EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 12: 2448 - 2457

DOI: https://doi.org/10.12082/dqxxkx.2022.220376

Ground Fissure Extraction Method based on Improved Active Contour Model for UAV Images in Mining Areas

  • HAO Ming , 1, 2 ,
  • LIN Huijing , 2, * ,
  • GAO Yanyan 3
Expand
  • 1. Jiangsu Key Laboratory of Resources and Environmental Information Engineering, China University of Mining and Technology, Xuzhou 221116, China
  • 2. School of Environment and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China
  • 3. Piesat Information Technology Company Limited, Wuhan 430010, China
*LIN Huijing, E-mail:

Received date: 2022-06-02

  Revised date: 2022-07-29

  Online published: 2023-02-25

Supported by

Fundamental Research Funds for the Central Universities(2021YCPY0113)

National Natural Science Foundation of China(42271368)

National Natural Science Foundation of China(41701504)

Fold

Abstract

Accurate identification of ground fissures in mining areas is significant for disaster prevention, mitigation, and ecological environment restoration. In this study, a ground fissure extraction method is proposed based on the improved active contour model for UAV images in mining areas, aiming at accurately extracting ground fissures from high-resolution UAV images. Firstly, the Otsu algorithm was used to calculate the background and initial values of ground fissures as prior knowledge. Secondly, the extraction energy functions of the background and initial values of ground fissures were constructed and introduced into the traditional CV active contour model to enhance the pertinence of ground fissures extraction. Finally, ground fissures were extracted through the continuous evolution of the contour. Based on UAV images obtained in Dalai Nurg mining area, Inner Mongolia, the improved active contour model was used to extract ground fractures, and compared with traditional Canny edge detection algorithm, Support Vector Machine (SVM), Maximum Likelihood Method (MLM), and traditional CV active contour model methods for analysis and accuracy evaluation. The results show that the traditional Canny edge detection algorithm and traditional CV active contour model had the poor extraction in a small area with a single type of land cover. The improved active contour model, SVM, and MLM had achieved good results, and the improved active contour model method had the highest accuracy. In addition, in a large area with relatively complex land cover types, the traditional methods such as Canny edge detection algorithm, SVM, MLM, and CV active contour model had many omissions and errors, and the kappa coefficient was lower than 0.7. However, the improved active contour method still achieved better results, and the Kappa coefficient was about 0.9. Therefore, the proposed method could effectively improve the accuracy and stability of ground fissure extraction by introducing prior knowledge.

Key words： ground fissure; Otsu algorithm; prior knowledge; active contour model; UAV images; mining area; land cover types; stability

Cite this article

HAO Ming , LIN Huijing , GAO Yanyan . Ground Fissure Extraction Method based on Improved Active Contour Model for UAV Images in Mining Areas[J]. Journal of Geo-information Science, 2022 , 24(12) : 2448 -2457 . DOI: 10.12082/dqxxkx.2022.220376

