[发明专利]联合光谱、植被指数和纹理特征的高分影像滑坡检测方法

说明书

本发明提供一种联合光谱、植被指数和纹理特征的高分影像滑坡检测方法，包括获取待检测高分辨率遥感影像及对应栅格化的滑坡真实标签；提取光谱特征，通过光谱波段计算植被指数，并对待检测高分辨率遥感影像进行主成分分析，计算第一主成分的灰度共生矩阵，利用灰度共生矩阵提取多个纹理特征；采用离差标准化进行影像归一化；采用Relief‑F算法进行特征选择来降低数据冗余；通过图层叠加、滑动窗口算法扫描、数据增强来生成训练样本，利用深度U‑Net方法进行训练；基于测试样本进行模型测试、精度评价及输出滑坡检测结果图。本发明提供了一种有效的滑坡检测方法，能充分挖掘高分辨率遥感影像信息，有效提高滑坡的识别精度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种联合光谱、植被指数和纹理特征的高分影像滑坡检测方法。

背景技术

高分辨率影像可供利用的光谱波段较少，影像中地物的光谱分布变化很大，不同地物的光谱相互重叠往往造成“同物异谱”、“异谱同物”等问题。然而，相比中低分辨率影像，高分影像包含更多地物几何结构和纹理信息。此外，山区地形的高分影像含有更为复杂的地物、山体滑坡呈现的尺度变化、植被覆盖和极其有限的地面真实数据等问题，给快速高效地识别滑坡带来了巨大挑战。

传统的滑坡灾害检测方法分为两类。第一类方法产生于遥感影像发展之前，是一种以人为中心的传统的灾害普查方式。通常在灾害发生很久之后才能获取到相关信息。该方法耗费人力物力，信息获取周期长。第二类方法产生于遥感影像出现之后，利用传统影像处理技术对遥感影像进行滑坡检测。主要方法有：统计学方法和机器学习方法。主要通过从遥感影像上获取灾害的先验知识，再进行实地调查，其中掺杂大量的人为因素。该类方法需要事先人为的获取影像中滑坡区域的特征信息。另外的，该类方式需要大量的调参工作，导致方法复杂。

发明内容

有鉴于此，本发明提供了一种改进图像特征提取的联合光谱、植被指数和纹理特征的高分影像滑坡检测方法，能避免信息冗余。该方法包括以下步骤：

S1：获取待检测高分辨率遥感影像及对应栅格化的滑坡真实标签；

S2：提取所述待检测遥感影像的光谱特征，计算植被指数，并提取纹理特征；将所述植被指数和所述纹理特征组合成辅助特征；

S3：对所述光谱特征、所述辅助特征和所述栅格化的滑坡真实标签分别进行归一化处理，得到归一化的光谱特征、归一化的辅助特征和归一化的滑坡真实标签；

S4：对所述归一化的辅助特征进行筛选，得到筛选后的辅助特征；

S5：通过叠加所述归一化的光谱特征、所述筛选后的辅助特征和所述归一化的滑坡真实标签构建多维数组；

S6：将所述多维数组裁剪成多个栅格图像块，并划分训练样本和测试样本；

S7：对所述训练样本进行数据扩充，得到扩充后的训练样本；

S8：使用所述扩充后的训练样本对深度U-Net网络进行训练，训练完成后，得到训练好的鲁棒模型；

S9：使用所述测试样本对所述训练好的鲁棒模型进行测试，评价检测精度并输出滑坡检测结果图。

优选地，步骤S2中，计算植被指数的步骤包括：

通过光谱波段计算植被指数NDVI，计算公式为：

式中：NIR和R分别表示待检测高分辨率遥感影像近红外波段和红波段的反射率。

优选地，步骤S2中，提取纹理特征步骤包括：

对所述待检测高分辨率遥感影像进行主成分分析，计算第一主成分的灰度共生矩阵，利用灰度共生矩阵提取多个纹理特征；