CN117975297A - 联合多源数据辅助的城区地表形变危险性精细识别方法 - Google Patents
联合多源数据辅助的城区地表形变危险性精细识别方法 Download PDFInfo
- Publication number
- CN117975297A CN117975297A CN202410387330.4A CN202410387330A CN117975297A CN 117975297 A CN117975297 A CN 117975297A CN 202410387330 A CN202410387330 A CN 202410387330A CN 117975297 A CN117975297 A CN 117975297A
- Authority
- CN
- China
- Prior art keywords
- urban
- map
- insar
- information
- surface deformation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000004927 fusion Effects 0.000 claims abstract description 81
- 230000011218 segmentation Effects 0.000 claims abstract description 56
- 230000003287 optical effect Effects 0.000 claims abstract description 33
- 230000001427 coherent effect Effects 0.000 claims abstract description 14
- 230000010287 polarization Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000010587 phase diagram Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005404 monopole Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 208000004350 Strabismus Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
一种联合多源数据辅助的城区地表形变危险性精细识别方法,包括如下步骤:S1、获取需监测城区的基于单极化TerraSAR的城区时序地表形变信息;S2、使用多特征融合网络模型,从SAR平均强度图、InSAR干涉相位图、光学RGB图、OSM城市数字地图及InSAR相干系数图中提取各自的地物特征并进行特征融合,并基于地物特征融合的信息进行语义分割,得到InSAR多源数据融合城区地表地物语义分割图;S3、将城区时序地表形变信息与InSAR多源数据融合城区地表地物语义分割图叠加,得到包含了地物语义信息和形变信息的综合图,并基于综合图,分析形变信号剧烈变化的位置对应的地物信息,实现城区地表形变危险性精细识别,提高基于单极化SAR影像的InSAR城区地表形变危险性识别的准确性。
Description
技术领域
本发明涉及遥感技术,特别是涉及一种联合多源数据辅助的城区地表形变危险性精细识别方法。
背景技术
传统的基于单极化TerraSAR的InSAR技术在城区地表形变危险性精细识别主要通过叠加基于多时相InSAR技术获得的城区地表形变信息和地表覆盖物类型分布信息获得。该方法的数据处理流程主要包括:① 覆盖城区的TerraSAR多时相影像预处理;② 时序InSAR技术数据处理,获取城区地表形变信息;③ 分析城区InSAR形变信息,查找形变信号剧烈变化的位置;④ 叠加InSAR形变信息和地表覆盖物类型分布信息,获取形变信号剧烈变化位置对应的地物信息;⑤ 识别城区地表形变危险性的位置及对应地物。
传统方法存在局限性,首先,现有的InSAR城区地表形变危险性识别的方法主要存在一个挑战,由于SAR成像与实际地物可能发生偏离,导致地表形变信号对应的地物属性不明确,其危险性识别不准确。其次,目前精确的城区形变信息获取主要依赖于高分辨率单极化数据,但是单极化数据只包含一个极化状态的信息,在区分后向散射特性相似的地物上的准确性不足,并且对大气干扰较敏感。这大大限制了其在地物分类方面的效能。此外,现有的研究主要集中在高分辨率极化SAR影像或单极化InSAR单类地物(如建筑物)的语义分割上,在基于如高分辨率单极化TerraSAR的InSAR多类地物属性识别方面仍存在空白。而单一的卫星单极化TerraSAR信息定位精度差,且捕捉不到城区建筑物、道路等的细节特征,多源数据如光学影像和Open Street Map (OSM)等能有效描绘出建筑物等地面结构的详细特征。
需要说明的是,在上述背景技术部分公开的信息仅用于对本申请的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的主要目的在于克服上述背景技术中的缺陷,提供一种联合多源数据辅助的城区地表形变危险性精细识别方法。
为实现上述目的,本发明采用以下技术方案:
一种联合多源数据辅助的城区地表形变危险性精细识别方法,包括如下步骤:
S1、获取需监测城区的基于单极化TerraSAR的城区时序地表形变信息;
S2、获取需监测城区的SAR平均强度图、InSAR干涉相位图、光学RGB图、OSM城市数字地图及InSAR相干系数图,使用多特征融合网络模型,从SAR平均强度图、InSAR干涉相位图、光学RGB图、OSM城市数字地图及InSAR相干系数图中提取各自的地物特征并进行特征融合,并基于地物特征融合的信息进行语义分割,得到InSAR多源数据融合城区地表地物语义分割图;其中,所述多特征融合网络模型是使用作为训练数据的InSAR语义分割数据集训练得到的;
