基于高斯差分模型的雪地扰动痕迹遥感识别方法技术

本发明专利技术公开基于高斯差分模型的雪地扰动痕迹遥感识别方法，包括如下步骤：（a）目标区域提取：将需要识别的目标区的遥感影像切割出来；（b）对遥感影像做高斯差分滤波；（c）精度评价：对滤波前后的遥感影像进行对比，分析痕迹提取结果，评价痕迹提取的精度。本发明专利技术通过影像增强处理，去除平滑的背景信息，可有效识别出雪地上的痕迹，建立了一种基于高分辨率遥感影像对雪地痕迹进行识别的高效检测技术，实现了对雪地上人员或动物的微弱活动痕迹进行自动识别提取；从而使得人们可以分析产生痕迹的活动类型，进一步分析其来源、去向，为动物保护、公共安全管理等部门提供信息支持，辅助决策分析工作。

【技术实现步骤摘要】
基于高斯差分模型的雪地扰动痕迹遥感识别方法
本专利技术涉及遥感识别方法，特别涉及基于高斯差分模型的雪地扰动痕迹遥感识别方法。
技术介绍
我国是中、低纬度地区积雪最发育的国家，北方地区都存在冬春季节的大范围降雪。大范围积雪覆盖为人们出行和动物觅食等活动造成一定影响，同时对粗糙的地表有一定的平滑作用，并产生单一背景，使人员或动物在雪地上的活动留下明显的痕迹，对于跟踪冬季动物活动、识别雪地上人员活动轨迹等提供可能，进而可以分析冬季动物的习性、活动范围，以及人员在雪地上的活动类型等。利用雪地上人员或动物留下的活动痕迹来进行识别、跟踪的方法已经在很多领域发挥作用，如在野生动物保护领域，对雪地动物痕迹的抽样调查可估算该区域动物群体数量，同时动物痕迹还能反映动物冬季的活动范围、生活习性；公共安全部门可根据人员在雪地上的痕迹跟踪可疑人员。目前主要的痕迹识别跟踪方法是依靠地面人员的实地搜索，这种方法在小范围、周围环境比较熟悉时是可行的，应用效果也非常好；但对于大面积研究区域，则非常费时费力，甚至根本行不通。遥感技术具有覆盖范围广、地面目标识别能力强等特点，随着遥感技术发展，影像空间分辨率的不断提高，利用遥感技术对雪地上人员或动物的痕迹识别成为潜在应用。
技术实现思路
针对现有技术中存在的不足，本专利技术的目的在于提供一种基于高斯差分模型的雪地扰动痕迹遥感识别方法，使得能够对雪地上人员或动物的微弱活动痕迹进行自动识别提取。本专利技术的技术方案是这样实现的：基于高斯差分模型的雪地扰动痕迹遥感识别方法，包括如下步骤：（a）目标区域提取：将需要识别的目标区的遥感影像切割出来；（b）对遥感影像做高斯差分滤波；（c）精度评价：对滤波前后的遥感影像进行对比，分析痕迹提取结果，评价痕迹提取的精度。上述基于高斯差分模型的雪地扰动痕迹遥感识别方法，在步骤（b）中：用高斯差分滤波器对遥感影像做高斯差分滤波处理的结果为：gl2(x，y)＝DoG(x，y，σ1，σ2)*f(x，y)(l);在式（1）中，为高斯差分滤波器：在式（2）中，分别为不同σ时的高斯滤波器，其中：令σ1＝σ，σ2=Kσ，公式（1）可改写为：上述基于高斯差分模型的雪地扰动痕迹遥感识别方法，针对江面封冻期时的江面雪地扰动痕迹进行遥感识别，在式（5）中：K=4，σ=1.0-2.0。上述基于高斯差分模型的雪地扰动痕迹遥感识别方法，σ=1.5，对滤波后的遥感影像做阈值处理，设定阈值为5，将小于该阈值的像元值设为0，使平滑的河道作为黑色背景显示。上述基于高斯差分模型的雪地扰动痕迹遥感识别方法，阈值处理方法如下：设图像有L个灰度级，灰度值是i的像元数为ni，则总的像元数是各灰度值出现的概率为pi＝ni/N,显然，设阈值为t，将图像分割成2个区域，即把灰度级分为两类，背景类A=(0，1，……，t)，和目标类B=(t+1，t+2，……，L-1)。两类出现的概率分别为：A、B两类的灰度均值分别为：图像总的灰度均值为：由此可以得到A、B两区域的类间方差：σ2＝pA(ωA-ω0)2+pB(ωB-ω0)2，则使得类间方差σ2最大的t*即为所求的最佳阈值：上述基于高斯差分模型的雪地扰动痕迹遥感识别方法，在步骤（a）中：使用Quickbird标准级产品全色影像，地面分辨率0.6米，对遥感影像进行几何精校正，控制资料使用目标区内1:1万数字栅格地形图，地面控制点共选择25个，采用多项式变换的校正方法，重采样方法为最邻近像元法，遥感影像校正误差控制在1个像元内。上述基于高斯差分模型的雪地扰动痕迹遥感识别方法，在步骤（c）中：痕迹提取精度的计算公式为：本专利技术的有益效果是：本专利技术通过影像增强处理（DoG滤波处理及阈值处理），去除平滑的背景信息，可有效识别出雪地上的痕迹，建立了一种基于高分辨率遥感影像对雪地痕迹进行识别的高效检测技术，实现了对雪地上人员或动物的微弱活动痕迹进行自动识别提取；从而使得人们可以分析产生痕迹的活动类型，进一步分析其来源、去向，为动物保护、公共安全管理等部门提供信息支持，辅助决策分析工作。附图说明图1样区A及局部放大图；图2样区C雪面扰动痕迹；图3Aσ=1.0的DoG滤波器对样区A的滤波结果对比；图3Bσ=1.5的DoG滤波器对样区A的滤波结果对比；图3Cσ=2.0的DoG滤波器对样区A的滤波结果对比；图4ADoG对样区A的滤波结果；图4Blaplacian算子对样区A的滤波结果；图4Csobel算子对样区A的滤波结果；图4Dprewitt算子对样区A的滤波结果；图5A样区B的DoG滤波前；图5B样区B的DoG滤波后；图5C样区C的DoG滤波前；图5D样区C的DoG滤波后。具体实施方式结合附图对本专利技术做进一步的说明：1、研究区和研究数据选择冰雪覆盖的江面上的痕迹作为研究对象。对于复杂的地面背景来讲，结冰的江面更接近于平滑背景，降雪的覆盖，使江面成为单一均匀的背景。同时江面也是冬季人员过江、动物迁徙的必由通道，对于研究动物迁徙和人员活动类别分析具有重要意义。研究区位于吉林省延边朝鲜族自治州龙井市白金乡至三合镇之间的图门江段（经纬度为129.5E，42.4N）。该区域属于温带季风气候，四季分明，但纬度较高，冬季寒冷，时间较长，江面封冻期为每年12月初至来年4月中旬，其间约有60天的时间窗口人可从江面通过。冬季图们江面上存在较多的人员活动和动物迁徙活动痕迹。本文研究所使用的实验数据为Quickbird标准(Standard)级产品全色遥感影像。地面分辨率0.6米，此时的图们江处于冰封期。为保证提取痕迹位置的准确性，对遥感影像进行几何精校正。控制资料使用该地区内1:1万数字栅格地形图，地面控制点共选择25个，采用多项式变换的校正方法，重采样方法为最邻近像元法，遥感影像校正误差控制在1个像元内。2、监测原理与方法2.1监测原理物体的边缘是以图像局部的不连续性的形式出现的，边缘常常表现为一个区域的结束和另一个区域的开始。在高分辨率遥感影像上，物体的边缘表现为灰度、色调和纹理结构的突变等。图像边缘信息在图像分布和人的视觉分析中都十分重要，也是图像识别中提取图像特征的重要属性之一。在积雪覆盖的情况下，人员的过江活动会在江面上留下足印，即线状过江痕迹，形成积雪背景下的微弱扰动信息。在遥感影像上，微弱过江痕迹使连续背景的灰度值、纹理结构产生突变。线状痕迹可表示为非常靠近但极性相反的两个边缘，遥感识别主要是利用边缘监测算法对痕迹做增强处理，突出这些弱信息，识别出这些过江痕迹，标识出过江较集中的区域。本文使用高斯差分滤波边缘检测模型对冬季冰雪覆盖的江面上的人为痕迹进行增强和识别。2.2高斯差分滤波在数字图像处理领域，早期用于图像边缘信息提取的检测算子包括梯度算子和拉普拉斯算子，梯度算子如Sobel算子、Roberts算子、Prewitt算子等属于一阶微分算子，对噪声小、灰度值过渡明显的边缘有较好的检测效果；拉普拉斯算子是二阶微分算子，具有线性、各向同性和位移不变性，检测细线和孤立点的效果好的特点。基于拉普拉斯高斯算子（LOG）的边缘检测方法，即先对图像先进行高斯滤波平滑，以抑制噪声，然后再利用拉普拉斯算子进行边缘检测，是现有边缘检测算法中一种较好的方法,在图像处理系统中得到了广泛应用。本实施例高斯差分滤波来源于高斯本文档来自技高网...

