本發(fā)明涉及遙感影像圖像處理，具體來說，涉及一種基于多源遙感影像融合的滑坡識(shí)別方法。

背景技術(shù)：

1、滑坡是地質(zhì)研究中一個(gè)重要而廣泛研究的現(xiàn)象，通常被視為地殼中特定空間內(nèi)發(fā)生的地質(zhì)作用的產(chǎn)物。在漫長的地質(zhì)歷史過程中，滑坡是由各種地質(zhì)作用形成的，是地質(zhì)體中的一種典型表現(xiàn)，它可以被看作是地層、巖體、火山體、或其他地質(zhì)構(gòu)造在地球表面發(fā)生失穩(wěn)而導(dǎo)致的運(yùn)動(dòng)。滑坡的形成與地質(zhì)體的成因特征密切相關(guān)，其物質(zhì)成分、形態(tài)特征以及空間分布規(guī)律都展現(xiàn)了不同的地質(zhì)特點(diǎn)，極端事件引發(fā)的山體滑坡常導(dǎo)致山區(qū)居民點(diǎn)遭受破壞，而有時(shí)滑坡的災(zāi)害程度可能超過事件本身，因?yàn)樗鼈兛赡苤袛嗟缆泛推渌煌ㄒ?，使得緊急響應(yīng)難以有效進(jìn)行。因此，在極端事件發(fā)生后，迅速準(zhǔn)確地識(shí)別滑坡對(duì)于及時(shí)定量評(píng)估災(zāi)害、進(jìn)行應(yīng)急救援和進(jìn)行后續(xù)風(fēng)險(xiǎn)管理至關(guān)重要，特別是在環(huán)境復(fù)雜且交通不便的山區(qū)，與費(fèi)時(shí)費(fèi)力的野外調(diào)查相比，遙感圖像覆蓋了大面積的地球觀測(cè)，并且不易受到因?yàn)?zāi)害而損壞的基礎(chǔ)設(shè)施的影響，為探測(cè)廣闊的地理空間提供了絕佳的機(jī)會(huì)。

2、遙感技術(shù)是一種在不直接接觸目標(biāo)的情況下，通過遠(yuǎn)距離探測(cè)和感知目標(biāo)或自然現(xiàn)象的先進(jìn)技術(shù)，它不僅具有遠(yuǎn)距離、大范圍獲取地物波譜信息的能力，還能夠深入研究地表地物，為地質(zhì)工作者提供了獨(dú)特的視角和思維方式，遙感圖像不僅能夠獲取地表景觀的形態(tài)和分布特征，還能夠獲得地物的詳細(xì)成分和結(jié)構(gòu)，從而實(shí)現(xiàn)更為深刻的地物識(shí)別目標(biāo)。在地質(zhì)解譯工作中，遙感技術(shù)廣泛應(yīng)用，不僅為地質(zhì)工作者提供了全新的工作視野，同時(shí)在地面勘察受限的情況下，為解決地質(zhì)問題提供了巧妙的解決途徑，其應(yīng)用不僅能夠高效地節(jié)省勘察工作所需的時(shí)間和大量資金投入，還有效地規(guī)避了勘察路線受阻可能帶來的地質(zhì)危險(xiǎn)，降低了勘察工作的勞動(dòng)強(qiáng)度，成為提升地質(zhì)工作軟實(shí)力的重要手段?；谶b感技術(shù)的滑坡測(cè)繪方法大致分為基于人工判讀的方法和基于智能識(shí)別的方法，人工解譯方法是遙感技術(shù)誕生以來最常用的方法。

3、深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的新興研究方向，旨在通過深度神經(jīng)網(wǎng)絡(luò)模擬人腦運(yùn)作機(jī)制，通過學(xué)習(xí)來解決各種問題。在遙感圖像的語義分割方面，深度學(xué)習(xí)展現(xiàn)出強(qiáng)大的特征學(xué)習(xí)能力，從淺層到深層逐層加深，逐步提取圖像的形狀、顏色等淺層特征，最終實(shí)現(xiàn)對(duì)類別信息、語義信息等深層特征的抽象，從而實(shí)現(xiàn)對(duì)遙感圖像的準(zhǔn)確語義分割。深度學(xué)習(xí)不僅解決了傳統(tǒng)圖像分割方法依賴于人工選取特征的問題，還大幅提高了識(shí)別效率，使目標(biāo)識(shí)別逐漸趨向半自動(dòng)化乃至全自動(dòng)化。