S3、将所述城区时序地表形变信息与所述InSAR多源数据融合城区地表地物语义分割图叠加,得到包含了地物语义信息和形变信息的综合图,并基于所述综合图,分析形变信号剧烈变化的位置对应的地物信息,实现城区地表形变危险性精细识别。
进一步地,所述多特征融合网络模型包括输入层、编码器部分、加权融合部分以及解码器部分,所述输入层用于输入SAR平均强度图、InSAR干涉相位图、光学RGB图、OSM城市数字地图及InSAR相干系数图,所述编码器部分提取输入的各种图的地物特征,所述加权融合部分通过设置各种图的权重系数,对各种图中提取到的地物特征进行加权融合,整合各种图中的地物特征;所述解码器部分对地物特征加权融合的结果进行解码,将融合后的地物特征转换为语义分割结果,得到所述InSAR多源数据融合城区地表地物语义分割图。
进一步地,所述多特征融合网络模型基于DeepLabV3模型构建,所述编码器部分和所述解码器部分为基于DeepLabV3模型的编码器和解码器。
进一步地,在所述多特征融合网络模型的训练过程中采用自适应学习率法,其中,根据模型参数的历史更新信息或当前的梯度信息为每个参数单独设置合适的学习率。
进一步地,所述多特征融合网络模型使用Adam优化器并采用交叉熵损失函数,所述交叉熵损失函数基于模型预测的概率分布与真实概率分布之间的差异进行定义。
进一步地,步骤S1具体包括如下步骤:
S11、获取需监测城区的多景TerraSAR单极化SAR数据,进行预处理;
S12、选择其中一景SAR影像作为公共主影像,将其余影像与主影像配准;
S13、从配准后的影像中依次选择每一景作为参考影像,与其余影像进行差分,生成时序差分干涉对,通过外部DEM进行高程校正,生成差分干涉图并去除地形效应,进而得到时序差分干涉对;
S14、利用所述时序差分干涉对选取永久散射体PS点,根据PS点构建Delaunay三角网,并进行PS基线的平差处理,对PS基线的几何关系进行优化,得到PS点位移信息;
S15、基于所述时序差分干涉对进行线性和非线性形变估算,建立模型方程组,消除PS点的线性形变分量和DEM误差,分离大气相位和非线性形变相位;将PS点的线性形变分量和非线性形变分量叠加,以获得完整的InSAR地表形变信息;
S16、将InSAR地表形变信息的坐标系从雷达几何坐标系转换为地理坐标系。
进一步地,所述InSAR语义分割数据集通过如下步骤获得:
T11、对训练用的TerraSAR影像数据进行校正和滤波预处理;
T12、选择光学RGB图和OSM城市数字地图并进行相应的地理坐标变换;
T13、利用InSAR技术处理TerraSAR影像数据,提取干涉相位和相干系数,并进行数据预处理和坐标系配准,得到InSAR干涉相位图和InSAR相干系数图;
T14、基于步骤T11-T13得到的多种数据源生成TerraSAR单极化SAR图像的语义图,用于指导后续的InSAR语义分割任务;
T15、将步骤T11-T14得到的数据划分为训练集、验证集和测试集,从而构建出所述所述InSAR语义分割数据集。
进一步地,步骤T13包括:对TerraSAR影像数据进行多视处理并借助外部DEM进行配准并获得DEM相位图,将SAR影像进行干涉并减去DEM相位;利用自适应滤波器进行干涉相位及相干系数滤波处理,去除噪声;对干涉相位及相干系数作地理编码处理。
进一步地,所述地物包括建筑物、道路、植被和水体区域中的一种或多种。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序由处理器执行时,实现所述的联合多源数据辅助的城区地表形变危险性精细识别方法。
本发明具有如下有益效果:
本发明提出了一种联合多源数据辅助的城区地表形变危险性精细识别方法,针对单极化SAR影像,通过融合SAR平均强度、InSAR干涉信息、光学RGB影像和城市数字地图等多维特征,构建了多特征融合的InSAR城区像元语义分割网络模型,利用光学影像、数字地图等多源数据辅助的InSAR城区像元语义分割方法,实现InSAR城区地表形变信号的地物精细识别。本发明能够避免传统方法针对城区InSAR相干散射体与实际地物发生偏离以及由此导致危险性识别不准的问题,实现多源数据辅助的单极化TerraSAR InSAR城区地表形变信号的地物精细识别,显著提高了基于单极化SAR影像的InSAR城区地表形变危险性识别的准确性。通过本发明的方法,不仅可以准确地识别地表形变区域,识别结果还能用于进一步评估这些区域的潜在风险,为城市规划和灾害预防提供重要信息。
本发明实施例中的其他有益效果将在下文中进一步述及。
附图说明
图1为本发明实施例的联合多源数据辅助的城区地表形变危险性精细识别方法的流程图。
图2是本发明实施例的多特征融合网络模型的结构示意图。
图3是A2中基于单极化TerraSAR的InSAR语义分割数据集示例。
图4为本发明实施例的SAR平均强度图、InSAR干涉相位、光学RGB图像、OSM地图及InSAR相干系数图像块中的建筑物及道路示意图。
具体实施方式
以下对本发明的实施方式做详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
针对单极化SAR影像难以准确区分具有相似后向散射行为的不同地物类型,城区InSAR相干散射体与实际地物发生偏离导致InSAR城区地表形变危险性识别不准的问题,本发明提出了多源数据辅助的InSAR城区像元语义分割方法,可实现InSAR相干散射体与地物的空间对齐及属性精细解译。本发明构建多特征融合的InSAR城区像元语义分割网络模型,联合SAR平均强度、InSAR干涉信息、光学影像和城市数字地图等含有城区地物多维特征的图像,进行基于单极化TerraSAR的InSAR城区像元语义分割,得到InSAR多源数据融合城区地表地物语义分割图,实现单极化高分辨率InSAR城市地表从单要素提取到多要素精准分类的提升,可用于城市地表形变分类分级的危险性评估。
