Extracción de edificios dañados por el terremoto
En los terremotos, el colapso (destrucción) de los edificios está directamente relacionado con la seguridad de la vida y la propiedad de las personas. Más del 80% de las víctimas en los terremotos son causadas por el colapso de los edificios. Es un símbolo importante de los terremotos. Por lo tanto, la extracción de información sobre edificios dañados por terremotos a partir de la detección remota siempre ha sido un tema candente en la investigación académica. Los académicos de varios países han realizado investigaciones en profundidad sobre la extracción de información sobre edificios dañados por terremotos. . A. Katartzis y H. Sahli et al. (2001) introdujeron un modelo de Markov basado en relaciones espaciales para resolver el problema del umbral minimizando la función de energía. El principio de este algoritmo es la segmentación de regiones basada en la extracción de bordes. no se puede combinar con líneas. Los edificios se extraen utilizando caras y relaciones contextuales. Stassopoulou et al. (2000) utilizaron un método que combina segmentación de múltiples escalas y segmentación de bordes basada en el operador Canny para segmentar la imagen y extraer características regionales (forma geométrica, atributos radiales, relaciones contextuales) y combinarlas con otras condiciones, en Las características de las casas se identifican y extraen con el apoyo de una red bayesiana. Para edificios con una forma similar a "H", Croitoru et al. (2004) propusieron un método de modelado para detectar edificios en imágenes mediante agrupación y luego usar la transformada de Hough para encontrar la dirección principal del edificio y buscar el límite del edificio. extrayendo así edificios con precisión. La mayor ventaja de este algoritmo es que introduce un método de modelado en la extracción de información de edificios y propone diferentes modelos según los diferentes tipos de edificios.
En China, Yang Yijun et al. (2002) encontraron que las áreas del techo son en su mayoría áreas conectadas con el mismo nivel de gris según las características de escala de grises de la imagen, mientras que el suelo alrededor del techo siempre tiene relativamente Áreas de escala de grises bajas en el área de sombra, se propone un método para extraer múltiples áreas conectadas con un área determinada y un valor de gris equivalente, es decir, Meng Yabin (2006) utilizó el método de agrupación de grises para mejorar la diferencia de gris. parte superior del edificio y el entorno circundante y contrasta, y extrae múltiples áreas conectadas con un área determinada y valores de gris similares, es decir, información del edificio. Meng Yabin (2006) utilizó un método de clasificación orientado a objetos para lograr la extracción semiautomática de tipos de edificios rectangulares y combinados rectangulares. Los resultados muestran que, a diferencia del método tradicional basado en características lineales, este método tiene en cuenta la información espectral, información contextual y correlación de edificios de diferentes escalas, eliminando la influencia e interferencia de otras características, de modo que el reconocimiento de edificios no es ya no se ve afectado por bordes y restricciones estructurales. Qiao Cheng, Luo Jiansheng et al. (2008) combinaron las características de las imágenes de detección remota de alta resolución y utilizaron un método orientado a objetos para proponer un método de segmentación multiescala "de abajo hacia arriba" (de pequeña a gran escala). Los resultados muestran que este método es superior al método tradicional de segmentación multiescala "de arriba hacia abajo" en términos de precisión de extracción, y es más preciso que el método tradicional de segmentación multiescala "de arriba hacia abajo". Los resultados muestran que, en comparación con el método tradicional de segmentación "de arriba hacia abajo", este método está más cerca de las características reales y la precisión de la extracción de características también mejora significativamente. Zeng Fanru, He Zhengwei et al. (2009) basándose en las imágenes de teledetección ALOS de la ciudad de Dujiangyan después del terremoto de Wenchuan, a partir de imágenes en escala de grises, extrajeron las características geomorfológicas de la ciudad de Dujiangyan después del terremoto de Wenchuan. (2009) partieron de las características en escala de grises de los edificios dañados por un terremoto, combinadas con características estadísticas regionales, e identificaron automáticamente los edificios dañados por un terremoto en la plataforma MATLAB. Los resultados mostraron que el uso de la rica información de textura y estructura de las imágenes ALOS y MATLAB en matemáticas. Morfología Con sus destacadas ventajas, puede extraer información de forma precisa y eficiente sobre edificios dañados por terremotos. Los resultados muestran que utilizando la rica información de la estructura de textura de las imágenes ALOS y las destacadas ventajas de MATLAB en morfología matemática, se puede extraer información sobre edificios dañados por terremotos de manera precisa y eficiente, lo que demuestra que es factible utilizar tecnología de detección remota para identificar automáticamente edificios dañados por terremotos. edificios, y puede proporcionar una base científica y confiable para una evaluación rápida de la información sobre los daños causados por los terremotos y las decisiones de socorro en casos de desastre.