1 引言

煤炭开采虽然可以缓解能源压力、带来巨大的经济效益，但也会使得矿区生态系统结构改变、阻断生态过程，从而导致生态功能退化、生态稳定性减弱[1]，对区域协调发展产生不利影响，并对建筑物、交通路线等造成破坏[2-3]，严重威胁着人们的生命安全[4-5]。其中，煤炭开采后对生态环境影响最突出的现象就是产生的地表裂缝，也称为采动裂缝，是主要环境地质问题之一[6]。因此，准确识别地表裂缝、及时采取修复措施对于避免灾害发生、减少经济损失、保护生态环境等方面具有重要的现实意义。
目前，针对大型地裂缝通常采用物探技术进行人工探测，但费时费力、成本高，并且无法大范围监测细小裂缝[7]。卫星遥感技术具有覆盖范围广、光谱信息丰富、容易获取等优势，可以进行大范围地裂缝探测。周英杰等[8]利用WV1、WV2等高分辨率卫星数据获得了山东省金属矿区采空地面裂缝的现状和发展趋势。汪宝存[9]利用SAR数据通过分析地面沉降坡度识别地裂缝。张兴航等[10]利用GeoEye影像获取光谱、几何等地表裂缝特征，提出了一种基于对象的地裂缝提取方法。然而，由于卫星遥感影像在时效性和空间分辨率等方面的不足，难以识别细小裂缝造成大量的误检和漏检，并且不能及时反映开采矿区内地裂缝的动态发育特征[11]。随着无人机（UAV）技术的发展，无人机数据具有获取方便、成本低、精度高等优势，其分辨率可以达到厘米级，利用无人机影像可以实现地表裂缝的精细探测[12]。高分辨率的矿区无人机影像地物信息丰富，Canny边缘检测算法易提取边缘特征明显的地物，无法区分非地裂缝信息；支持向量机（SVM）和最大似然（MLM）虽能完整提取地裂缝，但噪声较多，无法满足精度要求[13-14]。Stumpf等[15]利用无人机影像结合一阶高斯差分的匹配滤波（MF-FDOG）算法提取山体裂缝。Jia等[16]基于无人机影像提出了一种改进的MF-FDOG算法提取黄土高原地区的细小裂缝，取得了较好的效果，但对非线性分布的裂缝提取效果较差。王臻等[7]提出一种深度学习模型，基于无人机影像自动提取地裂缝，但需要大量不同类型的地裂缝样本数据。
综上所述，虽然无人机影像具有超高分辨率、地物细节丰富的特性，但用于矿区地裂缝提取时易受矿区地物复杂因素影响，导致传统方法地裂缝提取结果存在噪声较多的问题。为实现基于高分辨率无人机影像的矿区地裂缝精准识别，本文通过Otsu算法计算背景和地裂缝最佳阈值，再将二者作为先验知识引入到传统主动轮廓模型形成改进的主动模型，从而增强主动轮廓模型提取地裂缝的针对性，并通过实验验证了提出方法的有效性。

2 研究方法

地裂缝在无人机影像中通常呈暗色调且与背景区域的灰度值差异较大，最大类间方差（Otsu）算法可初步确定背景和地裂缝区域的灰度值。传统Chan-Vese（CV）主动轮廓模型对背景复杂的矿区影像提取地裂缝效果较差，将Otsu算法初步确定的背景和地裂缝区域灰度值作为能量项引入到模型中可有效排除地裂缝以外的线状、带状地物，从而增强改进主动轮廓模型提取地裂缝的针对性和有效性。本文提出的方法流程图如图1所示。首先，采用Otsu算法自动计算无人机影像的最佳高、低阈值分别作为背景初值和地裂缝初值，其中高阈值为低阈值的2倍[21]，并将这两部分的区分能量引入到传统CV主动轮廓模型函数中，通过连续迭代的方式提取地裂缝。将目视解译识别的地裂缝作为评判地裂缝提取算法精度的地面参考数据[22]，对比改进主动轮廓模型方法和传统的Canny边缘检测算法、SVM、MLM和传统CV主动轮廓模型5种方法提取地裂缝的结果，最后利用Kappa系数、漏检率、误检率和总错误率等指标评价各种方法提取地裂缝结果的精度。
图1 地裂缝提取技术路线

Fig. 1 Flowchart of ground fissure extraction

2.1 Otsu算法确定初值

最大类间方差算法是一种自动确定阈值的方法，它可以根据图像的灰度特征自适应地将图像划分为背景和目标2部分，这时背景和目标间的类间方差将会达到最大，该方法在1979年被日本学者大津提出，所以也被称为大津算法[23]。最大类间方差算法被认为是图像阈值分割算法中最经典的算法，运算简单方便，不受图像亮度和对比度影响，在图像处理等领域得到了广泛应用。
假设一幅灰度图像I的大小为 M × N，背景和目标的分割阈值为T，图像I中像素灰度值小于阈值T的像素（目标）个数为 N 0，平均灰度为 μ 0；图像I中像素灰度值大于阈值T的像素（背景）个数为 N 1，平均灰度为 μ 1。则目标和背景像素点数占整幅图像的比例分别为 ω 0和 ω 1，其计算公式如式（1）和式（2）所示。图像的总平均灰度 μ的表达如式（3）所示。则类间方差g为式（4）所示。将式（3）代入式（4），得到等价式（5）。
ω 0 = N 0 / M × N
ω 1 = N 1 / M × N
μ = ω 0 × μ 0 + ω 1 × μ 1
g = ω 0 ( μ 0 - μ ) 2 + ω 1 ( μ 1 - μ ) 2
g = ω 0 ω 1 ( μ 0 - μ 1 ) 2
由于影像上地裂缝构造差异较大、检测区域环境复杂多样，采用固定的阈值检测不同的影像，其地裂缝提取精度无法满足需求。Otsu算法能根据影像的特征自动计算最佳高、低阈值作为地裂缝提取的先验知识引入到改进的主动轮廓模型中，减少人为提取阈值造成的误差，提高地裂缝提取的稳定性。故本文采取遍历的方法得到类间方差最大时的阈值T，即为所求高阈值（背景区），然后按照2倍关系计算低阈值（裂缝区），将其作为初值添加到改进的主动轮廓模型中，通过连续迭代的方式提取地裂缝。

