一种基于高分遥感的输电线路拆迁房屋识别方法与流程

1.本发明属于环保遥感领域，具体涉及一种基于高分遥感的输电线路拆迁房屋识别方法。


背景技术：

2.输电线路在建设过程中，由于电磁辐射的影响，在输电线路边导线一定范围内的房屋不适宜人们日常居住，且房屋搭建的位置可能影响输电线路杆塔的建立。
3.由于输电线路长，杆塔数量多且分布分散，电磁影响范围广，为保护居民居住环境安全，保障输电线路顺利施工，需及时对输电线路边导线一定范围内的房屋进行监测，为房屋拆迁提供数据支撑，避免后续经济纠纷，同时保证输电线路施工安全及居民安全。
4.随着国家经济发展，输电线路建设范围不断扩大。目前输电线路拆迁房屋监测手段主要通过人工现场监测，利用卷尺测量边导线与房屋垂直距离是否符合水保方案规定距离，如果小于规定距离，则定为拆迁房屋。随着输电线路后续施工的进行，人工现场监测方法无法实时获取房屋拆迁状态，影响线路施工，具有监测时效性差、数据不准确等缺点。


技术实现要素：

5.本发明的目的在于克服现有技术的不足，提供一种基于高分遥感的输电线路拆迁房屋识别方法，打破传统人工监测时效性差、数据准确率低、成本高等局限性，提高工作效率，保证居民安全，确保输电线路施工顺利及安全，为后续输电线路拆迁房屋识别提供了新的监测手段。
6.本发明解决其技术问题是通过以下技术方案实现的：
7.一种基于高分遥感的输电线路拆迁房屋识别方法，其特征在于：所述方法的步骤为：
8.s1、通过输电线路杆塔位置信息获取施工前高分影像p及施工中高分影像b，并依次通过辐射定标、大气校正、几何校正、影像融合处理，消除天气、传感器、地形误差，使高分影像p、b获得投影坐标；
9.1)辐射定标是将影像的原始dn值，即像元亮度值转换为辐射亮度值；
10.l＝gain*dn+bias
11.其中：l为辐射亮度值；
12.gain为影像增益；
13.bias为影像偏置；
14.2)大气校正是将辐射亮度转换为表观反射率，表观反射率等于大气层顶表面的出射度m和入射度e之比
[0015][0016]
其中：η为大气层顶表观反射率；
[0017]
m和e分别是大气层顶的出射度和入射度；
[0018]
l为大气层顶进入卫星传感器的辐亮度；
[0019]
d为太阳到地球的平均距离，该数值与传感器成像时间有关，波段和传感器不同esun取值也不相同，故称为传感器波段平均太阳辐照度(band mean solar irradiance，bmsi)，β为太阳天顶角；
[0020]
3)几何校正是利用地面控制点gcp对各种因素引起的遥感图像几何畸变进行校正，以一副影像为基准f(x,y)，去校正原始影像g(x’,y’)，假设两幅影像的几何畸变关系为
[0021][0022]
通常k1(x,y),k2(x,y)可用多项式来近似表示，则
[0023]
利用基准影像上若干点坐标，求解未知参数，然后从原始影像上，计算对应像素的校正坐标，同时把像素灰度值赋予到对应像素，即完成原始影像几何校正；
[0024]
4)影像融合是将低分辨率影像与高分辨率影像融合获取新影像，影像融合采用基于面积的影像融合方法，基于面积的融合方法通常采用固定大小的窗口对高分辨率影像进行滤波，滤波后的像素值作为该点细节信息强度的度量；
[0025]
s2、利用gis软件的裁剪功能，获取输电线路外2km范围内的高分影像，裁剪后的施工前高分影像为pc，裁剪后的施工中高分影像为bc；
[0026]
s3、基于高分影像上拆迁房屋的光谱、形状及纹理特征，结合真实的房屋形态，建立拆迁房屋的解译库；利用canny边缘检测算法提取不同阶段房屋的纹理特征；
[0027]
1)运用高斯内核进行卷积降噪；
[0028]
2)对去噪后的图像采用sobel算子计算梯度和方向；