参阅图1,本发明实施例提供一种联合多源数据辅助的城区地表形变危险性精细识别方法,包括如下步骤:
S1、获取需监测城区的基于单极化TerraSAR的城区时序地表形变信息;
S2、获取需监测城区的SAR平均强度图、InSAR干涉相位图、光学RGB图、OSM城市数字地图及InSAR相干系数图,使用多特征融合网络模型,从SAR平均强度图、InSAR干涉相位图、光学RGB图、OSM城市数字地图及InSAR相干系数图中提取各自的地物特征并进行特征融合,并基于地物特征融合的信息进行语义分割,得到InSAR多源数据融合城区地表地物语义分割图;其中,所述多特征融合网络模型是使用作为训练数据的InSAR语义分割数据集训练得到的;
S3、将所述城区时序地表形变信息与所述InSAR多源数据融合城区地表地物语义分割图叠加,得到包含了地物语义信息和形变信息的综合图,并基于所述综合图,分析形变信号剧烈变化的位置对应的地物信息,实现城区地表形变危险性精细识别。
参阅图2,在优选的实施例中,所述多特征融合网络模型包括输入层、编码器部分、加权融合部分以及解码器部分,所述输入层用于输入SAR平均强度图、InSAR干涉相位图、光学RGB图、OSM城市数字地图及InSAR相干系数图,所述编码器部分提取输入的各种图的地物特征,所述加权融合部分通过设置各种图的权重系数,对各种图中提取到的地物特征进行加权融合,整合各种图中的地物特征;所述解码器部分对地物特征加权融合的结果进行解码,将融合后的地物特征转换为语义分割结果,得到所述InSAR多源数据融合城区地表地物语义分割图。
在一些实施例中,基于SAR平均强度图、InSAR干涉相位图及相干系数图、光学RGB影像图与城市数字地图(OSM),本发明实施例可建立一个包含建筑物、道路、植被及水体城区等地物的单极化TerraSAR InSAR语义分割数据集,如图3所示。使用该语义分割数据集训练多特征融合的InSAR城市元素语义分割网络模型,对基于多源数据的地物特征融合的信息进行语义分割,再将城区时序地表形变信息与InSAR多源数据融合城区地表地物语义分割图叠加,从而实现多源数据辅助的单极化TerraSAR InSAR城区地表形变信号的地物精细识别。
由此,本发明的方法能够显著提高基于单极化SAR影像的InSAR城区地表形变危险性识别的准确性。
以下进一步描述本发明具体实施例。
为了更精细的识别城区地表形变信号的位置及其对应的地物,本发明实施例提出了多源数据辅助的单极化TerraSAR InSAR城区地表形变危险性地物精细识别方法。其基本实施过程可以包括如下方面:覆盖城区的TerraSAR多时相影像预处理;城区多时相InSAR形变信息获取;城区InSAR形变信息分析;多源数据辅助的单极化InSAR像元语义分割;城区InSAR形变信号对应的地物精细识别;城区InSAR地表形变危险性精细识别。
多源数据辅助的单极化TerraSAR InSAR城区地表形变危险性地物精细识别方法流程主要包括基于单极化TerraSAR的InSAR城区形变信息获取、InSAR语义分割数据集的构建与模型的设计、及其城区地表危险性识别。具体如下:
一、基于单极化TerraSAR的城区时序地表形变信息获取
步骤1:数据获取与预处理,获取需要监测的多景TerraSAR单极化SAR数据,进行辐射定标、地理坐标系统投影等预处理步骤。
步骤2:影像配准,在多时相SAR影像数据中选择一景SAR影像作为公共主影像,将其他影像与该主影像进行配准,具体通过多视法及互相关配准法等进行配准,保证其配准精度达到亚像素级别。互相关配准是一种通过计算两个影像之间的互相关来找到最佳的偏移参数,以实现影像之间的准确对齐。
步骤3:差分干涉对生成,从配准后的影像中依次选择每一景作为参考影像,其他影像将与该影像进行差分,并使用高精度的外部DEM对SAR数据进行高程校正,生成差分干涉图并去除地形效应,进而得到时序差分干涉对。
步骤4:PS点筛选、构建网络及平差处理,利用时序差分干涉对,采用振幅离差与相干系数阈值法综合选取PS(Permanent Scatterer,永久散射体)点,识别具有稳定反射特性的地物点,这些点在时序中表现出稳定的相位信息。通过Delaunay三角化方法,将PS点连接成三角形,构建Delaunay三角网,并进行PS基线(相邻PS点之间的连接线)的平差。同时使用网络平差方法对PS基线的几何关系进行优化,得到相对准确的PS点位移信息。
步骤5:基于时序差分干涉对来进行线性和非线性形变估算,根据地面形变情况,通过对时序差分干涉对中的差分相位的分析,建立模型方程组。从原始差分干涉相位中消除PS点的线性形变分量和数字高程模型(DEM)误差。将残余相位分为大气相位和非线性形变相位两部分。这有助于更精确地分析地表形变,考虑到大气条件对相位的影响,并突出非线性形变的信号。重复步骤4和5以提高形变估计精度将PS点的线性形变分量和非线性形变分量叠加,以获得完整的地表形变信息。这一步整合了不同成分的形变,提供了全面的形变监测结果。
步骤6:InSAR形变信息地理编码,将地表形变信息的坐标系从雷达几何坐标系转换为地理坐标系。使用外部DEM数据对形变数据进行地理坐标转换,确保形变数据的每个像素都与相应的地理位置相关联。为城市规划、土地利用管理以及灾害监测等领域提供了准确、可靠的地理信息。
上述步骤将复杂的雷达数据转化为有用的地表形变信息,可以在城区环境中获取高精度的时序InSAR城区地表形变信息,克服随机噪声和误差的影响,通过地理编码操作将形变数据转换为地理坐标,适用于进一步分析和应用。
二、基于单极化TerraSAR的InSAR语义分割数据集的构建