2.2 改进的主动轮廓模型

传统CV主动轮廓模型由Chan和Vese在2001年提出[24]。它是一个典型的区域主动轮廓模型，具体函数表达如式（6）所示。传统CV主动轮廓模型常用来提取线状目标，虽然能够很好地适应演化曲线中的拓扑变化，但它对初始化轮廓很敏感，不同的初始化轮廓会导致不同的分割结果，并且对灰度不均匀的图像分割效果较差[25]。本文对传统CV主动轮廓模型进行了改进，通过Otsu算法计算背景区和裂缝区的初值，并将这两部分的区分能量引入到传统CV主动轮廓模型中，则改进主动轮廓模型如式（7）所示。
E ( C ) = μ L e n g t h ( C ) + ν A r e a ( I n ( C ) ) + λ 1 ∫ i n ( C ) | I ( x , y ) - c 1 | 2 d x d y + λ 2 ∫ o u t ( C ) | I ( x , y ) - c 2 | 2 d x d y
E ( C ) = μ L e n g t h ( C ) + ν A r e a ( I n ( C ) ) + λ 1 ∫ i n ( C ) | I ( x , y ) - c 1 | 2 d x d y + λ 2 ∫ o u t ( C ) | I ( x , y ) - c 2 | 2 d x d y + ∫ i n ( C ) | I ( x , y ) - c 3 | 2 d x d y + ∫ o u t ( C ) | I ( x , y ) - c 4 | 2 d x d y
式中： L e n g t h ( C )表示曲线C的长度； μ表示长度参数； A r e a ( I n ( C ) )表示曲线C内部的面积； ν表示面积参数； I ( x , y )表示图像中任意像素的灰度； i n ( C )表示曲线C内部区域； o u t ( C )表示曲线C外部区域； c 1表示曲线C内部的平均灰度； c 2表示曲线C外部的平均灰度； c 3表示背景区的平均灰度； c 4表示裂缝区的平均灰度。 λ 1和 λ 2是常数， λ 1 > 0 , λ 2 > 0，通常， λ 1 = λ 2 = 1 , ν = 0。
采用Osher和Sethian提出的水平集方法用于求解该函数。C为轮廓演化曲线，用水平集函数 φ代替式（7）中的曲线C，则被重写为式（8）。
E ( φ ) = μ E 1 + E 2 + E 3 + E 4 + E 5 E 1 = L e n g t h ( φ = 0 ) = ∫ Ω | ∇ H ( φ ) | d x d y = ∫ Ω δ ( φ ) | ∇ φ | d x d y E 2 = ∫ Ω | I ( x , y ) - c 1 | 2 H ( φ ) d x d y E 3 = ∫ Ω | I ( x , y ) - c 2 | 2 ( 1 - H ( φ ) ) d x d y E 4 = ∫ Ω | I ( x , y ) - c 3 | 2 H ( φ ) d x d y E 5 = ∫ Ω | I ( x , y ) - c 4 | 2 ( 1 - H ( φ ) ) d x d y
H ε ( φ ) =                                 1                               φ > ε                                 0                               φ < - ε 1 2 ( 1 + 2 π a r c t a n ( φ ε ) )       | φ | ≤ ε
δ ε ( φ ) =                 0                       | φ | > ε 1 π ε ε 2 + φ 2           | φ | ≤ ε
式中： Ω表示整个图像； H ε ( φ )和 δ ε ( φ )分别表示规整化的Heaviside函数和Dirac函数； ε表示一个很小的正整数。
通过主动轮廓模型不断迭代提取地裂缝，其迭代终止条件包括2个方面：① 根据不同的图像和研究目的，手动将迭代次数设置为不同的迭代次数[26]；② 当水平集函数收敛时迭代停止[27]。本文将最大迭代次数设置为500次，算法不断迭代直到水平集函数收敛。改进后的主动轮廓模型可以在没有明确边界的情况下提取地裂缝，并自动改变拓扑结构，并且可以在没有初始轮廓的情况下实现更好的分割。

