基于滑坡区域颜色特征模型的SVM遥感检测

陈善静 康青 沈志强 周若冲

基于滑坡区域颜色特征模型的SVM遥感检测

陈善静 康青 沈志强 周若冲

（陆军勤务学院军事设施系，重庆 401311）

滑坡区域遥感检测与识别在灾情提取、救援决策和防灾减灾等方面都有着巨大的应用前景。针对滑坡遥感检测中目标颜色特征化模型不准确，对滑坡区域检测识别效果不够理想等问题，提出一种基于滑坡区域颜色特征模型的支持向量机（support vector machine，SVM）遥感检测方法。根据光谱学和色度学的基本理论，建立滑坡区域红绿蓝特征获取方法，以多光谱图像为基础，通过典型样本分析，确立目标/背景颜色特征化数字模型和有效边界。将该模型生成训练样本用于滑坡区域SVM检测模型训练，再将训练好的分类器用于滑坡区域的检测识别，在此基础上根据滑坡基础形状模型的轴向长宽比、面积参数和不变矩等典型形状特征指标对滑坡区域进行目标精确分类与识别。利用九寨沟地震后获取多光谱遥感图像进行了滑坡区域检测识别效果对比试验，试验结果表明，该方法能有效识别遥感图像中的滑坡样本点，对滑坡区域的识别精度由传统方法的90%左右提高到97.03%。

目标检测 滑坡颜色特征建模 滑坡灾害信息提取 支持向量机 遥感图像

0 引言

滑坡灾害是所有地质灾害中最为常见的恶性灾害之一。它具有分布范围广、影响大、破坏性强等特点。我国西南地区多山地，滑坡储量高、易发性大，在地震或暴雨等诱发因素作用下滑坡灾害呈大面积高发状态。当滑坡灾害发生时如何大面积快速检测和识别滑坡区域，提取滑坡灾情信息就显得格外重要。随着航空航天技术和遥感成像技术的发展，利用空天各种光学成像平台对滑坡区域进行遥感检测与识别已成为可能。文献[1]以“高分一号”卫星数据为基础，通过面向对象的分析技术提取滑坡信息，并采用多尺度分割算法，结合滑坡特征对经验式参数提取方法进行优化，再构建分类规则对滑坡进行检测。文献[2]提出了一种基于灾后高分辨率遥感影像的地震滑坡体自动提取算法，将高分辨率遥感影像的光谱、形状和纹理等特征用于滑坡识别，基于多特征阈值分层次逐步剔除干扰地物，实现了地震滑坡体的自动提取。文献[3]将迁移学习(TL)特征和支持向量机(SVM)引入到构建滑坡灾害自动解译模型中，提出了一种TL支持下的高分影像滑坡灾害解译模型，并利用“5·12”汶川地震及“4·20”芦山地震后无人机航拍图像进行了大面积高分影像中快速山地滑坡灾害定位及检测。文献[4]利用多时序遥感图像中滑坡区域植被恢复缓慢而非滑坡区域植被恢复较快的特点，使用多时相Rapid Eye卫星遥感图像，对吉尔吉斯斯坦南部地区多年的数次滑坡进行自动检测与识别。文献[5]提出了一种无人机高分辨率遥感影像地震滑坡信息提取方法，以2013年芦山地震震区发生的地震滑坡为研究对象，通过构建区域地质特色的无人机影像地震滑坡样本库，然后引入迁移学习机制完成了无人机高分辨率遥感影像地震滑坡信息提取。该方法地震滑坡识别精度较高，满足地震滑坡灾害环境宏观调查、滑坡灾害体监测等应急需求，但是在训练样本完整性、全面性和特征准确提取方面还有待进一步完善和优化。文献[6]基于SPOT卫星2.5m多光谱图像，提出一种综合光谱、空间、地形和形态特征的面向对象滑坡自动识别方法，并应用于较大范围研究区，该方法可以应用于对地震或强降雨引起的大范围滑坡灾害进行快速评估，为灾后应急救援和恢复重建工作提供参考。当前在基于光学遥感图像的滑坡检测识别方面，各种滑坡识别算法较多，但是针对滑坡区域光学特征进行全面系统地颜色特征建模的研究工作还存在一定不足。大部分遥感检测多依靠各种目标样本进行，对滑坡区域形状-颜色-光谱系统地建立目标特征模型的工作还不深入。空天多平台的成像探测器响应机制和成像数据各不相同，建立完整全面的滑坡区域颜色特征化模型并将其应用于灾害区域遥感检测有着重要的研究价值和现实意义[7]。

1 滑坡区域颜色特征建模

人类对遥感图像进行目视解译过程中，通常可根据颜色和形状特征识别各种滑坡区域，由此可见滑坡区域虽然千差万别，但其颜色和空间形状方面仍具有较为显著的共有特征，可作为目标空间维上重要的识别依据。根据光谱学的基本知识，地物的光谱具有较强的唯一性，是区别其它地物目标的重要依据，滑坡区域光谱特征经过成像转换后直接反应为颜色特征，因此从滑坡区域光谱空间分布入手对其进行颜色特征建模对目标本征属性的描述和再现具有较强的准确性和可靠性[8-9]。

