CN107133979B - 一种极化雷达建筑损毁信息提取方法 - Google Patents
一种极化雷达建筑损毁信息提取方法 Download PDFInfo
- Publication number
- CN107133979B CN107133979B CN201710283555.5A CN201710283555A CN107133979B CN 107133979 B CN107133979 B CN 107133979B CN 201710283555 A CN201710283555 A CN 201710283555A CN 107133979 B CN107133979 B CN 107133979B
- Authority
- CN
- China
- Prior art keywords
- building
- texture
- statistical model
- damage information
- information extraction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种极化雷达建筑损毁信息提取方法,包括:对原始PolSAR影像进行预处理包含选择研究区和提取相干矩阵;对相干矩阵进行特征值‑特征矢量分解,将研究区中小于特征阈值的像素识别为非建筑区,剔除非建筑区;利用统计模型对建筑区的相干矩阵进行建模,基于统计模型纹理参数提取纹理特征,将纹理特征大于预设的纹理阈值的像素归为倒塌建筑物,小于或等于预设的纹理阈值的像素归为完好建筑物;对建筑区进行分块,然后结合上面所得的建筑物损毁信息提取结果,评价建筑物损毁信息提取结果的精度。本发明仅用统计模型纹理参数提取倒塌建筑物,充分利用了PolSAR影像的信息,同时也提高了建筑物损毁信息提取的精度和效率。
Description
技术领域
本发明涉及极化雷达(Polarimetric Synthetic Aperture Radar,PolSAR)图像处理技术领域,具体涉及一种极化雷达建筑损毁信息提取方法。
背景技术
地震、台风等自然灾害给人们的生命财产带来极大损失。建筑物是人们生活的主要场所,灾害造成的损失大多是有建筑物倒塌造成的。因此准确的提取灾后建筑物的损毁信息能为灾害救援和灾后重建提供决策支持。灾害发生后,交通和通信设备被毁坏,天气条件恶劣,同时还有发生二次灾害的危险,使得及时获取灾区受灾情况非常困难。SAR由于其覆盖范围广、穿透性强、全天时全天候的工作能力成为获取灾害信息的主要途径。
针对建筑物损毁信息提取使用的数据不同,现有的提取方法有:
基于单通道或多通道SAR影像的建筑物损毁信息提取。该类方法主要利用灾害前后SAR影像的变化如相关性、相干性等,或灾后SAR影像的纹理信息提取倒塌建筑物。但单通道或多通道SAR获取的地物信息不够全面,对倒塌建筑物检测效果较差。
基于PolSAR影像的建筑物损毁信息提取。PolSAR可以获得地物在4个极化通道下的回波,对地物更加敏感,为建筑物损毁信息提取提供了丰富的信息。基于多时相PolSAR影像提取倒塌建筑物主要是利用灾害前后建筑物散射机制的变化。但在某些情况下,匹配的灾害前后数据难以获取,且SAR影像的配准较困难,因此利用多时相PolSAR影像的倒塌建筑物提取受到一定的限制。利用灾后单幅PolSAR影像提取倒塌建筑物的方法主要有基于极化特征、基于纹理特征、基于极化特征和纹理特征。目前基于灾后单幅PolSAR影像提取倒塌建筑物的方法使用参数较多,过程比较复杂。且用于PolSAR影像提取倒塌建筑物的纹理信息通常都是基于总功率影像提取的,只利用了相干矩阵中的对角线元素,对PolSAR影像的信息利用不全面。