2.3 精度评价

将目视解译提取的地裂缝结果作为参考数据进行本文方法提取结果的精度评价，并利用Kappa系数、漏检率（PMA）、误检率（PFA）和总错误率（PTE） 4个指标对不同方法提取的结果进行定量精度评价[28]，其计算方法如下：
（1）Kappa系数
K a p p a = ( P 0 - P c ) / ( 1 - P c ) P 0 = ( T C × T U ) / N P c = ( N 0 × N ' 0 ) / N 2 + ( N 1 × N ' 1 ) / N 2
式中： T C表示检测正确的地裂缝像素数目； T U为检测正确的背景像素数目； N 0表示参考数据中地裂缝像素的数目； N 1表示参考数据中背景像素的数目； N ' 0表示检测为地裂缝的像素数目； N ' 1为检测为背景的像素数目；N为总的像素数目。Kappa系数反映提取地裂缝与参考数据的一致性。
（2）漏检率
P M A = M D / N 0 × 100 %
式中：MD表示漏检像素数，即参考数据中的地裂缝像素被错误地提取为背景像素的数目。
（3）误检率
P F A = F A / N 1 × 100 %
式中：FA表示虚检像素数目，即参考数据中背景像素被错误地提取为地裂缝像素的数目。
（4）总错误率
P T E = ( M D + F A ) / N × 100 %

3 研究区概况和数据来源

3.1 研究区概况

扎赉诺尔矿区位于内蒙古自治区东部呼伦贝尔大草原的满洲里市，地理坐标为117°28'E—117°48'E，49°17'N—49°32'N。矿区属于北温带半干旱大陆性季风气候，春季干旱多大风，夏季短暂、温暖、昼夜温差大，秋季降温急剧霜冻早，冬季漫长、严寒，是典型的寒区所在地[17]。矿区境内为新生代准平原地貌，境内地形和缓起伏，低山丘陵之间发育开阔的盆地，地形剖面呈正弦曲线状，西部为低山丘陵、东部低洼平缓，地面高程在545~600 m之间[18]。下辖灵北、灵东、灵露、灵泉、铁北5个煤矿[19]。此处的实验区域位于灵泉露天煤矿，扎赉诺尔矿区从20世纪60年代初开始兴建灵泉露天矿，在开发与建设过程中破坏了大量土地，开采过程中出现地表塌陷，排土场占地，水土流失，以及矿区生态环境恶化等问题日渐突显[20]。研究区内由于地下煤矿开采，地面出现不同程度的地裂缝，主要为走倾裂缝、倾走裂缝和走向裂缝，规模大小不一。区域内地裂缝呈线性空间分布，平面形态相似，多为直线或弧线形。

3.2 数据来源

数据源为2021年5月16日利用大疆精灵4 RTK无人机所采集的数据，相机的分辨率为4864像素×3648像素，视场角为84°。在采集数据时，手动设置了研究区域的边界，飞行路线将自动规划，无人机按照自动规划的航线飞行完成后，可同时采集区域内多幅可见光影像，每幅影像中均记录了无人机的位置和姿态等信息。然后采用PIX4D mapper 4.5.2版本的无人机数据处理软件对采集的多幅单张可见光影像进行拼接处理，得到实验区域为空间分辨率2.9 cm的可见光正射影像及用于精度评价的2个实验区域如图2所示。实验区域主要为塌陷型和拉伸型地裂缝，塌陷型地裂缝宽度和落差较大，拉伸型地裂缝宽度和长度较小。从无人机影像上看，地裂缝呈暗黑色，内部色调差异小，一般成线状。
图2 实验区域

Fig. 2 The experimental area

4 结果与分析

4.1 地裂缝提取结果

在提取地裂缝过程中，采用Otsu算法计算出的最佳阈值即背景值为146，则地裂缝阈值设置为73，将这两部分的区分能量添加到传统CV主动轮廓模型中，采用改进主动轮廓模型方法和传统的Canny边缘检测算法、SVM、MLM、传统CV主动轮廓模型五种方法提取地裂缝的结果如图3所示。
图3 改进主动轮廓模型、传统的Canny边缘检测算法、SVM模型、MLM模型和传统CV主动轮廓模型地裂缝提取结果对比

