基于滑坡區域顏色特征模型的SVM遙感檢測

陳善靜 康青 沈志強 周若沖

基于滑坡區域顏色特征模型的SVM遙感檢測

陳善靜 康青 沈志強 周若沖

（陸軍勤務學院軍事設施系，重慶 401311）

滑坡區域遙感檢測與識別在災情提取、救援決策和防災減災等方面都有著巨大的應用前景。針對滑坡遙感檢測中目標顏色特征化模型不準確，對滑坡區域檢測識別效果不夠理想等問題，提出一種基于滑坡區域顏色特征模型的支持向量機（support vector machine，SVM）遙感檢測方法。根據光譜學和色度學的基本理論，建立滑坡區域紅綠藍特征獲取方法，以多光譜圖像為基礎，通過典型樣本分析，確立目標/背景顏色特征化數字模型和有效邊界。將該模型生成訓練樣本用于滑坡區域SVM檢測模型訓練，再將訓練好的分類器用于滑坡區域的檢測識別，在此基礎上根據滑坡基礎形狀模型的軸向長寬比、面積參數和不變矩等典型形狀特征指標對滑坡區域進行目標精確分類與識別。利用九寨溝地震后獲取多光譜遙感圖像進行了滑坡區域檢測識別效果對比試驗，試驗結果表明，該方法能有效識別遙感圖像中的滑坡樣本點，對滑坡區域的識別精度由傳統方法的90%左右提高到97.03%。

目標檢測 滑坡顏色特征建模 滑坡災害信息提取 支持向量機 遙感圖像

0 引言

滑坡災害是所有地質災害中最為常見的惡性災害之一。它具有分布范圍廣、影響大、破壞性強等特點。我國西南地區多山地，滑坡儲量高、易發性大，在地震或暴雨等誘發因素作用下滑坡災害呈大面積高發狀態。當滑坡災害發生時如何大面積快速檢測和識別滑坡區域，提取滑坡災情信息就顯得格外重要。隨著航空航天技術和遙感成像技術的發展，利用空天各種光學成像平臺對滑坡區域進行遙感檢測與識別已成為可能。文獻[1]以“高分一號”衛星數據為基礎，通過面向對象的分析技術提取滑坡信息，并采用多尺度分割算法，結合滑坡特征對經驗式參數提取方法進行優化，再構建分類規則對滑坡進行檢測。文獻[2]提出了一種基于災后高分辨率遙感影像的地震滑坡體自動提取算法，將高分辨率遙感影像的光譜、形狀和紋理等特征用于滑坡識別，基于多特征閾值分層次逐步剔除干擾地物，實現了地震滑坡體的自動提取。文獻[3]將遷移學習(TL)特征和支持向量機(SVM)引入到構建滑坡災害自動解譯模型中，提出了一種TL支持下的高分影像滑坡災害解譯模型，并利用“5·12”汶川地震及“4·20”蘆山地震后無人機航拍圖像進行了大面積高分影像中快速山地滑坡災害定位及檢測。文獻[4]利用多時序遙感圖像中滑坡區域植被恢復緩慢而非滑坡區域植被恢復較快的特點，使用多時相Rapid Eye衛星遙感圖像，對吉爾吉斯斯坦南部地區多年的數次滑坡進行自動檢測與識別。文獻[5]提出了一種無人機高分辨率遙感影像地震滑坡信息提取方法，以2013年蘆山地震震區發生的地震滑坡為研究對象，通過構建區域地質特色的無人機影像地震滑坡樣本庫，然后引入遷移學習機制完成了無人機高分辨率遙感影像地震滑坡信息提取。該方法地震滑坡識別精度較高，滿足地震滑坡災害環境宏觀調查、滑坡災害體監測等應急需求，但是在訓練樣本完整性、全面性和特征準確提取方面還有待進一步完善和優化。文獻[6]基于SPOT衛星2.5m多光譜圖像，提出一種綜合光譜、空間、地形和形態特征的面向對象滑坡自動識別方法，并應用于較大范圍研究區，該方法可以應用于對地震或強降雨引起的大范圍滑坡災害進行快速評估，為災后應急救援和恢復重建工作提供參考。當前在基于光學遙感圖像的滑坡檢測識別方面，各種滑坡識別算法較多，但是針對滑坡區域光學特征進行全面系統地顏色特征建模的研究工作還存在一定不足。大部分遙感檢測多依靠各種目標樣本進行，對滑坡區域形狀-顏色-光譜系統地建立目標特征模型的工作還不深入。空天多平臺的成像探測器響應機制和成像數據各不相同，建立完整全面的滑坡區域顏色特征化模型并將其應用于災害區域遙感檢測有著重要的研究價值和現實意義[7]。

