CN117233762B - 一种基于gb-sar的水库监测方法 - Google Patents
一种基于gb-sar的水库监测方法 Download PDFInfo
- Publication number
- CN117233762B CN117233762B CN202311507421.9A CN202311507421A CN117233762B CN 117233762 B CN117233762 B CN 117233762B CN 202311507421 A CN202311507421 A CN 202311507421A CN 117233762 B CN117233762 B CN 117233762B
- Authority
- CN
- China
- Prior art keywords
- water body
- image
- reservoir
- data
- bank
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 77
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 316
- 230000008859 change Effects 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 230000004660 morphological change Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000033001 locomotion Effects 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 210000000746 body region Anatomy 0.000 claims description 16
- 238000013519 translation Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000037237 body shape Effects 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000001276 controlling effect Effects 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000006073 displacement reaction Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 5
- 238000012876 topography Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及水库监测技术领域，尤其涉及一种基于GB‑SAR的水库监测方法，包括以下步骤：步骤S1:部署地面站与S‑band SAR设备，将S‑band SAR设备安装在监测点上，S‑band SAR设备与地面站之间通过无线电相互通信；步骤S2:利用S‑band SAR设备获取水体数据与库岸变形数据，将水体数据以及库岸变形数据进行混合编码后发送至地面站。本发明采用预处理、分形算法、灰度共生矩阵算法等方法对水体和库岸变形数据进行处理、分析和计算，可以从多个角度量化和分析水体和库岸的变化趋势、形态变化和纹理信息，通过比较不同时间段的水体分形维数值和库岸的变形数据，可以分析水体和库岸的变化趋势，实现长期监测和趋势分析。
Description
技术领域
本发明涉及水库监测技术领域，尤其涉及一种基于GB-SAR的水库监测方法。
背景技术
目前，水库是重要的水利工程，对周边地区的水资源供应、洪水控制和发电等起着关键作用。定期监测水库的变形情况及水体状况，可以及时发现潜在的问题，确保水库的安全性和稳定运行。
目前的现有技术中对水库监测的方式主要包括以下几种：
1.简单观测法：通过人工观测水库周边的地表变形情况，如裂缝、下沉等，并进行周期性记录和测量。
2.通过GNSS（全球导航卫星系统）监测：利用全球定位系统（GPS）或其他卫星导航系统监测水库周边地点的位置变化，包括垂直和水平位移，以了解水库的变形情况。
3.地形测量：使用测量仪器，如全站仪或精密水准仪，对水库周边地形进行测量，以检测地表高程的变化。
4.反射测距技术：利用激光或雷达等技术，测量水库周边地表距离的变化，以获取形变信息。
5.卫星遥感：通过使用遥感卫星或航空摄影等遥感技术，获取水库区域的影像数据，对水库周边的地表变化进行分析和监测。
6.声波监测：通过放置声传感器或水声传感器，对水库周边的地表或水体产生的声波进行监测和分析，以获取变形信息。
7.水情监测：通过在水库内安装水位计或流速计等仪器，实时监测水位的变化以及水库内水流的速度和流量，从而了解水库的水位情况、流动情况和水体变动趋势，通过浮标轨迹跟踪系统监测水体的运动趋势。
然而目前现有的监测方式存在以下缺点：
1.目前现有技术中通过GNSS、地形测量和反射测距等方法通常只能监测到有限的点或区域，无法提供水库广泛范围的全面监测且只能对地形进行测量，无法对水库内的水体进行检测，而且GNSS和反射测距等方法在复杂地物环境下，可能受到反射点选择的限制或信号穿透的干扰，影响监测的准确性。
2.如水位计或流速计等仪器需要安装在水库内部，只能监测到仪器所在的具体位置的水位变化与流速和流量，无法提供全面的水库范围内的数据， 目前使用浮标或漂浮物配合全球定位系统（GPS）等技术虽然可以跟踪水体中的浮动物体的运动轨迹，通过分析浮标的位置变化，可以推断水体的流动情况。然而这种方法需要大量的浮标和相应的跟踪设备，覆盖面积有限，而且可能会受到局部水流特性的干扰，而影响对水体运动趋势的全面理解和准确评估。
3.部分现有技术中需要人工操作或周期性观测水库周边的地表变形情况，监测频率受限，无法实现实时高频率连续监测，导致无法及时发现和响应变化。
因此需要一种可以解决上述问题的一种基于GB-SAR的水库监测方法。
发明内容
本发明提供了一种基于GB-SAR的水库监测方法，本发明采用预处理、分形算法、灰度共生矩阵算法等方法对水体和库岸变形数据进行处理、分析和计算，可以从多个角度量化和分析水体和库岸的变化趋势、形态变化和纹理信息，通过比较不同时间段的水体分形维数值和库岸的变形数据，可以分析水体和库岸的变化趋势，实现长期监测和趋势分析。
本发明为解决上述技术问题所采用的技术方案是：一种基于GB-SAR的水库监测方法，包括以下步骤：
步骤S1:部署地面站与S-band SAR设备，将S-band SAR设备安装在监测点上，所述S-band SAR设备与地面站之间通过无线电相互通信；
所述S-band SAR设备包括：
雷达天线：用于发射和接收雷达信号；
发射器和接收器：用于控制雷达信号的发射和接收；
信号处理器：用于对接收到的雷达信号进行处理，对水体数据以及库岸变形数据进行混合编码；
控制系统：用于对S-band SAR设备进行控制和监测，保证设备正常运行；
多光谱影像监测传感器：用于获取水体表面图像信息以及库岸的图像信息；
相位差电感器：用于测量雷达信号在S-band SAR设备和水体表面以及S-band SAR设备和库岸之间传播的时间延迟信息；
激光测距模块：用于发送激光束到水面，测量激光束返回的频率和时间延迟，从而监测水体表面的高度变化信息；
摄像头：用于拍摄水体表面以及库岸的图像，获取水体与库岸的表观特征；
步骤S2:利用S-band SAR设备获取水体数据与库岸变形数据，将水体数据以及库岸变形数据进行混合编码后发送至地面站；
所述水体数据包括：水体表面图像信息、水体的表观特征信息以及水体表面的高度变化信息；
