利用卫星图像识别洪水

Selvi C¹和Sathya S²

Muthayammal工程学院欧洲经委会系助理教授，印度拉西普兰-637408
Muthayammal工程学院欧洲经委会系助理教授，印度拉西普兰-637408

摘要

一种基于现有方法的高分辨率合成孔径雷达(SAR)卫星数据的自动算法。它包括在图像分割之前使用对象分类来处理这些场景中非常大量的像素。在图像处理中，改进的分类可以通过将图像分割成同质性区域，然后对它们进行分类，而不是使用逐像素分类器对每个像素进行独立分类。与逐像素分类相比，分割技术的使用提供了许多优点。通过形态学图像处理，可以对获取的卫星地图进行洪水检测，然后使用支持向量机分类器对其进行分类。洪水检测算法给出了城市和农村地区洪水程度的综合概述。在夜间，它也将能够工作。

关键字

分割技术，分类，图像处理，Matlab仿真。

介绍

TERRASAR-X (TSX)是第一颗能够以大约1米的分辨率观测地球的民用空间雷达卫星。为了量化其地理定位精度，TSX在2008年2月至8月期间使用高分辨率聚光灯(HS)和条状地图(SM)模式在瑞士上空拍摄了场景，并订购了单看倾斜范围复杂(SSC)产品。洪水是指水溢出。持续的降雨可能导致洪水的发生。许多影响发生在洪水之后。一种近乎实时的洪水检测算法，可以对洪水的程度进行综合概述，因此可以成为洪水救援管理的有用工具。近实时算法有助于在立交桥几个小时后，在基础地图上覆盖整个区域，以非常高的分辨率查看地理记录的洪水范围。

a .论文的目的

本文的目标是在使用分类技术之前使用分割算法来提高图像的准确性。众所周知，在图像处理中，改进的分类可以通过将图像分割成同质性区域，然后对它们进行分类，而不是使用逐像素分类器对每个像素进行独立分类。与逐像素分类相比，分割技术的使用提供了许多优点。

b .项目的范围

开发了一种自动的近实时洪水圈定算法，能够检测这两个地区的洪水。下载SAR数据和处理图像以提取洪水范围所涉及的时间延迟，图像代表的是几个小时前的洪水情况而不是当前的情况。另一种避免这种限制的使用图像中的信息的方法是将其与河流洪水流量的水力模型结合使用。

文献调查

在基于分割的自动阈值分割程序[3]的实时洪水检测中，针对单极化超高分辨率合成孔径雷达(SAR)卫星数据分析，提出了一种将直方图阈值分割和基于分割的分类相结合的近实时洪水自动检测方法。基于sar的洪水检测的挑战是以一种完全无监督的方式来解决的，它假设没有训练数据，因此没有关于调查区域的类统计信息的先验信息。该算法的主要缺点是只适用于农村地区。然而，在部分被淹的图克斯伯里镇，只有一些更大的地区被检测到被淹。这些区域没有受到双反弹效应以及强反射器旁瓣的贡献而变亮，因此可以检测到由于它们的强度值低于导出的阈值。对于使用SAR数据在城市地区进行更准确的分类，需要大量用户交互的监督方法(Mason等，2008)。

利用快速映射技术[4]，提出了一种基于对象的TerraSAR-X数据近实时操作洪水范围映射方法。基于对象的方法是在基于规则的环境中实现的。在所开发的规则系统中区分了三个顺序激活的模块:分割、水掩码提取和洪水提取与细化。初始(分割)和最终(洪水提取和细化)模块是自动化的，而水掩模提取过程是半自动的。总体研究展示了TerraSAR-X数据和面向对象方法在操作环境中快速描绘洪水扩展图的潜力。该技术的缺点是需要事件前后的数据，并且映射链的验证正在进行中，针对不同的洪水场景进行测试，并进一步改进细化步骤。