1 滑坡區域顏色特征建模

人類對遙感圖像進行目視解譯過程中，通?？筛鶕伾托螤钐卣髯R別各種滑坡區域，由此可見滑坡區域雖然千差萬別，但其顏色和空間形狀方面仍具有較為顯著的共有特征，可作為目標空間維上重要的識別依據。根據光譜學的基本知識，地物的光譜具有較強的唯一性，是區別其它地物目標的重要依據，滑坡區域光譜特征經過成像轉換后直接反應為顏色特征，因此從滑坡區域光譜空間分布入手對其進行顏色特征建模對目標本征屬性的描述和再現具有較強的準確性和可靠性[8-9]。

根據CIE1931標準色度系統中、、三刺激表示規則[10-12]，利用滑坡區域反射光譜對其顏色特征進行提取。、、三刺激可表示為

對，，進行線性變換得到滑坡區域紅綠藍三刺激值

RGB=（2）

式中RGB為滑坡區域紅綠藍信號向量[DNR，DNG，DNB]T；為滑坡區域色度信號向量[，，]T；為CIE-標準規定的3×3變換矩陣。

2 顏色模型數據表征

滑坡發生區域通常出現大量新翻土壤，滑坡區域植被較稀疏，植被指數低，光譜反射率較高，亮度特征明顯。根據以上特征對遙感圖像中主要目標和背景進行顏色特征量化分析，提取有效識別特征及分類邊界。其中遙感圖像中主要識別的目標為滑坡發生后地表破壞區域；背景主要為綠色植被區、城市建筑區、水面（江、河、湖水）和云霧。以2017年8月8日九寨溝地震后獲得的某滑坡區域多光譜遙感圖像為例（如圖1所示），選取滑坡區域樣本點56個，植物樣本121個，湖面樣本40個，對三類樣本進行光譜特征分析，其紅綠藍三波段灰度值分布如圖2~4所示。在紅綠藍三維空間中，滑坡樣本與背景樣本存在明顯分布區域差異，結合樣本紅綠藍三維空間分布圖（如圖5所示）可知，尋找最優超平面將目標（滑坡區域）和背景（綠色植被和湖水）兩類訓練樣本分開是完全行之有效的。以各類樣本光譜空間分布的中心和邊界為基礎，構建滑坡、湖水、植被目標顏色特征量化模型如表1所示。

圖1 九寨溝地震后某滑坡區域多光譜遙感圖像

圖2 滑坡區域紅綠藍三波段灰度值分布(以前30個樣本為例)

圖3 綠色植被紅綠藍三波段灰度值分布(以前30個樣本為例)

圖4 湖面紅綠藍三波段灰度值分布(以前30個樣本為例)

圖5 各類樣本在紅綠藍三維空間中的分布情況

表1 目標顏色特征量化模型表（以紅綠藍三波段為例）

Tab.1 Target color feature quantitative model table（The three bands of RGB）

3 滑坡區域空間形狀特征分選

發生滑坡區域山體表面的植被會受到不同程度的破壞，新裸露出的土石在亮度、色調、空間形狀方面與周圍植被和人工地物有明顯差異。本文選取滑坡中較為常見三種基本形狀——長舌形、樹葉形和三角形，構建基礎形狀模型，如圖6所示。通過軸向長寬比、面積參數和不變矩特征對遙感圖像滑坡區域進行分選，消除其它各種地表破壞的區域影響，實現對滑坡目標的精確識別[13-15]。