Estrictamente hablando, la "vivienda temporal" no pertenece a la categoría de edificios dañados por terremotos, pero es una característica nueva provocada por los desastres sísmicos y está estrechamente relacionada con los edificios dañados por terremotos.
Este estudio tiene como objetivo extraer información sobre daños por terremotos mediante teledetección. Desde la perspectiva de la detección de cambios por teledetección, todavía se clasifica en la categoría de "edificios con daños por terremotos" como objeto de investigación.
Este estudio utiliza el método de "segmentación de área de múltiples niveles" para extraer información de edificios dañados por un terremoto, es decir:
Toda la información de edificios no dañados por un terremoto se somete a "multiplicación". "Segmentación de área a nivel", elimina toda la información del edificio no dañado capa por capa como fondo ambiental para formar una capa de máscara, y el resultado final de la segmentación es solo la imagen de información del edificio dañado por el terremoto, lo que no solo mejora la velocidad de procesamiento y ahorra tiempo (el fondo del edificio se puede usar como fondo del edificio), pero también mejora la velocidad y la eficiencia del procesamiento de la computadora y ahorra tiempo (el fondo se puede usar como fondo arquitectónico). Esto no solo puede mejorar la velocidad de procesamiento de la computadora y ahorrar tiempo (debido a que la información de fondo se elimina capa por capa, la velocidad de procesamiento de la computadora será cada vez más rápida, especialmente adecuada para la extracción de información de gran área), sino que también puede evitar operaciones engorrosas. de clasificación y extracción, mejorando Mejorar la eficiencia del trabajo. El proceso específico de este método se muestra en la Figura 4-39.
Figura 4-39 Proceso de extracción de información sobre edificios dañados basándose en elementos de la imagen
Primero, establezca el NDVI (Índice de vegetación de diferencia normalizada) en un umbral apropiado para excluir el agua y la vegetación. información. Después del análisis, aquellos con valores de NDVI inferiores a 0 son cuerpos de agua y aquellos con valores de NDVI superiores a 0,5 son vegetación verde. El resultado después de la primera segmentación (máscara) se muestra en la Figura 4-40. En segundo lugar, la imagen binaria de información sísmica obtenida en la sección anterior (Figura 4-25) y Figura 4-40 se segmenta por segunda vez (intersección mediante análisis de superposición) para eliminar información de fondo distinta a la información sísmica. Luego, basándose en la segunda segmentación, la imagen binaria del deslizamiento sísmico extraída (Figura 4-40) se utiliza para la tercera segmentación para eliminar la información del deslizamiento.
Figura 4-40 Imagen binaria después de eliminar agua y vegetación
Después de tres segmentaciones, todavía hay dos tipos de edificios dañados y casas temporales en la imagen, que deben diferenciarse. Dado que los techos de las casas temporales son azul verdosos, de color similar al de la vegetación verde, y su valor de índice NDVI es superior a 0,3, en la primera segmentación, para retener la información de estas casas temporales, se superó el umbral de segmentación de la vegetación verde. se establece en mayor que 0,5. Aquí se presenta el índice de vegetación mejorada (EVI), y su fórmula de cálculo es la siguiente (R es reflectancia):
Investigación sobre la extracción de información de teledetección de terrenos baldíos degradados
Las características de EVI es que no solo extrae información de vegetación verde sensible, sino también sensible a la información del cuerpo de agua (Hall, D.K., et al., 2002), utilizando esta función, podemos separar casas temporales y excluirlas. Esta característica permitió separar las casas temporales y eliminar la vegetación dispersa sin afectar los edificios dañados. Analice el histograma de la imagen EVI para determinar los umbrales de segmentación de casas temporales y vegetación dispersa respectivamente, y realice la cuarta segmentación para distinguir casas temporales (Figura 4-41) y edificios dañados por el terremoto (Figura 4-42).
Figura 4-41 Información extraída de viviendas temporales
Figura 4-42 Información extraída de edificios dañados por un terremoto