專利名稱：一種采用圖像分類技術從遙感圖像中進行滑坡檢測的方法
技術領域：
本發明涉及一種采用圖像分類技術從遙感圖像中進行滑坡檢測的方法，可以應用于各種遙感圖像的滑坡檢測。
背景技術：
滑坡是一類破壞力極強的地質災害，它常常給工農業生產以及人民生命財產造成巨大損失。因此，滑坡研究也越來越受到人們的重視。早期的滑坡檢測主要采用傳統的地面調查方法，該方法野外工作強度很大，特別在危險及氣候惡劣地區，工作效率十分低下。 到20世紀90年代末，立體鏡航空照片解譯配合一定的地面驗證成為滑坡檢測和制圖最常用的方法，然后將解譯結果通過手工轉繪到相應比例尺的地形圖上，制作滑坡分布圖，該方法使部分野外工作轉移到室內，在一定程度上提高了工作效率，減輕了野外工作強度。近年來，開始利用ArcGIS、CorelDRAW等軟件平臺結合數字高程模型進行滑坡檢測和分析，但該方法需要獲取三維立體地形學信息，計算量很大。
遙感作為一種滑坡調查和監測手段，隨著傳感器的不斷發展和遙感圖像分辨率的不斷提高，越來越受到地質災害研究人員的關注。從遙感圖像中進行滑坡檢測是滑坡分析、 評價、預測和監測的基礎，它利用滑坡發生處的影像光譜信息、地形地貌和形態特征等，對遙感圖像進行分析和判別，獲取滑坡災害發生范圍，從而達到災害調查和制圖的目的。近年來，隨著高分辨率遙感圖像在資源環境監測、災害管理等領域的廣泛應用，高分辨率遙感圖像信息提取方法以及遙感圖像分類方法已成為近年來研究的熱點。現有的采用遙感圖像進行滑坡檢測的方法主要有基于對象的高分辨率遙感圖像滑坡檢測方法和基于監督分類的遙感圖像滑坡檢測方法。但是，基于對象的高分辨率遙感圖像滑坡檢測方法需要對多期遙感圖像進行多尺度、多層次分割，檢測效果直接依賴于圖像分割的結果，總體檢測率不高；基于監督分類的遙感圖像滑坡檢測方法只能實現將圖像劃分為滑坡解譯所需要的簡單幾種類型，且檢測過程中仍需借助于遙感專業處理軟件ENVI，檢測效率和檢測精度都有待提聞。發明內容
要解決的技術問題
為了避免現有技術的不足之處，本發明提出了一種采用圖像分類技術從遙感圖像中進行滑坡檢測的方法，能夠從遙感圖像中進行滑坡檢測，且具有很高的檢測正確率。
本發明的思想在于(I)采用基于重疊的面積均分法對預處理后的遙感圖像進行分塊，得到面積相等的正方形圖像塊，然后將得到的圖像塊分成兩個集合——訓練集和測試集；⑵提取訓練集和測試集中所有圖像塊的SIFT特征，然后對訓練集中的SIFT特征采用k-means聚類方法得到單詞和詞典；(3)用BoVW模型表示訓練集和測試集中的每個圖像塊；(4)利用pLSA模型提取每個圖像塊的主題，最后用KNN分類器將測試集中所有的圖像塊分成滑坡和非滑坡兩類，從而實現對遙感圖像的滑坡檢測。
技術方案一種采用圖像分類技術從遙感圖像中進行滑坡檢測的方法，其特征在于步驟1 預處理采用加權平均法對遙感圖像的RGB三個分量進行加權平均得到灰度圖像，然后利用灰度線性變換函數將灰度圖像的灰度范圍映射到[/mm,/max]的灰度區間，得到預處理后的圖像；其中加權平均法計算公式為f(i, j) = 0. 3R(i, j)+0. 59G(i, j)+0. llB(i, j)， f(i，j)為加權平均法得到的(i，j)像素點的灰度值，R(i，j)、G(i，j)和B(i，j)分別為(i，
j)像素點的RGB三個分量值；灰度線性變換函數為/α/>=(L· -LjxffJ)jfmm +/mm，
J max J min