[0029][0030][0031]
3)在获得梯度和方向，去除所有不是边界的点，逐渐遍历像素点，判断当前像素点是否与周围像素点中具有相同方向梯度的最大值，是则保留，不是则为0；
[0032]
4)在3)基础上，梯度取两次阈值t1和t2，0.4*t1＝t2，把梯度值小于t1(一般的取值要保证梯度最大的前的像素被保留下来)的像素的灰度设为0，得到图像1，然后把梯度值小于t2的像素的灰度设为0，得到图像2；由于图像1的阀值较高，去除了大部分噪声，但同时也损失了一些有用的边缘信息，而图像2的阀值较低，保留了较多的信息，我们可以以图像1为基础，以图像2为补充来连接图像的边缘；
[0033]
若地物边缘是规整的矩形形状时，则房屋未超前；若地物边缘是数量多且碎小时，判断房屋拆迁但未恢复；若地物与周边环境无法获取边缘时，则房屋拆迁已恢复；
[0034]
s4、根据水土保持方案规定，核查输电线路边导线外一定范围内的房屋，利用gis和矢量化技术，获得输电线路拆迁房屋位置；
[0035]
利用gis的支持向量机算法进行房屋自动识别，结合矢量化技术，对自动识别结果进行检查，把提取错误的结果进行剔除与修正，提高房屋识别精度，然后利用gis工具获取房屋的经纬度坐标；
[0036]
支持向量机(supportvectormachine，svm)就是建立一个最优决策超平面，使得该平面两侧距离该平面最近的两类样本之间的距离最大化，从而对分类问题提供良好的泛化能力；
[0037]
设线性可分样本集为(xi,yi),i＝1,
…
,n,x∈rd,y∈{+1,-1}是类别符号，d维空间中线性判别函数的一般形式为t(x)＝w
·
x+b，分类线方程为w
·
x+b＝0，将判别函数进行归一化，使两类所有样本都满足|t(x)|≥1，即使离分类面最近的样本的t(x)＝1此时分类间隔等于2/||w||，因此使间隔最大等价于使||w||最小，要求分类线对所有样本正确分类，需要满足yi(w
·
xi+b)-1≥0,i＝1,
…
,n；
[0038]
s5、对提取的拆迁房屋识别拆迁状态；
[0039]
s6、将解译成果进行统计分析，并归档保存，完成输电线路拆迁房屋的识别。
[0040]
而且，所述步骤s5中拆迁房屋拆迁状态识别的具体步骤为：
[0041]
1)拆迁房屋状态分为3类，包括房屋未拆迁、房屋拆迁未恢复、房屋拆迁已恢复，分别用η1、η2、η3表示，每个类别发生的概率(先验概率)分别为p(η1)、p(η2)、p(η3)；
[0042]
2)假设有未知类别样本q，其类条件概率分别为p(q|η1)、p(q|η2)、p(q|η3)；
[0043]
3)根据贝叶斯定理可以得到样本q出现的后验概率为：
[0044][0045]
4)以样本q出现的后验概率作为判别函数来确定样本q的所属类别，其分类准则为：
[0046]
如果则q∈ηi。
[0047]
而且，所述步骤s1中基于面积的影像融合具体步骤为：
[0048]
1)在影像d
δ
(x,y)(δ＝a,b)中，计算以(x,y)点为中心周围窗口区域内的能量(或方差)作为该点细节信息强度的度量p
δ
(x,y)；
[0049]
2)计算da和db之间局部的、归一化的互相关系数q
ab
(x,y)；
[0050]
3)根据互相关系数大小，采取不同的融合方式:当q
ab
(x,y)≤α时(α一般去0.8)，说明源图像像素间相关性比较低，选取局部方差大的像素为融合后像素比较合理，即
[0051][0052]
当q
ab
(x,y)＞α时，说明系数间相关性比较大，采用加权平均的方法更为合理，即df(x,y)＝w(x,y)da(x,y)+[t(x,y)-w(x,y)db(x,y)]
[0053]
其中t(x,y)为单位矩阵，权系数w(x,y)由下式确定：