发明内容
有鉴于此,本发明的目的在于提供了一种极化雷达建筑损毁信息提取方法,以解决现有提取信息不全、参数多、过程复杂等缺陷。
为实现上述目的,本发明提供了一种极化雷达建筑损毁信息提取方法,基于PolSAR影像处理技术,包括以下步骤:
步骤101:对原始PolSAR影像进行预处理,包括选择研究区和提取相干矩阵;
步骤102:对相干矩阵进行特征值-特征矢量分解,基于分解的特征值设定特征阈值,将研究区中小于特征阈值的像素识别为非建筑区,大于特征阈值的像素识别为建筑区,剔除非建筑区;
步骤103:利用统计模型对建筑区的相干矩阵进行建模,基于统计模型纹理参数提取纹理特征,将纹理特征大于预设的纹理阈值的像素归为倒塌建筑物,小于或等于预设的纹理阈值的像素归为完好建筑物,得到建筑物损毁信息提取结果;
步骤104:对建筑区进行分块,然后结合步骤103所得的建筑物损毁信息提取结果,评价建筑物损毁信息提取结果的精度。
进一步地,步骤102中,对相干矩阵进行特征值-特征矢量分解具体为:
其中,T为相干矩阵,λn和μn分别表示特征值和特征向量,λ1≥λ2≥λ3,H表示共轭的转置,特征矢量μn表示为:
其中,αn表示散射矢量对应的目标散射机理,βn为目标方位角,φn、δn、γn为3个相位角,T代表转置操作,将λ2+λ3小于特征阈值的像素识别为非建筑区,λ1>0。
进一步地,步骤103中纹理特征的提取过程包括对统计模型纹理参数的估算和将估算的统计模型纹理参数取对数作为纹理特征。
进一步地,统计模型为G0统计模型,其纹理参数为:
M=tr(Σ-1T)
其中,T为相干矩阵,Σ=E[T],λ是统计模型的纹理参数,L代表视数,Var{·}表示方差,d代表相干矩阵的维度。
进一步地,步骤104的具体过程如下:
步骤401:设所得分块中的第j块的建筑物损毁指数为DLIj,则:
其中,Cj表示第j个区块内倒塌建筑物的像素个数,Ij表示第j个区块内完好建筑物的像素个数,建筑物损毁指数DLIj代表了建筑物的损毁程度;
步骤402:根据DLIj和预设分级阈值将相应区块分为不同等级,得到建筑物损毁程度的分类结果;
步骤403:利用混淆矩阵,用检出率、虚警率或总精度评估建筑物信息提取的精度。
为实现上述目的,本发明还提供了另一种极化雷达建筑损毁信息提取方法,基于PolSAR影像处理技术,包括以下步骤:
步骤101:对原始PolSAR影像进行预处理,包括选择研究区和提取相干矩阵;
步骤102:基于相干矩阵识别研究区中的建筑区和非建筑区,剔除非建筑区;
步骤103:利用统计模型对建筑区的相干矩阵进行建模,估算统计模型的纹理参数,再将估算的纹理参数取对数作为纹理特征,然后将纹理特征大于预设的纹理阈值的像素归为倒塌建筑物,小于或等于预设的纹理阈值的像素归为完好建筑物,得到建筑物损毁信息提取结果;
步骤104:对建筑区进行分块,然后结合步骤103所得建筑物损毁信息提取结果,评价建筑物损毁信息提取结果的精度。
进一步地,步骤103中,统计模型为G0统计模型,其纹理参数的估算基于相干矩阵:
M=tr(Σ-1T)
其中,T为相干矩阵,Σ=E[T],λ是统计模型的纹理参数,L代表视数,Var{·}表示方差,d代表相干矩阵的维度。