為(υ)像素點經過灰度映射后的灰度值，fmin、f_分別為灰度映射前的灰度圖像的最小灰度值和最大灰度值；步驟2 圖像分塊采用anxaii的滑動窗口對預處理后的灰度圖像進行重疊分塊，相鄰圖像塊的重疊區域為m個像素，得到圖像塊的集合D = U1, L，IJ ；從集合D中選取Nlandslide個具有滑坡特征的滑坡類圖像塊和Nnrarfandslide個不具有滑坡特征的非滑坡類圖像塊組成訓練集M = L ’ _J ；將集合D中剩余的圖像塊組成測試集萬=·^,L ,^teJ;其中1表示集合D中的圖像塊；下標N為集合D中圖像塊的個數；m的取值范圍為 150 300
T T，Y為遙感圖像的空間分辨率，單位為米；a表示訓練集中的圖像塊；下標Nteaining
為訓練集中圖像塊的個數，且Ntraining = Nlandslide+Nnon_landslide ‘Niandsiide/Nnon_landslide ^ 0. 5 ;b ^ 示測試集中的圖像塊；下標Ntest為測試集中圖像塊的個數；步驟3 單詞和詞典的形成共分兩個步驟，具體過程如下步驟al 提取集合D中每個圖像塊的SIFT特征，具體過程如下首先計算每個圖像塊的圖像卷積‘ =/*^Τ^(χ2+/)/2σ"2唭中ο = 0. 5，*表示卷積運算；然后計算每個圖像塊的圖像金字塔GX^7 =/σ ^-J^e-^2^2，圖像金字塔共0
“2πσ
組，每組S層，下一組的第一幅圖像由上一組的最后一幅圖像降采樣得到，采樣因子為2 ；其中σ = σ 0 . 2。+s/s，σ 0 = 1. 6 · 21/s, ο = 0，K 0-1, s = 0，K S-I, S = 3，0 = Iog2 2m ；再對每個圖像塊中同一組相鄰的GSS。求差分得到DOG。，將DOG。每個像素點的值分別和它同尺度的8個相鄰點和上下相鄰尺度對應的9X2個點共沈個點比較，如果該像素點的值為極小值或者極大值，則該像素點為圖像顯著點，顯著點周圍以ο為半徑的區域為顯著區域，由此可以得到一系列的圖像顯著點；最后計算每個圖像塊的梯度圖像卷積1 %eW)/2.0,^，其中 7&為允的梯度圖像；然后在t上計算以圖像顯著點為中心、。為半徑的圓形區域的梯度
°nuηuη
方向直方圖，梯度方向直方圖共分36個區間，每個區間10度，梯度方向直方圖峰值的方向區域為該顯著點的主方向；最后在t上將以每個圖像顯著點為中心、σ為半徑的圓形區
u η域，按主方向及其垂直方向等分成16個區域，在每個小區域中分別統計梯度方向直方圖， 梯度方向直方圖共分8個區間，每個區間45度，并將每個方向直方圖的幅值量化到
區間，得到16X8 = 128維的SIFT特征；由此，每一個圖像塊I可以得到一系列的SIFT特征；
步驟bl :設定聚類中心數目M，利用K-means聚類算法對訓練集中所有圖像塊的 SIFT特征進行聚類，得到含有M個單詞的詞典W= {Wl，L，wM}；
其中M表示詞典中單詞的個數，取值范圍為500 2500 表示詞典中的單詞；
步驟4 :用BoVW模型表示圖像塊將訓練集和測試集中所有圖像塊的每個SIFT 特征映射為詞典中的一個單詞；然后統計每一個圖像塊中所有單詞的頻率，得到一個 NtrainingXM 的矩陣Ntrammg =(Kli^)y.)Wt mmgXM和一個 NtestXM 的矩陣Ntest =(/7( ,'%.) xM ；
其中mh，Wj)為圖像塊Bi的BoVW模型表示，代表單詞Wj在圖像塊Bi中出現的頻率；下標ij表示元素Wapwj)在Ntraining中處于第i行、第j列，i = I, 2, L, Ntraining, j = 1，2，L，M ；n(bk, Wj)為圖像塊bk的BoVW模型表示，代表單詞Wj在圖像塊bk中出現的頻率； 下標kj表示元素n(bk, W」)在Ntejst中處于第k行、第j列，k = 1,2, L, Ntest ；
步驟5 :用pLSA模型提取圖像塊的主題共分兩個步驟，具體過程如下
