国际先进研究期刊》的研究在电子、电子、仪表工程
菜单ISSN在线(2278 - 8875)打印(2320 - 3765)
ISSN在线(2278 - 8875)打印(2320 - 3765)
Selvi C1和Sathya年代2
|
| 相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程
摘要自动算法使用高分辨率合成孔径雷达(SAR)卫星数据,基于现有的方法。它包括使用对象分类图像分割前应对大量的像素在这些场景。在图像处理改进的分类可以通过分割图像同质性的区域,然后分类,而不是每个像素分类独立使用逐像素分类器。使用分割技术提供了许多优点而逐像素分类。通过使用形态学图像处理洪水从获得的卫星地图能被探测到,然后使用支持向量机分类器分类(SVM)分类器。洪水给天气检测算法概述程度的洪水在城市和农村地区。在夜间也可以工作。
关键字 |
| 分割技术、分类、图像处理、Matlab仿真。 |
介绍 |
| terrasar - x (TSX)是第一个民用空间承担雷达卫星与地球观测能力的一项决议约1米。目标是量化其定位精度,TSX场景是在瑞士2008年2月和8月之间使用高分辨率的焦点(HS)和带状地图(SM)模式,和不间断倾斜范围复杂(SSC)产品被命令。洪水是一个溢出的水。连续的降雨可能导致洪水的发生。许多后发生洪水的影响。近实时的洪水给天气检测算法概述泛滥的程度,从而可以为操作救灾管理一个有用的工具。接近实时算法有助于查看地理洪水程度在整个地区覆盖高分辨率基础地图上天桥后几个小时。 |
| 一个。论文的目的 |
| 本文的目的是改善图像的准确性使用分割算法使用前一个分类技术。众所周知在图像处理,一种改进的分类可以通过分割图像同质性的区域,然后分类,而不是每个像素分类独立使用逐像素分类器。使用分割技术提供了许多优点而逐像素分类。 |
| B。项目范围 |
| 自动实时洪水描述算法已经被开发出来,它能够检测淹没在这两个领域。所涉及的时间延迟下载SAR数据和处理图像提取洪涝程度,形象代表了洪水形势之前几个小时,而不是当前的局势。另一种方法使用图像中的信息,避免这种限制是使用它与河流洪水流的水力模型。 |
文献调查 |
| 洪水实时检测使用一个分裂自动阈值过程[3],自动实时洪水(NRT)检测方法,结合直方图阈值和基于细分的分类、专门面向分析single-polarized高分辨率合成孔径雷达(SAR)卫星数据。SAR-based洪水检测所面临的挑战是在一个完全无监督方法,假设没有训练数据,因此没有先验信息类数据可用的面积有关的调查。该算法的主要缺点是只适合在农村地区。在部分淹没图克斯伯里镇,然而,只有一些大的地区可以发现淹没。这些区域不明亮双反弹效应以及来自副瓣的强反射,因此可以发现由于其强度值低于阈值。监督方法和大量的用户交互是必要的执行更准确的分类使用SAR数据在城市地区(梅森et al ., 2008)。 |
| 使用快速映射技术[4]、基于对象的分类方法操作terrasar - x数据能够实时洪水程度上映射条件。基于对象的方法是基于规则的环境中实现的。三个模块顺序激活杰出发达规则系统:细分、水提取和面具洪水提取和细化。最初(分割)和最终(洪水提取和细化)模块是自动的,而水面具半自动提取过程。terrasar - x的整体研究表明潜在的数据和面向对象方法的快速描述洪水扩展地图操作环境。这种技术的缺点是前后事件数据的要求和验证映射链的持续,测试不同洪水场景和进一步完善细化步骤。 |
| 在分割[9],使用时段遥测监控洪水事件cosmo - sky - med卫星数据图像。数据集包括五个cosmo - sky - med卫星数据的观察2009年洪水事件发生在意大利北部。过程主要是基于图像分割技术,它允许识别同类地区为了提取可靠的反向散射值,并使用电磁模型解释的雷达回波图像片段。结果证明这种组合的潜力和实用程序使用的电磁散射模型和洪水监测的分割算法。的缺点是使用时段遥测(五天)和多尺度(每天形态学资料)功能在一个无监督聚类算法使我们产生一个可靠的分割组成的地图non-noisy均匀区域的地图,因此处理散斑噪声通常防止逐像素分析。 |
