基于计算机视觉的海南岛地质灾害提取研究

李志超,王钦军,2,3,谢静静

(1. 海南空天信息研究院,海南省地球观测重点实验室,海南 三亚 572029;2. 中国科学院空天信息创新研究院数字地球重点实验室,北京 100094;3. 中国科学院大学,北京 101408;4.浙江省测绘科学技术研究院时空大数据所,浙江 杭州 311100)

0 引言

地质灾害是指在地球的发展演化过程中,由于各种自然地质作用和人类活动所形成的灾害性地质事件[1]。海南岛地处热带地区,地质灾害常集中发生于夏秋季节热带气旋、强对流天气等带来的强降雨期的中后期,具有集中式、群发式、累积性及相对滞后性等特点[1-6]。传统地质灾害信息获取手段较为有限,需要大量的人力物力进行巡查、记录,具有较大的时间空间限制[1-6]。因此探索新的方法进行地质灾害信息的获取,对当地地质灾害防治工作起着十分重要的作用。

近年来,遥感技术广泛应用于地质灾害相关信息的提取[7-9]。目前常见的方法有4种:①基于目视解译的地质灾害信息提取方法[7],该方法提取精度高、可靠性强[9-11],然而,基于目视解译的提取方法效率低,对于解译人员专业知识和经验要求较高,自动化程度低,较高的依赖于人机交互;②基于像元的地质灾害信息提取方法,高分辨率遥感数据具有丰富的光谱信息、精细的地物细节信息以及清晰的纹理信息[12-14]。许多学者运用基于像元的分类方法结合辅助信息数据(如DEM等)进行地质灾害信息的提取[15-16]。由于受到相似地物的干扰,基于像元的提取方法识别精度较低;③基于面向对象的地质灾害信息提取方法,以影像分割技术为基础,以“对象”为基本处理单元[17-19]。将具有相似特征的相邻像元组合分析,根据影像空间结构与分割尺度决定“对象”大小,来进行地质灾害信息的提取[20]。此类方法受限于分割精度,需要不断试验优化分割尺度以及参数;④基于图像处理技术的地质灾害信息提取方法,主要是移植一些基于视觉感知、视觉注意等方式的图像处理技术[21],进行地质灾害信息的提取[22]。然而现阶段的图像处理手段移植到遥感影像中不能很好地适用,需要进行进一步改进。

本文选取高分辨率遥感影像,尝试基于计算机视觉技术进行地质灾害信息的提取方法研究,以期为快速、高效、精确、智能化提取地质灾害提供新途径。

1 研究方法

1.1 计算机视觉显著性分析及模型

人类的视觉系统相当复杂,在接收大量外界信息后,可以对所获得的信息进行快速筛选、提取,过滤无用信息。对于这种自发的信息过滤方式,研究者称之为注意力机制[23]。在面对复杂场景时,人的视觉系统能够将注意力集中在几个显著的目标对象上,优先进行处理[24]。基于视觉注意优先处理显著性目标的机制,特别适用于图像处理中的信息快速提取。视觉注意机制主要包括两大类别,一类是自底向上注意机制,受感知数据驱动,将人的视线或关注点导向感知场景中的显著区域,这些显著区域往往与周围信息有明显不同的特性,如颜色、形状、亮度等;另一类则是自顶向下的注意机制,受人本身认知因素决定,受任务驱动,根据预期的一些信息获取关注区域[24]。

受到人类视觉系统注意机制的启发,研究人员对于运用机器进行图像自动处理与认知过程中引入了模拟人类视觉感知的过程[23]。计算机视觉是指利用计算机及相关设备模拟生物视觉,进行信息的获取。图像显著性分析是指针对一副或多幅包含复杂信息的图像,迅速选择感兴趣的目标区域,并对其进行处理和分析。利用显著性分析可以快速筛选目标区域,提升处理效率[9]。

