一种地质灾害预测方法及系统与流程

1.本发明涉及图像处理技术领域，具体涉及一种地质灾害预测方法及系统。

背景技术：

2.我国地域广阔，山地纵横，自然地理复杂多样。大陆地势西高东低，从西部青藏高原，中部的山地、丘陵和盆地，再到东部的平原及低山丘陵。高原、山地和丘陵约占我国陆地总面积的79%，不同种类的地质灾害在全国各地时有发生，其中崩塌、滑坡泥石流等灾害几乎遍布全国各地，每年都会出现成千上万的灾害点，造成不同程度的经济损失和人员伤亡。
3.因此仅仅依靠临时避险是远远不够的，更重要的是提早部署地质灾害的防灾减灾工作，制定好防治规划、做好提前防范，即需要对不同区域的地质灾害进行预测，对于有可能发生地质灾害的地区提前部署规划。现有的大部分地质灾害预测的方法都只考虑了该区域的降水量、土质等因素，没有考虑滑坡本身的特征，比如滑坡上的碎石以及裂缝，所以得到的结果并不准确。

技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种地质灾害预测方法，所采用的技术方案具体如下：采集待测区域对应的遥感图像，对遥感图像进行预处理，得到灰度图像；利用滑窗对所述灰度图像进行滑窗操作，得到各滑窗区域，对于任意一个滑窗区域，利用canny算子获取该滑窗区域的边缘点，根据边缘点判定该滑窗区域是否包含斜坡；当该滑窗区域包含斜坡时，将其保留并记为斜坡区域；当该滑窗区域不包含斜坡时，则将其舍弃；利用lc显著性检测算法获取各斜坡区域内各像素点对应的显著值；对于各斜坡区域内任意一像素点，以该像素点为中心获取其对应的设定区域，计算设定区域的平均灰度值，根据该像素点对应的显著值、该像素点对应的设定区域的平均灰度值以及该像素点与剩余其他像素点之间的距离，计算该像素点对应的改进显著值；基于改进显著值将各斜坡区域对应的像素点划分为两个组别，统计每一个组别对应的像素点数量；对于两个组别，将组别中较多像素点数量与较少像素点数量的比值记为各斜坡区域对应的稳定性；获取各斜坡区域对应的检测指标，将由检测指标与稳定性构成的特征向量输入到神经网络模型中，输出各斜坡区域发生地质灾害的概率。
5.进一步地，所述根据边缘点判定该滑窗区域是否包含斜坡的方法具体为：随机选取一个边缘点，判断该边缘点的3
×
3邻域内是否存在边缘点，若存在，则将3
×
3邻域内的各边缘点与该边缘点归为一个类别；然后以3
×
3邻域内的各边缘点为中心，判断其3
×
3邻域是否存在边缘点，若存在，则将其与该边缘点归为一个类别，以此类推，直至该类别中的最外侧边缘点对应的3
×
3邻域内除了该类别中的边缘点外不存在边缘点，得
到一个类别；获取该滑窗区域对应的至少两个类别，计算每一个类别对应的长度，分别比较最大长度和第二大长度与设定阈值的大小，当最大长度和第二大长度同时大于设定阈值时，则判定该滑窗区域包含斜坡。
6.进一步地，所述改进显著值为：其中，为任意一斜坡区域内像素点j的灰度级为p时对应的改进显著值，为任意一斜坡区域内像素点j对应的设定区域的平均灰度值，为任意一斜坡区域内除像素点j之外的第d个像素点对应的设定区域的平均灰度值，为任意一斜坡区域内像素点j与除像素点j之外的第d个像素点之间的距离；为任意一斜坡区域内灰度级为p的像素点对应的显著值；为任意一斜坡区域内像素点的总数量。
7.进一步地，所述基于改进显著值将各斜坡区域对应的像素点划分为两个组别的方法具体为：通过大津阈值算法将各斜坡区域对应的像素点划分为两个组别。
