基于SIFT特征与SVM分类的地震灾情图像信息异常检测方法.docx

    基于SIFT特征与SVM分类的地震灾情图像信息异常检测方法    张莹 郭红梅 尹文刚 赵真 冉青 Summary：通过分析以往震后获取的图像信息发现，部分信息存在与地震发生时间不吻合、不属于地震影响范围或与地震灾情无关等异常通过将图像分类算法运用到震后灾情图像信息的异常检测中，提出了一种基于SIFT特征与SVM分类的地震灾情图像信息异常检测模型，以2013年芦山7.0级地震建筑物破坏灾情图像为例对模型进行验证结果表明：该模型对图像信息异常的检测效果较好，可进一步补充和完善地震应急救援的灾情信息源，为政府抗震救灾科学决策提供灾情信息支撑Key：地震灾情图像信息;异常检测;SIFT;SVM;芦山地震：P315.941   ：A   ：1000-0666（2019）02-0265-080 引言地震灾害作为一种突发性自然灾害，震后获取到的灾情信息是开展地震应急救援工作的基础（胡素平，帅向华，2012）受灾民众是地震灾害的目击者和直接参与者，对受灾情况比较清楚（刘文，2017），通过移动终端设备，利用微博、等社交网络平台不断向外界提供大量以文字、图像等为载体的灾情信息，是最直接有效的信息源。

在海量灾情信息中，图像相比文字等信息能更加快速、直观地反映灾区实际受灾情况（曹彦波等，2017，2018）但是，分析以往震后获取到的图像信息，发现部分图像信息存在与地震发生时间不吻合、不属于地震影响范围或与地震灾情无关等问题本文将图像分类算法运用到震后图像灾情信息的异常检测中，设定与地震发生时间不吻合、不属于地震影响范围或与地震灾情无关的图像信息为异常信息首先对获取地震事件有效图像信息量过程进行建模，预筛出与地震发生时间吻合且属于地震影响范围内的图像集，进一步判断与地震灾情相关的图像集然后构建基于尺度不变特征变换（Scale Invariant Feature Transform，简称SIFT）与以支持向量机（Support Vector Machne，簡称SVM）分类的地震灾情图像信息异常检测算法模型，并以2013年芦山7.0级地震建筑物破坏灾情图像为例对模型进行验证1 获取地震事件有效图像信息量过程建模  地震发生后，可从社交网络平台（Social Network Site，简称SNS）上获取海量与地震相关的图像信息资源，形成SNS图像池，将SNS图像池具体表示为：式中：P为SNS图像池的向量集;X为图像信息，共包含n行，表示该图像池共有n张图像，每一行为一条图像的基本信息;共包含m列，表示该图像池共有m类图像信息，如第一列为图像拍摄的时间信息，第二列为图像拍摄的位置信息等。

即SNS图像池的每张图像pi=（xi1，xi2，xi3，…，xim）都包含拍摄时间、位置等相对一致的信息量针对不同的地震事件ω，需对每张图像pi=（xi1，xi2，xi3，…，xim）进行筛选，提取所需的有效信息首先将图像的时间信息限定为地震发生以后，位置信息限定为地震影响范围内（根据地震烈度快速评估结果确定），根据ω限定向量值，基于网络辅助信息预筛选出和地震事件相关的新图像集P′，包含a张图像若图像集P′中存在与地震灾情无关的噪声信息，则需进一步通过图像信息异常检测筛选出与灾情相关的图像集P″，包含b张图像，且a≥b，直到满足设定的筛选条件为止即由在得到包含b张有效图像的图像集P″后，将图像集P″传递给地震应急指挥中心，应急指挥中心进一步从得到的b张图像中提取有效的信息量I（i1，i2，…，in），获取包含i1：被困人员情况;i2：人员伤亡情况;i3：建筑物破坏情况;i4：生命线工程破坏情况;i5：次生灾害情况;i6：灾区环境特征等灾情信息，最大化地利用不同信息辅助地震应急指挥中心进行决策，具体过程如图1所示第2期张 莹等：基于SIFT特征与SVM分类的地震灾情图像信息异常检测方法在整个有效图像信息量获取过程中，如何在预筛选出的图像集中进一步判断出与预设地震灾情密切相关的图像集是研究的重点和难点。

