[發明專利]一種同震滑坡提取方法、系統、電子設備及存儲介質

在審

• 申請號: 202310323071.4
• 申請日: 2023-03-29
• 公開（公告）號: CN116343042A
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 皇甫文超;崔鵬;邱海軍
• 申請（專利權）人: 西北大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/54;G06V10/77;G06V10/82;G06T7/45
• 代理公司: 北京方圓嘉禾知識產權代理有限公司 11385
• 代理人: 程華

1.一種同震滑坡提取方法，其特征在于，包括：

利用主成分分析法提取遙感影像的光譜波段主成分；

利用灰度共生矩陣獲取所述光譜波段主成分的紋理特征；所述紋理特征包括均值、方差、同質性、對比度、相異性、熵、角二階矩和相關性；

基于所述紋理特征構建滑坡增益指數；

基于所述紋理特征、所述滑坡增益指數以及植被覆蓋指數，構建多特征深度學習模型；

利用訓練好的多特征深度學習模型對同震滑坡進行提取。

2.根據權利要求1所述的同震滑坡提取方法，其特征在于，基于所述紋理特征構建滑坡增益指數，具體包括：

利用ROI統計分析工具分析同震滑坡、裸地和道路在紋理特征上的分布特征，并基于所述分布特征確定差異紋理特征；所述差異紋理特征包括：對比度和相異性；

對所述差異紋理特征進行歸一化計算，構建滑坡增益指數。

3.根據權利要求1所述的同震滑坡提取方法，其特征在于，所述滑坡增益指數的構建公式如下：

其中，LGI表示滑坡增益指數，Contrast表示對比度，Dissimilarity表示相異性。

4.根據權利要求1所述的同震滑坡提取方法，其特征在于，基于所述紋理特征、所述滑坡增益指數以及植被覆蓋指數，構建多特征深度學習模型，具體包括：

基于所述紋理特征、所述滑坡增益指數以及植被覆蓋指數構建滑坡識別特征柵格集；

對所述遙感影像進行手動解譯同震滑坡，并進行標注，得到標簽柵格；

通過所述滑坡識別特征柵格集和所述標簽柵格構建多特征深度學習模型。

5.根據權利要求1所述的同震滑坡提取方法，其特征在于，還包括，對訓練好的多特征深度學習模型進行精度驗證；所述精度驗證的指標包括：整體精度、kappa系數、準確度、召回率和F1得分。

6.一種同震滑坡提取系統，其特征在于，包括：

光譜波段主成分提取模塊，用于利用主成分分析法提取遙感影像的光譜波段主成分；

紋理特征獲取模塊，用于利用灰度共生矩陣獲取所述光譜波段主成分的紋理特征；所述紋理特征包括均值、方差、同質性、對比度、相異性、熵、角二階矩和相關性；

滑坡增益指數構建模塊，用于基于所述紋理特征構建滑坡增益指數；

多特征深度學習模型構建模塊，用于基于所述紋理特征、所述滑坡增益指數以及植被覆蓋指數，構建多特征深度學習模型；

同震滑坡提取模塊，用于利用訓練好的多特征深度學習模型對同震滑坡進行提取。

7.根據權利要求6所述的同震滑坡提取系統，其特征在于，所述滑坡增益指數構建模塊具體包括：

差異紋理特征確定單元，用于利用ROI統計分析工具分析同震滑坡、裸地和道路在紋理特征上的分布特征，并基于所述分布特征確定差異紋理特征；所述差異紋理特征包括：對比度和相異性；

滑坡增益指數構建單元，用于對所述差異紋理特征進行歸一化計算，構建滑坡增益指數。

8.根據權利要求1所述的同震滑坡提取方法，其特征在于，所述多特征深度學習模型構建模塊具體包括：

滑坡識別特征柵格集構建單元，用于基于所述紋理特征、所述滑坡增益指數以及植被覆蓋指數構建滑坡識別特征柵格集；

標簽柵格構建單元，用于對所述遙感影像進行手動解譯同震滑坡，并進行標注，得到標簽柵格；

多特征深度學習模型構建單元，用于通過所述滑坡識別特征柵格集和所述標簽柵格構建多特征深度學習模型。

9.一種電子設備，其特征在于，包括存儲器及處理器，所述存儲器用于存儲計算機程序，所述處理器運行所述計算機程序以使所述電子設備執行權利要求1-5中任一項所述的同震滑坡提取方法。

10.一種計算機可讀存儲介質，其特征在于，其存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1-5中任一項所述的同震滑坡提取方法。