在多时相分割[9]中，使用cosmos - skymed多时相图像监测洪水事件。该数据集包括COSMO-SkyMed对2009年发生在意大利北部的一次洪水事件的5次观测。该过程主要基于图像分割技术，该技术允许识别均匀区域以提取可靠的后向散射值，并使用电磁模型来解释来自图像片段的雷达返回。结果表明，这种结合使用电磁散射模型和分割算法的洪水监测的潜力和实用性。缺点是在无监督聚类算法中使用多时间(五天)和多尺度(每天的形态轮廓)特征，使我们能够生成由同质区域的无噪声地图组成的可靠分割地图，从而处理通常阻止逐像素分析的散斑噪声。

使用SAR对地观测已被证明是一个天气和客观的信息来源，以得出危机和损害地图[7]。近实时SAR处理服务，支持洪水地区的测绘。该服务利用网格技术来管理大量数据，并提供计算资源来处理SAR处理任务。给出了最终产品实现正交整流的算法。所得产物的验证表明，半像素的共配准具有可靠的精度。定位精度在100 m以下。这项服务对加速欧空局SAR数据的存取和利用作出了重大贡献。目前，主要工作是将处理软件替换为更优化的版本，以减少整体处理时间(印度试验台的首次结果不到1小时)。

研究区域和数据集

本研究中有一个理想的数据集。2007年7月，在英国图克斯伯里附近的塞文河下游发生了150年一遇的洪水，导致城市地区发生了大规模洪水。从西北流入，还有雅芳河，从东北流入。在一天之内，周围地区的降雨量达到了12厘米。洪水的高峰发生在7月22日，当时图克斯伯里的水位测量为543米，比1947年的记录高出0.13米。数人死亡，数千人从家中撤离，5万人在一周多的时间里没有水和电，整个地区造成了约25亿美元的损失。在图克斯伯里镇，大约有1500座房屋被淹，洪水在247年来首次进入图克斯伯里修道院。直到7月31日，河水才完全恢复。

图1为TerraSAR-X获取的该区域3 m分辨率的带状地图图像细节，TerraSAR-X入射角为24Ã①Â△Â μ m，图像为多视地距空间增强图像。所选用的HH极化模式能很好地区分淹水区和非淹水区。立交时，风速相对较低，无降雨。7月24日和27日获得了洪水的航空照片，这些照片用于验证从TerraSAR-X图像中提取的洪水范围。B区覆盖了塞文河沿岸更大的农村地区(南北12.3公里，东西6公里)，这里的数据用于验证农村地区的TerraSAR-X洪水范围。以1:10 000地图等高线生成的地貌剖面DEM为例，该DEM具有10米的空间分辨率和2.5米的高度精度，可用于农村地区，分辨率较低，精度较低。

RGB图像到二值图像的转换

分割前，可以将卫星图像转换为二值图像。对于二值图像，白色像素通常表示前景区域，而黑色像素表示背景。(请注意，在一些实现中，这种约定是相反的，因此对于正在使用的实现，使用正确的极性设置输入图像是非常重要的)。那么，与该图像对应的坐标集就是图像中所有前景像素的二维欧几里得坐标集，原点通常位于其中一个角落，因此所有坐标都有正元素。

对于灰度图像，取强度值表示基平面以上的高度，使灰度图像表示三维欧几里得空间中的表面。那么与这个图像曲面相关的坐标集合就是这个曲面内所有点的三维欧几里得坐标集合以及曲面下所有点的三维欧几里得坐标集合，直到基平面。请注意，即使我们只考虑具有整数坐标的点，这也是很多点，所以通常采用的算法不需要考虑所有的点。

该方法

洪水探测的步骤

洪水检测的步骤是分割和分类。

图像分割

图像可以使用图像分割技术进行分割。一些图像分割技术是，点，线，边缘检测，阈值分割，基于区域的分割，分割使用形态学图像处理。数学形态学作为提取图像成分的工具，这些成分在区域形状的表示和描述中是有用的，如边界、骨架和凸包。两种基本的形态学操作，膨胀和侵蚀，就一个图像与一个被称为结构元素的平移形状的结合(或交集)而言。

