一种基于遥感云服务平台的道路损毁灾情快速评估系统及其应用

技术领域

本发明属于信息科学技术领域，涉及一种基于遥感云服务平台的道路损毁灾情快速评估系统及其应用。

背景技术

随着航天和遥感技术的快速发展，遥感对地观测能力不断提高，呈现出三多(多平台、多传感器、多角度)和三高(高光谱分辨率、高时间分辨率、高空间分辨率)的特点。先进的卫星系统所获取的影像空间分辨率可达米级或亚米级，重访周期仅需数天甚至几小时，能够满足从粗到细不同层次的应用需求，为地表信息的获取和应用提供了充足的数据来源。然而，如何组织和管理这些海量的观测数据，并从中高效挖掘出有用的信息，成为一道难题。由于人工对遥感数据进行信息采集的工作强度大、费时长，而自动化处理方法受计算机人工智能水平的限制还远未成熟，当前对遥感信息的认知和利用远远落后于信息源的获取，极大地阻碍了遥感数据应用价值的实现。遥感影像作为一种主要的遥感数据，尽管承载了丰富的地物位置与属性信息，但细节庞杂、干扰现象普遍，地物的判读特征多样化，对地物目标的智能化识别与提取提出了较大挑战。至今为止，还没有一套完善的传感器或系统能够从遥感影像稳定地、全自动地提取目标地物并做出评估。

道路作为一种重要的地物目标，其自动化识别、定位与提取是摄影测量与遥感领域的一项研究热点与难点。地理信息系统(GIS)数据、地形图数据等经过人工采集与编辑的矢量地理数据，具有精度高、可靠性强等特点，但由于需要投入较多的人力劳动，在时态上往往落后于遥感影像，一些发生变化的地物信息未得到及时更新。利用矢量数据对道路提取加以辅助，可以获取一定的初始信息，替代或部分替代人工干预，获得相对稳定的提取结果，快速为灾情评估提供地表参考信息。

发明内容

本发明支持将提取的灾情信息从包括传感器的遥感云服务平台直接下传给决策用户，由于数据量小将极大提高有效信息的传输效率，进而满足从成像到灾情信息提取再到传输给用户的高时效需求，为减灾救灾服务提供更加快速的决策支持。

具体地，本发明提供了一种基于遥感云服务平台的道路损毁灾情快速评估系统，所述基于遥感云服务平台的道路损毁灾情快速评估系统包括遥感云服务平台，所述遥感云服务平台包括主控服务器，所述主控服务器上集成道路灾情信息分析模块，所述道路灾情信息分析模块执行以下遥感图像预处理方法：

1)利用Mean-shift滤波对图像进行平滑处理；

2)将经步骤1)处理后的图像灰度化；

3)图像裁剪；

优选地，所述道路灾情信息分析模块执行以下灾害损毁道路矢量信息的提取方法：

1)利用Mean-shift滤波对图像进行平滑处理；

2)将经步骤1)处理后的图像灰度化；

3)图像裁剪；

4)将步骤3)处理后的图像进行道路中心线提取；

优选地，所述道路灾情信息分析模块执行以下基于矢量引导的灾害损毁道路灾情提取方法：

1)利用Mean-shift滤波对图像进行平滑处理；

2)将经步骤1)处理后的图像灰度化；

3)图像裁剪；

4)将步骤3)处理后的图像进行边缘提取；

5)将步骤4)处理后的图像进行道路中心线提取；

6)将步骤5)获得的道路矢量数据与矢量引导模板进行精确匹配；

7)损毁信息计算与灾情快速提取；

优选地，图像灰度化的具体操作包括：i)KMeans++聚类；ii)朴素贝叶斯分类；

优选地，图像裁剪的具体操作包括：配准矢量数据和高分辨率遥感图像，并用矢量数据生成的缓冲区把道路从图像中裁剪出来；

优选地，进行道路中心线提取采用的是霍夫变换算法；

优选地，进行边缘提取利用的是canny算子；

优选地，将步骤6)获得的道路矢量数据与矢量引导模板进行精确匹配采用的是SURF算法；SURF算法包括特征提取，特征描述，特征匹配三个部分；

优选地，将步骤6)获得的道路矢量数据与矢量引导模板进行精确匹配的具体步骤包括：

i)利用步骤5)提取的矢量数据生成种子点；

ii)用种子点进行面填充；

iii)将步骤ii)获得的结果与矢量引导模板进行匹配，识别受损区域；

优选地，将步骤ii)获得的结果与矢量引导模板进行匹配的方法是快速最近邻逼近搜索。

进一步，所述道路灾情信息分析模块包括顺次连接的数据获取单元、数据预处理单元、边缘提取单元、道路提取单元、灾情信息提取单元；

数据获取单元用于执行前面所述的遥感图像预处理方法；

边缘提取单元用于将数据预处理单元处理后的图像进行边缘提取；优选地，进行边缘提取利用的是canny算子；

道路提取单元用于将边缘提取单元处理后的图像进行道路中心线提取；优选地，进行道路中心线提取采用的是霍夫变换算法；

灾情信息提取单元用于将道路提取单元处理后获得的道路矢量数据与矢量引导模板进行精确匹配，计算损毁信息与灾情快速提取；优选地，道路矢量数据与矢量引导模板进行精确匹配采用的是SURF算法。

进一步，所述遥感云服务平台还包括遥感数据采集传感器。

进一步，所述遥感传感器采集系统包括无人机遥感数据采集传感器、卫星遥感数据采集传感器。

进一步，所述遥感数据采集传感器包括光学传感器。

进一步，所述主控服务器还包括存储模块、通讯模块；所述存储模块通过所述通讯模块分别与所述道路灾情信息分析模块、所述遥感数据采集传感器连接。

进一步，所述遥感云服务平台还包括供电系统，所述供电系统分别与所述遥感数据采集传感器、所述主控服务器连接。

进一步，所述基于遥感云服务平台的道路损毁灾情快速评估系统还包括地面综合信息服务平台。

进一步，所述地面综合信息服务平台包括用户登录模块、发布指令模块、获取灾情信息模块、生成系统报告模块。

所述基于遥感云服务平台的道路损毁灾情快速评估系统的工作原理如下：用户通过所述用户登录模块登录所述地面综合信息服务平台后利用所述发布指令模块将指令通过所述通讯模块传送到所述遥感云服务平台，抽调所述遥感云服务平台飞行到受灾区域上空，拍摄现场图像并执行受灾评估工作。所述遥感数据采集传感器采集受灾区域的遥感图像并传送到所述存储模块存储，所述道路灾情信息分析模块通过所述数据获取单元调取所述存储模块中存储的遥感图像，而后依次通过所述数据预处理单元、所述边缘提取单元、所述道路提取单元和所述灾情信息提取单元的分析处理获得灾情位置和规模的信息，将分析后的信息储存在所述存储模块中。所述获取灾情信息模块调取所述遥感云服务平台中所述存储模块中存储的灾情信息，利用所述生成系统报告模块生成评估报告。

本发明还提供了前面所述的基于遥感云服务平台的道路损毁灾情快速评估系统在道路损毁灾情快速评估中的应用。

本发明的优点和有益效果：

本发明将数据处理及地质灾害提取及灾情评估等相关算法集成于包含传感器的遥感云服务平台，减少了灾情评估的时间，为灾害的防灾减灾工作提供支援，同时利用矢量数据对道路提取加以辅助，可以获取一定的初始信息，替代或部分替代人工干预，获得相对稳定的提取结果，快速为灾情评估提供地表参考信息。

(2)遥感卫星智能化处理技术发展迅速，用户对于遥感信息的快速响应需求也日益强烈，结合应急减灾对实时灾情信息的快速获取需求，支持图像产品的快速应用，快速对受灾道路进行提取，快速得到灾情评估。数据可快速直传到应急减灾用户，满足用户的快速获取需求，它将事件响应时间由小时级提升至分钟级。

附图说明

图1显示为基于遥感云服务平台的道路损毁灾情快速评估系统的结构示意图；

附图标记说明：

1：遥感云服务平台，11：遥感数据采集传感器，121：道路灾情信息分析模块，1211：数据获取单元，1212：数据预处理单元，1213：边缘提取单元，1214：道路提取单元，1215：灾情信息提取单元，122：存储模块；123：通讯模块；2：地面综合信息服务平台，21：用户登录模块，22：发布指令模块，23：获取灾情信息模块，24：生成系统报告模块；

图2显示边缘提取的效果图，其中，A：灰度图片；B：Canny算子；C：Sobel 算子；D：Prewitt算子；

图3显示道路提取图，其中，A：原始图片；B：Canny边缘增强图片；C：分割图片；D：道路提取后图片。

具体实施方式

下面结合附图及实施例描述本发明具体实施方式：

实施例 基于遥感云服务平台的道路损毁灾情快速评估系统

本实施例的一种基于遥感云服务平台的道路损毁灾情快速评估系统包括遥感云服务平台1，地面综合信息服务平台2。

遥感云服务平台1包括遥感数据采集传感器11、主控服务器12。

主控服务器12包括道路灾情信息分析模块121、存储模块122、通讯模块 123；存储模块122通过通讯模块123分别与道路灾情信息分析模块、遥感数据采集传感器连接。

地面综合信息服务平台2通过通讯模块123与遥感云服务平台1连接。

所述道路灾情信息分析模块121包括顺次连接的数据获取单元1211、数据预处理单元1212、边缘提取单元1213、道路提取单元1214、灾情信息提取单元1215。

所述遥感数据采集传感器11包括无人机遥感数据采集传感器、卫星遥感数据采集传感器；所述遥感数据采集传感器是光学传感器。

所述遥感云服务平台1还包括供电系统，所述供电系统分别与所述遥感数据采集传感器11、所述主控服务器12连接。

所述地面综合信息服务平台2包括用户登录模块21、发布指令模块22、获取灾情信息模块23、生成系统报告模块24。

数据预处理单元1212执行以下方法：

1)利用Mean-shift滤波对数据获取单元1211获取的图像进行平滑处理；

2)利用KMeans++聚类和朴素贝叶斯分类对图像灰度化

通过KMeans++聚类得到两或三种道路点辐射信息的聚类中心；随后，等距采集并筛选出足量负样本点(负样本点是等距采集后未被分类的样本点)进行朴素贝叶斯分类，得到二值化的分类结果；

KMeans++聚类函数为：

式中：k为聚类数；N为样本集的样本数量；uij为样本j对类别i的隶属情况，uij＝1为样本j属于第i类，uij＝0则相反；dij为样本j与第i类样本的聚类中心之间的距离。

遥感图像上同一材质的道路样本点在RGB颜色空间中的分布并不聚拢，而是呈线形分散，因此每种材质的道路需预设多个聚类中心。然后，计算每个负样本点在颜色空间中与各个聚类中心的距离；若与任意聚类中心的色差小于T，则剔除该负样本点。

朴素贝叶斯公式为：

朴素贝叶斯算法是假设各特征相互独立的分类方法，求解特征项ti在相互独立出现的条件下属于各个类别cj的概率P(cj|ti)，则将归属类别的最大概率结果作为待分类文档的真正类别。

3)图像裁剪

配准矢量数据(矢量数据库)和高分辨率遥感图像(分类后的图像)，并用矢量数据生成的缓冲区把道路从图像中裁剪出来。

配准矢量数据和高分辨率遥感图像采用的是粗匹配的方式，粗匹配的目的是从大量的预存图像中快速筛选出与遥感图像相似度较高的几张图像，缩小匹配范围，减少后续精匹配的匹配次数，从而达到减少匹配耗时的目的。而且，整体的匹配耗时不会随着预存图像的增加而增加，有很强的实用性。

边缘提取单元1213执行以下方法：利用霍夫变换算法中的canny算子对数据预处理单元1212处理后的图像进行道路边缘提取。边缘提取结果见图2所示。

道路提取单元1214执行以下方法：采用霍夫变换算法进行道路中心线提取。道路提取结果见图3所示。

霍夫变换算法包括以下步骤：边缘提取；二值化；映射到霍夫空间；取局部极大值，设定阈值，过滤干扰直线；绘制直线、标定角点。

边缘提取算法包括Prewitt算子、canny算子、sobel算子。经对比发现Canny 算子得到的结果明显好于其他两种算子，精度高。

灾情信息提取单元1215执行以下方法：将道路提取单元1214提取的道路结果作为待匹配数据，道路矢量数据作为匹配模板，将提取的道路数据在匹配模板上滑动，基于SURF算法进行特征匹配，可以根据匹配道路得到道路损毁的几何信息和属性信息，几何信息包括：①道路损毁的长度、面积、损毁率；②地质灾害类型；③损毁道路所在位置。

SURF算法包括特征提取，特征描述，特征匹配三个部分，具体包括：

i)将道路提取模块1214提取的矢量数据生成种子点；

ii)用种子点进行面填充；

iii)将步骤ii)获得的结果与矢量引导模板(矢量数据库)进行匹配，识别受损区域。

种子点生成应该符合以下基本原则：

I)每个未受损面内至少有1个种子点；

II)单个未受损面内的种子点个数应该尽可能少，最好为1；

III)所有种子点必须位于矢量数据上；

IV)种子点不可重叠。

SURF算法中特征匹配是对应模板匹配，方法是采用快速最近邻逼近搜索：使用优化的搜索策略在特征的描述子集上进行训练，并调用适合最近邻算法寻找局部最佳的匹配结果。

损毁信息计算是通过图像分割和道路面填充识别后，所有的未受损道路面都已被填充为独立的面对象，并且每一个未受损道路都被赋予了唯一的标号。通过对这些面对象的面积、编号值和矢量数据上的属性值进行计算，即可得到道路的损毁信息，进而准确提取受灾点位置与规模。

举例：道路损毁面积计算

在未受损的道路上，道路的面积应该是长度和宽度的乘积，弯曲道路的面积应该是圆弧的面积，和道路的曲率有关.但由于道路的曲率通常都在一定限度内，此时圆弧的面积近似等于矩形的面积，仍然可以按照长度乘以宽度来计算。因此，未受损的道路整体面积可以近似等于道路长度和宽度的乘积。当道路受损时，因为灾害体覆盖了部分面积，道路的面积被减损了一部分，减损之后的道路面积等于剩下的所有未受损道路的面积之和，道路受损前面积、受损后面积和损毁面积存在如下关系：

S

根据如上关系，本发明通过比对道路受损前的面积和受损后的面积，间接计算出道路的损毁面积。

本发明的基于遥感云服务平台的道路损毁灾情快速评估系统的结构示意图见图1所示。

上面结合附图对本发明优选实施方式作了详细说明，但是本发明不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解，本发明不限于特定的实施方式，本发明的范围由所附权利要求限定。