Fig. 3 Comparison of ground fissure extraction results between improved active contour model, traditional Canny edge detection algorithm, SVM model, MLM model and traditional CV active contour model

由图3可以看出，传统的Canny边缘检测算法只对边缘信息比较敏感，提取的地裂缝不完整，存在大量的漏提和误提，比如图3（b）A中的白色管道被错误识别为地裂缝，效果较差。SVM、MLM和传统CV主动轮廓模型3种方法都可以提取较为明显的地裂缝，但与改进主动轮廓模型方法提取结果相比，SVM和MLM这2种方法存在许多错误提取，比如图3（c）、（d）中的B和C区域，将部分枯草和陷坑识别为了地裂缝，MLM方法更为明显。对于图3中的黑色管道D区域，MLM方法同样错误提取为地裂缝，SVM方法也提取了部分管道，而改进主动轮廓模型方法没有错误提取。传统CV主动轮廓模型提取的结果中除了B、C、D区域的错误提取外，区域内的枯草几乎被提取为地裂缝，效果最差。而本文所提出的改进主动轮廓模型方法通过引入Otsu算法计算的区分能量初值，大量减少了错误提取，可以很好地应用到地裂缝提取的领域中。

4.2 精度评价与分析

本文选取研究区域进行实验结果的定量评价（图4），实验区域1的范围较小、地物类型单一，只包含裸地和少量地裂缝；实验区域2的范围相对较大，地物类型稍复杂，包含裸地、地裂缝、部分枯草和陷坑。
图4 精度评价实验区域

Fig. 4 Experimental area for accuracy evaluation

采用目视解译的方法绘制2个实验区域的参考地裂缝，然后分别采用改进主动轮廓模型、传统的Canny边缘检测算法、SVM、MLM和传统CV主动轮廓模型5种方法提取2个区域的地裂缝，实验区域1和实验区域2的提取结果分别如图5和图6所示。在2个实验区域中，与参考地裂缝相比，传统的Canny边缘检测算法提取的地裂缝结果中存在大量的漏提、地裂缝不连续现象，并且图5（c）中的白色管道被误提取为地裂缝，图6（c）中一些细小的地裂缝未成功提取；传统CV主动轮廓模型方法通过目视解译可以看到存在大量的误提。因此，传统的Canny边缘检测算法和传统CV主动轮廓模型方法提取地裂缝的效果较差，在进行精度评价过程中将不再考虑，只比较改进主动轮廓模型、SVM和MLM3种方法提取地裂缝的精度大小。由于实验区域1范围较小、地物类型单一，总体来看这三种方法提取的结果和参考地裂缝的结果较为相似，所有地裂缝均能够被检测出来，只是存在不同程度的误提。而针对地物类型相对复杂的实验区域2来说，较为明显的大地裂缝均被3种方法成功提取，但区域内的枯草和陷坑也不同程度的被错误提取为地裂缝。与SVM和MLM这2种方法相比，改进的主动轮廓模型方法提取的地裂缝结果与参考地裂缝结果更为接近，错误的噪声点相对较少。为定量评价3种算法的精度大小，利用Kappa系数、PMA、PFA和PTE共4个指标来评价2个实验区域提取的地裂缝结果，分别如表1和表2所示。实验区域1中3种方法的Kappa系数较大，均大于0.84；SVM和MLM 2种方法的漏检率、误检率和总错误率的大小较低，但改进主动轮廓模型方法提取的结果相对更低。表明在地物类型较为单一的小范围探测地裂缝时，改进主动轮廓方法和传统方法均可以取得较好的效果，但改进主动轮廓模型方法提取精度更高。但在实验区域2中，传统方法的Kappa系数均在0.7以下，而改进主动轮廓方法仍然能够达到0.9左右，其误检率较低，漏检率与MLM方法比相对较高，这是由于MLM方法的误检率较高，所以漏检率相对较低。但改进主动轮廓方法的总错误率大小依然是最低的。因此，在地物类型相对复杂的大范围区域探测地裂缝时，本文提出的改进主动轮廓方法与传统方法相比可以取得更好的效果。
图5 实验区域1改进主动轮廓模型、传统的Canny边缘检测算法、SVM模型、MLM模型和传统CV主动轮廓模型地裂缝提取结果对比

