(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211059361.4 (22)申请日 2022.09.01 (65)同一申请的已公布的文献号 申请公布号 CN 115236655 A (43)申请公布日 2022.10.25 (73)专利权人 成都理工大 学 地址 610059 四川省成 都市成华区二仙桥 东三路1号 (72)发明人 戴可人　许强　梁茹冰　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 韩雪梅 (51)Int.Cl. G01S 13/86(2006.01) G01S 13/90(2006.01) G01S 7/41(2006.01) G06V 10/80(2022.01) (56)对比文件 CN 104951789 A,2015.09.3 0CN 108168526 A,2018.0 6.15 CN 103208001 A,2013.07.17 CN 112307901 A,2021.02.02 CN 113191374 A,2021.07.3 0 CN 103675812 A,2014.0 3.26 CN 103869296 A,2014.0 6.18 CN 114252509 A,202 2.03.29 CN 105957311 A,2016.09.21 CN 101976 357 A,201 1.02.16 CN 114494282 A,202 2.05.13 CN 108459318 A,2018.08.28 CN 114463643 A,202 2.05.10 JP 2009211344 A,2009.09.17 US 2020096628 A1,2020.0 3.26 CN 105808936 A,2016.07.27 (续) 审查员 傅磊 (54)发明名称 基于全极化SAR的滑坡识别方法、 系统、 设备 及介质 (57)摘要 本发明公开了一种基于全极化SAR的滑坡识 别方法、 系统、 设备及介质， 涉及滑坡识别技术领 域。 该方法主要包括： 将目标全极化合成孔径雷 达数据分别与 目标光学遥感数据和目标数字高 程模型数据进行配准， 得到第一配准结果和第二 配准结果； 根据配准结果确定目标区域的极化特 征、 分解特征和地形特征； 根据目标全极化合成 孔径雷达数据确定目标区域的纹理特征和色调 特征； 根据目标光学遥感数据确定目标区域的光 谱特征； 将上述多维特征进行融合； 将目标融合 特征输入至滑坡体识别模型中进行滑坡体识别， 确定目标区域中的滑坡区域。 本发 明能够提高滑 坡识别的准确性和滑坡识别效率， 实现在地震发 生后及时获取同震滑坡灾害信息 。 [转续页] 权利要求书4页 说明书10页 附图3页 CN 115236655 B 2022.12.20 CN 115236655 B (56)对比文件 Wen Liu.Detecti on of landsl ides due to the 2013 Thypo on Wipha from high - resolution airborne SAR ima ges. 《2015 IE EE Internati onal Geoscience and Remote Sensing Symposium》 .2015,第424 4-4245页. Keren Dai.Mo nitoring activity at the Daguangbao meg a-landsl ide (China) using Sentinel-1 TOP S time series interferometry. 《Remote Sensi ng of Environment》 .2016,第5 01-510页. 王兴玲.基 于Bayes决策的机载全极化SAR图 像滑坡信息提取. 《国土资源遥感》 .2014,第121- 127页. 许强.滑坡隐患类型与对应识别方法. 《武汉 大学学报 信息科 学版》 .202 2,第377-383页.2/2 页 2[接上页] CN 115236655 B1.一种基于全极化SAR的滑坡识别方法， 其特 征在于， 包括： 获取目标区域的目标全极化合成孔径雷达数据、 目标光学遥感数据和目标数字高程模 型数据； 将所述目标全极化合成孔径雷达数据分别与所述目标光学遥感数据以及所述目标数 字高程模型 数据进行配准， 得到第一配准结果和第二配准结果； 根据所述第一配准结果确定所述目标区域的极化特 征； 根据所述极化特 征确定所述目标区域的分解特 征； 根据所述第二配准结果确定所述目标区域的地形 特征； 根据所述目标全极化 合成孔径雷达数据确定所述目标区域的纹 理特征和色调特 征； 根据所述目标光学遥感数据确定所述目标区域的光谱特 征； 将所述纹理特征、 所述色调特征、 所述光谱特征、 所述极化特征、 所述分解特征和所述 地形特征进行融合， 得到所述目标区域的目标融合特 征； 将所述目标融合特征输入至滑坡体识别模型中进行滑坡体识别， 确定所述目标区域中 的滑坡区域； 所述滑坡体识别模型的构建过程包括： 获取样本数据集； 所述样本数据集包括多个已标注滑坡区域的样本区域的样本全极化 合成孔径雷达数据、 样本光学遥感数据和样本数字高程模型 数据； 根据所述样本全极化合成孔径雷达数据、 所述样本光学遥感数据和所述样本数字 高程 模型数据确定每 个所述样本区域对应的样本融合特 征； 采用所述样本融合特 征对支持向量机模型进行训练， 得到滑坡体识别模型； 对于给定的一个训练样 本xl= （x’ i1,x’ i2,...,x’ ij）T， 其中， 上标T表示转置； i表 示PolSAR 影像的彩色合成图像中像素的行号， j表示PolSAR影像的彩色合成图像中像素的列号； x’ ij 表示PolSAR影像的彩色合成图像中第i行第j列像素的RGB值， x’ i1表示第i行第1列像素的 RGB值，x’ i2表示第i行第2列像素的RGB值； l表示训练样 本的下标， 假设共有n个训练样 本； 设 定yl= （‑1,1） 为第 l个训练样本对应的样本分类标签， 其中， yl=1表示第 l个训练样本为滑坡 样本，yl=‑1表示第l个训练样本为非滑坡样本； C为惩罚系数， ξ= （ ξ1， ξ2，···， ξn） 为松弛 变量， 其中， ξ1表示第1重视群， ξ2表示第2重视群， ξ3表示第3重视群， 以此类推， ξn表示第n重 视群， 重视群越靠后表示因子越不受重 视； 全极化SAR影 像中滑坡体识别等 价于求解方程： ； ； 其中，l表示训练样本的序号； n为训练样本的总数； ξl表示第l重视群；ω为支持向量机 所寻求的超平面的斜率， b为支持向量机所寻求的超平面的截距， 支持向量机所寻求的超平 面表示为ωx+b； 支持向量机的判别函数为： ； 其中， K （·） 是满足Mercer条件的核函数； ω0和b0分别为第0个超平面的斜率和截距， x1 表示第1个训练样本， xl表示第l个训练样本， yl表示第l个训练样本对应的样本分类标签。权　利　要　求　书 1/4 页 2 CN 115236655 B 3