最基本的形态操作是膨胀和侵蚀。膨胀为图像中物体的边界增加像素，而侵蚀则消除物体边界上的像素。从图像中的对象中添加或删除像素的数量取决于用于处理图像的结构元素的大小和形状。在形态扩张和侵蚀操作中，输出图像中任何给定像素的状态是通过对输入图像中的对应像素及其邻居应用规则来确定的。

基本形态操作是侵蚀，扩张，打开和关闭。侵蚀和膨胀通过将结构元素转换到输入图像中的各个点，并检查转换后的内核坐标和输入图像坐标之间的交集来工作。开口是侵蚀，接着是膨胀。闭合是膨胀，接着是侵蚀。

膨胀工作

膨胀运算符以两段数据作为输入。首先是要放大的图像。第二个是一组坐标点(通常很小)，称为结构元素(也称为内核)。设A和B为Z2中的集合，定义A被B扩张(A⊕B)为

二值图像膨胀的数学定义:假设X是输入二值图像对应的欧氏坐标集合，K是构造元素的坐标集合。设Kx表示K的平移，使得K的原点在x处。那么x除以K的膨胀就是所有点x的集合，使得Kx与x的交点非空。

侵蚀工作

侵蚀操作符以两段数据作为输入。首先是将要被侵蚀的形象。第二个是一组坐标点(通常很小)，称为结构元素(也称为内核)。以A和B为Z2中的集合，定义B对A的侵蚀，记为AÃ Â´B

二值图像侵蚀的数学定义:假设X是输入二值图像对应的欧几里得坐标集，K是构造元素的坐标集。LetKx表示K的平移，使K的原点在x处。那么x被K侵蚀就是所有点x的集合，使得kx是x的子集。

图像分类

分类过程的目的是将数字图像中的所有像素分类为几个土地覆盖类别或“主题”之一。然后，这些分类数据可用于制作图像中土地覆盖的专题地图。图像分类的目标是识别和描绘，作为一个独特的灰度(或颜色)，出现在图像中的特征，根据这些特征在地面上实际代表的对象或土地覆盖类型。

监督分类

通过监督分类，我们识别图像中感兴趣的信息类(即土地覆盖类型)的示例。这些被称为“培训场所”。然后使用图像处理软件系统开发每种信息类的反射率的统计特征。这一阶段通常被称为“特征分析”，可能涉及到对每个波段上的平均或反射率范围进行简单的描述，也可能涉及到对所有波段上的平均、方差和协方差进行详细的分析。一旦实现了每个信息类的统计特征，然后通过检查每个像素的反射率来对图像进行分类，并决定它最类似于哪个特征。

非监督分类

无监督分类是一种检查大量未知像素，并根据图像值中存在的自然分组将其划分为若干类的方法。与监督分类不同，无监督分类不需要分析师指定的训练数据。基本前提是给定覆盖类型内的值应该在测量空间中接近(即具有相似的灰度)，而不同类别的数据应该相对分离得很好(即具有非常不同的灰度)。

建议的分类方法

支持向量机(svm)

在机器学习中，支持向量机(svm，也称为支持向量网络)是带有相关学习算法的监督学习模型，用于分析数据和识别模式，用于分类和回归分析。基本的SVM采用一组输入数据并预测，对于每个给定的输入，两个可能的类别中哪一个构成输出，使其成为一个非概率二进制线性分类器。支持向量机的优点是精度高，对于过拟合有很好的理论保证，并且有一个合适的核，即使你的数据在基特征空间中不是线性可分的，它们也能很好地工作。在文本分类问题中尤其流行，其中高维空间是标准。

支持向量机中使用的各种类型的核有:线性核、二次核、RBF核(径向基函数)、多项式核和sigmoid核。

线性内核

线性核是最简单的核函数。它由内积加上一个可选常数c给出。使用线性核的核算法通常等价于它们的非核算法，即线性核的KPCA与标准PCA相同。

二次内核

二次核的计算量比高斯核少，当使用高斯核变得太昂贵时，它可以作为一种替代方案。

有趣的是，使用sigmoid核函数的SVM模型相当于一个两层感知器神经网络。这个内核在支持向量机中非常流行，因为它起源于神经网络理论。此外，尽管只有条件正定，它已被发现在实践中表现良好。在sigmoid核中有两个可调参数，斜率alpha和截距常数c。alpha的常用值是1/N，其中N是数据维数