Fig. 5 Comparison of ground fissure extraction results between improved active contour model, traditional Canny edge detection algorithm, SVM model, MLM model and traditional CV active contour model in experimental area 1

图6 实验区域2改进主动轮廓模型、传统的Canny边缘检测算法、SVM模型、MLM模型和传统CV主动轮廓模型地裂缝提取结果

Fig. 6 Comparison of ground fissure extraction results between improved active contour model, traditional Canny edge detection algorithm, SVM model, MLM model and traditional CV active contour model in experimental area 2

表1 实验区域1精度评价结果

Tab. 1 Accuracy evaluation results of experimental area 1

方法 Kappa系数 PMA/% PFA/% PTE/%
改进主动轮廓模型 0.9335 8.1197 0.1331 0.3491
SVM 0.8497 20.4274 0.1972 0.7443
MLM 0.8469 8.2906 0.6653 0.8715
表2 实验区域2精度评价结果

Tab. 2 Accuracy evaluation results of experimental area 2

方法 Kappa系数 PMA/% PFA/% PTE/%
改进主动轮廓模型 0.8974 8.3941 0.2336 0.3915
SVM 0.6835 8.4683 1.4350 1.5679
MLM 0.5520 5.2433 2.7558 2.8034

5 结论与讨论

本文基于无人机遥感影像，采用Otsu算法计算的最优阈值作为背景值，利用2倍关系计算地裂缝的初值，并将背景和地裂缝2部分的区分能量添加到传统CV主动轮廓模型中，通过连续迭代提取地裂缝。然后分别采用传统的Canny边缘检测算法、SVM、MLM和传统CV主动轮廓模型方法与本文改进主动轮廓模型方法进行对比分析和精度验证。主要结论如下：
（1）将Otsu算法计算的初值引入到传统CV主动轮廓模型中，可有效消除噪声，排除枯草、陷坑和管道等因素的干扰，使主动轮廓模型更好地应用于地裂缝提取领域。
（2）在地物类型较为单一的小范围内探测地裂缝时，传统的Canny边缘检测算法和传统CV主动轮廓模型方法提取效果较差，改进主动轮廓模型、SVM和MLM方法均可以取得较好的效果，但改进主动轮廓模型方法提取的精度更高，其Kappa系数最高，漏检率、误检率和总错误率均较低。
（3）在地物类型相对复杂的大范围区域探测地裂缝时，传统的Canny边缘检测算法、SVM、MLM和传统CV主动轮廓模型方法存在较多的漏提和误提，Kappa系数较低，总错误率较高，而改进主动轮廓方法依然可以取得较好的效果，其Kappa系数达到0.9左右。
本文主要针对高寒地区露天矿的地裂缝进行提取，在后续的研究中，将对不同类型矿区地裂缝进行提取，同时将结合地物类型、纹理特征和线性特征等方面对地裂缝进行综合分析，进一步去除虚假提取结果，提高地裂缝提取的准确性。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
赵红梅, 张发旺, 宋亚新, 等. 大柳塔采煤塌陷区土壤含水量的空间变异特征分析[J]. 地球信息科学学报, 2010, 12(6):753-760.

[ Zhao H M, Zhang F W, Song Y X, et al. Spatial variation of soil moisture content in mining subsidence areas of DaLiuta, Shenmu County, Shannxi Province[J]. Journal of Geo-information Science, 2010, 12(6):753-760. ]

[2]
周颖, 刘彤. 基于计算机视觉的混凝土裂缝识别[J]. 同济大学学报(自然科学版), 2019, 47(9):1277-1285.

[ Zhou Y, Liu T. Recognition of concrete cracks based on computer vision[J]. Journal of Tongji University (Natural Science Edition), 2019, 47(9):1277-1285. ] DOI:10.11908/j.issn.0253-374x.2019.09.007

DOI

[3]
Jia Z, Lu Q, Peng, J, et al. Analysis and comparison of two types of ground fissures in Dali County in the Weihe Basin, China[J]. Environmental Earth Sciences, 2020, 79(1):1-15. DOI:10.1007/s12665-019-8783-1

DOI

[4]
魏长婧, 汪云甲, 王坚, 等. 无人机影像提取矿区地裂缝信息技术研究[J]. 金属矿山, 2012, 41(10):90-92,96.