【技术保护点】
基于高斯差分模型的雪地扰动痕迹遥感识别方法，其特征在于，包括如下步骤：（a）目标区域提取：将需要识别的目标区的遥感影像切割出来；（b）对遥感影像做高斯差分滤波；（c）精度评价：对滤波前后的遥感影像进行对比，分析痕迹提取结果，评价痕迹提取的精度。

【技术特征摘要】
1.基于高斯差分模型的雪地扰动痕迹遥感识别方法，其特征在于，包括如下步骤：(a)目标区域提取：将需要识别的目标区的遥感影像切割出来：使用Quickbird标准级产品全色遥感影像，地面分辨率0.6米，对遥感影像进行几何精校正，控制资料使用目标区内1:1万数字栅格地形图，地面控制点共选择25个，采用多项式变换的校正方法，重采样方法为最邻近像元法，遥感影像校正误差控制在1个像元内；(b)对遥感影像做高斯差分滤波：用高斯差分滤波器对遥感影像f(x，y)做高斯差分滤波处理的结果为：g12(x，y)＝DoG(x，y，σ1，σ2)*f(x，y)(1)；在式(1)中，为高斯差分滤波器：在式(2)中，分别为不同σ时的高斯滤波器，其中：令σ1＝σ，σ2＝Kσ，公式(1)可改写为：

【专利技术属性】
技术研发人员：李强子，刘吉磊，杜鑫，王红岩，
申请(专利权)人：中国科学院遥感与数字地球研究所，
类型：发明
国别省市：北京;11