所述库岸变形数据包括：库岸的图像信息以及库岸的表观特征信息；
步骤S3:对连续时间段内获取到的水体数据与库岸变形数据进行预处理；
步骤S4:通过分形算法对预处理后得到的水体数据进行处理，得到分形维数；
步骤S5:通过比较在连续时间段内不同时间点的分形维数值，分析水体数据的变化趋势；
步骤S6:通过灰度共生矩阵算法对预处理后得到的库岸图像数据进行计算分析；
步骤S7:将连续时间段内不同时间点的库岸变形数据进行配准，以确保数据之间的空间一致性；
步骤S8:使用配准后的数据，计算不同时间点之间的库岸地形变形量；
步骤S9:根据计算得到的库岸地形变形量数据，绘制库岸的变形曲线；
步骤S10:通过观察变形曲线以及分析库岸表面的纹理信息，识别和量化局部或整体的形态变化，分析库岸的变形趋势。
进一步的，所述步骤S2中利用S-band SAR设备获取水体数据包括：
步骤S2-1-1:通过S-band SAR设备的发射器控制雷达天线将特定频率和脉宽的雷达信号发送到目标水体表面；
步骤S2-1-2：经过水体表面的散射后，雷达信号产生回波，回波以不同的强度和相位返回到S-band SAR设备的雷达天线；
步骤S2-1-3：通过多光谱影像监测传感器接收水面不同波长的反射光，获取包含多个光谱波段的影像数据；
步骤S2-1-4：通过相位差电感器测量雷达信号在S-band SAR设备和水体表面之间传播的时间延迟信息：
步骤S2-1-5：通过激光测距模块发送激光束到水面，获取水体的高度变化信息；
步骤S2-1-6:雷达天线将接收到的回波信号传送给S-band SAR设备的接收器进行解调，将雷达回波信号转换为电信号。
进一步的，所述步骤S2中利用S-band SAR设备获取库岸变形数据包括：
步骤S2-2-1:通过S-band SAR设备的发射器控制雷达天线将特定频率和脉宽的雷达信号发送到目标库岸表面；
步骤S2-2-2：经过库岸表面的散射、衰减和反射后，部分信号从库岸表面反射回到接收器；
步骤S2-2-3：通过多光谱影像监测传感器接收库岸不同波长的反射光，获取包含多个光谱波段的影像数据；
步骤S2-2-4：通过相位差电感器测量雷达信号在S-band SAR设备和库岸表面之间传播的时间延迟信息：
步骤S2-2-5:雷达天线将接收到的回波信号传送给S-band SAR设备的接收器进行解调，将雷达回波信号转换为电信号；
步骤S2-2-6:将解调后的电信号、库岸影像数据、S-band SAR设备和库岸表面之间传播的时间延迟信息以及库岸表面的反射特征信息与水体数据进行混合编码，形成数字式的雷达回波数据，通过S-band SAR设备的发射器控制雷达天线将电信号发送至地面站进行后续处理。
进一步的，所述步骤S3中对获取的水体数据与库岸变形数据进行预处理包括：
S3-1:对水体原始数据与库岸变形原始数据进行零漂修正，消除S-band SAR设备中的信号零偏：
S3-2:在对水体原始数据与库岸变形原始数据进行零漂修正之后，进行几何校正：
S3-3:对几何校正完成后的水体图像以及库岸图像进行辐射校正，将图像中的像素值转换为辐射度或辐射率，得到与辐射度相关的图像：
S3-4:对辐射校正完成后图像进行滤波，去除或减少图像中的噪声和杂散信号，得到经过去噪声后的水体图像以及库岸图像。
进一步的，所述步骤S4中通过分形算法对预处理后得到的水体数据进行处理，得到分形维数包括：
步骤S4-1:水体区域提取：使用分割算法将水体区域从图像中提取出来，根据水体的颜色、纹理特征进行分割，得到水体的二值图像，其中水体区域为白色，其他区域为黑色；
步骤S4-2:水体运动趋势分析：将多个时间点的水体表面图像进行对比，通过匹配相同位置像素的灰度值或特征点的位置计算水体的平移、旋转以及扭曲运动；
步骤S4-3：水表面高度和形状分析:对水体区域内的像素或特征点进行高度测量，并对水体表面图像像素或特征点进行形状分析；
步骤S4-4:分形维数计算：使用分形维数作为水体变化的指标；
步骤S4-5:将每个时间点的图像进行分割，找到水体的区域；
步骤S4-6:在每个时间点水体区域中计算分形维数；
步骤S4-7:比较不同时间点的水体分形维数的变化。
进一步的，所述步骤S4-1中使用分割算法将水体区域从图像中提取出来包括：
步骤S4-1-1:颜色空间转换：将输入的彩色图像转换为不同的颜色空间；
步骤S4-1-2:特征提取：从图像中提取水体的颜色特征；
步骤S4-1-3:阈值选择：根据颜色特征的分布情况选择阈值将图像进行二值化；
步骤S4-1-4:分割图像：根据选择的阈值将图像进行分割，将超过阈值的像素定义为水体区域，其他像素定义为非水体区域，从而生成二值图像，其中水体区域为白色，非水体区域为黑色。
进一步的，所述步骤S4-2中通过匹配相同位置像素的灰度值或特征点的位置计算水体的平移、旋转以及扭曲运动包括：
步骤S4-2-1:收集连续时间点的水体表面图像；
步骤S4-2-2:所述通过匹配相同位置像素特征点的位置计算水体的平移、旋转以及扭曲运动包括：通过图像处理库Open CV中的SIFT特征检测算法提取一组特征点和其对应的特征描述子；
步骤S4-2-3:判断步骤S4-2中是否通过匹配相同位置像素的灰度值计算水体的平移、旋转以及扭曲运动，若是，则执行步骤S4-2-4，否则，通过比较特征描述子或像素灰度值来匹配特征点或像素；
步骤S4-2-4:通过特征匹配算法对特征描述子进行匹配，找到每个特征点的最佳匹配点或最相似的特征点对。
进一步的，所述步骤S4-3中对水体区域内的像素或特征点进行高度测量包括:
步骤S4-3-1：地面站通过分析接收到的水体的高度变化信息中激光信号的频率和时间延迟，计算出水体表面的高度。
进一步的，所述步骤S4-3中对水体区域内的像素或特征点进行形状分析包括：
步骤S4-3-2：通过边缘检测算法提取图像中的边界信息；
步骤S4-3-3：利用提取的边界信息进行形状分析，得到形状特征；
步骤S4-3-4：将形状特征应用于可视化水体形状。
进一步的，所述步骤S6中通过灰度共生矩阵算法对预处理后得到的库岸图像数据进行计算分析包括：
步骤S6-1：确定灰度级数：将库岸图像数据的灰度级量化为一组离散的灰度值；
步骤S6-2：确定灰度对：定义一组灰度值的邻接关系；
步骤S6-3：计算灰度共生矩阵：遍历库岸图像数据中的像素，统计灰度对的出现频次，构建灰度共生矩阵；
步骤S6-4：从灰度共生矩阵中计算统计特征；
步骤S6-5：从库岸图像数据中提取颜色信息，使用颜色空间转换将图像转换为HSV颜色空间，得到颜色直方图；
步骤S6-6：计算颜色直方图，将颜色值分组并统计各组的像素数量；
步骤S6-7：分析颜色直方图的峰值、偏度、峰度特征，得到库岸表面的纹理信息。
本发明的优点在于：
1.本发明利用S-band SAR设备获取水体数据和库岸变形数据，结合多光谱影像监测传感器和激光测距模块获取水体和库岸的多维信息，可以提供全面而准确的监测数据；本发明采用预处理、分形算法、灰度共生矩阵算法等方法对水体和库岸变形数据进行处理、分析和计算，可以从多个角度量化和分析水体和库岸的变化趋势、形态变化和纹理信息，通过比较不同时间段的水体分形维数值和库岸的变形数据，可以分析水体和库岸的变化趋势，实现长期监测和趋势分析。
2.本发明采用基于GB-SAR技术的水库监测方法，利用S-band SAR设备获取水体数据与库岸变形数据，将水体数据以及库岸变形数据进行混合编码后发送至地面站，可以对水库进行全面监测，可以同时对水库内的水体数据和库岸变形数据进行同时监测，通过S-band SAR设备进行监测不会受到区域的限制，S-band SAR设备通过主动发射微波信号并接收反射回来的信号，不受反射点选择的限制，可以独立进行监测，无需依赖可见的反射点，能够在复杂地物环境中提供相对稳定的监测数据，可以减少信号穿透干扰的问题。