圖6 滑坡常見基礎形狀模型及其軸向長寬比

（1）軸向長寬比

通過對滑坡基礎形狀模型的分析，建立表征滑坡形狀特征的軸向長寬比ab：

ab=/（3）

式中為軸向寬度；為軸向長度。

（2）面積參數

當大面積區域內發生滑坡災害時，小型滑坡數量較大，通常造成危害較小，而特大型滑坡或者巨型滑坡數量通常較少，前期可能已有一定的監測數據，這兩類滑坡在遙感檢測與識別中可適度弱化，而對于中、大型滑坡其危害性和未知性均較大，將成為遙感檢測與識別的重點，因此本文通過設置合理的滑坡區域面積參數(s)，實現對典型滑坡的分選與識別。

（3）不變矩特征

考慮到滑坡在遙感圖像中可能存在旋轉和尺度的不確定性，本文利用不變矩特征作為檢測依據，對滑坡遙感檢測結果進行形狀特征匹配識別。對于圖像的+階幾何矩m定義為[16-18]

式中和分別為圖像寬度方向和長度方向上的位置坐標；(,)為圖像點（,）的灰度值；和為圖像的寬高。

+階中心矩(μ)定義為

歸一代的中心矩(η)定義為

利用二階和三階歸一化中心矩構造7個不變矩1~7如下：

提取滑坡檢測結果中的符合面積參數要求的連通區域作為疑似滑坡區域，分別計算基礎形狀模型與各疑似滑坡區域的不變矩特征，以不變矩的絕對差值()作為疑似滑坡區域的選擇標準。

式中M,p為疑似滑坡區域不變矩；M,s為基礎形狀模型不變矩。

4 基于支持向量機與顏色特征模型的滑坡遙感檢測

SVM最早是由Vapnik等人在1995年提出的一種建立在結構風險最小化原則與VC維理論上的核學習方法[19-21]。SVM屬于機器學習算法，該算法在現代信號處理、信號檢測、目標跟蹤及圖像處理方面都有著廣泛應用。SVM求解最優超平面問題等價于求解如下方程[22-26]

求解式（9），可以得到SVM的判別函數

將SVM分類器的識別結果作為疑似滑坡區域，再結合滑坡基礎形狀模型，利用軸向長寬比、面積參數和不變矩等形狀特征參數對滑坡區域進行精確分選識別，獲得大面積區域的滑坡精確檢測識別結果。本文提出方法的基本流程如圖7所示。

5 試驗與分析

圖7 本文滑坡遙感檢測方法流程圖

表2 三種算法對滑坡區域識別率

Tab.2 Recognition rate of landslide surface by three algorithms

圖8 三類檢測樣本分布情況

圖9 大津法對滑坡區域識別結果

圖10 結合數學形態學處理的區域生長法對滑坡區域識別結果

圖11 本文方法對滑坡區域識別結果

6 結束語

基于航空航天多光譜遙感圖像的滑坡區域檢測識別在災情提取和救援決策方面都有著重要應用。本文在深入研究滑坡區域光譜特征形成機理的基礎上，通過顏色特征建模、參數表征、SVM分類、形狀特征分選，實現了對滑坡區域的精度識別。相關研究結論如下：

1）多光譜遙感圖像中滑坡區域紅綠藍顏色特征和空間形狀特征是對其進行自動檢測識別的重要依據；

2）當SVM訓練樣本不足時，以目標顏色特征模型為基礎，以目標/背景紅綠藍均值灰度為中心，按高斯分布生成隨機訓練樣本，實現對SVM訓練樣本集的補充；

3）形狀特征在滑坡區域輔助識別中有著重要應用，通過合理設置各種形狀特征指標和參數可以有效消除其它多種地物的干擾；

4）將滑坡區域/背景顏色特征、形狀特征和SVM分類器融合應用可實現對高分辨率多光譜遙感圖像中滑坡目標的有效識別，相關試驗表明，其識別精度可大于95%。

References)