基于此，本文提出了一种基于SIFT特征与SVM分类的地震灾情图像信息异常检测模型2 地震灾情图像信息异常检测算法模型  图像信息异常检测算法的关键点在于自动进行图像标注，其难点在于计算机能从像素中提取的底层视觉特征和用户在特定情境下对图像内容的高层语义解读之间存在语义鸿沟（傅卫平等，2011）为消除语义鸿沟，需利用一组人工标注的训练数据在视觉特征和语义标签之间建立某种映射关系，再根据这种映射关系自动为待标注的图像添加相关标签目前较为有效的解决方案是通过SIFT将描述得到的图像特征加上以SVM为主的分类器本文将图像分类算法运用到地震灾情图像信息的异常检测中，提出基于SIFT特征与SVM分类的图像信息的异常检测算法模型，如图2所示2.1 基于SIFT的地震事件图像特征提取SIFT是图像处理领域的一种局部特征描述算法，该算法对图像的尺度缩放、平移、旋转变换，甚至亮度变化及仿射变换都具有相当的稳健性，适用于海量数据库中的快速精准匹配（汪松，2013）本文将SIFT算法应用于地震灾情图像的识别和特征提取中，重点识别提取被困人员情况、人员伤亡情况、建筑物破坏情况、生命线工程破坏情况、次生灾害情况等灾情信息特征。

为实现算法的训练，收集了大量已标注为地震灾情信息的图像，针对每张地震灾情图像，通过以下4个步骤采用SIFT进行特征提取：（1）尺度空间极值检测式中：k为相邻两个尺度空间倍数的常数为检测D（x，y，σ）的局部极值点，需将DOG尺度空间每个点与其相邻尺度和相邻位置的26个点逐个进行比较，如图3所示若像素（x， y）是一个可能的SIFT关键点，则它必须在周围26个近邻像素点中是极值点，所有的局部极值点构成一个SIFT候选关键点的集合2）关键点定位通过尺度空间极值检测得到地震灾情图像的所有候选关键点，但还需通过两步检测才能确定关键点：首先关键点必须与周围的像素有明显的差异，即需要剔除对比度低的关键点;其次DOG算子有较强的边缘响应，需删除不稳定的边缘响应点3）关键点大小和方向匹配在完成关键点定位后，为使DOG算子具备旋转不变性，采用梯度直方图确定关键点的主方向，像素点（x， y）处梯度的模值和方向的计算公式（完文韬，杨成禹，2018）为：对于地震灾情图像的各关键点，模值的峰值代表该关键点处领域梯度的主方向，将其作为该关键点的方向依次为每个关键点指定方向参数，使得DOG算子具备旋转不变性4）输出SIFT描述符为确保旋转不变性，将坐标轴旋转为关键点的方向。

以一个关键点为中心，取N×N的窗口，再将窗口切成M×M的子窗口（M     2.2 基于Kmeans聚类算法的地震事件图像标签库  由SIFT算法提取后的每张地震灾情图像都是大量SIFT关键点的集合，每一个关键点都是一个多维的特征向量，描述着图像中物体的某一部分特征信息，如人、建筑物、生命线工程特征等但每张图像经过SIFT算法所产生的关键点个数不尽相同，不便于计算机对灾情图像的自动识别和判断，因此本文采用Kmeans聚类算法对SIFT特征进行聚类，将关键点的特征向量做分类处理SIFT特征向量X到第i个聚类中心的欧氏距离（崔红艳，曹建芳，2016）为：式中：xj是向量X的第j维;kij是第i个聚类中心的第j维利用Kmeans算法进行多次迭代计算得到k个聚类中心，k值可通过多次试验进行选取测试，最终结合聚类速度和分类精度综合考虑后确定（任恒怡等，2017）若输入的地震灾情图像有n个SIFT关键点，则需统计这n个关键点在k个聚类中心的分布情况，从而形成图像对应的特征向量特征向量第j维的计算公式为（杨松等，2016）：式中：Sij取值为0或1，取1时表示第i个SIFT关键点属于第j个聚类中心通过上述算法可将一张具有n个SIFT关键点的图像转化成一个k维特征向量，表示该图像的分类特征，经过对大量已标注的地震灾情图像的训练，得到地震灾情异常图像特征向量标签库，作为进行SVM分类的基础。

