作为首层进行叠加,将第二图像信息的不透明度根据情况进行调整,举例来说可以是调整为80%;
基于上述步骤将第一图像信息和第二图像信息进行叠加;
基于叠加后的第一图像信息和第二图像信息对所述待校准的灾害位置信息进行校准包括:
识别叠加后的第一图像信息和第二图像信息具有区别的位置;
获取该区别位置的边界得到校准后的灾害位置信息。
由于第二图像信息拍摄于灾害未发生之前,所以第一图像信息和第二图像信息具有区别的位置就是灾害位置,此时,识别区别位置的边界为校准后的灾害位置信息。
在一实施例中,将处理后的第一图像信息和第二图像信息进行对比,从而获取灾害位置信息和灾害程度信息还包括:
根据预设的灾害识别策略和第一图像信息识别灾害类型获取灾害评级策略;
根据处理后的第一图像信息、第二图像信息、灾害类型和灾害评级策略获取灾害程度信息。
在一实施例中,每个灾害的类型对应一个灾害评级策略;
每个灾害评级策略根据灾害类型的不同,由不同的特征构成。
举例来说,根据所述第一图像信息和第二图像信息得到灾害程度信息:
针对每种灾害建立由不同的特征组成构成的评价模型,例如,火灾的特征可以是校准后的灾害位置信息对应的第一图像部分的图形的红色和黄色占比,灾害位置信息以外的可燃物占比,灾害位置信息是否与可燃物直接接触、风向,周围可燃物所在位置的方向等。
举例来说,在第一图像信息中,红色占比为1%,同时,灾害位置外围不具有可燃物,灾害程度为低级;总而言之,灾害评级策略可以根据不同的灾害类型,不同天气因素等设置不同的条件。
在一实施例中,根据处理后的所述第一图像信息、第二图像信息和灾害评级策略分析得到灾害程度信息包括:
根据灾害类型、第一图像信息和第二图像信息得到灾害发展速度;
根据灾害类型和第一图像信息得到灾害状态;
根据灾害类别、周围环境信息和天气信息获取灾害发展预后。
在一实施例中,所述根据灾害类型、第一图像信息和第二图像信息得到灾害发展速度包括:
根据灾害类型获取灾害评价特征;
分别在第一图像信息和第二图像信息识别灾害评价特征;
根据第一图像信息和第二图像信息的拍摄时间差以及第一图像信息中的灾害评价特征和第二图像信息中的灾害评价特征得到灾害发展速度。
值得说明的是,灾害评价特征根据灾害类型的不同而不同,例如,地震灾害的灾害评价特征可以是建筑的倒塌面积占总建筑面积的比例、地面的裂痕长度、整体的受灾面积等;火灾的灾害评价特征可以是火焰的颜色、面积等;暴雨的灾害评价特征可以是光线值、图像的纹理特征等;对于以上的灾害特征识别可以使用训练好的神经网络模型进行识别;
以地震灾害为例,根据第一图像信息和第二图像信息的拍摄时间差以及第一图像信息中的灾害评价特征和第二图像信息中的灾害评价特征得到灾害发展速度,举例来说,可以根据第一图像中的地面的裂痕长度与第二图像中的地面的裂痕长度做差值,并用差值除以时间得到灾害发展速度。
在一实施例中,根据灾害类型和第一图像信息得到灾害状态包括:
根据灾害类型获取灾害评价特征以及灾害评价特征的评价指标;
在第一图像信息中识别灾害评价特征,并根据灾害评价特征的评价指标对识别到的灾害评价特征进行评价。
其中,灾害评价特征同上,灾害评价特征的评价指标可以根据实际场景进构建,例如火焰的颜色根据不同的颜色对应不同的灾害等级,火灾面积根据面积大小对应不同的灾害等级,
在一实施例中,根据灾害类别、周围环境信息和天气信息获取灾害发展预后包括:
根据灾害类别获取周围环境信息评价指标和天气信息评价指标;
使用周围环境信息评价指标和天气信息评价指标对周围环境信息和天气信息进行评价获得灾害发展预后。
以火灾为例,周围环境信息评价指标包括可燃物的面积,暴雨的话,周围环境信息评价指标包括周围地形、海拔高度等;天气信息包括风力大小,温度,降雨量等。
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硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括如下如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,简称ROM)或随机存取存储器(RandomAccessMemory,简称RAM)等。
在本申请的另一方面,还提供了一种基于图像数据的灾害分析装置,包括:第一图像信息获取模块,获取第一遥感平台采集的第一图像信息和与第一图像信息对应的第一位置信息,所述第一位置信息包含待校准的灾害位置信息;
第二图像信息获取模块,根据预设的第二图像信息获取策略和所述待校准的灾害位置信息获取第二遥感平台采集的第二图像信息;
灾害位置分析模块,根据预设的灾害位置分析策略对第一图像信息和第二图像信息进行分析,得到校准后的灾害位置信息;
灾害类型获取模块,获取灾害类型信息;
灾害评级策略获取模块,根据所述灾害类型信息获取对应的灾害评级策略;
灾害程度分析模块,根据处理后的所述第一图像信息、第二图像信息和灾害评级策略分析得到灾害程度信息。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的模块可以根据实际需要进行合并、划分和删减。
本发明旨在保护一种基于图像数据的灾害分析方法和装置,方法包括:
获取第一遥感平台采集的第一图像信息和与第一图像信息对应的第一位置信息,所述第一位置信息包含待校准的灾害位置信息;
根据预设的第二图像信息获取策略和所述待校准的灾害位置信息获取第二遥感平台采集的第二图像信息;
根据预设的灾害位置分析策略对第一图像信息和第二图像信息进行分析,得到校准后的灾害位置信息;
获取灾害类型信息;
根据所述灾害类型信息获取对应的灾害评级策略;
根据处理后的所述第一图像信息、第二图像信息和灾害评级策略分析得到灾害程度信息。
本申请提供的基于图像数据的灾害分析的方法和装置,基于无人机采集的图像信息和卫星采集的图像信息进行分析,可以快速获得灾害位置信息和灾害程度信息,从而帮助抢险救灾人员有针对性的制定抢救策略。本方法具有速度快,识别精度高,鲁棒性显著的优势。