[1] 黃汀, 白仙富, 莊齊楓, 等. 高分一號汶川極震區滑坡提取研究[J]. 測繪通報, 2018(2): 67-71. HUANG Ting, BAI Xianfu, ZHUANG Qifeng, et al. Research on Landslides Extraction Based on the Wenchuan Earthquake in GF-1 Remote Sensing Image[J]. Bulletin of Surevying and Mapping, 2018(2): 67-71. (in Chinese)

[2] 閆琦, 李慧, 荊林海, 等. 災后高分辨率遙感影像的地震型滑坡信息自動提取算法研究[J]. 激光與光電子學進展, 2017, 54(11): 2801-2811. YAN Qi, LI Hui, JING Linhai, et al. Automatic Extraction Algorithm of Seismic Landslide Information Bassed on After-calamity High-resoltion Remote Sensing Image[J]. Laser & Optoelectronics Progress, 2017, 54(11): 2801-2811. (in Chinese)

[3] 郭加偉, 李永樹, 李政, 等. 遷移學習支持下的高分影像山地滑坡災害解譯模型[J]. 測繪科學技術學報, 2016, 33(5): 496-501. GUO Jiawei, LI Yongshu, LI Zheng, et al. An Automatic Interpretation Model for Mountains Landslide Disaster of High-resolution Remote Sensing Images Based on Transfer Learning[J]. Journal of Geomatics Science and Technology, 2016, 33(5): 496-501. (in Chinese)

[4] BEHLING R, ROESSNES S, KAUFMANN H, et al. Automated Spatiotemporal Landslide Mapping Over Large Areas Using Rapideye Time Series Data[J]. Remote Sensing, 2014, 6(9): 8026-8055.

[5] 付蕭, 郭加偉, 劉秀菊, 等. 無人機高分辨率遙感影像地震滑坡信息提取方法[J]. 地震研究, 2018, 41(2): 186-191. FU Xiao, GUO Jiawei, LIU Xiuju, et al. Method of Earthquake Landslide Information Extraction Based on High Resolution Unmanned Aerial Vehicle Images[J]. Journal of Seismological Research, 2018, 41(2):186-191. (in Chinese)

[6] 林齊根, 鄒振華, 祝瑛琦, 等. 基于光譜、空間和形態特征的面向對象滑坡識別[J]. 遙感技術與應用, 2017, 32(5): 931-937. LIN Qigen, ZOU Zhenhua, ZHU Yingqi, et al. Object-oriented Detection of Landslides based on the Spectral，Spatial and Morphometric Properties of Landslides [J]. Remote Sensing Technology and Application, 2017, 32(5): 931-937. (in Chinese)

[7] 李政, 李永樹, 郭加偉, 等. 詞袋特征支持下的無人機影像滑坡解譯模型[J]. 遙感信息, 2016, 31(5): 24-29. LI Zheng, LI Yongshu, GUO Jiawei, et al. An Automatic Landslide Interpretation Model of UAV Imagery Based on BoW[J]. Remote Sensing Information, 2016, 31(5): 24-29. (in Chinese)

[8] 閆河, 劉婕, 楊德紅, 等. 基于特征融合的粒子濾波目標跟蹤新方法[J]. 光電子·激光, 2014, 25(10): 1990-1999. YAN He, LIU Jie, YANG Dehong, et al. A New Particle Filter Object Tracking Algorithm Based on Feature Fusion[J]. Journal of Optoelectronics·Laser, 2014, 25(10): 1990-1999. (in Chinese)