[ Wei C J, Wang Y J, Wang J, et al. The technical research of extracting ground fissure information in mining area with the UAV image[J]. Metal Mine, 2012, 41(10):90-92,96. ] DOI:10.3969/j.issn.1001-1250.2012.10.024

DOI

[5]
杨奇让, 胡振琪, 韩佳政, 等. 煤矿区无人机影像采动地裂缝提取方法研究[J/OL]. 煤炭科学技术, 2022:1-13.

[ Yang Q R, Hu Z Q, Han J Z, et al. Research on extraction method of ground fissures from UAV image mining in coal mine[J/OL]. Coal Science and Technology, 2022:1-13. ] DOI:10.13199/j.cnki.cst.2021-1204

DOI

[6]
陈超, 胡振琪. 我国采动地裂缝形成机理研究进展[J]. 煤炭学报, 2018, 43(3):810-823.

[ Chen C, Hu Z Q. Research advances in formation mechanism of ground crack due to coal mining subsidence in China[J]. Journal of China Coal Society, 2018, 43(3):810-823. ] DOI:10.13225/j.cnki.jccs.2017.0942

DOI

[7]
王臻, 王辉, 李国锋. 弱监督的无人机影像地裂缝自动提取[J]. 实验技术与管理, 2022, 39(3):51-56.

[ Wang Z, Wang H, Li G F. Automatic extraction of ground fissures from UAV images by weakly supervised learning[J]. Experimental Technology and Management, 2022, 39(3):51-56. ] DOI:10.16791/j.cnki.sjg.2022.03.010

DOI

[8]
周英杰, 荆青青, 王晓红, 等. 山东省金属矿区地面裂缝现状遥感调查及趋势分析[J]. 矿产勘查, 2015, 6(5):642-646.

[ Zhou Y J, Jing Q Q, Wang X H, et al. Remote sensing survey and trend analysis of ground slits in the metal mines in Shandong[J]. Mineral Exploration, 2015, 6(5):642-646. ]

[9]
汪宝存. 郑州市地裂缝遥感识别与监测[J]. 测绘与空间地理信息, 2015, 38(10):64-69.

[ Wang B C. Remote sensing recognition and monitoring about ground fissure in Zhengzhou[J]. Geomatics & Spatial Information Technology, 2015, 38(10):64-69. ]

[10]
张兴航, 朱琳, 王威, 等. 基于对象的地裂缝分步提取方法研究与应用[J]. 国土资源遥感, 2019, 31(1):87-94.

[ Zhang X H, Zhu L, Wang W, et al. Study and application of sequential extraction method of ground fissures based on object[J]. Remote Sensing for Land and Resources, 2019, 31(1):87-94. ]

[11]
汤伏全, 李林宽, 李小涛, 等. 基于无人机影像的采动地表裂缝特征研究[J]. 煤炭科学技术, 2020, 48(10):130-136.

[ Tang F Q, Li L K, Li X T, et al. Research on characteristics of mining-induced surface cracks based on UAV images[J]. Coal Science and Technology, 2020, 48(10):130-136. ] DOI:10.13199/j.cnki.cst.2020.10.016

DOI

[12]
鲁恒, 李永树, 林先成. 无人机高空间分辨率影像分类研究[J]. 测绘科学, 2011, 36(6):106-108.

[ Lu H, Li Y S, Lin X C. Classification of high resolution imagery by unmanned aerial vehicle[J]. Science of Surveying and Mapping, 2011, 36(6):106-108. ] DOI:10.16251/j.cnki.1009-2307.2011.06.039

DOI

[13]
李林宽. 基于无人机影像的煤矿区采动裂缝提取[D]. 西安: 西安科技大学, 2021.

[ Li L K. Research on characteristics of surface cracks based on UAV image[D]. Xi'an: Xi'an University of Science and Technology, 2021. ] DOI:10.27397/d.cnki.gxaku.2021.

DOI

[14]
熊婷, 贾春明, 妥军军, 等. 基于正演模拟的最大似然法火山岩有效裂缝识别及预测[J]. 特种油气藏, 2021, 28(5):30-36.