为了构建基于单极化TerraSAR的InSAR语义分割数据集,选取了覆盖某两个城市的局部区域的卫星SAR影像等。这两个城市都有着丰富的城市特征,包含水体,植被,道路,建筑物这些典型的地表类型元素。SAR影像中的建筑物以明亮的区域来表现,而海洋等水体在SAR影像中通常是暗区。其详细的数据集构建流程如下:
步骤1:对SAR影像进行校正和滤波等数据预处理。① 首先SAR原始图像被转换成强度图像,然后应用Lee滤波器自适应滤波技术,来去除由于TerraSAR数据可能包含各种干扰和噪声并提高图像的清晰度。自适应滤波根据图像局部的统计特性,对每个像素点进行加权平均,使得图像细节得以保留,而噪声和杂散信号则被抑制。这样可以改善图像的质量,增强地物和地貌特征的可视化效果。② 使用DEM数据(数字高程模型)来帮助纠正由于地形变化和其他因素引起图像的地理定位偏移。具体通过DEM进行地理编码,将数据集转换为WGS84地图投影,从而实现对图像的地理定位。③ 最后对SAR数据进行统一预处理,利用非零数据均值的N倍对原始SAR数据进行运行和拉伸,将L2格式的SAR数据转换为属于[0,255]的uint8数据格式。
步骤2:选择适宜的光学影像和OSM地图并进行地理坐标变换。① 考虑到TerraSAR影像的干涉时间具有限制准则,使用了采集日期与SAR干涉影像采集日期极为接近的谷歌地球图像。为了使光学RGB数据与TerraSAR数据集的空间分辨率(3米)相一致,采用人工选取地面控制点(GCP)的方式,采用16级GoogleEarth影像将SAR与光学数据集进行对齐处理。② OSM,全称为OpenStreetMap,包含道路、河流、建筑物、公园、商店等地理要素的详细信息。鉴于城市元素的复杂分布特性,使用OpenStreetMap的开源数据来构建干涉SAR城区建筑物、道路及水体标签。由于OSM数据在时间上存在一定的偏差,还需要基于高分辨率谷歌影像对OSM进行水体及植被类别的标签校正。
步骤3:对InSAR干涉相位及相干系数进行校正和滤波等数据预处理,统一这些影像的坐标系并配准,建立数据集。InSAR干涉相位是基于两个或更多雷达信号间的相位差。通过对干涉相位图进行特征提取和分析,可以尝试识别和提取建筑物、道路及水体的边界。① 首先根据实际需求对TerraSAR数据进行多视处理并借助外部DEM进行配准并获得DEM相位图,并将SAR影像进行干涉并减去DEM相位。② 然后利用自适应滤波器进行干涉相位及相干系数滤波处理,来去除噪声和提高干涉相位及相干系数图质量。③ 对干涉相位及相干系数作地理编码处理。最终,通过可视化处理展示出计算所得的相干系数图。相干系数图通常使用灰度或伪彩色表示,其中高相干性区域显示为较亮的灰度或饱和度较高的颜色,低相干性区域显示为较暗的灰度或饱和度较低的颜色。
步骤4:TerraSAR单极化SAR图像语义图的生成。主要包括上述数据的准备及预处理,以及建筑物,道路,植被和水体区域的初步提取及检校。① 首先对于植被类别,由于不少较高植被受SAR斜视后发生几何畸变,因此基于数字地图,利用光学遥感图像的RGB值统计分布对其进行进一步的检查和校正。② 对于建筑物,数字地图中的建筑物与InSAR中的建筑物完全不同,特别是高层的建筑物,需要利用SAR强度图和InSAR干涉相位及相干系数图来重新绘制InSAR中的建筑物区域。需要指出的是,高度密集的建筑物区域在SAR成像中呈现为片状分布。③ 由于一个像素可能被多于一种类型的掩模所包括,为了解决语义地图生成中的这种冲突,强制执行默认优先级规则,从最高优先级到建筑物,到水,然后是道路,最低优先级为植被,其他的被设置为其他区域。
步骤5:InSAR数据集由两张高分辨率单极化TerraSAR影像组成,包含来自多地的不同区域。图像包含水域、道路、建筑物、植被这四种主要城市元素,如图3所示。图像块的大小设置为128×128像素,对应于(128 x3)m×(128 x3)m的地面尺寸。排除了没有任何建筑物的图块后,最后分别获得了约1200个图块。训练数据集通过旋转(-90、180)、平移、左右翻转、上下翻转进行图像增强处理,最后获得约9000个图块。将这些图块被按照6:2:2的比例分割成三个部分:训练集(约5400个)、验证集(约1800个)和测试集(约1800个)。
三、多特征融合网络模型构建
针对干涉SAR相位信息、光学RGB影像及OSM地图等捕捉到的建筑物、道路等城市元素的细节特征各不相同。图4显示了SAR平均强度图、InSAR干涉相位、光学RGB图像、OSM地图及InSAR相干系数图像块中的建筑物及道路。可以发现建筑物在SAR平均强度及InSAR干涉相位信息中的特征如轮廓更为明显,而InSAR相干系数下的特征因受到其阴影区低相干性和与道路一致的高相干性等影响而较为模糊,光学RGB图像和OSM几乎没有明显特征,但是其存在更深层次的几何关系特征。同时发现道路SAR信号严重受到了周遭建筑物的遮挡,其在SAR平均强度及InSAR干涉相位信息中的特征如轮廓也较为明显,而InSAR相干系数下、OSM道路及光学RGB图像图块中的特征因受到建筑物等影响而较为模糊。
本发明实施例基于语义分割模型,构建多特征融合网络模型来进行InSAR城区像元语义分割,从而全面捕捉城市地物的多维度信息。该模型如图2所示,包括输入层、编码器部分、加权融合部分以及解码器部分。
为了更全面地提取城市地物的多维度特征信息,该模型的输入层涵盖了五种不同类型的图像块:SAR平均强度图、InSAR干涉相位图、光学RGB图像、OSM地图及InSAR相干系数图,每种图像块的大小统一为128×128。
模型的编码器部分采用DeepLabV3编码器,DeepLabV3通过其先进的多尺度上下文感知机制,提供了图像全局和局部的丰富语义信息。基于该DeepLabV3编码器提取上述输入的五种图像块的地物特征。