8.进一步地，所述检测指标包括：降雨量、斜坡的倾斜程度、斜坡的地势高度以及斜坡对应的土壤流失度。
9.进一步地，所述神经网络模型为全连接网络。
10.本发明还提供了一种地质灾害预测系统，包括处理器与存储器，所述处理器执行所述存储器存储的一种地质灾害预测方法的程序。
11.本发明实施例至少具有如下有益效果：本发明通过获取待测区域对应的灰度图像；利用滑窗对灰度图像进行滑窗操作，得到各滑窗区域，对于任意一个滑窗区域，判定该滑窗区域是否包含斜坡；当该滑窗区域包含斜坡时，将其保留并记为斜坡区域；计算斜坡区域中各像素点的改进显著值，在计算改进显著值时，除了根据灰度级计算得到的显著值外，还根据像素点本身的位置及其对应设定区域内的像素点对应的灰度值得到，考虑了多方面的因素，使得计算出的改进显著值更能体现出各像素点的特征；然后根据改进显著值将斜坡区域对应的像素点划分为两个组别，根据每一个组别对应的像素点数量计算各斜坡区域的稳定性；其中较少像素点数量对应的组别表征的是斜坡区域中的碎石和裂缝，本发明考虑了斜坡区域中的碎石和裂缝，能够精确反映斜坡区域的稳定性，进而得到准确的预测结果。最后获取各斜坡区域对应的检测指标，将由检测指标与稳定性构成的特征向量输入到神经网络模型中，输出各斜坡区域发生地质灾害的概率。其中，稳定性能够表征斜坡的稳定程度，斜坡的稳定程度越高，越不容易发生滑坡灾害；而除了斜坡本身存在的裂纹和碎石影响斜坡的稳定程度之外，斜坡区域对应的检测指标同样影响着斜坡的稳定程度，因此本发明通过检测指标与稳定性构成特征向量，能够获取更加准确的表征斜坡的稳定程度。因此，本发明能够准确地对地质灾害进行预测，提高了预测精度。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
13.图1为本发明的一种地质灾害预测方法实施例的步骤流程图。
具体实施方式
14.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
15.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
16.请参阅图1，其示出了本发明一个实施例提供的一种地质灾害预测方法的步骤流程图，该方法包括以下步骤：步骤1，采集待测区域对应的遥感图像，对遥感图像进行预处理，得到灰度图像。
17.具体地，对遥感图像采用加权平均值的方法进行处理，得到其对应的灰度图像，其中获取遥感图像的方法与加权平均值的方法均为公知技术，不在本发明的保护范围内，不再赘述，步骤2，利用滑窗对所述灰度图像进行滑窗操作，得到各滑窗区域，对于任意一个滑窗区域，利用canny算子获取该滑窗区域的边缘点，根据边缘点判定该滑窗区域是否包含斜坡；当该滑窗区域包含斜坡时，将其保留并记为斜坡区域；当该滑窗区域不包含斜坡时，则将其舍弃。
18.本实施例主要研究的灾害类型为滑坡灾害，滑坡灾害属于小型规模的灾害，且滑坡灾害多发生于较为陡峭的滑坡区域，因此，需要对遥感图像划分区域，判断各区域是否包含斜坡。
19.具体地，利用滑窗对灰度图像进行滑窗操作，得到各滑窗区域，对于任意一个滑窗区域，利用canny算子获取该滑窗区域的边缘点，根据边缘点判定该滑窗区域是否包含斜坡。
20.上述中根据边缘点判定该滑窗区域是否包含斜坡的方法具体为：随机选取一个边缘点，判断该边缘点的3