根据CIE1931标准色度系统中、、三刺激表示规则[10-12]，利用滑坡区域反射光谱对其颜色特征进行提取。、、三刺激可表示为

对，，进行线性变换得到滑坡区域红绿蓝三刺激值

RGB=（2）

式中RGB为滑坡区域红绿蓝信号向量[DNR，DNG，DNB]T；为滑坡区域色度信号向量[，，]T；为CIE-标准规定的3×3变换矩阵。

2 颜色模型数据表征

滑坡发生区域通常出现大量新翻土壤，滑坡区域植被较稀疏，植被指数低，光谱反射率较高，亮度特征明显。根据以上特征对遥感图像中主要目标和背景进行颜色特征量化分析，提取有效识别特征及分类边界。其中遥感图像中主要识别的目标为滑坡发生后地表破坏区域；背景主要为绿色植被区、城市建筑区、水面（江、河、湖水）和云雾。以2017年8月8日九寨沟地震后获得的某滑坡区域多光谱遥感图像为例（如图1所示），选取滑坡区域样本点56个，植物样本121个，湖面样本40个，对三类样本进行光谱特征分析，其红绿蓝三波段灰度值分布如图2~4所示。在红绿蓝三维空间中，滑坡样本与背景样本存在明显分布区域差异，结合样本红绿蓝三维空间分布图（如图5所示）可知，寻找最优超平面将目标（滑坡区域）和背景（绿色植被和湖水）两类训练样本分开是完全行之有效的。以各类样本光谱空间分布的中心和边界为基础，构建滑坡、湖水、植被目标颜色特征量化模型如表1所示。

图1 九寨沟地震后某滑坡区域多光谱遥感图像

图2 滑坡区域红绿蓝三波段灰度值分布(以前30个样本为例)

图3 绿色植被红绿蓝三波段灰度值分布(以前30个样本为例)

图4 湖面红绿蓝三波段灰度值分布(以前30个样本为例)

图5 各类样本在红绿蓝三维空间中的分布情况

表1 目标颜色特征量化模型表（以红绿蓝三波段为例）

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

3 滑坡区域空间形状特征分选

发生滑坡区域山体表面的植被会受到不同程度的破坏，新裸露出的土石在亮度、色调、空间形状方面与周围植被和人工地物有明显差异。本文选取滑坡中较为常见三种基本形状——长舌形、树叶形和三角形，构建基础形状模型，如图6所示。通过轴向长宽比、面积参数和不变矩特征对遥感图像滑坡区域进行分选，消除其它各种地表破坏的区域影响，实现对滑坡目标的精确识别[13-15]。

图6 滑坡常见基础形状模型及其轴向长宽比

（1）轴向长宽比

通过对滑坡基础形状模型的分析，建立表征滑坡形状特征的轴向长宽比ab：

ab=/（3）

式中为轴向宽度；为轴向长度。

（2）面积参数

当大面积区域内发生滑坡灾害时，小型滑坡数量较大，通常造成危害较小，而特大型滑坡或者巨型滑坡数量通常较少，前期可能已有一定的监测数据，这两类滑坡在遥感检测与识别中可适度弱化，而对于中、大型滑坡其危害性和未知性均较大，将成为遥感检测与识别的重点，因此本文通过设置合理的滑坡区域面积参数(s)，实现对典型滑坡的分选与识别。

（3）不变矩特征

考虑到滑坡在遥感图像中可能存在旋转和尺度的不确定性，本文利用不变矩特征作为检测依据，对滑坡遥感检测结果进行形状特征匹配识别。对于图像的+阶几何矩m定义为[16-18]

式中和分别为图像宽度方向和长度方向上的位置坐标；(,)为图像点（,）的灰度值；和为图像的宽高。

+阶中心矩(μ)定义为

归一代的中心矩(η)定义为

利用二阶和三阶归一化中心矩构造7个不变矩1~7如下：

提取滑坡检测结果中的符合面积参数要求的连通区域作为疑似滑坡区域，分别计算基础形状模型与各疑似滑坡区域的不变矩特征，以不变矩的绝对差值()作为疑似滑坡区域的选择标准。

式中M,p为疑似滑坡区域不变矩；M,s为基础形状模型不变矩。

4 基于支持向量机与颜色特征模型的滑坡遥感检测

SVM最早是由Vapnik等人在1995年提出的一种建立在结构风险最小化原则与VC维理论上的核学习方法[19-21]。SVM属于机器学习算法，该算法在现代信号处理、信号检测、目标跟踪及图像处理方面都有着广泛应用。SVM求解最优超平面问题等价于求解如下方程[22-26]