3.本发明采用非接触性的监测方式对水库进行监测，在监测过程中S-band SAR设备无需接触水体，可以在远距离上对水库范围内的地表变形以及水情进行监测，消除了在水库内部安装仪器和大量浮标的需要，减少了在监测过程中水体本身的干扰，本发明减少了对局部测量点的依赖性，可以提供更全面和准确的水库监测数据。
4.本发明可以自动进行监测，无需人工操作，无需人工干预或周期性观测，本发明能够以较高的监测频率提供数据更新，使监测结果更加及时和准确，一旦设备安装并设置好监测参数，它能够独立地进行监测任务，减少了人力资源的需求，并提高了监测效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明提供的一种基于GB-SAR的水库监测方法的流程图。
具体实施方式
下面将结合附图对本发明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。
实施例1：图1为本发明提供的一种基于GB-SAR的水库监测方法的流程图，如图1所示的一种基于GB-SAR的水库监测方法，GB-SAR 是一种基于地面平台的 SAR监测方式，可以在地面上安装 S-band SAR 设备，通过处理 GB-SAR 获取的雷达数据来获得目标的形变和运动信息，它可以实现连续、高分辨率的水库表面形变监测，相对于传统SAR技术，GB-SAR可以实现更长时间段和更高时间分辨率的数据采集，能够捕捉到更小的水体表面形变信号，提高了水位和水体变化的监测精度，此外，GB-SAR系统具有高强度、较小的发射功率，对环境影响相对较小，另外，它还可以实现全天候和全天时的监测，具有较高的灵活性，其监测方法包括以下步骤：
步骤S1:部署地面站与S-band SAR设备，将S-band SAR设备安装在监测点上，本发明中的S-band SAR设备包括：
雷达天线：用于发射和接收雷达信号；
发射器和接收器：用于控制雷达信号的发射和接收；
信号处理器：用于对接收到的雷达信号进行处理，对水体数据以及库岸变形数据进行混合编码；
控制系统：用于对S-band SAR设备进行控制和监测，保证设备正常运行；
多光谱影像监测传感器：用于获取水体表面图像信息以及库岸的图像信息；
相位差电感器：用于测量雷达信号在S-band SAR设备和水体表面以及S-band SAR设备和库岸之间传播的时间延迟信息；
激光测距模块：用于发送激光束到水面，测量激光束返回的频率和时间延迟，从而监测水体表面的高度变化信息；
摄像头：用于拍摄水体表面以及库岸的图像，获取水体与库岸的表观特征；
本发明中的S-band SAR设备与地面站之间通过无线电相互通信，在安装S-bandSAR设备时根据设备要求，在监测点处安装一个适当的固定平台或支架作为S-band SAR设备的安装基础，确保该平台稳固可靠，并具备足够的稳定性以抵御风、震动或其他外界干扰，监测点位于水库中心的位置，能够提供整体水体运动的综合信息；监测点还可以根据实际需要选择水库的水位变化区域以及水库的出水口/进水口，选择位于水位变化明显的区域，可以监测水位的上升和下降情况，以评估水库的蓄水和泄洪状况；选择位于水库出水口或进水口附近的位置，能够监测水体的进出情况；将S-band SAR设备安装在固定平台上，确保设备安装牢固且指向目标区域，然后进行S-band SAR设备的校准和测试，确保其正常工作和准确读取信息；连接电源和通信：为SAR设备提供电源，并确保与地面站之间的无线电通信连接正常运作。
步骤S2:利用S-band SAR设备获取水体数据与库岸变形数据，将水体数据以及库岸变形数据进行混合编码后发送至地面站，本发明采用混合编码技术将图像数据分为基础编码和增量编码两部分，基础编码使用无损数据压缩算法，增量编码使用可逆差分编码技术。这样可以节约存储空间，同时保证数据质量；其中的水体数据包括：水体表面图像、水表面的高度和形状以及水体表面的高度变化数据；库岸变形数据包括：库岸位移量、库岸移速率、库岸主体变形形态、库岸边缘形态与库岸变形区域；
其中步骤S2中利用S-band SAR设备获取水体数据包括：
步骤S2-1-1:通过S-band SAR设备的发射器控制雷达天线将特定频率和脉宽的雷达信号发送到目标水体表面；
步骤S2-1-2：经过水体表面的散射后，雷达信号产生回波，回波以不同的强度和相位返回到S-band SAR设备的雷达天线；
步骤S2-1-3：通过多光谱影像监测传感器接收水面不同波长的反射光，获取包含多个光谱波段的影像数据；
步骤S2-1-4：通过相位差电感器测量雷达信号在S-band SAR设备和水体表面之间传播的时间延迟信息：
步骤S2-1-5：通过激光测距模块发送激光束到水面，获取水体的高度变化信息：
步骤S2-1-6:雷达天线将接收到的回波信号传送给S-band SAR设备的接收器进行解调，将雷达回波信号转换为电信号。
其中步骤S2中利用S-band SAR设备获取库岸变形数据包括：
步骤S2-2-1:通过S-band SAR设备的发射器控制雷达天线将特定频率和脉宽的雷达信号发送到目标库岸表面；
步骤S2-2-2：经过库岸表面的散射、衰减和反射后，部分信号从库岸表面反射回到接收器；
步骤S2-2-3：通过多光谱影像监测传感器接收库岸不同波长的反射光，获取包含多个光谱波段的影像数据；
步骤S2-2-4：通过相位差电感器测量雷达信号在S-band SAR设备和库岸表面之间传播的时间延迟信息：
步骤S2-2-5:雷达天线将接收到的回波信号传送给S-band SAR设备的接收器进行解调，将雷达回波信号转换为电信号；
步骤S2-2-6:将解调后的电信号、库岸影像数据、S-band SAR设备和库岸表面之间传播的时间延迟信息以及库岸表面的反射特征信息与水体数据进行混合编码，形成数字式的雷达回波数据，通过S-band SAR设备的发射器控制雷达天线将电信号发送至地面站进行后续处理。
通过步骤S2-1-1至步骤S2-2-6所实现的技术效果是获取水体数据和库岸变形数据，利用S-band SAR设备可以获取水体的特定频率和脉宽的雷达信号，多光谱影像数据，激光测距信息以及库岸表面的反射特征信息，综合这些数据，可以得到水体和库岸的形态、变化以及变形信息。
步骤S3:对连续时间段内获取到的水体数据与库岸变形数据进行预处理；
其预处理方法包括：
S3-1:对水体原始数据与库岸变形原始数据进行零漂修正，消除S-band SAR设备中的信号零偏，确保水体和库岸原始数据的准确性和可靠性；
S3-2:在对水体原始数据与库岸变形原始数据进行零漂修正之后，进行几何校正，使其符合地理坐标系统，消除图像中的几何失真，保证数据准确地反映实际场景的形态和位置：
S3-3:对几何校正完成后的水体图像以及库岸图像进行辐射校正，将图像中的像素值转换为辐射度或辐射率，得到与辐射度相关的图像，便于后续的分析和处理：
S3-4:对辐射校正完成后图像进行滤波，去除或减少图像中的噪声和杂散信号，得到经过去噪声后的水体图像以及库岸图像，可以提高图像质量和清晰度，使数据更易于解读和分析。
步骤S4:通过分形算法对预处理后得到的水体数据进行处理，得到分形维数，其分形算法具体包括：
步骤S4-1:水体区域提取：使用分割算法将水体区域从图像中提取出来，根据水体的颜色、纹理特征进行分割，得到水体的二值图像，其中水体区域为白色，其他区域为黑色，可以准确地提取出水体的轮廓和形状，其采用的分割算法包括以下步骤：
步骤S4-1-1:颜色空间转换：将输入的彩色图像转换为适合处理的颜色空间（适合处理的颜色空间包括RGB与HSV，选择合适的颜色空间有助于提取水体的颜色特征）。
步骤S4-1-2:特征提取：从图像中提取水体的颜色特征，如基于颜色通道的直方图特征，这些特征将用于后续的阈值分割。
步骤S4-1-3:阈值选择：根据颜色特征的分布情况选择阈值将图像进行二值化，阈值选择方法采用全局阈值或自适应阈值，阈值的选择应使得水体与非水体之间的具有明显分割。