由于不同类型的输入图块中提取出的城市地物的特征在表现力和清晰度上存在差异,为此采用了一种加权融合策略,设置5个权重系数,对不同图块提取到的地物特征进行加权融合,来有效地整合这些不同地物在不同图块中的特征。
解码器部分同样具有与融合特征的相容性。解码器部分基于获得的加权特征融合结果,利用DeepLabV3模型多尺度特征进行精细的解码,即语义恢复。这样的设计不仅保留了各种模型的优点还通过模型微调、正则化和数据增强等策略进一步提升了模型的性能。
优选地,可采用多种策略进行优化,通过交叉验证来确定最佳的权重分配方案,使用正则化技术来防止模型过拟合,以及利用数据增强来增加模型的训练样本多样性等。这些措施共同确保了多特征融合网络模型在各种应用场景下都能展现出卓越的性能。
四、城区地表形变信号危险性精细识别
基于第二部分建立的数据集和第三部分中建立的DeepLabV3多特征融合模型进行参数训练,这一步骤是寻找最优模型参数的基础,确保该模型能够正确学习和识别InSAR相干散射体各类地物的特征。
优选地,采用自适应学习率法,其根据模型参数的历史更新信息或者当前的梯度信息,为每个参数单独设置合适的学习率,而不是使用一个固定的全局学习率。采用了Adam优化器,并采用了交叉熵损失函数,该函数基于模型预测的概率分布与真实概率分布之间的差异进行定义,具有优化概率预测、平滑性、数值稳定性以及强调分类错误重要性的优点。
基于训练好的DeepLabV3+多特征融合网络参数,输入城区单极化TerraSAR平均强度图、InSAR干涉相位图、光学RGB图像、OSM地图及InSAR相干系数图进行InSAR城区地表地物语义分割,得到InSAR多源数据融合城区地表地物语义分割图。
最后,通过叠加获得的InSAR多源数据融合城区地表地物语义分割图和城区时序InSAR形变信息,得到包含了地物语义信息和形变信息的综合图,并基于所述综合图,分析形变信号剧烈变化的位置对应的地物信息,从而实现InSAR城区地表形变危险性精细识别。
为了评估基于DeepLabV3建立的多特征融合网络的模型性能,以基于U-Net、PSPNet、和Transformer建立的多特征融合网络为参考进行实验比较分析。
使用F1分数(F1 Score)、整体准确率(Overall Accuracy,OA)和交并比(Intersection over Union,IoU)这几种指标,评估该语义分割模型的性能。
表1列出了DeeplabV3+多特征融合网络、U-Net多特征融合网络、PSPNet多特征融合网络和Transformer多特征融合网络模型所有模型在测试集上的各类城市元素及总体像素的分割结果。发现U-Net多特征融合网络得到的总体类别的F1分数、IoU及OA最高,分别为0.7352,0.5974及0.6778,成功捕捉到了细小特征。DeeplabV3+多特征融合网络则凭借其深度可分离卷积和多尺度特征融合,也展现了出色的分割效果,其总体类别的F1分数、IoU及OA值与U-Net多特征融合网络相差甚少,分别低了0.56、0.26及0.68个百分点。而PSPNet多特征融合网络和Transformer多特征融合网络在测试集上获得的F1分数及IoU较低,大约与多通道U-Net网络分别差了约5和8个百分点,OA值分别相差约2.5及0.6个百分点。Transformer的多特征融合网络在处理长距离依赖关系时,通过引入自注意机制显示了卓越的性能,尽管PSPNet的多特征融合网络通过金字塔池化层有效地提取了多尺度的上下文信息,从而提高了对边缘和物体的辨识度。但就整体语义分割效果而言,它们仍不及U-NET多特征融合网络和DeepLabV3+多特征融合网络。
表1 基于不同模型在测试集上的分割结果
此外,通过分析四个独立的多通道特征融合网络在测试集上对各个城市元素建筑、道路、绿地及水体的分割定量结果,发现DeeplabV3+多特征融合网络模型在道路,水体及植被这三类的提取性能较好,因此选择基于该模型训练好的参数进行城区InSAR相干散射体地物分类。
综上所述,本发明的联合多源数据辅助的城区地表形变危险性精细识别方法中,针对单极化SAR影像,通过融合SAR平均强度、InSAR干涉信息、光学影像和城市数字地图等多维特征,构建多特征融合的InSAR城区像元语义分割网络模型,利用光学影像、数字地图等多源数据辅助的InSAR城区像元语义分割方法,实现InSAR城区地表形变信号的地物精细识别。与传统方法相比,本发明能够避免传统方法针对城区InSAR相干散射体与实际地物发生偏离以及由此导致危险性识别不准的问题,实现多源数据辅助的单极化TerraSAR InSAR城区地表形变信号的地物精细识别,显著提高了基于单极化SAR影像的InSAR城区地表形变危险性识别的准确性。通过本发明的方法,不仅可以准确地识别地表形变区域,识别结果还能用于进一步评估这些区域的潜在风险,为城市规划和灾害预防提供重要信息。
本发明实施例还提供一种存储介质,用于存储计算机程序,该计算机程序被执行时至少执行如上所述的方法。
本发明实施例还提供一种控制装置,包括处理器和用于存储计算机程序的存储介质;其中,处理器用于执行所述计算机程序时至少执行如上所述的方法。
本发明实施例还提供一种处理器,所述处理器执行计算机程序,至少执行如上所述的方法。