| 利用SAR地球观测已经被证明是一个天气和客观的信息来源获得危机和损害地图[7]。接近实时SAR处理服务支持水灾地区的映射。服务利用网格技术来管理大量的数据,并提供计算资源来应对SAR处理要求的任务。该算法实现影像校正的最终产品。衍生产品的验证显示了一个可靠的精度共同注册的口口相传半像素。地理定位精度结果低于100米。服务能显著加速ESA SAR数据的访问和剥削。目前,主要的工作是针对替换处理软件更优化的版本,从而降低整体处理时间(第一个结果对印度的实验导致了不到1小时)。 |
研究区和数据集 |
| 存在一个理想的数据集用于这项研究。1 -在150年洪水发生在较低的Severn图克斯伯里,英国,2007年7月,导致大量的洪水在城市地区。从西北流入,雅芳,从东北流入。在一天,12厘米的雨水落在周边地区。洪水发生在7月22日的峰值水平时图克斯伯里测量为5.43 m Newlyn军械数据,从1947年0.13米纪录。好几个人被杀,数千人撤离家园,50 000人没有水和电了一个星期,和价值约25亿美元的损失是由于在该地区作为一个整体。图克斯伯里镇的本身,大约1500房屋被淹没,洪水进入图克斯伯里教堂第一次在247年。河直到7月31日才回到银行完整。 |
| 图1显示了terrasar - x的细节获得的模决议带状地图图像区域,terrasar - x入射角是24¢¦,和这张照片multilook地面空间增强的范围。HH极化模式选择提供了良好的淹没和非淹没区域之间的歧视。天桥的时候,相对较低的风速和没有下雨。航拍照片的洪水是收购了7月24日和27日,这些被用来验证洪水从terrasar - x的图像中提取。地区B覆盖更大更多的农村塞汶河(南北范围12.3公里,东西程度6公里),这里的数据被用来验证terrasar - x洪水程度在农村地区。地形剖面DEM生成从1:10000地图轮廓和十米级空间分辨率和2.5米的高度准确性作为一个低分辨率的例子,不准确民主党可能在农村地区就业。 |
 |
RGB图像转换成二进制图像 |
| 在卫星图像分割可以转换为二进制图像。二进制图像,白色像素通常采取代表前景区域,而黑色像素表示背景。(注意,在一些实施本公约是逆转,因此它是非常重要的输入图像设置正确的极性实现使用)。然后的坐标对应集图像仅仅是将二维欧几里得的坐标的前景图像中像素,与一个起源通常采取在一个角落,使所有的坐标有积极的元素。 |
| 对于灰度图像,强度值代表高度高于基准平面,所以灰度图像代表一个表面三维欧几里得空间。然后组坐标与这张照片表面只是一组三维欧几里得所有的点的坐标在这个表面和表面下也都点,基准平面。注意,即使我们只考虑与整数点坐标,这是很多点,所以通常算法采用不需要考虑所有的点。 |
该方法 |
在洪水中检测的步骤 |
| 洪水之后的步骤检测分割和分类。 |
图像分割 |
| 图像可以分段使用图像分割技术。的一些图像分割技术,点,线,边缘检测、阈值分割提出分割,分割使用形态学图像处理。数学形态学的上下文中作为提取图像组件工具是有用的在区域形状的表征和描述,如边界、骨架、凸包。两个基本形态学操作,扩张和侵蚀,工会(或十字路口)翻译的一个图像形状称为结构化元素。 |
| 最基本的形态学操作是扩张和侵蚀。扩张增加了像素在图像物体的边界,而侵蚀删除对象边界像素。像素的数量添加或删除的对象在一个图像的大小和形状取决于结构元素用于处理图像。在形态学膨胀和腐蚀操作,任何给定的状态输出图像的像素是由规则应用到相应的输入图像的像素及其邻国。 |
| 基本形态操作侵蚀、扩张、打开和关闭。侵蚀anddilation通过翻译结构元素输入图像中各点,检查翻译内核之间的交点坐标和输入图像坐标。开幕式是侵蚀膨胀紧随其后。最后是扩张,随之而来的侵蚀。 |
工作的扩张 |
| 膨胀运算符需要两个数据作为输入。第一个是扩张的形象。第二个是一套(通常是小)的坐标点称为结构化元素(也称为内核)。在Z2与A和B组,A, B的扩张,表示一个⊕B,被定义为 |
 |
| 膨胀的数学定义二进制图片:假设X是欧几里得的集合坐标对应输入二进制图像,和K是坐标构建元素的集合。让Kx表示K的翻译,它的起源是x, x K的扩张只是所有点的集合x这样的交集Kx x是空。 |
| 工作的侵蚀 |