步骤S4-1-4:分割图像：根据选择的阈值将图像进行分割，将超过阈值的像素定义为水体区域，其他像素定义为非水体区域，从而生成二值图像，其中水体区域为白色，非水体区域为黑色。
步骤S4-1-4:后处理（可选）：对分割结果进行后处理，以去除噪声或改善分割效果，例如可以使用形态学操作（如膨胀、腐蚀等操作）来平滑边界或填充孔洞。
步骤S4-2:水体运动趋势分析：将多个时间点的水体表面图像进行对比，通过匹配相同位置像素的灰度值或特征点的位置计算水体的平移、旋转以及扭曲运动，可以定量分析水体的运动趋势，例如水体的漂移、旋转和形变情况，其计算方式包括：
步骤S4-2-1:收集连续时间点的水体表面图像；
步骤S4-2-2:通过匹配相同位置像素特征点的位置计算水体的平移、旋转以及扭曲运动，通过图像处理库Open CV中的SIFT特征检测算法提取一组特征点和其对应的特征描述子，其中SIFT（尺度不变特征变换）具体包括：
尺度空间极值检测：在不同尺度的高斯模糊图像中寻找极值点。
关键点定位：通过在尺度空间中进行极值点的精确定位，找到稳定的关键点位置，丢弃低对比度和边缘响应较大的关键点。
方向分配：为每个关键点计算主方向，以使得关键点具有旋转不变性。
关键点描述：根据关键点周围区域的梯度方向计算描述子，该描述子对于光照变化和旋转具有较好的鲁棒性。
步骤S4-2-3:通过比较特征描述子或像素灰度值来匹配特征点或像素，若通过匹配相同位置像素的灰度值位置计算水体的平移、旋转以及扭曲运动则跳过此步骤；
步骤S4-2-4:通过特征匹配算法对特征描述子进行匹配，找到每个特征点的最佳匹配点或最相似的特征点对。
特征匹配算法采用目前现有技术中常用的算法（可采用Harris角点检测、SIFT、SURF或ORB算法），其匹配步骤为：
特征描述子计算：对于每个特征点，计算其相应的特征描述子，特征描述子是一种对特征点周围图像区域进行编码的向量或矩阵，用于表征该点附近的特征信息，可以将复杂的图像特征转化为可比较的向量或矩阵表示。
最近邻搜索：对于一个特征点的特征描述子，通过计算其与其他图像中所有特征点描述子之间的距离，找到最相似的特征点。这可以使用最近邻算法（如最近邻搜索）来进行，可以寻找到图像中相似的特征点，用于匹配和对应点的确定。
距离计算：根据选择的特征描述子距离度量方式（如欧氏距离、汉明距离、余弦相似度等），计算该特征点的特征描述子与其他图像中特征点描述子的距离，可以衡量特征点之间的相似性程度。
最佳匹配点选择：对于每个特征点，选择距离最近的特征点作为其最佳匹配点。这可以通过选择最小距离或加权距离来实现，可以确定每个特征点的对应点，用于后续的图像配准、物体识别等应用。
特征匹配筛选：根据一定的阈值或特定的匹配筛选算法，排除一些不可靠的匹配点对，例如可以使用距离比率测试（Distance Ratio Test）来减少误匹配，提高匹配的准确性。
通过这些步骤，可以找到每个特征点的最佳匹配点或最相似的特征点对，可以帮助在图像中寻找特征点的对应关系，实现物体识别、目标跟踪、图像配准任务。
步骤S4-3：水表面高度和形状分析:对水体区域内的像素或特征点进行高度测量，并对水体表面图像像素或特征点进行形状分析，可以计算得到水体表面的高度信息，可以实现对水体表面高度的测量和监测，用于水位测量与水位预警监测；
在步骤S4-3中对水体区域内的像素或特征点进行高度测量包括:
步骤S4-3-1：地面站通过分析接收到的水体的高度变化信息中激光信号的频率和时间延迟，并计算出水体表面的高度，其计算方式包括：
步骤S4-3-1-1：接收反射信号：激光测距模块接收从水体表面反射回来的信号，这些信号包含了水体表面与设备之间的距离信息。
步骤S4-3-1-2：频率分析：通过分析接收到的激光信号的频率，通过应用傅里叶变换或其他频谱分析技术，将时间域信号转换为频域信号，获得信号的频率分布。
步骤S4-3-1-3：多普勒频移计算：在频域信号中，找到反映多普勒频移的特征频率，根据特征频率与激光发射频率之间的差异，计算出激光与水体表面之间的多普勒频移。
步骤S4-3-1-4：运动速度计算：通过多普勒频移，可以推断水体表面的运动速度信息。多普勒频移与速度之间存在一定的线性关系，根据预设的校准参数，将多普勒频移转换为水体表面的运动速度。
步骤S4-3-1-5：时间延迟计算：地面站通过接收激光测距模块测量激光脉冲发送和接收之间的时间延迟来计算S-band SAR设备与水体表面之间的距离。
步骤S4-3-1-6：高度计算：结合频率分析得到的多普勒频移和时间延迟计算得到的距离信息计算出水体表面的高度，由于多普勒频移提供了高度变化的速度信息，时间延迟提供了距离信息，综合这两个参数从而得到水体表面的高度。
在步骤S4-3中对水体区域内的像素或特征点进行形状分析包括：
步骤S4-3-2：通过边缘检测算法提取图像中的边界信息；
步骤S4-3-3：利用提取的特征进行形状分析，可以使用形状描述符，如Hu 矩、Zernike 矩等来表征形状的全局特征，还可以使用局部形状特征描述子，如SIFT、HOG、Spin这些图像特征算法，可以对连续时间点的水体表面高度数据进行差分或相关性分析，以捕捉水体表面高度的变化特征，通过计算高度变化的均值、标准差等统计数据，或者应用时间序列分析方法，如滤波、傅里叶变换、小波变换等来分析水体表面高度的变化趋势和周期性。
步骤S4-3-4：将形状特征应用于可视化水体形状，根据需求，可以将形状特征应用于可视化水体形状，可以生成形状变化的动态图像、形状比较的图表或渲染出水体的三维模型；
对水体区域内的像素或特征点进行形状分析可以使用曲率计算、拟合曲线方法来获取水体表面的形状信息，其具体步骤包括：
曲率计算：首先选择水体区域内的像素或特征点，然后选择边界上的像素或特征点作为分析对象，对于每个选定的像素或特征点，考虑其周围一定范围内的邻居像素或特征点，例如取其周围的几个像素或特征点，然后基于选定像素或特征点及其邻居点的空间位置关系计算曲率（采用常见的曲率计算方法进行计算，可以采用离散曲率计算或基于差分法的曲率计算的计算方式），曲率可以用于描述在该点处水体表面形状的弯曲程度。
拟合曲线：对于从曲率计算得到的一组数据点，可以通过拟合曲线来获得水体表面的整体形状信息，使用拟合曲线方法（例如最小二乘拟合、多项式拟合、贝塞尔曲线拟合），将数据点拟合成一个数学模型，根据拟合曲线的参数计算出各种形状属性（例如曲率半径、曲率中心、曲率极值），这些属性提供了对水体表面形状的定量描述；需要注意的是，具体的曲率计算和拟合曲线方法可能会因应用需求和具体场景而有所不同，可根据实际需要进行调整。
步骤S4-4:分形维数计算：使用分形维数作为水体变化的指标，分形维数是一个衡量对象的不规则程度的指标，可以描述水体的分形特征和结构复杂度，将水体的轮廓或边界提取为一组曲线上的点，可以使用边缘检测算法（如Canny算子）来获取水体轮廓，或者使用其他分割算法得到的边界。
步骤S4-5:将每个时间点的图像进行分割，找到水体的区域；可以使用阈值分割、基于颜色或纹理特征的分割方法，具体可以通过以下几种方法实现：
阈值分割：首先选择适当的阈值，将图像中灰度值高于或低于该阈值的像素分为水体和非水体两部分。可以通过观察图像的直方图来选择合适的阈值，或者通过试验和调整来确定最佳阈值。
基于颜色的分割：如果水体区域在图像中具有特定的颜色范围或颜色特征，可以利用颜色信息来进行分割。通过选择适当的颜色空间（如RGB、HSV等），定义水体的颜色范围，然后将落在该范围内的像素归类为水体。
基于纹理特征的分割：水体区域可能在图像中具有特定的纹理特征，如平滑度或纹理的连续性。可以利用纹理分析方法，如纹理过滤器、纹理梯度等，来分割图像并找到水体区域。
其分割方法的具体步骤如下：
步骤S4-5-1：选择合适的图像分割方法，如阈值分割、基于颜色的分割或基于纹理特征的分割。