所述存储介质可以由任何类型的非易失性存储设备、或者它们的组合来实现。其中,非易失性存储器可以是只读存储器(ROM,Read Only Memory)、可编程只读存储器(PROM,Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM,ErasableProgrammable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM,ElectricallyErasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM,FerromagneticRandom Access Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM,Compact Disc Read-Only Memory);磁表面存储器可以是磁盘存储器或磁带存储器。本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前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,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、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。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的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。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本发明所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本发明所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本发明所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干等同替代或明显变型,而且性能或用途相同,都应当视为属于本发明的保护范围。
Claims (10)
1.一种联合多源数据辅助的城区地表形变危险性精细识别方法,其特征在于,包括如下步骤:
S1、获取需监测城区的基于单极化TerraSAR的城区时序地表形变信息;
S2、获取需监测城区的SAR平均强度图、InSAR干涉相位图、光学RGB图、OSM城市数字地图及InSAR相干系数图,使用多特征融合网络模型,从SAR平均强度图、InSAR干涉相位图、光学RGB图、OSM城市数字地图及InSAR相干系数图中提取各自的地物特征并进行特征融合,并基于地物特征融合的信息进行语义分割,得到InSAR多源数据融合城区地表地物语义分割图;其中,所述多特征融合网络模型是使用作为训练数据的InSAR语义分割数据集训练得到的;
S3、将所述城区时序地表形变信息与所述InSAR多源数据融合城区地表地物语义分割图叠加,得到包含了地物语义信息和形变信息的综合图,并基于所述综合图,分析形变信号剧烈变化的位置对应的地物信息,实现城区地表形变危险性精细识别。
2.如权利要求1所述的联合多源数据辅助的城区地表形变危险性精细识别方法,其特征在于,所述多特征融合网络模型包括输入层、编码器部分、加权融合部分以及解码器部分,所述输入层用于输入SAR平均强度图、InSAR干涉相位图、光学RGB图、OSM城市数字地图及InSAR相干系数图,所述编码器部分提取输入的各种图的地物特征,所述加权融合部分通过设置各种图的权重系数,对各种图中提取到的地物特征进行加权融合,整合各种图中的地物特征;所述解码器部分对地物特征加权融合的结果进行解码,将融合后的地物特征转换为语义分割结果,得到所述InSAR多源数据融合城区地表地物语义分割图。
3.如权利要求2所述的联合多源数据辅助的城区地表形变危险性精细识别方法,其特征在于,所述多特征融合网络模型基于DeepLabV3模型构建,所述编码器部分和所述解码器部分为基于DeepLabV3模型的编码器和解码器。
4.如权利要求3所述的联合多源数据辅助的城区地表形变危险性精细识别方法,其特征在于,在所述多特征融合网络模型的训练过程中采用自适应学习率法,其中,根据模型参数的历史更新信息或当前的梯度信息为每个参数单独设置合适的学习率。
5.如权利要求3所述的联合多源数据辅助的城区地表形变危险性精细识别方法,其特征在于,所述多特征融合网络模型使用Adam优化器并采用交叉熵损失函数,所述交叉熵损失函数基于模型预测的概率分布与真实概率分布之间的差异进行定义。
6.如权利要求1至5任一项所述的联合多源数据辅助的城区地表形变危险性精细识别方法,其特征在于,步骤S1具体包括如下步骤:
S11、获取需监测城区的多景TerraSAR单极化SAR数据,进行预处理;
S12、选择其中一景SAR影像作为公共主影像,将其余影像与主影像配准;
S13、从配准后的影像中依次选择每一景作为参考影像,与其余影像进行差分,生成时序差分干涉对,通过外部DEM进行高程校正,生成差分干涉图并去除地形效应,进而得到时序差分干涉对;
S14、利用所述时序差分干涉对选取永久散射体PS点,根据PS点构建Delaunay三角网,并进行PS基线的平差处理,对PS基线的几何关系进行优化,得到PS点位移信息;
S15、基于所述时序差分干涉对进行线性和非线性形变估算,建立模型方程组,消除PS点的线性形变分量和DEM误差,分离大气相位和非线性形变相位;将PS点的线性形变分量和非线性形变分量叠加,以获得完整的InSAR地表形变信息;
S16、将InSAR地表形变信息的坐标系从雷达几何坐标系转换为地理坐标系。
7.如权利要求1至5任一项所述的联合多源数据辅助的城区地表形变危险性精细识别方法,其特征在于,所述InSAR语义分割数据集通过如下步骤获得:
T11、对训练用的TerraSAR影像数据进行校正和滤波预处理;
T12、选择光学RGB图和OSM城市数字地图并进行相应的地理坐标变换;
T13、利用InSAR技术处理TerraSAR影像数据,提取干涉相位和相干系数,并进行数据预处理和坐标系配准,得到InSAR干涉相位图和InSAR相干系数图;
