[发明专利]基于超像素特征的渠道边坡破坏智能识别方法

权利要求书

1.一种基于超像素特征的渠道边坡破坏智能识别方法，其特征在于：包含SLIC超像素分割、超像素特征向量选取和设计、超像素SVM分类模型训练、图像整体边坡状态判别四个步骤，具体操作方法如下：

步骤一：SLIC超像素分割

利用无人机航拍图像，搜集构建渠道边坡状态的样本数据集，对于搜集到的渠道边坡破坏图像数据集，包括训练集和测试集，进行SLIC超像素分割，把一幅像素级的图像划分成区域级的图像，对每个超像素的正常/破坏类型进行标注；

步骤二：超像素特征向量选取

根据渠道表层混凝土衬砌表现出来的特点，采用能够表征区分正常衬砌和破坏衬砌的超像素纹理和颜色特征向量，包括LBP、EHD、HSV空间颜色直方图，上述特征向量作为后续SVM模型训练的输入选项；

步骤三：超像素SVM分类模型训练

利用无人机航拍图像搜集到的渠道边坡状态的训练数据集，以步骤二选取的特征向量为输入，超像素所反映的边坡状态为输出训练SVM二元分类模型，构建训练数据集时，按上述备选特征向量，对图像分割得到的超像素进行特征提取，并标注每个超像素的类型标签，在构建得到的训练数据集上，采用支持向量机训练便可得到边坡状态的超像素分类模型，单个特征向量组合包括“LBP”、“EHD”、“HSV”、“LBP+EHD”、“LBP+HSV”、“EHD+HSV”、“LBP+EHD+HSV”，其中，“LBP+HSV”为最优的特征向量组合，在该特征向量组合下，当模型的超参数取kernel＝“rbf”，C＝100，gamma＝0.9时，训练得到的模型在测试集上的预测精度最高；

步骤四：图像整体边坡状态判别

以训练得到的模型，对图像中超像素所反映的局部边坡区域是否发生破坏进行判断，具体方法步骤如下：

⑴统计测试集上所有“破坏”图像和“正常”图像被超像素分类模型分类为“破坏”的超像素个数分布，用Si(i＝1,2,……,N)表示某个具体的超像素，用Classifier_SVM(x)表示其超像素分类结果，其定义为

⑵根据统计结果，确定可将两类图像完全区分开的阈值th，当图像中被SVM模型识别为破坏状态的超像素个数超过阈值th时，认为图像中存在边坡破坏的可能性远大于正常状态；

⑶对考察的图像统计其超像素分类结果，当式(1-2)成立时，判断图像中发生了边坡破坏；否则，认为渠道边坡处于正常安全状态。

2.根据权利要求1所述的一种基于超像素特征的渠道边坡破坏智能识别方法，其特征在于：所述的SLIC超像素分割算法的具体步骤如下：

(1)初始化种子点，根据预设的目标超像素个数，在图像上按等间隔步长设置种子点，假设待分析图像共有N个像素组成，欲得到的超像素个数为K，则初始化的每个超像素区域面积为N/K，相邻种子点间的间隔步长为

(2)优化初始种子点，以初始化生成的种子点为中心，计算其3×3邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方；

(3)图像像素K-means聚类，以(2)中优化后的初始种子点为初始聚类中心，对待分析图像上的所有像素点进行K-means聚类，为加快收敛速度，此处聚类的搜索范围仅限制在聚类中心周边的2S×2S区域内，聚类所依据的距离度量由式(6.1)～式(6.3)确定：

其中，d_c和d_s分别为颜色距离和空间距离，D为最终的距离度量；l、a、b分别为Lab颜色空间的三个通道值，x、y为图像像素位置坐标，i、j分别代表种子像素和待聚类像素；m为一固定常数，取值范围为[1,40]，一般取10；S如前所述，为种子间隔步长，其值

3.根据权利要求1所述的一种基于超像素特征的渠道边坡破坏智能识别方法，其特征在于：SLIC算法运行时需要设置超像素数量和紧密度两个参数，选定参数对所有图像进行SLIC超像素分割后，再对每个超像素的正常/破坏类型进行标注，在输水期，图像内除了正常或破坏边坡衬砌外，还存在水体，把水体视为正常标签，即除了破坏的边坡衬砌被标注为“破坏”外，水体和正常的边坡衬砌均被标注为“正常”。

4.根据权利要求1所述的一种基于超像素特征的渠道边坡破坏智能识别方法，其特征在于：HSV空间颜色直方图是基于衬砌正常和破坏状态下超像素区域的HSV色彩空间的不同特征而提出的，其特征向量的构成如下：

{S_hist_cur，V_hist_cur，S_hist_adj，V_hist_adj}

式中，S_hist_cur和V_hist_cur分别为当前超像素S通道直方图和V通道直方图；S_hist_adj和V_hist_adj则分别为与当前超像素相邻的所有超像素构成区域的S通道直方图和V通道直方图。