System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及的建筑震害地物识别,尤其涉及一种结合多种纹理特征的深度学习建筑震害识别方法及系统。
技术介绍
1、重大地震灾害发生往往造成大量人造地物损毁以及人员伤亡,因此,震后第一时间对灾情作出判断对赈灾救援极为重要。合成孔径雷达(synthetic aperture radar,sar)具有全天时、全天候,不易受太阳光照影响的优势,使用sar图像进行震害检测与损失估计逐渐得到世界各国的普遍关注。如何利用sar图像的抽象信息,判断建筑物损毁区域是sar在地震灾害领域中的重要研究方向。
2、但是,现有技术缺乏对单极化sar图像进行较高准确率建筑物震害识别方法,这是现有技术亟需解决的问题。
技术实现思路
1、本专利技术提供了一种结合多种纹理特征的深度学习建筑震害识别方法,其能够克服现有技术的某种或某些缺陷。
2、根据本专利技术的一种结合多种纹理特征的深度学习建筑震害识别方法,所述方法包括以下步骤:
3、步骤s1、获取地震破坏区域的合成孔径雷达sar图像;
4、步骤s2、对所述sar图像的原始图像进行预处理得到了校正后的单极化sar图像;
5、随后从所述单极化sar图像中选取样本集;所述样本集中包括要被识别分类的每种地物类型的图像;
6、步骤s3、通过对原始sar图像处理计算,获取3项适用于建筑物震害识别的优选纹理特征,得到3项优选纹理特征图像,在所述样本集中添加每个样本相对应的3项优选纹理特征图像,得到多特征样本集
7、所述3项优选纹理特征包括:空间域的均值特征、空间域的中值特征,以及频率域的gabor特征;
8、步骤s4、将所述3项优选纹理特征与原始sar图像同时叠加成多维数据输入,进行深度卷积神经网络运算;
9、步骤s5、利用所述多特征样本集对深度卷积神经网络模型进行训练,得到经过训练的深度卷积神经网络模型;
10、步骤s6、利用所述经过训练的深度卷积神经网络模型对所述地震破坏区域sar图像进行地物分类。
11、作为优选,步骤s2中的所述地物类型包括倒塌建筑物、未倒塌建筑物、植被和裸地。
12、作为优选,步骤s2具体包括:
13、步骤s21、将单极化sar图像与光学图像进行配准;
14、步骤s22、在配准后的单极化sar图像上,提取标注的地物样本,形成sar图像样本集。
15、作为优选,步骤s22中:在sar图像上直接标注出裸地和植被样本;在光学图像中标注出倒塌和未倒塌建筑物样本。
16、作为优选,步骤s4中,所述运算的公式如下:
17、input(sar∪mean∪median∪gabor)→dcnn→output(db∪udb)
18、式中,sar、mean、median、gabor分别表示输入卷积神经网络的sar原始图像、均值特征、中值特征和gabor特征;
19、dcnn代表深度卷积神经网络,db和udb分别表示分类结果中的倒塌建筑和未倒塌建筑。
20、作为优选,步骤s3中,所述均值特征对应的均值滤波的数学表达式为:
21、
22、式中,r是平滑后的像元灰度值,n是窗口平滑大小,iij是(i,j)处平滑窗口内各像元的初始灰度值;
23、所述中值特征对应的中值滤波的数学表达式为:
24、yk=med{xi+r,j+s;r,s∈a}
25、式中,a为截取图像的窗口,x为对应点的像素值。yk表示在k点处的中值,(i,j)为窗口左上角坐标,r和s表示窗口截取的像素数量。
26、所述gabor特征对应的二维gabor滤波器定义如下:
27、
28、式中,(x,y)为二维的空间坐标表示;u=xcosθ+ysinθ;y=-xsinθ+ycosθ;θ为gabor滤波器方向;σx和σy为描述频率函数的空间尺度因子;f为决定空间尺度因子的频率,常用σx=σy=1/f。
29、本专利技术还提供一种结合多种纹理特征的深度学习建筑震害识别系统,包括建筑物震害识别装置,所述建筑物震害识别装置包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时,实现所述的方法的步骤。
30、本专利技术还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时,实现所述的方法的步骤。
31、相对于现有技术,本专利技术具有以下显著的进步:
32、(1)本专利技术通过对原始sar图像处理计算,获取3项适用于建筑物震害识别的优选纹理特征,得到3项优选纹理特征图像,再配合原始sar图像,叠加成多维数据输入,进行深度卷积神经网络运算;;然后通过调整学习率和训练次数,逐步提高模型的准确率,最终能够实现80.98%的分类精度。
33、(2)本专利技术通过对sar图像处理分析所得到的较为准确的倒塌建筑与未倒塌建筑提取结果,一方面能够为判断地震破坏区域建筑物损毁程度作数据参考;另一方面也能够为救援策略制定、灾害损失评估及后续重建规划提供技术支持。
本文档来自技高网...【技术保护点】
1.一种结合多种纹理特征的深度学习建筑震害识别方法,其特征在于,包括以下步骤:所述方法包括以下步骤:
2.根据权利要求1所述的一种结合多种纹理特征的深度学习建筑震害识别方法,其特征在于,步骤S2中的所述地物类型包括倒塌建筑物、未倒塌建筑物、植被和裸地。
3.根据权利要求2所述的一种结合多种纹理特征的深度学习建筑震害识别方法,其特征在于,步骤S2具体包括:
4.根据权利要求3所述的一种结合多种纹理特征的深度学习建筑震害识别方法,其特征在于,步骤S22中:在SAR图像上直接标注出裸地和植被样本;在光学图像中标注出倒塌和未倒塌建筑物样本。
5.根据权利要求2所述的一种结合多种纹理特征的深度学习建筑震害识别方法,其特征在于,
6.根据权利要求5所述的一种结合多种纹理特征的深度学习建筑震害识别方法,其特征在于,步骤S3中,所述均值特征对应的均值滤波的数学表达式为:
7.一种结合多种纹理特征的深度学习建筑震害识别系统,包括建筑物震害识别装置,所述建筑物震害识别装置包括存储器和处理器,所述存储器中存储有计算机程序,其特征在
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被执行时,实现权利要求1-6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种结合多种纹理特征的深度学习建筑震害识别方法,其特征在于,包括以下步骤:所述方法包括以下步骤:
2.根据权利要求1所述的一种结合多种纹理特征的深度学习建筑震害识别方法,其特征在于,步骤s2中的所述地物类型包括倒塌建筑物、未倒塌建筑物、植被和裸地。
3.根据权利要求2所述的一种结合多种纹理特征的深度学习建筑震害识别方法,其特征在于,步骤s2具体包括:
4.根据权利要求3所述的一种结合多种纹理特征的深度学习建筑震害识别方法,其特征在于,步骤s22中:在sar图像上直接标注出裸地和植被样本;在光学图像中标注出倒塌和未倒塌建筑物样本。
5.根据权利要求2所述...
【专利技术属性】
技术研发人员:翟玮,朱贵钰,杜建清,
申请(专利权)人:甘肃省地震局中国地震局兰州地震研究所,
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。