4、隨著遙感技術(shù)的創(chuàng)新，遙感圖像是通過各種傳感器和來源的圖像獲得的，包括各種光學(xué)遙感圖像，得出的一系列特征（如形狀、大小、顏色、紋理、圖案、地形等）可以作為識(shí)別滑坡的標(biāo)準(zhǔn)和參考，然而，人工判讀的結(jié)果很容易受到操作人員主觀性的影響。此外，解釋大規(guī)模山體滑坡需要極高的勞動(dòng)力和時(shí)間成本，在智能識(shí)別方面，近年來，研究人員花費(fèi)了大量時(shí)間來訓(xùn)練人工智能模型，通過遙感圖像進(jìn)行滑坡測(cè)繪，而滑坡測(cè)繪通常需要使用同一傳感器獲取的雙時(shí)相遙感圖像，這種需求在緊急情況發(fā)生后可能難以立即滿足，從而影響了工作效率和應(yīng)急響應(yīng)能力。

5、針對(duì)相關(guān)技術(shù)中的問題，目前尚未提出有效的解決方案。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)相關(guān)技術(shù)中的問題，本發(fā)明提出一種基于多源遙感影像融合的滑坡識(shí)別方法，以克服現(xiàn)有相關(guān)技術(shù)所存在的上述技術(shù)問題。

2、為此，本發(fā)明采用的具體技術(shù)方案如下：

3、一種基于多源遙感影像融合的滑坡識(shí)別方法，該基于多源遙感影像融合的滑坡識(shí)別方法包括以下步驟：

4、s1、選取多源遙感影像，構(gòu)建矢量化標(biāo)簽，并通過矢量化標(biāo)簽獲取二進(jìn)制標(biāo)簽數(shù)據(jù)；

5、s2、利用滑動(dòng)窗口裁剪多源遙感影像與二進(jìn)制標(biāo)簽數(shù)據(jù)，并運(yùn)用計(jì)算機(jī)視覺增強(qiáng)技術(shù)處理多源遙感影像與二進(jìn)制標(biāo)簽數(shù)據(jù)，得到數(shù)據(jù)集；

6、s3、基于mit架構(gòu)，構(gòu)建滑坡智能識(shí)別模型，根據(jù)得到的數(shù)據(jù)集對(duì)滑坡智能識(shí)別模型進(jìn)行訓(xùn)練；

7、s4、基于訓(xùn)練后的滑坡智能識(shí)別模型，利用忽略邊緣預(yù)測(cè)方法實(shí)施預(yù)測(cè)，并根據(jù)預(yù)測(cè)結(jié)果獲取多源遙感影像識(shí)別結(jié)果；

8、s5、根據(jù)多源遙感影像識(shí)別結(jié)果定義地理空間坐標(biāo)，并執(zhí)行二進(jìn)制標(biāo)簽矢量化，得到山體滑坡矢量標(biāo)簽。

9、進(jìn)一步的，選取多源遙感影像，構(gòu)建矢量化標(biāo)簽，并通過矢量化標(biāo)簽獲取二進(jìn)制標(biāo)簽數(shù)據(jù)包括以下步驟：