[9] 郭惠楠, 曹劍中, 王華, 等. 高動態范圍數字相機sRGB色彩空間顏色管理[J]. 紅外與激光工程, 2014, 43(S1): 238-242. GUO Huinan, CAO Jianzhong, WANG Hua, et al. Color Management of sRGB Color Space for HDR Digital Camera[J]. Infrared and Laser Engineering, 2014, 43(S1): 238-242. (in Chinese)

[10] SHAW M, FAIRCHILD M．Evaluating the 1931 CIE Color-matching Functions[J]. Color Research and Application, 2002, 27(5): 316-329．

[11] MIAOHONG S, GLENN H．Using Reflectance Models for Color Scanner Calibration[J]. Journal of the Optical Society of America A Optics Image Science & Vision, 2002, 19(4): 645-56.

[12] 曲蘊杰, 莫宏偉, 王常虹. 一種用于無人機的目標顏色核相關跟蹤算法研究[J]. 紅外與激光工程, 2018, 47(3): 263-269. QU Yunjie, MO Hongwei, WANG Changhong. A Target Color Kernel Correlation Tracking Algorithm for UAVs[J]. Infrared and Laser Engineering, 2018, 47(3): 263-269. (in Chinese)

[13] 何玉花, 張東水, 李燕婷, 等. 基于聚類的黃河上游干流地區滑坡特征研究[J]. 地理空間信息, 2017, 15(11): 60-64. HE Yuhua, ZHANG Dongshui, LI Yanting, et al. Research on Landslide Characteristics in the Main Stream Area of the Yellow River Upper Reaches Based on Clustering[J]. Geospatial Information, 2017, 15(11): 60-64. (in Chinese)

[14] 李政國, 隋立春, 張茂省, 等. 基于遙感圖像分割和形態學的黃土滑坡后壁自動提取方法[J]. 地質通報, 2015, 34(11): 2132-2137. LI Zhengguo, SUI Lichun, ZHANG Maosheng, et al. Identification and Extraction of Loess Landslide Scarp Based on Remote Sensing Image Segmentation and Mathematic Morphology Method[J]. Geological Bulletin of China, 2015, 34(11): 2132-2137. (in Chinese)

[15] KIM K S, SONG Y S. Geometrical and Geotechnical Characteristics of Landslides in Korea under Various Geological Conditions[J]. Journal of Mountain Science, 2015, 12(5): 1267-1297.

[16] 章毓晉. 圖像工程[M]. 4版. 北京: 清華大學出版社, 2018. ZHANG Yujin. Image Engineering[M]. 4th ed. Beijing: Tsinghua University Press, 2018. (in Chinese)

[17] 盧衍泓. 基于不變矩特征的車道線圖像檢測算法[J]. 激光雜志, 2015, 36(2): 35-38.LU Yanhong. Lane Detection Algorithm Based on Moment Invariants Features[J]. Laser Journal, 2015, 36(2): 35-38. (in Chinese)

[18] 張旭艷, 華宇寧, 董曄, 等.一種基于不變矩的紅外目標識別算法[J]. 沈陽理工大學學報, 2016, 35(2): 10-13. ZHANG Xuyan, HUA Yuning, DONG Ye, et al. A Recognition Method for Infrared Image Based on Invariant Moments[J]. Journal of Shenyang Ligong University, 2016, 35(2): 10-13. (in Chinese)

[19] VAPNIK V N. Statistical Learning Theory[M]. New York: Wiley, 1998.

[20] KAYA G T. A Hybrid Model for Classification of Remote Sensing Images with Linear SVM and Support Vector Selection and Adaptation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(4): 1988-1997.

[21] 劉慶杰, 荊林海, 王夢飛, 等. 基于克隆選擇支持向量機高光譜遙感影像分類技術[J]. 光譜學與光譜分析, 2013, 33(3): 749-751. LIU Qingjie, JING Linhai, WANG Mengfei, et al. Hyperspectral Remote Sensing Image Classification Based on SVM Optimized by Clonal Selection[J]. Spectroscopy and Spectral Analysis, 2013, 33(3): 749-751. (in Chinese)

[22] PAL M, FOODY G M. Feature Selection for Classification of Hyperspectral Data by SVM[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(5): 2297-2307.