本发明与现有技术相比,其有益效果是:用统计模型纹理参数反映建筑区的均匀程度,根据倒塌建筑区的均匀程度较完好建筑区高,利用基于统计模型纹理参数提取的纹理特征实现倒塌建筑和完好建筑的提取。针对倒塌建筑区和道路、水体等非建筑区都具有较高的均匀程度,利用特征值-特征矢量分解的特征值剔除研究区内的非建筑,减少非建筑物与倒塌建筑物的混淆,从而提高建筑物损毁信息提取的精度。这种基于PolSAR影像统计模型纹理参数的极化雷达建筑损毁信息提取方法充分利用PolSAR影像的信息,且减少了对数据的依赖,效率和评估精度都有所提高。
附图说明
图1是本发明极化雷达建筑损毁信息提取方法实施例一的步骤示意图;
图2是本发明极化雷达建筑损毁信息提取方法的原理示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
本发明技术方案可采用计算机技术实现自动运行,请参阅图1和图2所示。本发明提供了一种极化雷达建筑损毁信息提取方法,基于PolSAR影像处理技术,包括以下步骤:
步骤101:对原始PolSAR影像进行预处理,包括选择研究区和提取相干矩阵。
在提取建筑物损毁信息之前,需要对原始的PolSAR影像进行预处理,包括选取研究区域和提取相干矩阵。由于PolSAR影像存在大量的相干斑,为了降低噪声的影响,一般需要对原始PolSAR影像进行滤波处理,如精细Lee滤波、Sigma Lee滤波等。当PolSAR分辨率较低时,为了保留影像信息也可以不做滤波处理。
步骤102:对相干矩阵进行特征值-特征矢量分解,基于分解的特征值设定特征阈值,将研究区中小于特征阈值的像素识别为非建筑区,大于特征阈值的像素识别为建筑区,剔除非建筑区。
相干矩阵进行特征值-特征矢量分解具体为:
其中,T为相干矩阵,λn和μn分别表示特征值和特征向量,λ1≥λ2≥λ3,H表示共轭的转置,特征矢量μn表示为:
其中,αn表示散射矢量对应的目标散射机理,βn为目标方位角,φn、δn、γn为3个相位角,T代表转置操作,将λ2+λ3小于特征阈值的像素识别为非建筑区,将非建筑区剔除。
由于本发明是根据倒塌建筑物和完好建筑物的均匀程度来区分两者的,道路、水体等非建筑区和倒塌建筑物的均匀程度都较高,为了减少非建筑物对倒塌建筑物的干扰,提高倒塌建筑物提取的准确性,一般非建筑区如道路、水体等是典型的单一散射目标,只有一个特征值较大,且满足λ1>0,λ2与λ3均较小,接近0。所以将λ2+λ3小于特征阈值的像素归为非建筑区,所以本发明利用λ2+λ3剔除研究区域内的非建筑区。在后续提取倒塌建筑物之前,将非建筑区剔除。
步骤103:利用统计模型对建筑区的相干矩阵进行建模,估算统计模型的纹理参数,再将估算的纹理参数取对数作为纹理特征,然后将纹理特征大于预设的纹理阈值的像素归为倒塌建筑物,小于或等于预设的纹理阈值的像素归为完好建筑物,得到建筑物损毁信息提取结果。
以基于建筑区的相干矩阵建立的统计模型G0为例,统计模型G0为:
估算的统计模型G0的纹理参数为:
M=tr(Σ-1T)
其中,Σ=E[T],λ是G0统计模型的纹理参数,L代表视数,Var{·}表示方差,d代表相干矩阵的维度,满足互易定理的情况下d=3。
输入相干矩阵T,选用k*k(k为奇数)大小的滑动窗口估算纹理参数λ并赋给窗口内的中心像素,从而得到整个研究区域的纹理参数图。但通常情况下,整个研究区的纹理参数值极差过大,给纹理参数的显示和统计造成不便。而本发明对估算的纹理参数取对数纹理特征可以清楚的反映地物的均匀程度。基于G0统计模型纹理参数提取的纹理特征如下:
TF_G0=lg(λ)
其中,TF_G0表示基于G0统计模型纹理参数提取的纹理特征。