求解式（9），可以得到SVM的判别函数

将SVM分类器的识别结果作为疑似滑坡区域，再结合滑坡基础形状模型，利用轴向长宽比、面积参数和不变矩等形状特征参数对滑坡区域进行精确分选识别，获得大面积区域的滑坡精确检测识别结果。本文提出方法的基本流程如图7所示。

5 试验与分析

图7 本文滑坡遥感检测方法流程图

表2 三种算法对滑坡区域识别率

Tab.2 Recognition rate of landslide surface by three algorithms

图8 三类检测样本分布情况

图9 大津法对滑坡区域识别结果

图10 结合数学形态学处理的区域生长法对滑坡区域识别结果

图11 本文方法对滑坡区域识别结果

6 结束语

基于航空航天多光谱遥感图像的滑坡区域检测识别在灾情提取和救援决策方面都有着重要应用。本文在深入研究滑坡区域光谱特征形成机理的基础上，通过颜色特征建模、参数表征、SVM分类、形状特征分选，实现了对滑坡区域的精度识别。相关研究结论如下：

1）多光谱遥感图像中滑坡区域红绿蓝颜色特征和空间形状特征是对其进行自动检测识别的重要依据；

2）当SVM训练样本不足时，以目标颜色特征模型为基础，以目标/背景红绿蓝均值灰度为中心，按高斯分布生成随机训练样本，实现对SVM训练样本集的补充；

3）形状特征在滑坡区域辅助识别中有着重要应用，通过合理设置各种形状特征指标和参数可以有效消除其它多种地物的干扰；

4）将滑坡区域/背景颜色特征、形状特征和SVM分类器融合应用可实现对高分辨率多光谱遥感图像中滑坡目标的有效识别，相关试验表明，其识别精度可大于95%。

References)

[1] 黄汀, 白仙富, 庄齐枫, 等. 高分一号汶川极震区滑坡提取研究[J]. 测绘通报, 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] 闫琦, 李慧, 荆林海, 等. 灾后高分辨率遥感影像的地震型滑坡信息自动提取算法研究[J]. 激光与光电子学进展, 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] 郭加伟, 李永树, 李政, 等. 迁移学习支持下的高分影像山地滑坡灾害解译模型[J]. 测绘科学技术学报, 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] 付萧, 郭加伟, 刘秀菊, 等. 无人机高分辨率遥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] 林齐根, 邹振华, 祝瑛琦, 等. 基于光谱、空间和形态特征的面向对象滑坡识别[J]. 遥感技术与应用, 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, 李永树, 郭加伟, 等. 词袋特征支持下的无人机影像滑坡解译模型[J]. 遥感信息, 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] 闫河, 刘婕, 杨德红, 等. 基于特征融合的粒子滤波目标跟踪新方法[J]. 光电子·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, 曹剑中, 王华, 等. 高动态范围数字相机sRGB色彩空间颜色管理[J]. 红外与激光工程, 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] 曲蕴杰, 莫宏伟, 王常虹. 一种用于无人机的目标颜色核相关跟踪算法研究[J]. 红外与激光工程, 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, 张东水, 李燕婷, 等. 基于聚类的黄河上游干流地区滑坡特征研究[J]. 地理空间信息, 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] 李政国, 隋立春, 张茂省, 等. 基于遥感图像分割和形态学的黄土滑坡后壁自动提取方法[J]. 地质通报, 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] 章毓晋. 图像工程[M]. 4版. 北京: 清华大学出版社, 2018. ZHANG Yujin. Image Engineering[M]. 4th ed. Beijing: Tsinghua University Press, 2018. (in Chinese)

[17] 卢衍泓. 基于不变矩特征的车道线图像检测算法[J]. 激光杂志, 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] 张旭艳, 华宇宁, 董晔, 等.一种基于不变矩的红外目标识别算法[J]. 沈阳理工大学学报, 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] 刘庆杰, 荆林海, 王梦飞, 等. 基于克隆选择支持向量机高光谱遥感影像分类技术[J]. 光谱学与光谱分析, 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] 王立国, 赵亮, 刘丹凤. SVM在高光谱图像处理中的应用综述[J]. 哈尔滨工程大学学报, 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的山体滑坡灾害图像识别方法[J]. 电子测量技术, 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] 黄发明, 殷坤龙, 蒋水华, 等. 基于聚类分析和支持向量机的滑坡易发性评价[J]. 岩石力学与工程学报, 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

陈善静，男，1985生，2014年获解放军电子工程学院信号与信息处理专业博士学位，讲师。主要研究方向为遥感图像处理、光学目标自动识别。E-mail：chengshanjing_11@163.com。

2019-09-10

重庆市教委科学技术研究项目（KJQN201912905）

陈善静, 康青, 沈志强, 等. 基于滑坡区域颜色特征模型的SVM遥感检测[J]. 航天返回与遥感, 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)

（编辑：王丽霞）