目前大多较为成熟的计算机视觉算法模型是自底向上的,包括Itti算法、AC算法、SR算法、GBVS算法等[24]。其中,Itti算法是Itti等人[25]于1998年提出的基于显著性的视觉注意模型,基本步骤有三步:首先是输入RGB图像,初步提取颜色、亮度、方向特征等,生成各显著特征图;然后将各显著特征图进行归一化,融合形成最终的显著图;最终采用生物学中的赢者取全机制,引导提取图像中显著空间位置[24]。Itti经典模型算法如图1所示,该算法模型基于底层视觉特征模拟生物视觉注意机制,模型较为完善,最为经典,具有良好的普适性[24],进行相应改造,即可符合本文预期的目标。

图1 Itti经典模型算法示意图

1.2 地质灾害信息提取算法模型

基于高分辨率遥感影像进行地质灾害信息的提取,在进行遥感影像预处理以后,引入Itti模型,建立总显著图后,根据不同地质灾害的特征采用多特征层次分析,进行地质灾害信息的提取,使得算法面对不同的地质灾害类型时通用性更好,具体地质灾害信息提取流程如图2所示。

图2 地质灾害信息提取流程图

1.2.1 技术流程

深入分析海南岛主要的三类地质灾害(滑坡、泥石流、崩塌)的成因以及在高分辨率遥感影像上的色调、空间形态等表现特征,提出一种基于视觉显著性的地质灾害信息自动提取方法。如图3所示,主要技术流程如下:

图3 技术流程图

1)对原始影像进行预处理,包括几何校正、图像配准、波段融合以及简单的影像色调调整等。

2)对各类地质灾害成因以及遥感影像表现特征进行分析,获取可行的特征参量(色调、空间形态)。

3)根据相应灾害类型的特征参量,引入Itti模型算法,生成总显著图D1。

使用Itti算法模型构建图像的亮度金字塔、颜色金字塔和方向金字塔,然后用中央-周边(C-S)特征差异分解这三类金字塔,得到亮度、颜色和方向的特征图,最后通过多尺度融合归一化技术获得对应的显著图,将这些显著图相加得到最终总显著图[24,26]。使用的具体公式如下:

多尺度影像高斯金字塔构建公式:

(1)

式中:σ∈{0,1,2…,8}为金字塔的层数(尺度)。

亮度显著图构建公式:

(2)

式中:IC为亮度显著图,⊕为将多个图像调整到统一尺寸后相加的操作,N()为一种标准化操作,I(c,s)为亮度特征图[24-26]。

颜色显著图构建公式:

(3)

式中:CC为颜色显著图,RG(c,s)为红-绿颜色特征图,BY(c,s)为蓝-黄颜色特征图[24-26]。

方向显著图构建公式:

(4)

式中:OC为方向显著图,θ为表示方向,θ∈{0°,45°,90°,135°},O(c,s,θ)为方向特征图[24-26]。

总显著图构建公式:

(5)

式中:S为总显著图。

4)引入多特征层次分析,灾害空间形态参量阈值,对总显著图进行处理,得到中间提取结果D2。

5)根据D2提取结果,结合不同影像数据自身特征,对各类地质灾害的两类特征参量进行优化。

由于存在多个研究区,选取多幅遥感影像数据,拍摄时间、地点、传感器不同,根据实际影像以及处理结果,对特征参量的阈值进行优化,减少误差,以提高地质灾害信息提取精度。

6)最终获得地质灾害信息提取结果D3。

1.2.2 地质灾害特征分析

根据所获取的高分辨率遥感影像数据,对海南岛主要地质灾害(滑坡、泥石流、崩塌)进行特征分析,主要包括灾害的色调特征以及空间形态特征。

1)滑坡特征分析

滑坡是指斜坡上的岩体或土体在地震或者强降雨后,受重力作用沿着坡体,整体或部分向下滑动的现象。在遥感影像上,滑坡色调与周围地物存在较为明显的区别。海南岛位于热带地区,植被茂密,滑坡出现往往呈现出新鲜的土壤颜色,以黄色、土黄色为主,与周围绿色植被存在显著差异(图4)。