T14、基于步骤T11-T13得到的多种数据源生成TerraSAR单极化SAR图像的语义图,用于指导后续的InSAR语义分割任务;
T15、将步骤T11-T14得到的数据划分为训练集、验证集和测试集,从而构建出所述所述InSAR语义分割数据集。
8.如权利要求7所述的联合多源数据辅助的城区地表形变危险性精细识别方法,其特征在于,步骤T13包括:对TerraSAR影像数据进行多视处理并借助外部DEM进行配准并获得DEM相位图,将SAR影像进行干涉并减去DEM相位;利用自适应滤波器进行干涉相位及相干系数滤波处理,去除噪声;对干涉相位及相干系数作地理编码处理。
9.如权利要求1至5任一项所述的联合多源数据辅助的城区地表形变危险性精细识别方法,其特征在于,所述地物包括建筑物、道路、植被和水体区域中的一种或多种。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序由处理器执行时,实现如权利要求1至9任一项所述的联合多源数据辅助的城区地表形变危险性精细识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410387330.4A CN117975297B (zh) | 2024-04-01 | 2024-04-01 | 联合多源数据辅助的城区地表形变危险性精细识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410387330.4A CN117975297B (zh) | 2024-04-01 | 2024-04-01 | 联合多源数据辅助的城区地表形变危险性精细识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117975297A true CN117975297A (zh) | 2024-05-03 |
CN117975297B CN117975297B (zh) | 2024-06-11 |
Family
ID=90861362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410387330.4A Active CN117975297B (zh) | 2024-04-01 | 2024-04-01 | 联合多源数据辅助的城区地表形变危险性精细识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117975297B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629796A (zh) * | 2018-03-14 | 2018-10-09 | 哈尔滨工业大学 | 一种基于波程差序列的InSAR图像配准方法 |
CN112083422A (zh) * | 2020-08-26 | 2020-12-15 | 长沙理工大学 | 基于多级深度学习网络的单航过InSAR系统端对端分类方法 |
US11107244B1 (en) * | 2020-04-17 | 2021-08-31 | Applied Research Associates, Inc. | Location determination in a GPS-denied environment with user annotation |
CN113469191A (zh) * | 2021-06-15 | 2021-10-01 | 长沙理工大学 | 基于多层特征融合注意力机制的sar图像叠掩区提取方法 |
CN115980745A (zh) * | 2022-11-21 | 2023-04-18 | 中国地质大学(北京) | 地下开采沉陷区智能识别方法、装置、电子设备及存储介质 |
CN116258005A (zh) * | 2023-02-23 | 2023-06-13 | 哈尔滨工业大学(深圳) | 一种基于InSAR数据的桥梁形变预测方法及相关装置 |
CN116664419A (zh) * | 2023-04-28 | 2023-08-29 | 天津大学 | 多尺度特征融合降噪CNN网络的InSAR相位解缠方法 |
CN117036715A (zh) * | 2023-10-09 | 2023-11-10 | 南京北斗创新应用科技研究院有限公司 | 一种基于卷积神经网络的形变区边界自动提取方法 |
-
2024
- 2024-04-01 CN CN202410387330.4A patent/CN117975297B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629796A (zh) * | 2018-03-14 | 2018-10-09 | 哈尔滨工业大学 | 一种基于波程差序列的InSAR图像配准方法 |
US11107244B1 (en) * | 2020-04-17 | 2021-08-31 | Applied Research Associates, Inc. | Location determination in a GPS-denied environment with user annotation |
CN112083422A (zh) * | 2020-08-26 | 2020-12-15 | 长沙理工大学 | 基于多级深度学习网络的单航过InSAR系统端对端分类方法 |
CN113469191A (zh) * | 2021-06-15 | 2021-10-01 | 长沙理工大学 | 基于多层特征融合注意力机制的sar图像叠掩区提取方法 |