| 侵蚀运营商需要两个数据作为输入。首先是图像也被侵蚀。第二个是一套(通常是小)的坐标点称为结构化元素(也称为内核)。在Z2与A和B组,A, B的侵蚀,AA´加一个B,被定义为 |
 |
| 侵蚀的数学定义二进制图片:假设X是欧几里得的集合坐标对应输入二进制图像,和K是坐标构建元素的集合。LetKx表示K的翻译,它的起源是x, x K的侵蚀是所有点的集合x这样Kxis x的一个子集。 |
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成几个土地覆盖类之一,或“主题”。这个分类的数据可能会被用来制造专题地图的土地覆盖在一个图像。图像分类的目标是识别和描述,作为一个独特的灰度(或颜色),发生在一个图像的特性的对象或者类型的土地覆盖这些特性实际上代表了在地上。 |
| 监督分类 |
| 监督分类,我们确定信息类(也就是例子。土地覆盖类型)图像中感兴趣的。这些被称为“培训网站”。然后使用图像处理软件系统开发一个反射率的统计特征为每个类的信息。这个阶段通常被称为“特征分析”,可能需要开发一个简单的描述,平均每个乐队或反射的愤怒,或复杂的详细分析的意思是,方差和协方差除以所有乐队。一旦得到了统计描述每个类的信息,然后分类通过检查图像每个像素的反射率和做决定的它就像大多数的签名。 |
| 非监督分类 |
| 无监督分类方法,检查大量的未知像素和基于自然分为若干分类分组图像中值。与监督分类、非监督分类不需要analyst-specified训练数据。的基本前提是,值在给定覆盖类型应该接近测量空间(即有相似的灰色的水平),而数据在不同的类应该相对分离(即有非常不同的灰色的水平) |
提出的分类方法 |
支持向量机(SVM) |
| 在机器学习中,支持向量机(svm,也支持向量网络)监督学习模型与相关学习算法分析数据和识别模式,用于分类和回归分析。基本支持向量机将一组输入数据和预测,对于每一个给定的输入,这两个类的形式输出,使之成为一个non-probabilistic二进制线性分类器。支持向量机的优点是精度高,不错的关于在拟合理论保证,适当的内核可以工作得很好,即使你不是线性可分的数据基本特征空间。特别流行在文本分类问题非常高维空间是常态。 |
| 各种类型的内核在svm使用线性内核,二次内核,内核RBF(径向基函数),多项式的内核,乙状结肠内核。 |
线性内核 |
| 线性内核是最简单的内核函数。它是由内积< x, y >加上一个可选的常数c。内核算法使用一个线性内核通常相当于没有同行,即KPCA PCA与线性内核是一样的标准。 |
 |
| 二次内核 |
| 二次内核比高斯内核和更少的计算量可以作为替代使用高斯时变得过于昂贵。 |
 |
| 有趣的是,使用乙状核函数支持向量机模型相当于一个两层,感知器神经网络。这个内核支持向量机很受欢迎,因为它的起源从神经网络理论。此外,尽管只有条件正定,人们已经发现在实践中表现良好。有两个可调参数在乙状结肠内核中,α和斜率截距阿尔法常数c。常见的值是1 / N,其中N是数据维度 |
结果与讨论 |
 |
| 这是获得的输入图像的合成孔径雷达和图像显示,受到洪水的影响。 |
 |
| 获得的输入图像从SAR仿真过程中是非常困难的,因此,输入图像转换为实验室颜色空间图像进行简单处理。 |
 |
| 在Matlab编写的代码的3 d图像是困难的,所以,输入图像转换为二进制图像。 |
 |
| 在二进制图像噪声。通过使用形态学分割噪声去除,最后产生了一个明确的形态图像。 |
 |
| 从形态学图像洪水影响可以发现使用形态学分割一部分。 |
 |
| 通过使用支持向量机分类器洪水影响图像分类是否洪水或干旱或基于阈值的正常水位。 |
结论和未来的工作 |
| 自动实时洪水描述算法已经被开发出来,它能够检测准确洪水在农村地区,在城市地区温和的准确性。因为terrasar - x的低能见度的地面由于阴影和短暂的停留。从获得的卫星图像(输入),它转化为二进制图像因为洪水受灾地区的需要。形态学图像处理用于消除噪音和分割图像。从洪水检测图像洪水受灾地区被发现。这项工作的一个限制是它是基于数据从单一洪水事件。洪水在特定区域被发现。扩大城乡的洪水将未来的工作。 |
引用 |
|