×
3邻域内是否存在边缘点，若存在，则将3
×
3邻域内的各边缘点与该边缘点归为一个类别；然后以3
×
3邻域内的各边缘点为中心，判断其3
×
3邻域是否存在边缘点，若存在，则将其与该边缘点归为一个类别，以此类推，直至该类别中的最外侧边缘点对应的3
×
3邻域内除了该类别中的边缘点外不存在边缘点，得到一个类别；获取该滑窗区域对应的至少两个类别，计算每一个类别对应的长度，分别比较最大长度和第二大长度与设定阈值的大小，当最大长度和第二大长度同时大于设定阈值时，则判定该滑窗区域包含斜坡。所述长度根据像素点的数量进行获取。
21.本实施例中，滑窗的尺寸为实际环境中的100m
×
100m对应到遥感图像中的尺寸。设定阈值为滑窗尺寸的一半，实施者可根据具体情况调整设定阈值的取值。
22.需要说明的是，若滑窗区域中存在斜坡，那么滑窗区域在利用canny算子边缘检测后，必然会存在两条较长连续的边缘线，其中一条为斜坡顶部对应的边缘线，另外一条为斜坡底部对应的边缘线，这两条边缘线将滑窗区域分为三部分，即斜坡上、斜坡中以及斜坡下。基于此，通过边缘点判定该滑窗区域是否包含斜坡。
23.其中，滑窗操作的步长为实际环境中的1m对应到遥感图像中的尺寸。
24.进一步地，为了避免重复计算，减少计算量，对于所有斜坡区域，由于不同斜坡区域可能会包含同一个滑坡，因此将相邻斜坡区域作为一类，其中，相邻表征的是两斜坡区域之间具有互相重合的部分，计算互相重合的部分的面积与斜坡区域面积的比值，当比值大于50%时，则认为两个斜坡区域中包含的是同一个斜坡，此时保留其中一个斜坡区域，避免在后续过程中重复计算斜坡区域。
25.步骤3，利用lc显著性检测算法获取各斜坡区域内各像素点对应的显著值；对于各斜坡区域内任意一像素点，以该像素点为中心获取其对应的设定区域，计算设定区域的平均灰度值，根据该像素点对应的显著值、该像素点对应的设定区域的平均灰度值以及该像素点与剩余其他像素点之间的距离，计算该像素点对应的改进显著值。
26.根据斜坡区域分析斜坡对应的稳定性，稳定性越高，说明该斜坡越不容易出现滑坡灾害，影响斜坡的稳定性的因素主要有两点，一是斜坡上的各种裂缝，二是斜坡周边的碎石，当斜坡上存在的裂缝较少，并且斜坡周边存在的碎石较少时，斜坡的稳定性较高，不容易出现滑坡灾害，而当裂缝较多时，裂缝的存在会使雨水渗透的数量增加，导致裂缝增大，从而引起滑坡；当碎石受到外力作用时，则会进行移动，若碎石过多，容易引起连锁反应，造成滑坡灾害。因此根据斜坡裂缝和斜坡周边的碎石判断斜坡对应的稳定性。
27.当斜坡上存在裂缝或者碎石时，裂缝在斜坡区域中表现出较深的灰度，即灰度值较低，裂缝对应的像素点会与周围像素点对应的灰度值之间存在灰度差异；碎石则会在斜坡区域边缘检测后呈现出较多细小的边缘线，即边缘线对应的像素点会与周围像素点对应的灰度值之间存在灰度差异。因此可以计算每个像素点的显著值，通过显著值将属于裂缝部分或者碎石部分的像素点提取出来，之后通过提取出来的像素点数量计算斜坡的稳定性。
28.通过lc显著性检测算法获取各斜坡区域内各像素点对应的显著值，lc显著性检测算法为公知技术，不再赘述。lc显著性检测算法是计算灰度特征，具体地，将斜坡区域中的灰度值一共分为256个灰度级，每一个灰度值对应一个灰度级，灰度值的取值为0-255，计算每一个灰度级对应的灰度值的显著值，用公式表示为：其中，为斜坡区域中灰度级为p的像素点对应的显著值；为斜坡区域中灰度级i与灰度级p对应的像素点之间的灰度值差值；为灰度级i对应的像素点数量。为斜坡区域中的像素点的总数量。