[0054][0055]
本发明的优点和有益效果为：
[0056]
1、本发明基于高分遥感的输电线路拆迁房屋识别方法，打破了传统人工监测时效性差、数据准确率低、成本高等局限性，提高工作效率。
[0057]
2、本发明基于高分遥感的输电线路拆迁房屋识别方法，拆迁房屋识别效率高，识别精确，能够保证输电线路建设的边导线范围内拆迁房屋的精确识别，便于后续拆迁工作安排，保证居住人员安全，同时也确保输电线路建设的顺利安全进行。
[0058]
3、本发明基于高分遥感的输电线路拆迁房屋识别方法，为后续输电线路拆迁房屋识别提供了一种新的监测手段。
附图说明
[0059]
图1为本发明的流程图；
[0060]
图2为本发明拆迁房屋解译库的建立示意图。
具体实施方式
[0061]
下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
[0062]
如图1所示，一种基于高分遥感的输电线路拆迁房屋识别方法，其创新之处在于：所述方法的步骤为：
[0063]
s1、通过输电线路杆塔位置信息获取施工前高分影像p及施工中高分影像b，并依次通过辐射定标、大气校正、几何校正、影像融合处理，消除天气、传感器、地形误差，使高分影像p、b获得投影坐标；
[0064]
1)辐射定标是将影像的原始dn值，即像元亮度值转换为辐射亮度值；
[0065]
l＝gain*dn+bias
[0066]
其中：l为辐射亮度值；
[0067]
gain为影像增益；
[0068]
bias为影像偏置；
[0069]
2)大气校正是将辐射亮度转换为表观反射率，表观反射率等于大气层顶表面的出射度m和入射度e之比
[0070][0071]
其中：η为大气层顶表观反射率；
[0072]
m和e分别是大气层顶的出射度和入射度；
[0073]
l为大气层顶进入卫星传感器的辐亮度；
[0074]
d为太阳到地球的平均距离，该数值与传感器成像时间有关，波段和传感器不同esun取值也不相同，故称为传感器波段平均太阳辐照度(band mean solar irradiance，
bmsi)，β为太阳天顶角；
[0075]
3)几何校正是利用地面控制点gcp对各种因素引起的遥感图像几何畸变进行校正，以一副影像为基准f(x,y)，去校正原始影像g(x’,y’)，假设两幅影像的几何畸变关系为
[0076][0077]
通常k1(x,y),k2(x,y)可用多项式来近似表示，则
[0078]
利用基准影像上若干点坐标，求解未知参数，然后从原始影像上，计算对应像素的校正坐标，同时把像素灰度值赋予到对应像素，即完成原始影像几何校正；
[0079]
4)影像融合是将低分辨率影像与高分辨率影像融合获取新影像，影像融合采用基于面积的影像融合方法，基于面积的融合方法通常采用固定大小的窗口对高分辨率影像进行滤波，滤波后的像素值作为该点细节信息强度的度量；
[0080]
基于面积的影像融合具体步骤为：
[0081]
1)在影像d
δ
(x,y)(δ＝a,b)中，计算以(x,y)点为中心周围窗口区域内的能量(或方差)作为该点细节信息强度的度量p
δ
(x,y)；
[0082]
2)计算da和db之间局部的、归一化的互相关系数q
ab
(x,y)；
[0083]
3)根据互相关系数大小，采取不同的融合方式:当q
ab
(x,y)≤α时(α一般去0.8)，说明源图像像素间相关性比较低，选取局部方差大的像素为融合后像素比较合理，即
[0084][0085]
当q
ab
(x,y)＞α时，说明系数间相关性比较大，采用加权平均的方法更为合理，即df(x,y)＝w(x,y)da(x,y)+[t(x,y)-w(x,y)db(x,y)]
[0086]