[23] 王立國, 趙亮, 劉丹鳳. SVM在高光譜圖像處理中的應用綜述[J]. 哈爾濱工程大學學報, 2018, 39(6): 973-983. WANG Liguo, ZHAO Liang, LIU Danfeng. A Review on the Application of SVM in Hyperspectral Image Processing[J]. Journal of Harbin Engineering University, 2018, 39(6): 973-983. (in Chinese)

[24] XU H, LI X, GONG W Y, et al. Research on Recognition of Landslides with Remote Sensing Images Based on Extreme Learning Machine[C]//IEEE CSE and EUC, 2017, Guangzhou.

[25] 魏星. 基于SVM的山體滑坡災害圖像識別方法[J]. 電子測量技術, 2013, 36(8): 65-70. WEI Xing. Landslide Disaster Image Recognition Algorithm Based on SVM[J]. Electronic Measurement Technology, 2013, 36(8): 65-70. (in Chinese)

[26] 黃發明, 殷坤龍, 蔣水華, 等. 基于聚類分析和支持向量機的滑坡易發性評價[J]. 巖石力學與工程學報, 2018, 37(1): 156-167. HUANG Faming, YIN Kunlong, JIANG Shuihua, et al. Landslide Susceptibility Assessment Based on Clustering Analysis and Support Vector Machine[J]. Chinese Journal of Rock Mechanics and Engineering, 2018, 37(1): 156-167. (in Chinese)

Landslide Detection Based on Color Feature Model and SVM in Remote Sensing Imagery

CHEN Shanjing KANG Qing SHEN Zhiqiang ZHOU Ruochong

（Department of Military Facilities, Army Logistics University, Chongqing 401311, China）

Landslide remote sensing detection has huge potential in the areas such as extracting disaster information, rescue decision making, disaster prevention and reduction. To solve the problem that target color characterization model is not accurate in landslide remote sensing detection, and rate of detection and recognition of the landslide surface is poor, a detection method for landslide based on color feature model and SVM in remote sensing imagery is proposed in this paper. The RGB feature acquisition method for landslide is established based on the basic theories of spectroscopy and chromaticity. Multi spectral remote sensing image of landslide area is used for color feature modeling and target detection experiment. The target/background color characteristic digital model and effective boundary are established through typical sample analysis. Training samples generated by the model are used to SVM, and then the trained SVM is used to landslide recognition. The landslide targets can be further identified and recognized with high accuracy by classification based on the axial aspect ratio, area and invariant moment of fundamental shape model. Landslide detection experiment based on multi spectral remote sensing images after Jiuzhaigou earthquake shows that the proposed method can effectively identify landslide sample points in remote sensing imagery, and the recognition accuracy for landslide is promoted to 97.03% from the about 90% of the traditional methods.

target detection; color feature modeling on landslide; information extraction of landslide; support vector machine; remote sensing image

TP751.1

A

1009-8518(2019)06-0089-10

10.3969/j.issn.1009-8518.2019.06.011

陳善靜，男，1985生，2014年獲解放軍電子工程學院信號與信息處理專業博士學位，講師。主要研究方向為遙感圖像處理、光學目標自動識別。E-mail：chengshanjing_11@163.com。

2019-09-10

重慶市教委科學技術研究項目（KJQN201912905）

陳善靜, 康青, 沈志強, 等. 基于滑坡區域顏色特征模型的SVM遙感檢測[J]. 航天返回與遙感, 2019, 40(6): 89-98.

CHEN Shanjing, KANG Qing, SHEN Zhiqiang, et al. Landslide Detection Based on Color Feature Model and SVM in Remote Sensing Imagery[J]. Spacecraft Recovery & Remote Sensing, 2019, 40(6): 89-98. (in Chinese)

（編輯：王麗霞）