10、s11、選取多源遙感影像，并對(duì)多源遙感影像中的山體滑坡區(qū)域進(jìn)行矢量化標(biāo)注，構(gòu)建矢量化標(biāo)簽；

11、s12、通過arcgis軟件解譯多源遙感影像，并結(jié)合矢量化標(biāo)簽，獲取矢量標(biāo)簽數(shù)據(jù)；

12、s13、使用gdal庫將獲取的矢量標(biāo)簽數(shù)據(jù)轉(zhuǎn)換為二進(jìn)制標(biāo)簽數(shù)據(jù)。

13、進(jìn)一步的，利用滑動(dòng)窗口裁剪多源遙感影像與二進(jìn)制標(biāo)簽數(shù)據(jù)，并運(yùn)用計(jì)算機(jī)視覺增強(qiáng)技術(shù)處理多源遙感影像與二進(jìn)制標(biāo)簽數(shù)據(jù)，得到數(shù)據(jù)集包括以下步驟：

14、s21、基于gdal庫，利用滑動(dòng)窗口將多源遙感影像與二進(jìn)制標(biāo)簽數(shù)據(jù)裁剪為遙感瓦片；

15、s22、將裁剪后的遙感瓦片進(jìn)行幾何處理，得到幾何數(shù)據(jù)集；

16、s23、通過open-cv庫對(duì)得到的幾何數(shù)據(jù)集進(jìn)行增強(qiáng)處理，得到數(shù)據(jù)集。

17、進(jìn)一步的，多源遙感影像對(duì)應(yīng)的遙感瓦片尺寸為1024*1024*3；

18、二進(jìn)制標(biāo)簽數(shù)據(jù)對(duì)應(yīng)的遙感瓦片尺寸為1024*1024*1。

19、進(jìn)一步的，基于mit架構(gòu)，構(gòu)建滑坡智能識(shí)別模型，根據(jù)得到的數(shù)據(jù)集對(duì)滑坡智能識(shí)別模型進(jìn)行訓(xùn)練包括以下步驟：

20、s31、基于mit架構(gòu)，使用全局歸一化方法構(gòu)建grn歸一化模型；

21、s32、基于構(gòu)建的grn歸一化模型，將mit-b4架構(gòu)作為骨干網(wǎng)絡(luò)，構(gòu)建ldgformer算法；

22、s33、根據(jù)構(gòu)建的ldgformer算法，使用cross-entropy損失函數(shù)和adamw優(yōu)化器，構(gòu)建滑坡智能識(shí)別模型；

23、s34、基于得到的數(shù)據(jù)集，對(duì)滑坡智能識(shí)別模型進(jìn)行訓(xùn)練。

24、進(jìn)一步的，全局歸一化方法的計(jì)算公式為：

25、,

26、,

27、,

28、式中，表示為歸一化特征；

29、表示為第個(gè)矩陣的歸一化特征；

30、表示為矩陣集；

31、表示為一維空間中的矩陣集；

32、表示為三維空間中的矩陣集；

33、表示為附屬于矩陣集的獨(dú)立矩陣；

34、表示為矩陣的高；

35、表示為矩陣的寬；

36、表示為矩陣的長；

37、表示為第個(gè)通道的特征；

38、表示為第個(gè)矩陣的歸一化特征；

39、表示為正則化的第個(gè)通道；

40、表示為矩陣集中第個(gè)矩陣；

41、表示為矩陣集中第個(gè)矩陣；

42、表示為矩陣集中第個(gè)矩陣；

43、表示為最終輸出的矩陣；

44、表示為防止除0的參數(shù)；

45、表示為防止除0的參數(shù)。

46、進(jìn)一步的，基于構(gòu)建的grn歸一化模型，將mit-b4架構(gòu)作為骨干網(wǎng)絡(luò)，構(gòu)建ldgformer算法包括以下步驟：