步骤S4-5-2：根据选定的方法，确定相应的参数，如阈值、颜色范围或纹理特征。
步骤S4-5-3：将参数应用于每个时间点的图像，将图像分割为水体和非水体区域。
步骤S4-5-4：对于每个时间点，获取水体区域的二值图像或掩膜，其中水体区域像素值为1，非水体区域像素值为0。
通过这些步骤，可以将每个时间点的图像分割成水体和非水体区域，并得到表示水体区域的二值图像或掩膜，以进一步应用于下一步骤S4-6中的盒计数法来计算分形维数。
步骤S4-6:在每个时间点水体区域中使用盒计数法（Box Counting Method）计算分形维数，本发明使用盒计数法（Box Counting Method）来计算水体的分形维数：将水体边界覆盖在长方形网格上，统计网格内覆盖水体边界的格点数量（又称为盒子数），根据不同的网格尺度计算每个尺度下的盒子数，可以通过改变网格的大小来进行多个尺度的计算，对每个尺度下的盒子数进行记录，并根据尺度和盒子数的关系绘制图谱。
通常盒子数将随着尺度的减小而增加，在对数尺度上绘制盒子数与尺度的关系图谱，从而得到一条线性的趋势线，分形维数可以通过该趋势线的斜率来估算，斜率越大，分形维数越大，表示水体的不规则程度和分形特征更突出，此外，分形维数计算也可以结合其他分形分析方法（如谱分析、小波分析等方法）来得到更全面的分形特征描述；
步骤S4-7:比较不同时间点的水体分形维数的变化，根据检测到的变化，对水体变化进行分析和解释，其具体的步骤包括：
步骤S4-7-1：计算每个时间点的水体分形维数，使用在步步骤S4-5-4：中得到的水体区域的二值图像或掩膜，应用分形维数计算方法（如盒计数法）来计算每个时间点的水体分形维数，为每个时间点提供一个表示水体结构复杂性的度量。
步骤S4-7-2：绘制水体分形维数随时间变化的曲线图，将每个时间点的水体分形维数值以时间为横轴，分形维数值为纵轴，绘制曲线图，反映水体分形维数随时间的变化趋势。
步骤S4-7-3：进行时间序列分析。使用时间序列分析方法（如趋势分析、周期性分析、突变检测等），对水体分形维数的曲线图进行分析，得到分析结果。例如可以使用滑动平均法或回归分析来检测趋势，使用傅里叶分析或自相关分析来检测周期性，使用突变检测算法来检测突发的变化事件。
步骤S4-7-4：分析和解释水体分形维数变化：根据分析结果对水体分形维数的变化进行解释。例如，如果趋势分析显示水体分形维数呈递增或递减趋势，可以推断水体结构的复杂性或简单性随时间的变化；如果周期性分析显示水体分形维数存在固定的周期性变化，可以推断水体存在某种周期性的变化模式；如果突变检测显示出突发的变化事件，可以推断水体发生了显著的变化。
通过这些步骤，可以对水体分形维数的变化进行分析和解释，从而得到关于水体变化的有关信息，如结构复杂性的变化趋势、变化的周期性或突发事件，利用分形算法可以对水体的形态、稳定性、不规则程度等进行监测。分形算法可用于捕捉时间序列数据的长尾分布特征，分析图片的不规则程度，进而实现对水体运动状态的监测与分析。
步骤S5:通过比较在连续时间段内不同时间点的分形维数值，分析水体数据的变化趋势，其具体步骤包括：
步骤S5-1：选择不同的时间段。将水体数据分成不同的时间段，例如按年、按季度或按月份，以便对比和分析不同时间段的分形维数值。
步骤S5-2：计算每个时间段的分形维数值。使用相同的分形计算方法（如盒计数法），在每个时间段内计算水体数据的分形维数值。这将为每个时间段提供一个表示水体复杂性和一致性的度量。
步骤S5-3：比较不同时间段的分形维数值。将每个时间段的分形维数值进行比较，在同一图表上绘制分形维数随时间的变化曲线，或者使用统计方法（如平均值、方差等）进行对比分析。较大的分形维数值表示水体数据的复杂性和碎裂程度较高，而较小的分形维数值表示水体数据的均匀性和一致性较高。
步骤S5-4：分析水体数据的变化趋势。根据分形维数随时间的变化曲线或比较结果，分析水体数据的变化趋势。例如，如果分形维数随时间呈递增趋势，表示水体的复杂性和碎裂程度逐渐增加；如果分形维数随时间呈递减趋势，表示水体的一致性和均匀性逐渐增强。
通过这些步骤，可以观察分形维数随时间的变化，评估水体数据的复杂性和一致性，并分析水体的动态变化趋势。便于理解水体的结构特征及其变化，从而为水库管理和保护提供有关水体动态的重要信息。
步骤S6:通过灰度共生矩阵算法对预处理后得到的库岸图像数据进行计算分析，其计算分析步骤具体包括：
步骤S6-1：确定灰度级数：将库岸图像数据的灰度级量化为一组离散的灰度值；
步骤S6-2：确定灰度对：定义一组灰度值的邻接关系（可以选择水平、垂直或对角线方向等）。
步骤S6-3：计算灰度共生矩阵：遍历库岸图像数据中的像素，统计灰度对的出现频次，构建灰度共生矩阵；
步骤S6-4：从灰度共生矩阵中计算统计特征，其中统计特征具体包括：
能量（Energy）：也称为对比度的平方和或自相关性，表示灰度级对在图像中出现的频率或概率。能量越高，表示图像的纹理越强。
对比度（Contrast）：用于描述图像中灰度级对之间的对比度或差异性。对比度越高，表示图像的纹理越明显。
熵（Entropy）：用于衡量图像的不确定性或信息量。熵越高，表示图像的纹理越复杂。
相关性（Correlation）：用于衡量灰度级对之间的线性关系或相关性，反映图像中的规律性。相关性越接近1，表示图像的纹理越规则。
逆差矩（Inverse Difference Moment，IDM）：用于衡量灰度级对之间的局部同质性或一致性，反映图像中的平滑程度。
这些统计特征是根据灰度共生矩阵的数值计算得出的，灰度共生矩阵（GLCM）统计特征计算包括：
a.距离和角度：根据需要选择灰度共生矩阵的距离和角度参数。
b.计算统计特征：从灰度共生矩阵中计算一系列统计特征，如能量、对比度、熵和相关性等。
结果分析和解释：根据计算得到的纹理特征，对库库岸区域进行分析和解释。可以比较不同区域的特征值，或与其他地理数据进行关联，以了解库岸的纹理特征。
灰度共生矩阵中的元素代表了不同灰度级对在图像中的出现频次。通过对灰度共生矩阵进行归一化、加权或求和等操作，可以得到以上统计特征，进而描述库岸图像的纹理特征，这些特征用于比较库岸图像之间的纹理差异。
步骤S6-5：从库岸图像数据中提取颜色信息，使用颜色空间转换将图像转换为HSV颜色空间，得到颜色直方图；
步骤S6-6：计算颜色直方图，将颜色值分组并统计各组的像素数量,将图像转换为RGB颜色空间，并将颜色空间划分为几个离散的颜色组（例如256组），通过计算水库库岸区域的颜色直方图可以捕捉到库岸颜色的变化，如果颜色直方图呈现出与正常情况不符的异常模式，可能意味着库岸发生了变化，如土壤侵蚀、裸露岩石的出现等迹象，从而提前预警并及时采取措施；
步骤S6-7：分析颜色直方图的峰值、偏度、峰度特征，得到库岸表面的纹理信息，其中峰值分析是通过颜色直方图的峰值（Peak）来衡量库岸表面的颜色分布的集中度，峰值较高表示颜色分布相对集中，峰值较低则表示颜色分布相对分散。通过峰值分析，可以获得库岸表面的颜色分布的集中程度信息；其中偏度为正表示颜色分布向右偏斜，而负偏度表示分布向左偏斜。通过偏度分析，可以了解到库岸表面颜色分布的偏斜情况；其中峰度用于描述颜色分布的尖锐程度，峰度高表示颜色分布较尖锐，而峰度低表示分布较平缓。通过峰度分析，可以得到库岸表面颜色分布的尖锐程度信息。
通过分析颜色直方图的峰值、偏度和峰度，可以了解库岸表面的纹理特征，包括分布的集中程度、偏斜方向和尖锐程度。纹理特征可以用于监测库岸表面的环境变化，库岸变形可能是由于侵蚀、沉降、滑坡等地质和地形因素引起的。库岸纹理特征的分析可以帮助检测这些变形的特征，例如形态的扭曲、裂缝的生成等，从而提前预警潜在的库岸破坏风险；库岸纹理特征的分析可以提供定量的变形监测指标，通过跟踪纹理特征的变化，可以量化库岸的变形程度，并建立库岸变形的时间序列数据。这些数据有助于识别和分析库岸变形的趋势与速率，为工程师和决策者提供及时的变形监测信息；库岸纹理特征可以提供有关库岸稳定性的参考。通过分析纹理特征可以了解库岸表面的平整度、均匀性以及纹理的连续性等，这些都是库岸稳定性的重要指标，根据纹理特征的变化，可以评估库岸的稳定状态，并及时采取相应的措施来保护库岸的稳定性。