CN115980745A (zh) * | 2022-11-21 | 2023-04-18 | 中国地质大学(北京) | 地下开采沉陷区智能识别方法、装置、电子设备及存储介质 |
CN116258005A (zh) * | 2023-02-23 | 2023-06-13 | 哈尔滨工业大学(深圳) | 一种基于InSAR数据的桥梁形变预测方法及相关装置 |
CN116664419A (zh) * | 2023-04-28 | 2023-08-29 | 天津大学 | 多尺度特征融合降噪CNN网络的InSAR相位解缠方法 |
CN117036715A (zh) * | 2023-10-09 | 2023-11-10 | 南京北斗创新应用科技研究院有限公司 | 一种基于卷积神经网络的形变区边界自动提取方法 |
Non-Patent Citations (4)
Title |
---|
敖萌 等: "基于方差分量估计的多源InSAR数据自适应融合形变测量", 地球物理学报, no. 08, 3 August 2020 (2020-08-03) * |
眭海刚 等: "利用GIS与贝叶斯网络进行高分辨率SAR影像道路损毁信息提取", 武汉大学学报(信息科学版), no. 05, 5 May 2016 (2016-05-05) * |
黄刚 等: "深度学习的极化合成孔径雷达影像语义分割", 测绘科学, no. 06, 11 April 2019 (2019-04-11) * |
龙四春 等: "永久散射体点目标提取方法研究", 大地测量与地球动力学, no. 04, 15 August 2011 (2011-08-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117975297B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN110136170B (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
CN112949549B (zh) | 一种基于超分辨率的多分辨率遥感影像的变化检测方法 | |
CN108921799B (zh) | 基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法 | |
US8427505B2 (en) | Geospatial modeling system for images and related methods | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
Zhang et al. | Learning from GPS trajectories of floating car for CNN-based urban road extraction with high-resolution satellite imagery | |
CN116504032B (zh) | 一种基于实景三维的滑坡危险性监测预警方法及系统 | |
CN113505842B (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
CN115236655B (zh) | 基于全极化sar的滑坡识别方法、系统、设备及介质 | |
CN115527027A (zh) | 一种基于多特征融合机制的遥感影像地物分割方法 | |
Bähr | Image segmentation for change detection in urban environments | |
Gueguen et al. | Urbanization detection by a region based mixed information change analysis between built-up indicators | |
CN117975297B (zh) | 联合多源数据辅助的城区地表形变危险性精细识别方法 | |
CN110378167B (zh) | 一种基于深度学习的条码图像补正方法 | |
Tian | 3D change detection from high and very high resolution satellite stereo imagery | |
CN110910496B (zh) | 基于大数据和ai的vr自然环境自动构成方法 | |
CN117970332B (zh) | 一种联合光学影像的InSAR城区地表形变危险性精细识别方法 | |
Li et al. | A novel image-fusion method based on the un-mixing of mixed MS sub-pixels regarding high-resolution DSM | |
CN117036987B (zh) | 一种基于小波域交叉配对的遥感影像时空融合方法及系统 | |
CN114708514B (zh) | 一种基于深度学习的森林砍伐变化的检测方法及装置 | |
Jia et al. | Siamese Meets Diffusion Network: SMDNet for Enhanced Change Detection in High-Resolution RS Imagery | |
CN117611978B (zh) | 一种土地资源测绘数据库的构建方法及系统 | |
KR100725729B1 (ko) | 위성영상과 항공영상에 의한 지리정보 구축 및 3차원 영상 출력을 이용한 스테레오 지리정보 영상의 차량 유리로의 입체출력 시스템 |
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 |