步驟a2 :計算訓練集圖像塊的P (W11 zt)和P (zt | a,)，具體過程如下
權利要求
1. 一種采用圖像分類技術從遙感圖像中進行滑坡檢測的方法，其特征在于 步驟1 預處理采用加權平均法對遙感圖像的RGB三個分量進行加權平均得到灰度圖像，然后利用灰度線性變換函數將灰度圖像的灰度范圍映射到[/mm,/max]的灰度區間，得到預處理后的圖像；其中加權平均法計算公式為 f(i，j) = 0. 3R(i, j)+0. 59G(i, j)+0. llB(i，j)，f (i，j) 為加權平均法得到的(i，j)像素點的灰度值，R(i，j)、G(i，j)和B(i，j)分別為(i，j)像素點的RGB三個分量值；灰度線性變換函數為/α _；+)=cL -Ljxf fJ)jfmm +L·，J max J minJ \i J)為(i，j)像素點經過灰度映射后的灰度值，fmin、fmax分別為灰度映射前的灰度圖像的最小灰度值和最大灰度值；步驟2 圖像分塊采用anXail的滑動窗口對預處理后的灰度圖像進行重疊分塊，相鄰圖像塊的重疊區域為m個像素，得到圖像塊的集合D= {Ii;L,In}；從集合D中選取Nlandslide 個具有滑坡特征的滑坡類圖像塊和Nn。n_landslide個不具有滑坡特征的非滑坡類圖像塊組成訓練集X = P1,L , _」；將集合D中剩余的圖像塊組成測試集萬=·^,L ,^teJ;其中1表示集合D中的圖像塊；下標N為集合D中圖像塊的個數；m的取值范圍為 150 300~y 7，γ為遙感圖像的空間分辨率，單位為米；a表示訓練集中的圖像塊；下標Nteaining為訓練集中圖像塊的個數，且Ntraining = Nlandslide+Nnon_landslide ‘Niandsiide/Nono_landslide ^ 0. 5 ;b ^ 示測試集中的圖像塊；下標Ntest為測試集中圖像塊的個數； 步驟3 單詞和詞典的形成共分兩個步驟，具體過程如下 步驟al 提取集合D中每個圖像塊的SIFT特征，具體過程如下首先計算每個圖像塊的圖像卷積‘ =/*^Τ^(χ2+/)/2σ"2 ；其中σ n = 0. 5，*表示卷積運算；然后計算每個圖像塊的圖像金字塔^-J^e-^2^2，圖像金字塔共0組，每“2πσ組S層，下一組的第一幅圖像由上一組的最后一幅圖像降采樣得到，采樣因子為2;其中σ = σ0. 2°+s/s，σ 0 = 1. 6 · 21/s, ο = 0，K 0-1, s = 0，K S-I, S = 3，0 = Iog2 2m ；再對每個圖像塊中同一組相鄰的GSS。求差分得到DOG。，將DOG。每個像素點的值分別和它同尺度的8個相鄰點和上下相鄰尺度對應的9X2個點共沈個點比較，如果該像素點的值為極小值或者極大值，則該像素點為圖像顯著點，顯著點周圍以ο為半徑的區域為顯著區域，由此可以得到一系列的圖像顯著點；最后計算每個圖像塊的梯度圖像卷積1 =ι0σ %一2”2)/2.(1.⑷2，其中:1“Ιπ-^.^σ)1Gt7n為/σ的梯度圖像；然后在t上計算以圖像顯著點為中心、。為半徑的圓形區域的梯度方向u ηu η直方圖，梯度方向直方圖共分36個區間，每個區間10度，梯度方向直方圖峰值的方向區域為該顯著點的主方向；最后在t上將以每個圖像顯著點為中心、。為半徑的圓形區域，按u η主方向及其垂直方向等分成16個區域，在每個小區域中分別統計梯度方向直方圖，梯度方向直方圖共分8個區間，每個區間45度，并將每個方向直方圖的幅值量化到