图4 研究区滑坡遥感影像

滑坡形状较为多变,呈现出舌形、椭圆形、长椅形、牛角形、平行四边形、菱形等,没有较为统一的形态,如图5所示[27]。道路、房屋等人工建筑则具有较为规整统一的形状。因此结合色调特征、空间形态特征,可以较好地将滑坡与其他地物进行区分。

图5 滑坡形态[27]

2)泥石流特征分析

泥石流是在山区或其他地形较为陡峭的地区,经强降雨或其他自然灾害引发的携带大量泥沙以及石块的特殊洪流。海南岛降雨较为集中,常受热带气旋影响,山区较易出现泥石流。泥石流灾害区色调较杂,多呈灰白、黄色,与周围绿色植被存在显著差异(图6)。

图6 研究区泥石流遥感影像

典型的泥石流在影像上多表现为漏斗形,到底部逐渐变细,呈细窄的流道,具有明显的空间形态特征。因此结合色调特征、空间形态特征,可以较好地将滑坡与其他地物进行区分。

3)崩塌特征分析

崩塌多分布在山谷、河流、道路等陡峭边坡地段,一般是由于陡坡上的岩土受重力作用脱离山体,发生崩裂、滚动造成的。在遥感影像上崩塌区域与周围区域色差较明显,多呈现黄褐色、灰白色(图7)。

图7 研究区崩塌遥感影像

空间形态上一般为漏斗状,呈片状分布,崩塌前沿一般有较明显的落石。空间形态具有较好的区分性。因此结合色调特征、空间形态特征,可以较好地将崩塌与其他地物进行区分。

1.3 精度评价

为了定量评价所采取方法的准确性,需要对提取的灾害进行精度评价。分类精度的主要指标有正确率、误提率、漏检率。正确率是指正确分类的数量占总数的比例。

误提率是指错误提取的数量占总数的比例。

漏检率是指遗漏的数量占总数的比例。

本文提取出来的信息分类见表1。

表1 提取信息分类表

2 实验与分析

2.1 研究区

海南岛位于热带地区,以热带季风气候为主。整体地貌呈穹隆状,以海拔最高的中部五指山区为中心,向四周外围逐级递降。受季风和地貌影响,降水较为集中,尤为集中在夏秋雨季,以及热带气旋带来的强降雨,且降雨东多西少。受气候、地貌影响,海南岛地质灾害也具有集中式、群发式、累积性及相对滞后性等特点[1-6]。

根据《海南省2020年度地质灾害防治工作方案》得知,2020年初,海南岛实有地质灾害隐患点195处,小型188处,中型6处,特大型1处。直接威胁人口3 570人,威胁资产 25 402 万元,主要威胁对象为高速铁路、公路和山区村庄群众生命财产等。地质灾害类型为崩塌136处,滑坡31处,泥石流10处(含泥石流—滚石复合型1处),不稳定斜坡17处,地面塌陷1处。集中分布于海南岛中南部降雨量较大的9个山地丘陵区市县[2]。

结合海南岛主要地质灾害分布,本研究选取4处典型地质灾害点较为集中区域,作为研究区(图8),进行基于计算机视觉的地质灾害信息提取方法研究。

注:该图根据海南测绘地理信息局海南省地图(简版)1∶1000000数据制作,审图号为琼S(2023)131号,底图无修改

2.2 实验数据

根据所选研究区范围,获取多种类型的遥感影像数据,包括高分二号、WorldView-2/3、Pleiades等影像数据。这些卫星均属亚米级高分辨率遥感卫星,分辨率较高、空间信息量大、地质灾害信息特征较为明显,适宜于计算机进行识别。具体实验数据见表2。

