基于星载合成孔径雷达波段运算的洪灾范围快速提取方法与流程

本发明涉及遥感探测，尤其涉及一种基于星载合成孔径雷达波段运算的洪灾范围快速提取方法。

背景技术：

1、每年夏季洪灾频发，抗洪抢险、灾后重建急需快速获取洪灾范围。然而由于洪灾时的一般天空云层较厚，使得光学卫星和无人机都无法对地面成像。星载合成孔径雷达（sar）技术凭借全天候、全天时、大范围覆盖、能够穿透云层的优势，提供了快速提取洪灾范围的新的技术手段，然而现有星载sar提取洪灾范围办法存在以下不足的问题：速度慢，效率低，无论是采用人工判读方法，还是采用魔术棒方法，以及其他方法，都需要人眼观察，手工操作，速度慢、效率低；容易遗漏，当洪灾范围数量较多时，尤其对于一些面积较小洪灾范围，容易遗漏；精度低，提取的洪灾范围边界精度低。

2、因此，亟需一种能针对性解决上述问题的星载sar快速提取洪灾范围的方法，提升提取洪灾范围的效率、精度和可靠性。

技术实现思路

1、为此，本发明提供一种基于星载合成孔径雷达波段运算的洪灾范围快速提取方法，用以克服现有技术中依赖人工解译、阈值主观性强、难以区分常时水体与地形阴影，导致洪灾范围提取效率低、精度差的问题。

2、为实现上述目的，本发明提供一种基于星载合成孔径雷达波段运算的洪灾范围快速提取方法，包括：

3、步骤s1，获取受灾区域洪灾发生前的第一数据、受灾区域洪灾发生后的第二数据以及所述受灾区域的数字高程模型数据；

4、步骤s2，对所述第一数据进行波段运算，得到第一背景图数据，对所述第二数据进行波段运算，得到第二背景图数据；

5、步骤s3，将所述第二背景图数据与所述第一背景图数据逐像素作差，得到差值图数据，并基于极化分解方法获取所述第二数据的水体极化置信度图，将所述差值图数据与所述水体极化置信度图进行融合，生成水体判定图数据；

6、步骤s4，根据所述第一背景图数据识别受灾区域洪灾发生前的常时水体区域，生成常时水体掩膜数据；

7、步骤s5，根据所述水体判定图数据与所述常时水体掩膜数据，提取洪灾淹没区，生成洪灾淹没区的初图数据；

8、步骤s6，利用所述数字高程模型数据，剔除所述洪灾淹没区的初图数据中的地形阴影区域，得到洪灾范围图数据。

9、进一步地，在步骤s2中，得到第一背景图数据与第二背景图数据，包括：

10、对所述第一数据进行波段运算，将其背景色设置为白色，得到第一背景图数据；

11、对所述第二数据进行波段运算，将其背景色设置为白色，得到第二背景图数据。

12、进一步地，在步骤s3中，生成水体判定图数据，包括：

13、逐像素计算第二背景图数据与第一背景图数据的灰度差值，并将所有灰度差值按照对应像素的位置组合成差值图数据；

14、采用滑动窗口局部统计与全局otsu方法融合，生成自适应第一阈值图；

15、将灰度差值大于所述第一阈值的像素判定为候选新增水体像素；

16、对候选新增水体像素施加邻域空间一致性约束，剔除邻域内新增水体比例小于预设比例的候选新增水体像素；

17、将保留的候选新增水体像素组合成水体判定图数据。

18、进一步地，在步骤s4中，生成常时水体掩膜数据，包括：

19、遍历所述第一背景图数据中的每个像素，将每个像素的灰度值与预设的第二阈值进行比对；

20、若所述灰度值小于所述第二阈值，则将该像素判定为常时水体像素；

21、将所有常时水体像素按照其空间位置组合成常时水体掩膜数据。

22、进一步地，在步骤s5中，生成洪灾淹没区的初图数据，包括：

23、将所述水体判定图数据与所述常时水体掩膜数据逐像素进行比对；

24、若某像素在水体判定图数据中被判定为新增水体像素，且在常时水体掩膜数据中未被标记为常时水体像素，则将该像素判定为洪灾淹没区像素；

25、将所有洪灾淹没区像素按照其空间位置组合成洪灾淹没区的初图数据。

26、进一步地，在步骤s6中，得到洪灾范围图数据，包括：

27、利用所述数字高程模型数据识别地形阴影区域，生成地形阴影掩膜数据；

28、将所述洪灾淹没区的初图数据与所述地形阴影掩膜数据逐像素进行比对；

29、若某像素在洪灾淹没区的初图数据中被判定为洪灾淹没区像素，且在所述地形阴影掩膜数据中未被标记为地形阴影像素，则将该像素判定为洪灾范围像素；

30、将所有洪灾范围像素按照其空间位置组合成洪灾范围图数据。

31、进一步地，利用所述数字高程模型数据剔除地形阴影区域，包括：

32、根据所述数字高程模型数据以及星载sar传感器的轨道参数，模拟生成sar灰度图像，并在所述sar灰度图像中识别叠掩、阴影和迎坡缩短区域；

33、将所述sar灰度图像与第二数据的灰度图像进行逐像素联合分析，仅当某一像素在所述sar灰度图像中被标记为阴影区域，且该像素在第二数据的灰度图像中的灰度值相对于其在所述sar灰度图像中对应位置的灰度值的增量小于预设的灰度回升阈值时，将该像素标记为地形阴影像素；