2.3 基于SVM的图像分类SVM是解决小样本、非线性识别的一种二分类器算法（李红丽等，2018），主要通过各单一数据的特征向量判断其标签，以此来确定样本的类别，获得良好的分类效果本文分“离线图像训练”和“图像判别”两部分进行地震灾情图像分类处理，如图4所示首先，在本地采集历史地震灾情图像和与灾情无关的图像，对采集的离线图像做SIFT图像特征提取和Kmeans特征聚类，整合出地震灾情异常图像标签库，对标签库进行学习训练，形成异常图像SVM分类器集合然后在社交网络平台采集图像，通过将图像的时间信息限定为地震发生后，位置信息限定为地震影响范围内，预筛选出和地震事件相关的图像，进行SIFT图像特征提取和Kmeans特征聚类，最后利用异常图像SVM分类器对其进行判别，输出与地震灾情相关的有效图像，剔除无关的异常图像2.4 模型应用场景基于SIFT特征与SVM分类的图像信息异常检测算法模型在地震事件中的应用场景如图5所示地震发生后，从微博、等社交网络平台，获取海量受灾民众通过手持移动通讯设备发送的相关图像信息资源，基于SIFT特征与SVM分类的地震灾情图像信息异常检测算法模型，筛选出包含被困人员情况、人员伤亡情况、建筑物破坏情况、生命线工程破坏情况、次生灾害情况、灾区环境特征等灾情信息在内的图像，将其传递给地震应急指挥中心，完善地震应急救援的灾情信息源，为科学制定应急方案提供有效支撑。

3 芦山7.0级地震建筑物破坏灾情图像异常检测   以2013年芦山7.0级地震建筑物破坏灾情图像为例，从地震灾情数据库中收集80张地震灾情图像，从本地收集110张与地震灾情无关的图像，进行离线图像训练，形成异常图像SVM分类器集合从微博、、新闻网站等网络平台收集到95张地震灾情图像和122张与地震灾情无关的图像根据图像属性信息，应用C#的PropertyItem类提取拍摄时间及位置，存放在PohtoStore图像集中：再以时间信息DATE在2013年4月20日8时2分之后，位置信息LATITUDE、LONGITUDE到震中的距离不超过117 km（根据芦山地震烈度快速评估结果确定）为筛选条件，从PohtoStore图像集预筛选出和芦山地震事件相关的图像共205张，其中的92张为地震灾情图像，113张为与地震灾情无关的图像用通过预筛选的图像对异常图像SVM分类器集合训练效果进行检验在MATLAB环境下完成训练和分类过程，将190张离线图像和205张通过预筛选的图像分为训练集V和测试集T在训练集V中，地震建筑物破坏灾情图像的集合为V1，与地震建筑物破坏灾情无关图像的集合为V2;在测试集T中，地震建筑物破坏灾情图像的集合为T1，与地震建筑物破坏灾情无关图像的集合为T2，分类结果如表1所示。

分析建筑物破坏图像特征主要包括：（1）几何特征：建筑物虽然外形各不相同，但作为一种相对规则的人工地物，实际大多为矩形或由矩形组合构成的多直角形状，相邻边缘相垂直，排列较规整在地震中建筑物发生不同程度的破坏后，边缘轮廓倾斜错落，其结构和排列呈现出非规则性和紊乱性等特点2）灰度特征：建筑物边缘及不同建筑物连接处的灰度变化较大，而建筑物内部灰度值相對较均匀，灰度分布离散性明显建筑物破坏引起表面反射率发生变化，图像灰度值增加，分布离散性减弱3）拓扑关系特征：建筑物作为面状地物，具有多边形的拓扑特征，可用链状独立编码表达拓扑关系建筑物破坏后，多边形出现断边，拓扑关系链状编码的独立性受到影响，相互间的交互增多根据上 从表3可知，应用SIFT特征与SVM分类的地震灾情图像信息异常检测算法模型对芦山7.0级地震建筑物破坏灾情图像信息进行异常检测的效果较好，该算法模型。