29.根据公式只使用了灰度级计算显著性，得到的显著性对应于每一个灰度级。即当
某一块区域全为同一个灰度级时，得到的检测效果较好；当一个物体有多种灰度值，对应于多个灰度级时，并且此物体中存在和背景相同的灰度级时，此物体的像素点对应的显著值是较为割裂的，因此，上述显著值计算的缺点是只考虑了颜特征没有考虑其余的特征，只使用颜特征计算得出的显著值不能很好的表征各像素点与周围像素点之间的关系，仅仅根据显著值无法准确将属于裂缝部分或者碎石部分的像素点提取出来，因此，本实施例为了更好的将属于裂缝部分或者碎石部分的像素点提取出来，通过各像素点对应的设定区域的平均灰度值、各像素点对应的显著值以及各像素点与剩余其他像素点之间的距离，计算各像素点对应的改进显著值。
30.所述改进显著值为：其中，为任意一斜坡区域内像素点j的灰度级为p时对应的改进显著值，为任意一斜坡区域内像素点j对应的设定区域的平均灰度值，为任意一斜坡区域内除像素点j之外的第d个像素点对应的设定区域的平均灰度值，为任意一斜坡区域内像素点j与除像素点j之外的第d个像素点之间的距离；为任意一斜坡区域内灰度级为p的像素点对应的显著值；为任意一斜坡区域内像素点的总数量。本实施例中，设定区域的尺寸为3
×
3，在具体操作过程中，实施者可适当调整设定区域的尺寸。
31.碎石和裂缝对应的像素点的灰度值与斜坡区域中其余部分对应的像素点的灰度值不相同，因此碎石和裂缝对应的像素点对应的设定区域的平均灰度值与斜坡区域中其余部分对应的像素点对应的设定区域的平均灰度值存在差异，表征任意一斜坡区域内像素点j对应的设定区域的平均灰度值与该斜坡区域内除像素点j之外的第d个像素点对应的设定区域的平均灰度值之间的差异，该差异越大，说明像素点j越有可能为碎石和裂缝对应的像素点，的取值越大。表征任意一斜坡区域内像素点j与除像素点j之外的第d个像素点之间的距离和对应的平均灰度值之间的差异两者的乘积，用于表征像素点j与除像素点j之外的第d个像素点之间的关系。该关系的表征不仅从距离方面进行体现，同时也从灰度值方面进行体现，能够更加准确地得到两者之间的关系，进而得到精确的改进显著值。表征任意一斜坡区域内灰度级为p的像素点对应的显著值，显著值越大，说明对应的像素点越有可能为碎石和裂缝对应的像素点，对应的像素点的改进显著值的取值越大。
32.需要说明的是，在计算改进显著值时，除了根据灰度级计算得到的显著值外，还根据像素点本身的位置及其对应设定区域内的像素点对应的灰度值得到，由于裂缝或者碎石存在于斜坡区域中的面积占比较少，因此若某一像素点为碎石或裂缝对应的像素点，则该像素点对应的设定区域的平均灰度值与剩余其他像素点对应的设定区域的平均灰度值的差异会变大，再和距离相乘，得到的的取值也会变大；计算像素点对应的显著值时，灰度级对应的像素点越少，显著值越大。由此，当灰度级对应的像素点越少时，的值就越大。
33.步骤4，基于改进显著值将各斜坡区域对应的像素点划分为两个组别，统计每一个组别对应的像素点数量；对于两个组别，将组别中较多像素点数量与较少像素点数量的比值记为各斜坡区域对应的稳定性。