表2 实验数据表

2.3 地质灾害提取实验

2.3.1 滑坡提取实验

滑坡提取实验主要选取昌江、三亚-乐东两处研究区的滑坡样本。

其中三亚-乐东研究区的遥感影像选用的是2019年5月20日的WorldView-3影像(图9(a))。对影像进行预处理以后,通过Itti算法模型、多特征层次分析处理得到中间提取结果图(图9(b)),分析中间提取结果图,进行特征阈值优化,对滑坡进行框选,形成滑坡提取结果图(图9(c))。根据目视解译得知该研究区共1处滑坡,已提出,无误提。

(a)三亚-乐东研究区影像

2.3.2 泥石流提取实验

泥石流提取实验主要选取白沙、陵水两处研究区的泥石流样本。

其中位于陵水的研究区的遥感影像来自2019年1月26日的WorldView-3影像(图10(a))。实验方法同滑坡实验,具体实验结果如图10(b)、图10(c)所示。根据目视解译得知该研究区共1处泥石流,已提出,无误提。

(a)陵水研究区影像

2.3.3 崩塌提取实验

崩塌提取实验主要选取白沙研究区的崩塌样本。

白沙研究区的遥感影像来自2019年5月20日的Pleidades影像(图11(a))。实验方法同滑坡实验,具体实验结果如图11(b)、图11(c)所示。根据目视解译得知该研究区共1处崩塌,已提出,无误提。

(a)白沙研究区影像

2.4 提取结果与分析

根据建立的地质灾害信息提取算法模型,对位于白沙、昌江、三亚-乐东以及陵水研究区的地质灾害进行提取,提取灾害类型包含滑坡、泥石流、崩塌三类,地质灾害总面积为244 449.75 m2,灾害点共计8处。通过目视解译获取研究区范围内各类地质灾害的分布情况,以此作为算法模型提取结果的参考。具体提取结果见表3。

表3 提取结果表

根据所拟定的精度评价标准,对正确率、误提率、漏检率进行运算,对算法精度进行评价。具体结果见表4。

表4 精度情况表

汇总统计所提取的各类地质灾害,正确率为89.85%,无漏检,整体精度较好。对各灾害类型提取精度进行单独分析,研究区内的滑坡与崩塌均正确提取,无漏提,无误提;泥石流存在误提,无漏提。通过目视解译分析泥石流灾害提取中的误提结果,发现误提的地物主要为正在施工的道路,与泥石流色调、空间形态较为相似。

通过实验验证,地质灾害信息提取算法模型拥有良好的普适性,多处研究区、多种灾害类型以及多源遥感影像均可使用该算法模型。算法模型在精度方面,基本无漏检,优先保障地质灾害点位的全提取;存在一定程度的误提,但数量较少,实际使用时,可在进行自动提取后,稍加人机交互,降低误差。

3 结论

本文利用多源遥感影像数据,基于计算机视觉,运用视觉显著性以及多特征层次分析,进行地质灾害信息的自动提取方法研究。汇总分析色调特征、空间形态特征以及不同卫星影像的特征,进行多区域,多灾害类型、多源影像算法实验验证,取得了较好的效果。主要结论如下:

1)研究获取了热带地区主要地质灾害(滑坡、泥石流、崩塌)的高分辨率遥感影像表现特征,主要是色调以及空间形态,相关特征参量可为其他热带地区相关地质灾害信息的提取提供帮助。

2)处理高分辨率多源遥感影像数据,进行地质灾害信息的自动化提取,是一种可以移植相应的计算机图像的处理方式,具有普适性。选用较为成熟Itti模型算法以及多特征层次分析方法,成功进行了地质灾害信息的提取。该研究方法可推广应用于其他地物信息的提取。

同时,也发现算法在提取效率方面尚有不足,并有一定的错误率,未来可以在以下几个方面研究:①进一步优化特征参量选取,可以增加特征参量,完善参数选择。②进一步优化影像分割尺度,根据所需,人工裁剪选取研究区进行算法实验,具有一定的主观性,可增加尺度分割自动学习过程,进一步提升信息提取效率。