其中t(x,y)为单位矩阵，权系数w(x,y)由下式确定：
[0087][0088]
s2、利用gis软件的裁剪功能，获取输电线路外2km范围内的高分影像，裁剪后的施工前高分影像为pc，裁剪后的施工中高分影像为bc；
[0089]
s3、基于高分影像上拆迁房屋的光谱、形状及纹理特征，结合真实的房屋形态，建立拆迁房屋的解译库；利用canny边缘检测算法提取不同阶段房屋的纹理特征；
[0090]
1)运用高斯内核进行卷积降噪；
[0091]
2)对去噪后的图像采用sobel算子计算梯度和方向；
[0092]
[0093][0094]
3)在获得梯度和方向，去除所有不是边界的点，逐渐遍历像素点，判断当前像素点是否与周围像素点中具有相同方向梯度的最大值，是则保留，不是则为0；
[0095]
4)在3)基础上，梯度取两次阈值t1和t2，0.4*t1＝t2，把梯度值小于t1(一般的取值要保证梯度最大的前的像素被保留下来)的像素的灰度设为0，得到图像1，然后把梯度值小于t2的像素的灰度设为0，得到图像2；由于图像1的阀值较高，去除了大部分噪声，但同时也损失了一些有用的边缘信息，而图像2的阀值较低，保留了较多的信息，我们可以以图像1为基础，以图像2为补充来连接图像的边缘；
[0096]
若地物边缘是规整的矩形形状时，则房屋未超前；若地物边缘是数量多且碎小时，判断房屋拆迁但未恢复；若地物与周边环境无法获取边缘时，则房屋拆迁已恢复；
[0097]
s4、根据水土保持方案规定，核查输电线路边导线外一定范围内的房屋，利用gis和矢量化技术，获得输电线路拆迁房屋位置；
[0098]
利用gis的支持向量机算法进行房屋自动识别，结合矢量化技术，对自动识别结果进行检查，把提取错误的结果进行剔除与修正，提高房屋识别精度，然后利用gis工具获取房屋的经纬度坐标；
[0099]
支持向量机(support vector machine，svm)就是建立一个最优决策超平面，使得该平面两侧距离该平面最近的两类样本之间的距离最大化，从而对分类问题提供良好的泛化能力；
[0100]
设线性可分样本集为(xi,yi),i＝1,
…
,n,x∈rd,y∈{+1,-1}是类别符号，d维空间中线性判别函数的一般形式为t(x)＝w
·
x+b，分类线方程为w
·
x+b＝0，将判别函数进行归一化，使两类所有样本都满足|t(x)|≥1，即使离分类面最近的样本的t(x)＝1此时分类间隔等于2/||w||，因此使间隔最大等价于使||w||最小，要求分类线对所有样本正确分类，需要满足yi(w
·
xi+b)-1≥0,i＝1,
…
,n；
[0101]
s5、对提取的拆迁房屋识别拆迁状态；
[0102]
如图2所示，(a)为房屋未拆迁η1的示意图；(b)为房屋拆迁未恢复η2的示意图；(c)为房屋拆迁已恢复η3的示意图。
[0103]
拆迁房屋拆迁状态识别的具体步骤为：
[0104]
1)拆迁房屋状态分为3类，包括房屋未拆迁、房屋拆迁未恢复、房屋拆迁已恢复，分别用η1、η2、η3表示，每个类别发生的概率(先验概率)分别为p(η1)、p(η2)、p(η3)；
[0105]
2)假设有未知类别样本q，其类条件概率分别为p(q|η1)、p(q|η2)、p(q|η3)：
[0106]
3)根据贝叶斯定理可以得到样本q出现的后验概率为：
[0107][0108]
4)以样本q出现的后验概率作为判别函数来确定样本q的所属类别，其分类准则为：
[0109]
如果则q∈ηi。
[0110]
s6、将解译成果进行统计分析，并归档保存，完成输电线路拆迁房屋的识别。
[0111]
尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和附图所公开的内容。