步骤S7:将连续时间段内不同时间点的库岸变形数据进行配准，以确保数据之间的空间一致性；这样做的目的是消除不同时间点数据之间的位置偏移或错位现象，使得它们在相同空间参考下进行比较和分析，其具体步骤如下：
步骤S7-1:选择一个参考坐标系或参考对象：选择一个稳定且在每个时间点都能够明确识别的地物或坐标点作为参考对象，或者使用已知的高精度地理定位技术（如GPS）来建立一个稳定的坐标系。
步骤S7-2:进行坐标系转换：对于每个时间点的库岸变形数据，通过使用合适的大地坐标转换方法，将其转换到相同的参考坐标系下(包括坐标转换、旋转和尺度校正操作)。
步骤S7-3:图像或数据配准：对于库岸变形数据使用目前现有的影像配准算法进行数据配准，影像配准算法可以通过对影像进行平移、旋转和缩放等操作来实现不同时间点的影像对齐。
步骤S7-4:质量检查：对配准后的数据进行质量检查，确保数据之间的一致性和准确性，包括检查重叠区域的重叠度、检查与参考对象的一致性。
步骤S8:使用配准后的数据，计算不同时间点之间的库岸地形变形量；步骤S8的具体步骤是使用配准后的数据，计算不同时间点之间的库岸地形变形量。这一步骤的目的是定量分析不同时间点库岸的地形变化，以衡量库岸发生的变形程度，其具体步骤如下：
步骤S8-1:首先对配准后的库岸地形数据进行差值操作，计算每个时间点之间的高程或形态差异。
步骤S8-2:使用差值后的数据，计算不同时间点之间的地形变形量（可以是全局的计算，例如整个库岸区域的平均变形量，也可以是局部的计算，如特定区域或特定地点的变形量）。
步骤S8-3:对计算得到的地形变形量进行统计与分析，包括计算变形量的统计指标（如平均值、标准差），以及生成变形量的空间分布图或变形速率图，进一步了解库岸的变形特征和趋势。
本发明通过步骤S7和S8，可以在时间序列上评估库岸的变形程度和空间分布，为库岸变形的监测和管理提供重要的定量数据；
步骤S9:根据计算得到的库岸地形变形量数据，绘制库岸的变形曲线；通常时间被用作横轴，变形量（如位移）被用作纵轴，可以根据需要绘制单个测点或整体库岸的变形曲线。
步骤S10:通过观察变形曲线以及分析库岸表面的纹理信息，识别和量化局部或整体的形态变化，分析库岸的变形趋势，其具体步骤包括：
步骤S10-1:绘制变形曲线：根据收集的监测数据，将库岸的位移、倾斜角度或其他形变指标随时间变化的数据绘制成变形曲线（使用专业数据处理软件，如Excel、MATLAB等进行绘制和分析）。
步骤S10-2:分析曲线趋势：对变形曲线进行趋势分析，以确定库岸的整体变形趋势。常用的趋势分析方法包括线性回归、多项式拟合、移动平均等方法。通过分析可以了解库岸的变形趋势是逐渐增大、减小还是保持稳定。
步骤S10-3:识别局部形态变化：在变形曲线上，注意是否存在异常的峰值、突变或周期性的起伏，这可能表明库岸发生了局部形态变化。识别这些局部变化的特征可以帮助了解库岸各个区域的变形情况。
步骤S10-4:量化局部形态变化：对于发现的局部形态变化，通过对应的监测数据进行分析，量化其具体程度。这可以包括计算位移量、倾斜角度的变化幅度、裂缝宽度的增加等参数。使用适当的数学方法，例如差值计算或图像处理技术，将监测数据转化为具体的形变参数。
通过上述步骤得出的变形曲线分析的结果与实际情况相结合，并根据需要采取适当的措施进行工程管理措施以保护库岸的稳定性。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部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范围。
Claims (8)
1.一种基于GB-SAR的水库监测方法，其特征在于，包括以下步骤：
步骤S1:部署地面站与S-band SAR设备，将S-band SAR设备安装在监测点上，所述S-band SAR设备与地面站之间通过无线电相互通信；
所述S-band SAR设备包括：
雷达天线：用于发射和接收雷达信号；
发射器和接收器：用于控制雷达信号的发射和接收；
信号处理器：用于对接收到的雷达信号进行处理，对水体数据以及库岸变形数据进行混合编码；
控制系统：用于对S-band SAR设备进行控制和监测，保证设备正常运行；
多光谱影像监测传感器：用于获取水体表面图像信息以及库岸的图像信息；
相位差电感器：用于测量雷达信号在S-band SAR设备和水体表面以及S-band SAR设备和库岸之间传播的时间延迟信息；
激光测距模块：用于发送激光束到水面，测量激光束返回的频率和时间延迟，从而监测水体表面的高度变化信息；
摄像头：用于拍摄水体表面以及库岸的图像，获取水体与库岸的表观特征；
步骤S2:利用S-band SAR设备获取水体数据与库岸变形数据，将水体数据以及库岸变形数据进行混合编码后发送至地面站；
所述水体数据包括：水体表面图像信息、水体的表观特征信息以及水体表面的高度变化信息；
所述库岸变形数据包括：库岸的图像信息以及库岸的表观特征信息；
步骤S3:对连续时间段内获取到的水体数据与库岸变形数据进行预处理；
步骤S4:通过分形算法对预处理后得到的水体数据进行处理，得到分形维数，具体包括：
步骤S4-1:水体区域提取：使用分割算法将水体区域从图像中提取出来，根据水体的颜色、纹理特征进行分割，得到水体的二值图像，其中水体区域为白色，其他区域为黑色；
步骤S4-2:水体运动趋势分析：将多个时间点的水体表面图像进行对比，通过匹配相同位置像素的灰度值或特征点的位置计算水体的平移、旋转以及扭曲运动，具体包括：
步骤S4-2-1:收集连续时间点的水体表面图像；
步骤S4-2-2:所述通过匹配相同位置像素特征点的位置计算水体的平移、旋转以及扭曲运动包括：通过图像处理库Open CV中的SIFT特征检测算法提取一组特征点和其对应的特征描述子；
步骤S4-2-3:判断步骤S4-2中是否通过匹配相同位置像素的灰度值计算水体的平移、旋转以及扭曲运动，若是，则执行步骤S4-2-4，否则，通过比较特征描述子或像素灰度值来匹配特征点或像素；
步骤S4-2-4:通过特征匹配算法对特征描述子进行匹配，找到每个特征点的最佳匹配点或最相似的特征点对；
步骤S4-3：水表面高度和形状分析:对水体区域内的像素或特征点进行高度测量，并对水体表面图像像素或特征点进行形状分析；
步骤S4-4:分形维数计算：使用分形维数作为水体变化的指标；
步骤S4-5:将每个时间点的图像进行分割，找到水体的区域；
步骤S4-6:在每个时间点水体区域中计算分形维数；
步骤S4-7:比较不同时间点的水体分形维数的变化；
步骤S5:通过比较在连续时间段内不同时间点的分形维数值，分析水体数据的变化趋势；
步骤S6:通过灰度共生矩阵算法对预处理后得到的库岸图像数据进行计算分析；
步骤S7:将连续时间段内不同时间点的库岸变形数据进行配准，以确保数据之间的空间一致性；
步骤S8:使用配准后的数据，计算不同时间点之间的库岸地形变形量；
步骤S9:根据计算得到的库岸地形变形量数据，绘制库岸的变形曲线；
步骤S10:通过观察变形曲线以及分析库岸表面的纹理信息，识别和量化局部或整体的形态变化，分析库岸的变形趋势。
2.根据权利要求1所述的一种基于GB-SAR的水库监测方法，其特征在于，所述步骤S2中利用S-band SAR设备获取水体数据包括：
步骤S2-1-1:通过S-band SAR设备的发射器控制雷达天线将特定频率和脉宽的雷达信号发送到目标水体表面；