本发明还提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并能够在所述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如上所述的基于图像数据的灾害分析方法。
本发明还提供了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能够实现如上所述的基于图像数据的灾害分析方法。
图3是能够实现根据本发明一个实施例提供的基于图像数据的灾害分析方法的电子设备的示例性结构图。
如图3所示,电子设备包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505以及输出设备506。其中,输入接口502、中央处理器503、存储器504以及输出接口505通过总线507相互连接,输入设备501和输出设备506分别通过输入接口502和输出接口505与总线507连接,进而与电子设备的其他组件连接。具体地,输入设备501接收来自外部的输入信息,并通过输入接口502将输入信息传送到中央处理器503;中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器504中,然后通过输出接口505将输出信息传送到输出设备506;输出设备506将输出信息输出到电子设备的外部供用户使用。
也就是说,图3所示的电子设备也可以被实现为包括:存储有计算机可执行指令的存储器;以及一个或多个处理器,该一个或多个处理器在执行计算机可执行指令时可以实现结合图1描述的基于图像数据的灾害分析方法。
在一个实施例中,图3所示的电子设备可以被实现为包括:存储器504,被配置为存储可执行程序代码;一个或多个处理器503,被配置为运行存储器504中存储的可执行程序代码,以执行上述实施例中的基于图像数据的灾害分析方法。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动,媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数据多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
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。
Claims (9)
1.一种基于图像数据的灾害分析方法,其特征在于,包括:
获取第一遥感平台采集的第一图像信息和与第一图像信息对应的第一位置信息,所述第一位置信息包含待校准的灾害位置信息;
根据预设的第二图像信息获取策略和所述待校准的灾害位置信息获取第二遥感平台采集的第二图像信息;
根据预设的灾害位置分析策略对第一图像信息和第二图像信息进行分析,得到校准后的灾害位置信息;
获取灾害类型信息;
根据所述灾害类型信息获取对应的灾害评级策略;
根据处理后的所述第一图像信息、第二图像信息和灾害评级策略分析得到灾害程度信息。
2.根据权利要求1所述的基于图像数据的灾害分析方法,其特征在于,所述根据预设的第二图像信息获取策略和所述待校准的灾害位置信息获取第二遥感平台采集的第二图像信息包括:
获取第二遥感平台在多个周期采集的与所述待校准的灾害位置信息对应的图像数据信息集,所述图像数据信息集包括多个图像信息和每个图像信息对应的时间信息;
按照每个图像信息所对应的时间信息对图像信息进行排序;
分别计算相邻的两个图像信息的相似度信息;
获取相似度最低的两个图像信息中时间信息较早的图像信息作为第二图像信息。
3.根据权利要求2所述的基于图像数据的灾害分析方法,其特征在于,根据预设的分析策略对第一图像信息和第二图像信息进行分析包括:
对所述第一图像信息和第二图像信息进行预处理;
将处理后的所述第一图像信息和第二图像信息进行对比,获取灾害位置信息和灾害程度信息。
4.根据权利要求3所述的基于图像数据的灾害分析方法,其特征在于,所述对所述第一图像信息和第二图像信息进行预处理包括:
对所述第二图像信息进行比例调节;
对第一图像信息和比例调节后的第二图像信息进行灰度化处理;
对第一图像信息和比例调节后的第二图像信息进行去噪处理;
对所述第一图像信息和比例调节后的第二图像信息进行叠加。
5.根据权利要求4所述的基于图像数据的灾害分析方法,其特征在于,所述对所述第一图像信息和第二图像信息进行叠加包括:
在第一图像信息中与灾害位置信息对应的位置以外的位置确定第一参照点和第二参照点;
在所述第二图像信息中识别所述第一参照点和所述第二参照点;
基于所述第一参照点和所述第二参照点对所述第一图像信息和第二图像信息进行叠加。
6.根据权利要求5所述的基于图像数据的灾害分析方法,其特征在于,所述根据预设的灾害位置分析策略对第一图像信息和第二图像信息进行分析,得到校准后的灾害位置信息包括:
基于叠加后的第一图像信息和第二图像信息对所述待校准的灾害位置信息进行校准,从而获取校准后的灾害位置信息。
7.根据权利要求6所述的基于图像数据的灾害分析方法,其特征在于,根据处理后的所述第一图像信息、第二图像信息和灾害评级策略分析得到灾害程度信息包括:
根据灾害类型、第一图像信息和第二图像信息得到灾害发展速度;
根据灾害类型和第一图像信息得到灾害状态;
根据灾害类别、周围环境信息和天气信息获取灾害发展预后。
8.根据权利要求7所述的基于图像数据的灾害分析方法,其特征在于,所述根据灾害类型、第一图像信息和第二图像信息得到灾害发展速度包括:
根据灾害类型获取灾害评价特征;
分别在第一图像信息和第二图像信息识别灾害评价特征;
根据第一图像信息和第二图像信息的拍摄时间差以及第一图像信息中的灾害评价特征和第二图像信息中的灾害评价特征得到灾害发展速度。
9.一种基于图像数据的灾害分析装置,其特征在于,包括:
第一图像信息获取模块,获取第一遥感平台采集的第一图像信息和与第一图像信息对应的第一位置信息,所述第一位置信息包含待校准的灾害位置信息;
第二图像信息获取模块,根据预设的第二图像信息获取策略和所述待校准的灾害位置信息获取第二遥感平台采集的第二图像信息;
灾害位置分析模块,根据预设的灾害位置分析策略对第一图像信息和第二图像信息进行分析,得到校准后的灾害位置信息;
灾害类型获取模块,获取灾害类型信息;
灾害评级策略获取模块,根据所述灾害类型信息获取对应的灾害评级策略;
灾害程度分析模块,根据处理后的所述第一图像信息、第二图像信息和灾害评级策略分析得到灾害程度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310996025.0A CN117115644A (zh) | 2023-08-08 | 2023-08-08 | 基于图像数据的灾害分析方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310996025.0A CN117115644A (zh) | 2023-08-08 | 2023-08-08 | 基于图像数据的灾害分析方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117115644A true CN117115644A (zh) | 2023-11-24 |
Family
ID=88801266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310996025.0A Pending CN117115644A (zh) | 2023-08-08 | 2023-08-08 | 基于图像数据的灾害分析方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115644A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100678395B1 (ko) * | 2006-06-22 | 2007-02-02 | 대원지리정보(주) | 위성영상과 항공영상을 이용한 지리정보 데이터의 실시간위치보정 시스템 및 그 방법 |
CN104881834A (zh) * | 2015-06-25 | 2015-09-02 | 辽宁有色勘察研究院 | 基于3s技术的泥石流地质灾害识别与判定的方法 |
KR101747025B1 (ko) * | 2016-02-26 | 2017-06-14 | 충남대학교산학협력단 | 무인항공기를 이용한 홍수피해지역 조사방법 |
CN107655457A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技(北京)有限公司 | 一种基于遥感卫星图像的泥石流地质灾害识别方法 |
CN111915128A (zh) * | 2020-06-17 | 2020-11-10 | 西安交通大学 | 一种对地震诱发的次生滑坡灾后评估与救援辅助系统 |
CN112183418A (zh) * | 2020-09-30 | 2021-01-05 | 广东有色地质肇庆勘测公司 | 地质灾害的损毁区域勘测方法及其系统 |
CN113240689A (zh) * | 2021-06-01 | 2021-08-10 | 安徽建筑大学 | 一种洪涝灾害区域快速提取方法 |
CN113759972A (zh) * | 2021-09-10 | 2021-12-07 | 廊坊中油朗威工程项目管理有限公司 | 油气管线安全巡检系统及方法 |
CN114494907A (zh) * | 2022-01-27 | 2022-05-13 | 中国工商银行股份有限公司 | 基于多时相图像的灾情评估方法及装置 |
CN115112100A (zh) * | 2022-06-24 | 2022-09-27 | 中国人民公安大学 | 遥感控制系统及方法 |
CN115169771A (zh) * | 2022-01-18 | 2022-10-11 | 长安大学 | 一种洪涝灾害影响下的交通网效率受损快速评估方法 |
CN115410095A (zh) * | 2022-10-31 | 2022-11-29 | 天津市地质工程勘测设计院有限公司 | 灾害信息获取方法、装置、电子设备和计算机可读介质 |
CN116421908A (zh) * | 2023-04-07 | 2023-07-14 | 应急管理部沈阳消防研究所 | 一种固移结合的森林火灾防控方法和系统 |
-
2023
- 2023-08-08 CN CN202310996025.0A patent/CN117115644A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100678395B1 (ko) * | 2006-06-22 | 2007-02-02 | 대원지리정보(주) | 위성영상과 항공영상을 이용한 지리정보 데이터의 실시간위치보정 시스템 및 그 방법 |
CN104881834A (zh) * | 2015-06-25 | 2015-09-02 | 辽宁有色勘察研究院 | 基于3s技术的泥石流地质灾害识别与判定的方法 |
KR101747025B1 (ko) * | 2016-02-26 | 2017-06-14 | 충남대학교산학협력단 | 무인항공기를 이용한 홍수피해지역 조사방법 |
CN107655457A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技(北京)有限公司 | 一种基于遥感卫星图像的泥石流地质灾害识别方法 |
