【技术实现步骤摘要】
一种基于星载SAR影像的精细化洪水淹没区提取方法
[0001]本专利技术属于遥感图像处理及信息提取
，具体涉及一种基于星载SAR影像的精细化洪水淹没区提取方法。
技术介绍
[0002]近些年全球气候反常，洪涝事件频发。我国从去年至今，先后发生过长江决堤、河南郑州新乡水灾、内蒙古水库溃坝及山西水灾等，造成了不少人员伤亡和难以计数的经济损失。对洪水淹没区的快速提取有利于应急救灾、灾害损失评估和灾后重建等，具有重大研究意义，势在必行。遥感卫星观测是对地观测的主要方式，合成孔径雷达卫星以能够提供多波段、无视云雾的全天候观测的显著优势，在应急减灾中发挥了重要作用。随着高分辨率SAR卫星的普及，为洪水淹没区的大范围精细化提取提供了可能，如何高效且精细地从SAR影像中提取洪水淹没区信息，是目前SAR卫星遥感领域的研究重点。
[0003]现有的提取SAR影像中洪水淹没区的方法为提取灾后水体分布并与灾前水体做差得到洪水淹没区。提取灾后水体区域主要包括三种方法：一是无监督的阈值分割或者聚类，二是使用有监督的训练模型提取水体，三是采...
【技术保护点】
【技术特征摘要】
1.一种基于星载SAR影像的精细化洪水淹没区提取方法，其特征在于，包括：S1、获取目标区域洪水后的SAR图像，对所述SAR图像进行超像素分割和阈值分割分别获得超像素分割结果和阈值分割结果，所述超像素分割后得到待分类的图像对象，根据所述阈值分割结果得到超像素分割获得的每个图像对象的背景百分比，并计算超像素分割获得的每个图像对象的特征向量；S2、通过对超像素分割获得的图像对象的邻接关系、背景百分比和超像素分割获得的每个图像对象的特征向量进行处理构建无向图并通过降维与聚类得到部分结点的类别标签；S3、根据所述的无向图和得到的部分结点的类别标签训练图卷积神经网络，并通过训练好的图卷积神经网络预测其它结点的类别，得到淹没后的水体提取结果；S4、将提取的淹没后的水体分布与洪水前的水体分布做差，得到洪水淹没区域。2.根据权利要求1所述的一种基于星载SAR影像的精细化洪水淹没区提取方法，其特征在于，所述步骤S1具体包括：S101、获取目标区域洪水后的SAR图像，对SAR图像进行超像素分割，将一幅完整影像利用超像素分割成若干图像对象，并从1开始对超像素分割获得的每个图像对象编号；S102、对于所述超像素分割获得的图像对象，计算每个图像对象的散射矩阵和在每个极化方式上的统计特征；S103、选取SAR图像任意极化方式的波段，通过大津法阈值分割方法对整个SAR影像进行阈值分割得到二值栅格图，在所述二值栅格图中，小于等于阈值的编号为1，反之则编号为0；S104、根据所述超像素分割获得的图像对象和所述二值栅格图中的编号，统计超像素分割获得的每个图像对象中0和1的像素个数，得到背景百分比。3.根据权利要求2所述的一种基于星载SAR影像的精细化洪水淹没区提取方法，其特征在于，计算所述超像素分割获得的每个图像对象在每一个极化方式上的统计特征包括均值、方差、中值、最小值和最大值。4.根据权利要求2所述的一种基于星载SAR影像的精细化洪水淹没区提取方法，其特征在于，所述背景百分比包括超像素分割获得的每个图像对象中小于等于阈值与高于阈值的像素数量的百分比。5.根据权利要求2所述的一种基于星载SAR影像的精细化洪水淹没区提取方法，其特征在于，所述步骤S2具体包括：S201、将超像素分割获得的每个图像对象的散射矩阵展平成一维并与超像素分割获得的每个图像对象在每个极化方式上的统计特征、背景百分比进行拼接，作为超像素分割获得的每个图像对象的特征向量；S202、通过t
‑
SNE降维方法对超像素分割获得的每个图像对象的特征向量降维至二维，并以降维后的二维特征分别作为X轴、Y轴的值绘制特征散点图；S203、通过观察所述特征散点图的聚集情况，计算出特征散点图的簇点数量；S204、以所述簇点数量为无监督聚类的聚类中心数，通过K
‑
Means聚类方法对每个超像素分割获得的图像对象的特征向量进行聚类得到聚类结果并进行标注，并从0开始依次对聚类后的同一类别标注同一数字，不同类别标注不同数字；
S205、以所述聚类结果为参考，选择具有代表性的水体和非水体对象作为训练和测试的样本，得到部分结点的类别；S206、查找与所述超像素分割获得的每个图像对象相邻的所有对象，并将邻接关系依据超像素分割获...
【专利技术属性】
技术研发人员：万昊明，唐攀攀，王辉，于桐，赵博，勾鹏，焦文品，白石，罗小燕，
申请(专利权)人：南湖实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。