步骤S2-1-2：经过水体表面的散射后，雷达信号产生回波，回波以不同的强度和相位返回到S-band SAR设备的雷达天线；
步骤S2-1-3：通过多光谱影像监测传感器接收水面不同波长的反射光，获取包含多个光谱波段的影像数据；
步骤S2-1-4：通过相位差电感器测量雷达信号在S-band SAR设备和水体表面之间传播的时间延迟信息：
步骤S2-1-5：通过激光测距模块发送激光束到水面，获取水体的高度变化信息：
步骤S2-1-6:雷达天线将接收到的回波信号传送给S-band SAR设备的接收器进行解调，将雷达回波信号转换为电信号。
3.根据权利要求1所述的一种基于GB-SAR的水库监测方法，其特征在于，所述步骤S2中利用S-band SAR设备获取库岸变形数据包括：
步骤S2-2-1:通过S-band SAR设备的发射器控制雷达天线将特定频率和脉宽的雷达信号发送到目标库岸表面；
步骤S2-2-2：经过库岸表面的散射、衰减和反射后，部分信号从库岸表面反射回到接收器；
步骤S2-2-3：通过多光谱影像监测传感器接收库岸不同波长的反射光，获取包含多个光谱波段的影像数据；
步骤S2-2-4：通过相位差电感器测量雷达信号在S-band SAR设备和库岸表面之间传播的时间延迟信息：
步骤S2-2-5:雷达天线将接收到的回波信号传送给S-band SAR设备的接收器进行解调，将雷达回波信号转换为电信号；
步骤S2-2-6:将解调后的电信号、库岸影像数据、S-band SAR设备和库岸表面之间传播的时间延迟信息以及库岸表面的反射特征信息与水体数据进行混合编码，形成数字式的雷达回波数据，通过S-band SAR设备的发射器控制雷达天线将电信号发送至地面站进行后续处理。
4.根据权利要求1所述的一种基于GB-SAR的水库监测方法，其特征在于，所述步骤S3中对获取的水体数据与库岸变形数据进行预处理包括：
S3-1:对水体原始数据与库岸变形原始数据进行零漂修正，消除S-band SAR设备中的信号零偏：
S3-2:在对水体原始数据与库岸变形原始数据进行零漂修正之后，进行几何校正：
S3-3:对几何校正完成后的水体图像以及库岸图像进行辐射校正，将图像中的像素值转换为辐射度或辐射率，得到与辐射度相关的图像：
S3-4:对辐射校正完成后图像进行滤波，去除或减少图像中的噪声和杂散信号，得到经过去噪声后的水体图像以及库岸图像。
5.根据权利要求1所述的一种基于GB-SAR的水库监测方法，其特征在于，所述步骤S4-1中使用分割算法将水体区域从图像中提取出来包括：
步骤S4-1-1:颜色空间转换：将输入的彩色图像转换为不同的颜色空间；
步骤S4-1-2:特征提取：从图像中提取水体的颜色特征；
步骤S4-1-3:阈值选择：根据颜色特征的分布情况选择阈值将图像进行二值化；
步骤S4-1-4:分割图像：根据选择的阈值将图像进行分割，将超过阈值的像素定义为水体区域，其他像素定义为非水体区域，从而生成二值图像，其中水体区域为白色，非水体区域为黑色。
6.根据权利要求1所述的一种基于GB-SAR的水库监测方法，其特征在于，所述步骤S4-3中对水体区域内的像素或特征点进行高度测量包括:
步骤S4-3-1：地面站通过分析接收到的水体的高度变化信息中激光信号的频率和时间延迟，计算出水体表面的高度。
7.根据权利要求1所述的一种基于GB-SAR的水库监测方法，其特征在于，所述步骤S4-3中对水体表面图像像素或特征点进行形状分析包括：
步骤S4-3-2：通过边缘检测算法提取图像中的边界信息；
步骤S4-3-3：利用提取的边界信息进行形状分析，得到形状特征；
步骤S4-3-4：将形状特征应用于可视化水体形状。
8.根据权利要求1所述的一种基于GB-SAR的水库监测方法，其特征在于，所述步骤S6中通过灰度共生矩阵算法对预处理后得到的库岸图像数据进行计算分析包括：
步骤S6-1：确定灰度级数：将库岸图像数据的灰度级量化为一组离散的灰度值；
步骤S6-2：确定灰度对：定义一组灰度值的邻接关系；
步骤S6-3：计算灰度共生矩阵：遍历库岸图像数据中的像素，统计灰度对的出现频次，构建灰度共生矩阵；
步骤S6-4：从灰度共生矩阵中计算统计特征；
步骤S6-5：从库岸图像数据中提取颜色信息，使用颜色空间转换将图像转换为HSV颜色空间，得到颜色直方图；
步骤S6-6：计算颜色直方图，将颜色值分组并统计各组的像素数量；
步骤S6-7：分析颜色直方图的峰值、偏度、峰度特征，得到库岸表面的纹理信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311507421.9A CN117233762B (zh) | 2023-11-14 | 2023-11-14 | 一种基于gb-sar的水库监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311507421.9A CN117233762B (zh) | 2023-11-14 | 2023-11-14 | 一种基于gb-sar的水库监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117233762A CN117233762A (zh) | 2023-12-15 |
| CN117233762B true CN117233762B (zh) | 2024-02-09 |
Family
ID=89098799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311507421.9A Active CN117233762B (zh) | 2023-11-14 | 2023-11-14 | 一种基于gb-sar的水库监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117233762B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117805109A (zh) * | 2023-12-29 | 2024-04-02 | 江苏腾丰环保科技有限公司 | 一种基于纹理特征识别的水质检测方法、系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108615035A (zh) * | 2018-04-18 | 2018-10-02 | 四川大学 | 基于图像识别的中小土石坝安全信息采集系统 |
| CN109709550A (zh) * | 2019-01-17 | 2019-05-03 | 武汉大学 | 一种基于InSAR影像数据的库岸边坡形变监测处理方法 |
| CN109725312A (zh) * | 2019-01-17 | 2019-05-07 | 武汉大学 | 一种基于空天地一体化观测的库岸形变监测方法 |
| CN110471062A (zh) * | 2019-07-29 | 2019-11-19 | 武汉大学 | 基于地面稳定平台sar的流域库岸形变数据自动采集与处理方法 |
| CN110500996A (zh) * | 2019-07-29 | 2019-11-26 | 武汉大学 | 基于近景摄影测量的流域库岸形变数据自动实时处理方法 |
| CN110596702A (zh) * | 2019-07-29 | 2019-12-20 | 武汉大学 | 基于地面稳定平台sar的流域库岸变形监测方法 |
| CN111399012A (zh) * | 2020-03-20 | 2020-07-10 | 中国矿业大学 | 一种利用gnss三频相位组合数据监测水库水位的方法 |
| CN111896953A (zh) * | 2020-07-30 | 2020-11-06 | 华能澜沧江水电股份有限公司 | 基于自适应KF的时序InSAR流域库岸形变预测方法 |