區間， 得到16X8 = 128維的SIFT特征；由此，每一個圖像塊I可以得到一系列的SIFT特征； 步驟bl :設定聚類中心數目M，利用K-means聚類算法對訓練集中所有圖像塊的SIFT 特征進行聚類，得到含有M個單詞的詞典W= (W1, L, wM}；其中M表示詞典中單詞的個數，取值范圍為500 2500 ;w表示詞典中的單詞；步驟4 :用BoVW模型表示圖像塊將訓練集和測試集中所有圖像塊的每個SIFT特征映射為詞典中的一個單詞；然后統計每一個圖像塊中所有單詞的頻率，得到一個NtrainingXM的矩陣Ntrammg =( (%，％HmmgxM和一個 NtestXM 的矩陣Ntest xM ；其中為圖像塊Bi的BoVW模型表示，代表單詞Wj在圖像塊Bi中出現的頻率； 下標 ij 表示元素 Wai, Wj)在 Ntraining 中處于第 i 行、第 j 列，i = 1,2, L, Ntraining, j = 1,2, L, M ；n(bk, Wj)為圖像塊bk的BoVW模型表示，代表單詞Wj在圖像塊bk中出現的頻率；下標 kj表示元素n(bk, W」)在Ntejst中處于第k行、第j列，k = 1,2, L, Ntest ；步驟5 :用pLSA模型提取圖像塊的主題共分兩個步驟，具體過程如下步驟a2 :計算訓練集圖像塊的P (W11 zt)和P (zt I a,)，具體過程如下初始化P(Zi)=丄、/1(w, I zt)=丄和I Zt) T“計算 P(AlH):MP(Zt)Piwi I z^Piai I zt)training將 P (Zt,■)代入公式尸O. I zt)P(ar \Zt)'-iHiai7WW(ZtIai7Wj)Yjs^nias,W])P{zt\as,W])miH,)計算P (Wj I Zt)、P (at I zt)和P (zt),然后再次計算P (zt I ai; Wj)并重復上述過程，直到Izf)]的對數似然函數期望值的增加量小于指定的閾值S時停止迭代，得到P(w」Zt);然后，得到P(Zt I ai) =,---;其中Z表示主題；P (Wj I Zt)表示單詞Wj在主題Zt中出現的概率；P (Zt I Sii)表示主題Zt 在圖像塊31中出現的概率；P(zt)表示主題Zt在所有主題中出現的概率；P(ai|zt)表示圖像塊ai在主題Zt中出現的概率；P (Zt I BijWj)表示主題Zt在圖像塊Bi和單詞Wj條件下的后驗概率；下標t和m表示主題的序號，t = I, 2, L, T, m = I, 2, L, T, T表示主題個數，T的取值范圍為10 25 ;下標r表示單詞的序號，r = 1,2, L, M ;下標s表示訓練集圖像塊的序號，,2，L,'training;log表示對數運算符；S為設定的閾值，取值范圍為0. I 0. 5步驟b2 :計算測試集圖像塊的P (zt I bk)，具體過程如下
全文摘要
本發明涉及一種采用圖像分類技術從遙感圖像中進行滑坡檢測的方法，首先采用基于重疊的面積均分法對預處理后的遙感圖像進行分塊，得到面積相等的正方形圖像塊，并將得到的圖像塊分成兩個集合——訓練集和測試集；其次，提取訓練集和測試集中所有圖像塊的SIFT特征，對訓練集中的SIFT特征采用k-means聚類方法得到單詞和詞典；然后，用BoVW模型表示訓練集和測試集中的每個圖像塊；最后，利用pLSA模型提取每個圖像塊的主題，并用KNN分類器將測試集中的圖像塊分成滑坡和非滑坡兩類，從而實現對遙感圖像的滑坡檢測。該方法運算量小、檢測效率高，同時又具有很高的檢測正確率。
文檔編號G06K9/62GK102542295SQ20121000475
公開日2012年7月4日 申請日期2012年1月8日 優先權日2012年1月8日
發明者任波, 余博, 程塨, 趙天云, 郭雷, 錢曉亮, 韓軍偉 申請人:西北工業大學