结果与讨论

这是从合成孔径雷达获取的输入图像图像显示了受洪水的影响。

从SAR获取的输入图像在仿真过程中非常困难，为了便于处理，将输入图像转换为实验室彩色空间图像。

在Matlab中，三维图像的代码编写比较困难，因此需要将输入图像转换为二值图像。

二值图像中存在噪声。通过形态学分割去除噪声，得到清晰的形态学图像。

从形态学图像中可以检测出洪水影响部分，采用形态学分割。

采用支持向量机分类器，根据阈值对洪水影响图像进行洪水、干旱和正常水位分类。

结论及未来工作

开发了一种近实时洪水自动圈定算法，该算法在农村地区具有较好的洪水探测精度，在城市地区具有中等精度。因为TerraSAR-X由于阴影和停留对地面的能见度很差。从获取的卫星图像(输入)，由于需要受影响的洪水面积，将其转换为二值图像。形态学图像处理是一种去除噪声并对图像进行分割的方法。根据洪水探测图像，确定了受影响的洪水区域。这项工作的局限性在于它是基于单个洪水事件的数据。在特定地区探测到的洪水已经实现。今后的工作重点是扩大城市和农村的洪涝灾害范围。

参考文献

大卫·梅森，伊恩·j·达文波特，杰弗里·c·尼尔，盖伊·j·p。Schumann和Paul D. Bates，“使用高分辨率合成孔径雷达图像在城市和农村地区的近实时洪水探测”，IEEE Trans.Geosci。遥感，第50卷，no。8，页3041-3052,2012年8月。
A. Stuart-Menteth，英国2007年夏季洪水。加利福尼亚州纽瓦克:风险管理解决方案，2007年。
R. P. Allan和B. J. Soden，“大气变暖与极端降水的放大”，科学，第321卷，no. 1。5895，页1481-1484,2008年9月。
A. Schubert, M. Jehle, D. Small和E. Meier，“大气路径延迟对TerraSAR-X高分辨率产品绝对地理定位精度的影响”，IEEE Trans。Geosci。遥感，第48卷，第1期。2，第751-758页，2010年2月。
S. Martinis, a . twelve和S. Voigt，“在高分辨率TerraSAR-X数据上使用基于分割的自动阈值程序实现近实时洪水检测，”Nat. Hazards Earth Syst。科学。，vol. 9, no. 2, pp. 303–314, Mar. 2009.
S. Martinis, A. Twele，和S. Voigt，“在不规则图上使用马尔可夫图像建模的SAR数据中洪水诱导的后向散射变化的无监督提取”，IEEE Trans。Geosci。遥感，第49卷，第1期。1，页251-263,2011年1月。
P. Matgen, R. Hostache, G. j . p。Schumann, L. Pfister, L. Hoffmann，和H. H. G. Savenjie，“面向基于sar的自动化洪水监测系统:从两个案例研究中吸取的教训”，物理。化学。地球，第36卷，no。7/8，页241-252,2011。
V. Herrera-Cruz和F. Koudogbo，“洪水事件的TerraSAR-X快速测绘”，ISPRS地理空间信息高分辨率地球成像研讨会，汉诺威，2009，第170-175页。
L. Pulvirenti, M. Chini, N. Pierdicci, L. Guerriero，和P. Ferrazzoli，“使用cosmos - skymed数据的洪水监测:图像分割和特征解释，”遥感。环境。，第115卷，no。4，第990-1002页，2011年4月。
L. Pulvirenti, N. Pierdicca, M. Chini，和L. Guerriero，“使用模糊逻辑从合成孔径雷达(SAR)数据进行操作洪水映射的算法”，Nat. Hazards Earth system。科学。，vol. 11, no. 2, pp. 529– 540, Feb. 2011.