| CN115035416A (zh) * | 2022-08-10 | 2022-09-09 | 广东广宇科技发展有限公司 | 一种污染水源快速识别方法、系统、电子设备及存储介质 |
| CN115600527A (zh) * | 2022-12-15 | 2023-01-13 | 广东广宇科技发展有限公司（Cn） | 基于水库环境数据的水库运行状态预测分析方法 |
-
2023
- 2023-11-14 CN CN202311507421.9A patent/CN117233762B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108615035A (zh) * | 2018-04-18 | 2018-10-02 | 四川大学 | 基于图像识别的中小土石坝安全信息采集系统 |
| CN109709550A (zh) * | 2019-01-17 | 2019-05-03 | 武汉大学 | 一种基于InSAR影像数据的库岸边坡形变监测处理方法 |
| CN109725312A (zh) * | 2019-01-17 | 2019-05-07 | 武汉大学 | 一种基于空天地一体化观测的库岸形变监测方法 |
| CN110471062A (zh) * | 2019-07-29 | 2019-11-19 | 武汉大学 | 基于地面稳定平台sar的流域库岸形变数据自动采集与处理方法 |
| CN110500996A (zh) * | 2019-07-29 | 2019-11-26 | 武汉大学 | 基于近景摄影测量的流域库岸形变数据自动实时处理方法 |
| CN110596702A (zh) * | 2019-07-29 | 2019-12-20 | 武汉大学 | 基于地面稳定平台sar的流域库岸变形监测方法 |
| CN111399012A (zh) * | 2020-03-20 | 2020-07-10 | 中国矿业大学 | 一种利用gnss三频相位组合数据监测水库水位的方法 |
| CN111896953A (zh) * | 2020-07-30 | 2020-11-06 | 华能澜沧江水电股份有限公司 | 基于自适应KF的时序InSAR流域库岸形变预测方法 |
| CN115035416A (zh) * | 2022-08-10 | 2022-09-09 | 广东广宇科技发展有限公司 | 一种污染水源快速识别方法、系统、电子设备及存储介质 |
| CN115600527A (zh) * | 2022-12-15 | 2023-01-13 | 广东广宇科技发展有限公司（Cn） | 基于水库环境数据的水库运行状态预测分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117233762A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101539629B (zh) | 基于多特征证据融合与结构相似度的遥感图像变化检测方法 | |
| CN117233762B (zh) | 一种基于gb-sar的水库监测方法 | |
| CN103236063B (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
| CN110208806B (zh) | 一种航海雷达图像降雨识别方法 | |
| CN109001780A (zh) | 一种自适应的sar卫星海面舰船目标在轨检测方法 | |
| CN104361582A (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
| CN111476159A (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
| CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
| CN111145120A (zh) | 能见度检测方法、装置、计算机设备和存储介质 | |
| CN115393700A (zh) | 水位高度识别方法、装置、电子设备以及存储介质 | |
| Zhou et al. | UAV vision detection method for crane surface cracks based on Faster R-CNN and image segmentation | |
| Gui et al. | Object-based crack detection and attribute extraction from laser-scanning 3D profile data | |
| CN114035188A (zh) | 一种地基雷达冰川流速高精度监测算法与系统 | |
| Xiong et al. | An ensemble method for automatic real-time detection, evaluation and position of exposed subsea pipelines based on 3D real-time sonar system | |
| CN104297753A (zh) | 一种基于自适应缩减算子的导航雷达图像反演海面风向方法 | |
| Wang et al. | An automatic thresholding method for water body detection from SAR image | |
| Liu et al. | Displacement field reconstruction in landslide physical modeling by using a terrain laser scanner–Part 1: Methodology, error analysis and validation | |
| CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
| Wei et al. | A Method for retrieving wave parameters from synthetic X-band marine radar images | |
| Yu et al. | Automatic extraction of green tide using dual polarization Chinese GF-3 SAR images | |
| CN116908854A (zh) | 海浪谱分析法和基于Canny算子的雷达图像几何阴影统计法相结合的海浪参数反演方法 | |
| Zhu et al. | A novel change detection method based on high-resolution SAR images for river course | |
| Shi et al. | A superpixel-based coastline extraction algorithm for single-polarized ENVISAT and ERS imagery | |
| CN115184935A (zh) | 输电走廊形变监测方法、装置、设备和介质 | |
| Ciecholewski | Review of Segmentation Methods for Coastline Detection in SAR Images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |