基于矢量引导的遥感平台上灾害损毁道路灾情快速提取方法

技术领域

本发明属于信息科学技术领域，涉及一种基于矢量引导的遥感平台上灾害损毁道路灾情快速提取方法。

背景技术

灾情评估是灾后对地表自然、人文等要素的位置、范围、面积、类型等变化信息进行动态、定量评价和估算，是全面了解灾情、把握局势、制定策略的基础性工作。地表信息指地球表面当前所具有的自然形成或人为引起的地理要素信息状况，如道路、耕地、园地、林地、草地、水域等。地表信息作为灾情信息的重要内容，是地表地物类型及自然属性的真实反映，灾后对其提取是实现灾情评估的重要技术手段。

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。通过道路矢量基础数据引导，可以快速从0-1级遥感影像数据中快速识别道路因灾损毁后的异常信息，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

当灾害发生后，遥感数据从传感器平台(如卫星)传到地面，再经过图像处理，最快都要4-5小时，假设在传感器所在平台(如卫星)上能够集成道路提取的相关算法，通过道路矢量基础数据引导，快速从0级或1级遥感影像数据中识别因灾损毁后的道路异常信息，可以大大提高信息处理效率；同时在平台上只把提取的灾情信息下传给决策用户，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。

本发明提供一种遥感图像预处理方法，所述方法包括以下步骤：

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。

本发明对图像进行Mean-shift滤波处理，合并一些相似的光谱特征。采用Mean-shift滤波对图像进行处理时，需设置坐标空间半径s

进一步，步骤2)的具体操作包括：i)KMeans++聚类；ii)朴素贝叶斯分类。

更进一步，步骤2)的具体操作包括：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。

进一步，步骤3)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。

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。

本发明还提供了一种灾害损毁道路矢量信息的提取方法，所述提取方法包括如下步骤：

a)利用前面所述的方法对遥感图像进行预处理；

b)将步骤a)处理后的图像进行道路中心线提取。

c)对提取后的道路进行后处理。

可用于提取道路中心线的方法包括邻域质心投票算法、霍夫变换算法。

在本发明的具体实施方案中，提取道路中心线的方法是霍夫变换算法。

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、拉普拉斯算子、canny算子、sobel算子。

在本发明的具体实施方案中，边缘提取算法是canny算子。

Canny算子使用两个阈值进行边缘检测，先用一个大的阈值提取初始边缘，再用一个小的阈值提取疑似边缘，并在8邻域内将疑似边缘连接到初始边缘上，实现初始边缘的生长，生成最终的边缘线。

Prewitt算子是最基础的边缘检测算子，它从水平和垂直两个方向上计算图像的一阶导数，以此为基础计算梯度的模，即梯度值。

本发明的道路提取方法还可以使用基于像元的方法、基于对象的方法、基于深度学习的方法。

基于像元的方法提取方法有：光谱分析法、阈值分割法、边缘检测法等。

基于对象的方法提取道路的方法有：区域法、知识模型法、纹理分析法等。

基于深度学习的方法有：有卷积神经网络(CNN)、深度卷积网络(DCNN)、完全卷积网络(FCN)以及深层神经网络(DNN)。

所述后处理包括基于矢量几何分析的断线连接、边缘细化、去毛刺、弧线。

本发明还提供了一种矢量引导的遥感平台上灾害损毁道路灾情快速提取方法，所述方法包括如下步骤：

A)利用前面所述的提取方法获得道路的矢量数据；

B)对道路信息与矢量引导模板进行精确匹配；

C)损毁信息计算与灾情快速提取。

进一步，所述步骤B)对道路信息与矢量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。

更进一步，所述步骤B)的具体操作包括：

i)利用步骤A)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。

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。

识别受损区域的方法是一个边填充边识别的过程，先在模板限定域内用种子点填充面，到达模板边界后用模板对面进行特征识别，判别出面是否受损。如果是未受损面，再用未受损面编号重新填充该面，如果是受损面，则用损毁标记值填充该面。第二次填充不受模板域限制。填充结束后，即可提取出每一个未受损面，每个未受损面都会有一个编号值，所有的受损面都会被标记为灾害体。

