1.一种基于改进遥感图像特征匹配算法的洪涝灾害评估方法,其特征在于,包括如下步骤:S1:通过无人机采集同一区域不同受灾时间的图像,将洪灾发生之前拍摄的图像确定为模板图像,灾害中期和后期的图像确定为变换图像;
S2:根据采集到的两类遥感图像,进行SURF特征点检测;
S3:用BRIEF特征描述子对检测出的特征点进行描述,同时判断受自然环境影响下,灾害图像被加入噪声后,描述子对于尺度和光照的鲁棒性;
S4:对于模板图像与变换图像,选择改进的SURF算法作特征点匹配;
S5:对比重合的特征点数,在遥感图像上自动提取淹没区范围,精确识别洪涝面积变化,根据匹配结果,量化洪涝灾害程度;
所述S2中SURF特征点检测的具体步骤为:
S21:构建Hessian矩阵,对灾害图像中的每个像素点计算出一个Hessian矩阵;
S22:根据生成的多幅Hessian行列式图像,构建图像金字塔;
S23:特征点定位,对不同特征点进行强度大小的比较,选择最大值或最小值点当作初步确定的关键点;
S24:通过Haar小波响应的计算来确定特征点主方向分配;
所述S21中具体操作为:
S211:对于无人机拍摄的洪灾图像,所检测的特征点需要具有尺度无关性,旋转不变性和视角不变性,因此在构造Hessian矩阵之前,首先进行高斯滤波,利用高斯核G(t)与图像函数I(x)在点x处的卷积实现,公式为:L(x,t)=G(t)·I(x,t)
其中,L(x,t)是一幅图像在不同解析度下的表示,·表示卷积运算,t为高斯方差;
S212:由于离散的像素点是用模板卷积形成的,为了提升洪涝灾害环境下紧急评估的速度,将求Hessian之前的高斯平滑和求二阶导数这两个步骤合二为一,使用盒子滤波器近似代替,并使用积分图像求值;
S213:通过Hessian矩阵判别式的正负值来判断该点是否为极值点,其判别式为:det(H
其中,D
所述S22中图像金字塔的构建分为两部分:
S221:对图像作不同尺度的高斯模糊;
S222:对图像作降采样;
增大模板图像大小并进行点采样计算,等同于实现对图像进行下采样并改变模板尺度的大小,从而节省降采样过程,提高应急评估速度;
所述S24中Haar小波响应的计算公式为:
由于Haar特征值反应的是图像灰度变化的情况,那么这个主方向就是描述那些灰度变化剧烈的区域方向,也就是发生洪水灾害的区域方向;
所述S3中对于特征点描述的具体操作为:
特征点一旦检测出来,选用有效的特征描述子来进行表示,对于每一个特征点,利用其周围邻域内4S*4S内随机选取的n个点对生成其相对应的描述子,S为特征点所在的尺度因子,使其描述子为长度为n的二进制码串;记录特征点的位置、尺度、方向信息及二进制比较信息作为特征点的描述子,将这些点(x使用主方向θ计算邻域旋转矩阵R
并旋转A以获得旋转版本A
由于无人机采集的洪涝灾害图像需要监测多个时段同一地区的变化情况,并且变化前后的图像分别会受到噪声的影响,其在视觉上的直观感受是光照和尺度的变化;噪声的线性变化描述为以下几种:灰度上尺度的变化:
灰度产生增量:
同时发生尺度和增量变化:
其中,u表示原图RGB,C表示变化后的图像RGB,o1为增量,a为变化尺度。
2.根据权利要求1所述的一种基于改进遥感图像特征匹配算法的洪涝灾害评估方法,其特征在于,所述S4的操作步骤如下:S41:利用FLANN对二进制描述子进行匹配;
S42:利用汉明距离筛选错误匹配,选择已经匹配的点对的汉明距离小于最小距离的两倍作为判断依据,如果小于该值则认为是一个错误的匹配,过滤掉;大于该值则认为是一个正确的匹配;汉明距离的公式为:d(x,y)=∑x[i]⊕y[i]
其中,i=0,1,..n-1,x,y都是n位的编码,⊕表示异或。
3.根据权利要求2所述的一种基于改进遥感图像特征匹配算法的洪涝灾害评估方法,其特征在于,所述S5的操作为:分别对模板图像和变换图像检测到的所有特征点进行全连接,其连线结果的最大区域即为洪涝灾害淹没区范围,由于模板图像代表洪灾发生之前的图像,因此从模板图像开始,按照时间顺序,依次记录之后的变换图像中的洪涝灾害淹没区范围,并计算面积,通过面积的数值变化,观察淹没区的范围变化,若范围扩大,需及时向上报送,同时划定灾害综合风险区并进行预警。