34、基于所述地形阴影区域生成所述地形阴影掩膜数据。

35、进一步地，还包括：

36、引入建筑分布先验数据，识别因建筑二次散射造成的水体内部高亮孔洞区域；

37、采用形态学闭运算对洪灾淹没区的初图数据进行预处理，闭合孔洞间隙；

38、以预处理后的淹没区边界为种子点，结合所述差值图数据中灰度差值小于所述自适应第一阈值图中对应像素位置的第一阈值的区域进行区域生长，修复孔洞内缺失像素。

39、进一步地，当所述第一数据与第二数据来自不同星载sar传感器或成像几何参数差异超过预设范围时，在步骤s2之前还包括：

40、在所述第一数据和第二数据中分别选取稳定不变地物样本集；

41、基于所述稳定不变地物样本集构建从第二数据到第一数据的灰度映射函数；

42、利用所述灰度映射函数对第二数据进行相对辐射归一化。

43、进一步地，还包括：

44、对所述洪灾范围图数据去除面积小于预设面积阈值的孤立像素块，并进行平滑滤波处理；

45、去除孤立像素块时，对每个面积小于预设面积阈值的连通域，计算其圆度或紧凑度特征，并利用所述数字高程模型数据判断该连通域是否位于局部洼地，若圆度大于预设圆度阈值且位于局部洼地，则判定为真实小型水体予以保留。

46、与现有技术相比，本发明的有益效果在于，本发明通过将灾前与灾后sar影像的背景色统一设置为白色后进行逐像素差分运算，使非有效观测区域的灰度值一致，避免了背景干扰造成的误判；同时白色背景与水体低灰度值形成强烈反差，显著提升了新增水体识别的敏感度和准确性，从而实现了高精度的洪灾淹没范围提取。

47、进一步地，本发明通过将洪灾前后sar影像的波段运算差值图与极化分解水体置信度图进行融合判定新增水体，并结合dem剔除地形阴影干扰，实现了在复杂地表环境下快速、自动化地提取洪灾淹没范围，显著提高了提取精度和时效性。该方法通过自适应阈值分割与邻域空间一致性约束有效抑制了孤立噪声点，避免了传统固定阈值方法在异质地表下的漏检与误检问题；同时利用dem模拟sar成像并识别地形阴影区域，剔除了因叠掩和阴影造成的伪变化信息，进一步提升了洪灾范围提取的可靠性。

48、进一步地，本发明通过采用基于已知常时水体区域的统计方法或自适应大津法来确定第二阈值，实现了对灾前影像中常时水体像素的准确判断，避免了人工设定固定阈值带来的主观偏差和区域适应性差的问题，从而生成准确可靠的常时水体掩膜数据，为后续精准剔除常时水体、提取真实洪灾淹没区奠定了坚实基础。

49、进一步地，本发明通过上述逐像素比对与逻辑判定，将所有被判定为洪灾淹没区的像素按照其空间位置组合成洪灾淹没区的初图数据。该初图数据同样为一幅二值化图像，用于指示本次洪灾所引发的初步淹没范围，排除了灾前常时水体的干扰，使得淹没区提取结果聚焦于洪灾造成的实际新增淹没区域，为后续基于数字高程模型数据剔除地形阴影干扰提供了准确的输入数据。

50、进一步地，本发明通过将洪灾前后sar影像的波段运算差值图与极化分解水体置信度图进行融合判定新增水体，并结合dem剔除地形阴影干扰，实现了在复杂地表环境下快速、自动化地提取洪灾淹没范围，显著提高了提取精度和时效性。该方法通过自适应阈值分割与邻域空间一致性约束有效抑制了孤立噪声点，避免了传统固定阈值方法在异质地表下的漏检与误检问题；通过模拟sar灰度图像与实际影像的联合分析，基于灰度回升阈值精确识别并剔除了地形阴影造成的伪变化信息，进一步提升了洪灾范围提取的可靠性；针对城市建筑密集区，通过引入建筑分布先验数据修复因二次散射造成的水体内部孔洞，使提取结果更加完整准确。

51、进一步地，本发明通过将洪灾前后sar影像的波段运算差值图与极化分解水体置信度图进行融合判定新增水体，并结合dem剔除地形阴影干扰，实现了复杂地表环境下洪灾范围的快速自动化提取，显著提高了精度与时效性。该方法采用自适应阈值分割与邻域空间一致性约束抑制孤立噪声，通过模拟sar灰度图像与实际影像联合分析精确识别并剔除地形阴影造成的伪变化信息。针对城区建筑密集区，引入建筑分布先验数据定位二次散射造成的水体内部孔洞，结合形态学闭运算与差值图约束的区域生长予以修复；当两期影像传感器或成像几何差异较大时，通过稳定地物样本构建灰度映射函数进行相对辐射归一化，消除系统性偏差；后处理阶段通过面积与圆度筛选并结合dem洼地判别，在剔除噪声的同时保护真实小型水体。