34.具体地，根据斜坡区域中的所有像素点对应的改进显著值，使用大津阈值算法将各斜坡区域对应的像素点划分为两个组别，其中，大津阈值算法为公知技术，不在本发明的保护范围内，不再赘述。
35.然后统计每一个组别对应的像素点数量，对于两个组别，将组别中较多像素点数量与较少像素点数量的比值记为各斜坡区域对应的稳定性，用公式表示为：其中，为斜坡区域对应的稳定性；为两个组别对应的较多像素点数量，为两个组别对应的较少像素点数量。的取值越大，说明斜坡区域越稳定，越不容易发生滑坡灾害。
36.需要说明的是，较少像素点数量对应的组别为斜坡区域中的正常区域；较少像素点数量对应的组别为斜坡区域中的碎石和裂缝。由于步骤3中提到裂缝或者碎石存在于斜坡区域中的面积占比较少，因此较少像素点数量对应的组别为斜坡区域中的碎石和裂缝。当较少像素点数量的取值越大时，说明斜坡区域对应的稳定性越小，越不稳定，越容易发生滑坡灾害。
37.步骤5，获取各斜坡区域对应的检测指标，将由检测指标与稳定性构成的特征向量输入到神经网络模型中，输出各斜坡区域发生地质灾害的概率。
38.所述检测指标包括：降雨量、斜坡的倾斜程度、斜坡的地势高度以及斜坡对应的土壤流失度。其中，降雨量为未来时段对应的总降雨量，通过气象局数据库获得；斜坡的地势高度通过深度相机采集斜坡和地面的高度差获得，斜坡的倾斜程度通过斜坡与地面的高度差和斜坡的宽度之比获得；斜坡对应的土壤流失度的获取方法为：采集斜坡区域的土壤，获取其对应的土壤类别，并通过官方数据库得到该土壤类别对应的土壤流失度，官方数据库中包含了各个土壤类别对应的土壤流失度；土壤流失度越高，越容易出现滑坡灾害。
39.通过上述计算得到了斜坡区域对应的稳定性，稳定性能够表征斜坡的稳定程度，斜坡的稳定程度越高，越不容易发生滑坡灾害。而除了斜坡本身内在裂纹和碎石影响斜坡的稳定程度之外，斜坡区域对应的检测指标同样影响着斜坡的稳定程度，因此本实施例通过检测指标与稳定性构成特征向量，所述特征向量为：。其中，为特征向量，为稳定性，为降雨量、为斜坡的倾斜程度、为斜坡的地势高度，为斜坡对应的土壤流失度。
40.然后将特征向量输入到神经网络模型中，输出各斜坡区域发生地质灾害的概率，完成对地质灾害的预测。本实施例中的地质灾害为滑坡灾害。其中，所述神经网络模型为全连接网络。
41.需要说明的是，在将特征向量输入到神经网络模型之前，需要对全连接网络进行训练，在全连接网络进行训练时，数据集为采集的各斜坡区域对应的特征向量。人为标注标签为：发生滑坡与未发生滑坡，输出为：发生滑坡灾害的概率，使用的loss函数为均方差损失函数。全连接网络的训练为公知技术，不再赘述。
42.本发明还提供了一种地质灾害预测系统，包括处理器与存储器，处理器执行存储器存储的一种地质灾害预测方法的程序，由于一种地质灾害预测方法的具体实施方式已在上述步骤1至步骤5中详细给出，不再过多赘述。
43.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围，均应包含在本技术的保护范围之内。

技术特征：