47、s321、通過mit-b4架構(gòu)將多源遙感影像劃分為若干圖像塊；

48、s322、使用mit-b4架構(gòu)處理若干圖像塊，獲取mit-b4架構(gòu)與圖像塊之間的信息交互；

49、s323、將若干圖像塊之間進(jìn)行信息交換，并提取圖像特征；

50、s324、將圖像特征映射到類別分布概率上，進(jìn)行分類預(yù)測(cè)；

51、s325、結(jié)合構(gòu)建的grn歸一化模型，構(gòu)建ldgformer算法。

52、進(jìn)一步的，cross-entropy損失函數(shù)的公式為：

53、,

54、式中，表示損失函數(shù)；

55、表示樣本數(shù)量；

56、表示從屬于樣本的真實(shí)標(biāo)簽值；

57、表示從屬于樣本的預(yù)測(cè)標(biāo)簽值；

58、表示自然數(shù)。

59、進(jìn)一步的，基于訓(xùn)練后的滑坡智能識(shí)別模型，利用忽略邊緣預(yù)測(cè)方法實(shí)施預(yù)測(cè)，并根據(jù)預(yù)測(cè)結(jié)果獲取多源遙感影像識(shí)別結(jié)果包括以下步驟：

60、s41、使用gdal庫建立忽略邊緣預(yù)測(cè)方法；

61、s42、裁剪多源遙感影像，并利用忽略邊緣預(yù)測(cè)方法進(jìn)行預(yù)測(cè)；

62、s43、基于預(yù)測(cè)結(jié)果，采用形態(tài)學(xué)濾波算法對(duì)多源遙感影像進(jìn)行濾波處理；

63、s44、結(jié)合open-cv庫中的空洞填補(bǔ)算法，對(duì)濾波處理后的多源遙感影像進(jìn)行修補(bǔ)，獲取多源遙感影像的識(shí)別結(jié)果。

64、進(jìn)一步的，根據(jù)多源遙感影像識(shí)別結(jié)果定義地理空間坐標(biāo)，并執(zhí)行二進(jìn)制標(biāo)簽矢量化，得到山體滑坡矢量標(biāo)簽包括以下步驟：

65、s51、使用gdal庫對(duì)多源遙感影像的識(shí)別結(jié)果與多源遙感影像進(jìn)行地理空間映射，定義多源遙感影像的空間坐標(biāo)系；

66、s52、將定義后的多源遙感影像進(jìn)行矢量化轉(zhuǎn)換，刪除非滑坡的背景矢量值，獲取最終的滑坡識(shí)別標(biāo)簽。

67、本發(fā)明的有益效果為：

68、1、本發(fā)明通過基于全局歸一化方法的grn歸一化模型，并結(jié)合mit架構(gòu)建立了一種用于滑坡識(shí)別的ldgformer算法，ldgformer算法不僅可以更好地捕捉山體滑坡的細(xì)節(jié)和形狀特征，還能夠顯著提高滑坡智能識(shí)別模型對(duì)于不同地形和地貌條件下的滑坡的識(shí)別能力。

69、2、本發(fā)明通過計(jì)算機(jī)視覺增強(qiáng)技術(shù)，結(jié)合多種數(shù)據(jù)源的高分辨率遙感影像進(jìn)行數(shù)據(jù)訓(xùn)練，獲取一個(gè)分割效果較好的滑坡智能識(shí)別模型，從而能夠有效對(duì)高分辨率的遙感影像進(jìn)行推理計(jì)算，從中識(shí)別并提取出山體滑坡信息，有助于實(shí)現(xiàn)對(duì)高分辨率遙感影像中自動(dòng)化地識(shí)別與高精度解譯地震或極端氣候條件下誘發(fā)的大規(guī)模山體滑坡的目標(biāo)，提高對(duì)于災(zāi)害情況的響應(yīng)速度和準(zhǔn)確性，進(jìn)而保障人們的生命財(cái)產(chǎn)安全。

70、3、本發(fā)明通過忽略邊緣預(yù)測(cè)方法，結(jié)合形態(tài)學(xué)濾波算法與空洞填補(bǔ)算法，有效的去除多源遙感影像中存在的噪聲點(diǎn)，有效地提高了數(shù)據(jù)的清晰度和準(zhǔn)確性，為后續(xù)的山體滑坡識(shí)別工作奠定了良好的基礎(chǔ)；同時(shí)，通過使用gdal定義識(shí)別的地理空間坐標(biāo)，獲取最終的山體滑坡矢量標(biāo)簽，進(jìn)一步提升了數(shù)據(jù)的處理效率和可用性。