CN111915128A (zh) * | 2020-06-17 | 2020-11-10 | 西安交通大学 | 一种对地震诱发的次生滑坡灾后评估与救援辅助系统 |
CN112183418A (zh) * | 2020-09-30 | 2021-01-05 | 广东有色地质肇庆勘测公司 | 地质灾害的损毁区域勘测方法及其系统 |
CN113240689A (zh) * | 2021-06-01 | 2021-08-10 | 安徽建筑大学 | 一种洪涝灾害区域快速提取方法 |
CN113759972A (zh) * | 2021-09-10 | 2021-12-07 | 廊坊中油朗威工程项目管理有限公司 | 油气管线安全巡检系统及方法 |
CN115169771A (zh) * | 2022-01-18 | 2022-10-11 | 长安大学 | 一种洪涝灾害影响下的交通网效率受损快速评估方法 |
CN114494907A (zh) * | 2022-01-27 | 2022-05-13 | 中国工商银行股份有限公司 | 基于多时相图像的灾情评估方法及装置 |
CN115112100A (zh) * | 2022-06-24 | 2022-09-27 | 中国人民公安大学 | 遥感控制系统及方法 |
CN115410095A (zh) * | 2022-10-31 | 2022-11-29 | 天津市地质工程勘测设计院有限公司 | 灾害信息获取方法、装置、电子设备和计算机可读介质 |
CN116421908A (zh) * | 2023-04-07 | 2023-07-14 | 应急管理部沈阳消防研究所 | 一种固移结合的森林火灾防控方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
US20210209803A1 (en) | Computer-based method and system for geo-spatial analysis | |
US8509476B2 (en) | Automated system and method for optical cloud shadow detection over water | |
US20160133008A1 (en) | Crack data collection method and crack data collection program | |
US10402692B1 (en) | Learning method and learning device for fluctuation-robust object detector based on CNN using target object estimating network adaptable to customers' requirements such as key performance index, and testing device using the same | |
CN109543616B (zh) | 一种震后目标实物的损毁评估方法、装置、设备及介质 | |
Salehi et al. | A review of the effectiveness of spatial information used in urban land cover classification of VHR imagery | |
CN112418632A (zh) | 一种生态修复关键区域识别方法及系统 | |
US11010950B1 (en) | Computer-based method and system for determining groundwater potential zones | |
CN115223054A (zh) | 一种基于分区聚类与卷积的遥感影像变化检测方法 | |
CN115223063A (zh) | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 | |
CN111062950A (zh) | 一种用于多类别森林场景图像分割的方法、存储介质和设备 | |
CN116206223A (zh) | 一种基于无人机边缘计算的火灾检测方法及系统 | |
Pawłuszek et al. | Landslides identification using airborne laser scanning data derived topographic terrain attributes and support vector machine classification | |
CN115909096A (zh) | 无人机巡航管道隐患分析方法、装置及系统 | |
CN109558801B (zh) | 道路网络提取方法、介质、计算机设备及系统 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN113409325B (zh) | 基于精细分割的大幅面sar影像舰船目标检测识别方法 | |
CN117115644A (zh) | 基于图像数据的灾害分析方法和装置 | |
CN107886049B (zh) | 一种基于摄像探头的能见度识别预警方法 | |
CN114152302B (zh) | 湖泊蓄水变化量估算方法、系统、电子设备和介质 | |
CN114359285B (zh) | 基于视觉上下文约束学习的电网缺陷检测方法和装置 | |
CN115761463A (zh) | 一种浅海水深反演方法、系统、设备及介质 | |
CN116263735A (zh) | 神经网络的鲁棒性评估方法、装置、设备及存储介质 |
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 |