1.一种地质灾害预测方法，其特征在于，该方法包括以下步骤：采集待测区域对应的遥感图像，对遥感图像进行预处理，得到灰度图像；利用滑窗对所述灰度图像进行滑窗操作，得到各滑窗区域，对于任意一个滑窗区域，利用canny算子获取该滑窗区域的边缘点，根据边缘点判定该滑窗区域是否包含斜坡；当该滑窗区域包含斜坡时，将其保留并记为斜坡区域；当该滑窗区域不包含斜坡时，则将其舍弃；利用lc显著性检测算法获取各斜坡区域内各像素点对应的显著值；对于各斜坡区域内任意一像素点，以该像素点为中心获取其对应的设定区域，计算设定区域的平均灰度值，根据该像素点对应的显著值、该像素点对应的设定区域的平均灰度值以及该像素点与剩余其他像素点之间的距离，计算该像素点对应的改进显著值；基于改进显著值将各斜坡区域对应的像素点划分为两个组别，统计每一个组别对应的像素点数量；对于两个组别，将组别中较多像素点数量与较少像素点数量的比值记为各斜坡区域对应的稳定性；获取各斜坡区域对应的检测指标，将由检测指标与稳定性构成的特征向量输入到神经网络模型中，输出各斜坡区域发生地质灾害的概率。2.根据权利要求1所述的一种地质灾害预测方法，其特征在于，所述根据边缘点判定该滑窗区域是否包含斜坡的方法具体为：随机选取一个边缘点，判断该边缘点的3
×
3邻域内是否存在边缘点，若存在，则将3
×
3邻域内的各边缘点与该边缘点归为一个类别；然后以3
×
3邻域内的各边缘点为中心，判断其3
×
3邻域是否存在边缘点，若存在，则将其与该边缘点归为一个类别，以此类推，直至该类别中的最外侧边缘点对应的3
×
3邻域内除了该类别中的边缘点外不存在边缘点，得到一个类别；获取该滑窗区域对应的至少两个类别，计算每一个类别对应的长度，分别比较最大长度和第二大长度与设定阈值的大小，当最大长度和第二大长度同时大于设定阈值时，则判定该滑窗区域包含斜坡。3.根据权利要求1所述的一种地质灾害预测方法，其特征在于，所述改进显著值为：其中，为任意一斜坡区域内像素点j的灰度级为p时对应的改进显著值，为任意一斜坡区域内像素点j对应的设定区域的平均灰度值，为任意一斜坡区域内除像素点j之外的第d个像素点对应的设定区域的平均灰度值，为任意一斜坡区域内像素点j与除像素点j之外的第d个像素点之间的距离；为任意一斜坡区域内灰度级为p的像素点对应的显著值；为任意一斜坡区域内像素点的总数量。4.根据权利要求1所述的一种地质灾害预测方法，其特征在于，所述基于改进显著值将各斜坡区域对应的像素点划分为两个组别的方法具体为：通过大津阈值算法将各斜坡区域对应的像素点划分为两个组别。5.根据权利要求1所述的一种地质灾害预测方法，其特征在于，所述检测指标包括：降
雨量、斜坡的倾斜程度、斜坡的地势高度以及斜坡对应的土壤流失度。6.根据权利要求1所述的一种地质灾害预测方法，其特征在于，所述神经网络模型为全连接网络。7.一种地质灾害预测系统，包括处理器和存储器，其特征在于，所述处理器执行所述存储器存储的如权利要求1-6中任一项所述的一种地质灾害预测方法的程序。

技术总结

本发明涉及图像处理技术领域，具体涉及一种地质灾害预测方法及系统，该方法包括：采集待测区域对应的灰度图像；利用滑窗对灰度图像进行滑窗操作，得到各滑窗区域，对于任意一个滑窗区域，利用canny算子获取该滑窗区域的边缘点，根据边缘点判定该滑窗区域是否包含斜坡；当该滑窗区域包含斜坡时，将其保留并记为斜坡区域；当该滑窗区域不包含斜坡时，则将其舍弃；计算斜坡区域中各像素点的改进显著值，然后将斜坡区域对应的像素点划分为两个组别，计算各斜坡区域的稳定性；获取各斜坡区域对应的检测指标，将由检测指标与稳定性构成的特征向量输入到神经网络模型中，输出各斜坡区域发生地质灾害的概率。本发明能够准确地对地质灾害进行预测。害进行预测。害进行预测。