进一步，常用的特征匹配方法有暴力匹配和快速最近邻逼近搜索。

在本发明的具体实施方案中，特征匹配方法是快速最近邻逼近搜索。

暴力匹配就是在一幅图像中选取一个特征点后，依次与另一张图像中的每个特征点的描述子进行距离计算，返回距离最近的特征点，即认为是匹配上的特征点。暴力匹配的特点是进行全局最优搜索，返回最优值，结果准确，当然在特征点个数较多时会比较耗时。

快速最近邻逼近搜索则是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。在高维特征和大数据集的情况下，在耗时方面相比暴力匹配有明显的优势；由于是近似搜索，准确度较暴力匹配低一些，且性能易受数据集本身的特征影响。

本发明中的损毁信息计算是对前面获得的损毁道路结果进行计算，得到各种损毁指标值，进而达到准确提取受灾点位置与规模的目的。

本发明的目标是为了在遥感传感器上，实现对0级或1级原始遥感影像数据，对道路受到滑坡、崩塌、泥石流等地质灾害掩埋情况的快速发现和提取，进而将准确的受灾点位置和灾害规模快速识别出来，将识别的结果从遥感传感器上传回到灾害应急用户，支持快速决策。要求要满足0-1级原始遥感影像数据的提取，要在1小时以内完成信息提取和回传。

本发明的优点和有益效果：

(1)本发明通过基于Canny算子的边缘提取对遥感影像道路进行道路粗提取，再进一步采用霍夫变换对道路进行中心线的提取，随后基于SURF算法的特征匹配方法对道路信息进行匹配，快速获得道路灾损信息。另外，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传感器，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)对图像数据进行智能解译并提取有效信息，并根据不同用户终端自主生成相应的信息产品，是未来灾情评估技术发展的必然趋势。

(3)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2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；

图3显示流程示意图。

具体实施方式

为了对本发明的技术方案及有益效果有更进一步的了解，下面配合附图详细说明本发明的技术方案及其产生的有益效果。

实施例1遥感图像预处理

所述方法包括以下步骤：

1)利用Mean-shift滤波对图像进行平滑处理；

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；

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。

实施例2灾害损毁道路矢量信息的提取

提取方法包括以下步骤：

1)利用实施例1所述的方法对遥感图像进行预处理；

2)将步骤1)处理后的图像进行分道路中心线提取；

利用霍夫变换算法提取道路中心线；霍夫变换算法的边缘提取方法使用Sobel算子、Prewitt算子、Canny算子分别进行实验；

3)对分割后的图像进行后处理

基于矢量几何分析的方法通过计算每个道路端点的延伸方向连接中断道路，并通过缓冲区分析的方法剔除冗余的道路片段如毛刺和短枝(参考文献：朱晓铃，邬群勇，基于高分辨率遥感影像的城市道路提取方法研究[J].资源环境与工程，2009，23(03):296-299；吴晓燕，车登科，戴芬，影像与矢量结合的道路自动提取及变化检测[J].矿山测量,2010(01):62-64)。

结果如图1所示，经过对比发现Canny算子得到的结果明显好于其他两种算子。经过分析，Canny算子采用了双边阈值法，而其他两种算法采取边缘检测，精度不够。

经过本实施例的提取方法获得的道路提取信息见图2所示。

实施例3矢量引导的遥感平台上灾害损毁道路灾情快速提取方法

评估方法包括如下步骤：

1)利用实施例2所述的提取方法获得道路的矢量数据；

2)使用SURF算法对道路信息与矢量引导模板进行精确匹配；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)将步骤1)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。

本实施例使用的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。

3)损毁信息计算与灾情快速提取

损毁信息计算是通过影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。本发明中设定了衡量灾害损毁程度的损毁指标值：地点、灾害类型、受损规模、受损面积、损毁长度、总长度及损毁率。

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。

从0级或1级图像快速获得道路损毁灾情信息的整个流程见图3所示。

虽然本发明已利用上述较佳实施例进行说明，然其并非用以限定本发明的保护范围，任何本领域技术人员在不脱离本发明的精神和范围之内，相对上述实施例进行各种变动与修改仍属本发明所保护的范围，因此本发明的保护范围以权利要求书所界定的为准。