[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

本發明公開了一種同震滑坡提取方法、系統、電子設備及存儲介質。該方法包括：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；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。本發明能夠消除裸地和道路對同震滑坡遙感提取帶來的干擾，快速的從影像中實現對同震滑坡的精準識別并提取，對地震災害起到快速響應的目的。

技術領域

本發明涉及地質災害技術領域，特別涉及一種同震滑坡提取方法、系統、電子設備及存儲介質。

背景技術

同震滑坡是地震引起的次生災害，在地震發生期間和發生之后對災后救援、恢復和重建構成了重大挑戰。這些在構造活躍區和地震易發區產生的滑坡，對環境、植被和人類生命構成了嚴重的威脅，尤其是在山區。因此，及時獲取同震滑坡數據對于災后救援與風險評估至關重要，特別是在調查人員無法輕易進入的偏遠地區。

目前，利用遙感圖像提取同震滑坡的方法主要包括目視解譯、基于像素、面向對象和深度學習。其中目視解譯需要大量的專業知識以及對遙感影像分辨率要求較高，比較耗時耗力，無法做到對災害的快速響應。基于像素的滑坡提取方法大多基于傳統的統計分析和機器學習技術，提取方法相對簡單，但它們只考慮單個像素點的特征，而不考慮其他屬性的相關特征，如形狀、紋理、空間結構、上下文等，導致像素之間的相關性喪失。面向對象分類技術將同質圖像分割，收集相鄰像素作為分析對象，利用高分辨率和多光譜數據進行高精度分類。面向對象分類是基于圖像分割的，結果取決于分割尺度的選擇。在設置分割參數和分類規則的過程中需要經驗和參數調整，不能快速處理復雜的、大規模的遙感數據，不能滿足地震應急的需要。深度學習可以從高維數據中提取復雜的特征，具有以無監督或半監督的方式進行特征學習，并使用層次特征提取代替人工識別的優勢，提取速度與精度大大提高，可以滿足地震災害應急響應的要求。但由于裸地、道路具有與滑坡相似的光譜特征，經常被錯誤識別為滑坡，影響同震滑坡提取精度。

發明內容

本發明的目的是提供一種同震滑坡提取方法、系統、電子設備及存儲介質，用以消除裸地和道路對同震滑坡遙感提取帶來的干擾，快速的從影像中實現對同震滑坡的精準識別并提取，對地震災害起到快速響應的目的。

為實現上述目的，本發明提供了如下方案：

一種同震滑坡提取方法，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。

可選地，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。

可選地，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。

可選地，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：