[ Xiong T, Jia C M, Tuo J J, et al. Identification and prediction of effective fractures in volcanic rocks by maximum likelihood based on forward modeling[J]. Special Oil & Gas Reservoirs, 2021, 28(5):30-36. ]

[15]
Stumpf A, Malet J.P, Kerle N, et al. Image-based mapping of surface fissures for the investigation of landslide dynamics[J]. Geomorphology, 2013, 186:12-27. DOI:10.1016/j.geomorph.2012.12.010

DOI

[16]
Jia H, Wei B, Liu G, et al. A semi-automatic method for extracting small ground fissures from loess areas using unmanned aerial vehicle images[J]. Remote Sensing, 2021, 13(9):1784. DOI:10.3390/rs13091784

DOI

[17]
杜青松. 内蒙古扎赉诺尔煤矿环境保护与生态修复研究[J]. 环境生态学, 2020, 2(7):56-60,66.

[ Du Q S. Study on environmental protection and ecological restoration of Zhalainor coal mine in Inner Mongolia[J]. Environmental Ecology, 2020, 2(7):56-60,66. ]

[18]
王育光, 王诺, 李一依, 等. 扎赉诺尔露天煤矿排土场复垦与土壤微生物反馈响应[J/OL]. 环境工程, 2022:1-9.

[ Wang Y G. The dump reclamation in Jalai Nur open-pit coal mine and the feedback response of soil microbiome[J/OL]. Environmental Engineering, 2022:1-9. ]

[19]
杨朝云. 不同降雨条件下银山矿百岭湾排土场边坡稳定性分析[D]. 衡阳: 南华大学, 2019.

[ Yang C Y. Slope stability analysis of Bailingwan waste dump in Yinshan mine under different rainfall conditions[D]. Hengyang: University of South China, 2019. ] DOI:10.27234/d.cnki.gnhuu.2019.000738

DOI

[20]
Wang J, Yang R, Feng Y, et al. Spatial variability of reconstructed soil properties and the optimization of sampling number for reclaimed land monitoring in an opencast coal mine[J]. Arabian Journal of Geosciences, 2017, 10(2):46. DOI:10.1007/s12517-017-2836-0

DOI

[21]
马国鑫. 基于无人机采集图像的建筑物表面裂缝检测方法研究[D]. 镇江: 江苏大学, 2018.

[ Ma G X. Research on detection methods of building surface cracks based on UAV image acquisition[D]. Zhenjiang: Jiangsu University, 2018. ]

[22]
韦博文, 刘国祥, 汪致恒. 基于改进的MF-FDOG算法和无人机影像提取黄土地区地裂缝[J]. 测绘, 2018, 41(2):51-56,61.

[ Wei B W, Liu G X, Wang Z H. Extracting ground fissures in loess landform area using modified F-FDOG algorithm and UAV images[J]. Surveying and Mapping, 2018, 41(2):51-56,61. ]

[23]
Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on 89systems, Man, and Cybernetics, 1979, 9(1):62-66. DOI: 10.1109/TSMC.1979.4310076

DOI

[24]
Chan T F, Vese L A. Active contours without edges[J]. IEEE Transactions on Image Processing, 2001, 10(2):266-277. DOI:10.1109/83.902291

DOI PMID

[25]
Wang Z, Liu Y. Active contour model by combining edge and region information discrete dynamic systems[J]. Advances in Mechanical Engineering, 2017, 9(3):1-10. DOI: 10.1177/1687814017692947

DOI

[26]
Fang J, Liu H, Zhang L, et al. Region-edge-based active contours driven by hybrid and local fuzzy region-based energy for image segmentation[J]. Information Sciences, 2021, 546,397-419. DOI:10.1016/j.ins.2020.08.078

DOI

[27]
Zhang J, Lu Z, Li M. Active contour-based method for finger-vein image segmentation[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69(11):8656-8665. DOI:10.1109/TIM.2020.2995485

DOI

[28]
Bovolo F, Camps-Valls G, Bruzzone L. A support vector domain method for change detection in multitemporal images[J]. Pattern Recognition Letters, 2010, 31(10):1148-1154. DOI:10.1016/j.patrec.2009.07.002

DOI

Options
Outlines

/

〈 〉