完好建筑区地物类型复杂,包含建筑物、道路、建筑物周围的植被等,因此完好建筑区的均匀程度较低。建筑物完全倒塌后覆盖了周围的地物,从而使得均匀程度增大。因此倒塌建筑区的纹理特征值比完好建筑区大。
将提取的纹理特征大于纹理阈值的像素识别为倒塌建筑物,小于等于纹理阈值的像素归为完好建筑物。具体实施时的纹理阈值可利用现有的纹理阈值确定方法确定纹理阈值中心,然后通过人工微调来选择合适的纹理阈值。
步骤104:对建筑区进行分块,然后结合步骤103所得的建筑物损毁信息提取结果,评价建筑物损毁信息提取结果的精度。
一般选取城区作为研究区域,区块是基于道路划分的,同一区块内建筑物有类似的结构。结合步骤103中提取的建筑物损毁信息提取结果划分区块的损毁程度,为建筑物损毁信息提取结果的验证提供依据,即:计算区块的建筑物损毁指数(即区块内倒塌建筑物占总建筑物像素的比例)将所有区块分为不同的等级:严重损毁、中度损毁、轻度损毁。根据步骤103中倒塌建筑物和完好建筑物的像素个数的标准设定分级阈值。计算混淆矩阵,用检出率、虚警率和总精度评价建筑物损毁信息提取的精度。具体为:
步骤401:设所得分块中的第j块的建筑物损毁指数为DLIj,则:
其中,Cj表示第j个区块内倒塌建筑物的像素个数,Ij表示第j个区块内完好建筑物的像素个数,建筑物损毁指数DLIj代表了建筑物的损毁程度;
步骤402:根据DLIj和预设分级阈值将相应区块分为不同等级,得到建筑物损毁程度的分类结果;
步骤403:利用混淆矩阵,用检出率或虚警率或总精度评估建筑物信息提取的精度。
本发明相对现有技术,具有的优点是:仅利用灾后单幅PolSAR影像,减少了对数据的依赖;仅用统计模型纹理参数提取倒塌建筑物,充分利用了PolSAR影像的信息,同时也提高了建筑物损毁信息提取的精度和效率。
综上所述,仅为本发明之较佳实施例,不以此限定本发明的保护范围,凡依本发明专利范围及说明书内容所作的等效变化与修饰,皆为本发明专利涵盖的范围之内。
Claims (4)
1.一种极化雷达建筑损毁信息提取方法,基于极化PolSAR影像处理技术,其特征在于,包括以下步骤:
步骤101:对原始PolSAR影像进行预处理,包括选择研究区和提取相干矩阵;
步骤102:对相干矩阵进行特征值-特征矢量分解,基于分解的特征值设定特征阈值,将研究区中小于特征阈值的像素识别为非建筑区,大于特征阈值的像素识别为建筑区,剔除非建筑区;
步骤103:利用统计模型对建筑区的相干矩阵进行建模,基于统计模型纹理参数提取纹理特征,将纹理特征大于预设的纹理阈值的像素归为倒塌建筑物,小于或等于预设的纹理阈值的像素归为完好建筑物,得到建筑物损毁信息提取结果;提取过程包括对统计模型纹理参数的估算和将估算的统计模型纹理参数取对数作为纹理特征,统计模型为G0统计模型,其纹理参数为:
M=tr(Σ-1T)
其中,T为相干矩阵,Σ=E[T],λ是统计模型的纹理参数,L代表视数,Var{·}表示方差,d代表相干矩阵的维度;步骤104:对建筑区进行分块,然后结合步骤103所得的建筑物损毁信息提取结果,评价建筑物损毁信息提取结果的精度。
2.如权利要求1所述的极化雷达建筑损毁信息提取方法,其特征在于,步骤102中,对相干矩阵进行特征值-特征矢量分解具体为:
其中,T为相干矩阵,λn和μn分别表示特征值和特征向量,λ1≥λ2≥λ3,H表示共轭的转置,λ1>0,特征矢量μn表示为:
其中,αn表示散射矢量对应的目标散射机理,βn为目标方位角,φn、δn、γn为3个相位角,T代表转置操作,将λ2+λ3小于特征阈值的像素识别为非建筑区。
3.根据权利要求1所述的极化雷达建筑损毁信息提取方法,其特征在于,步骤104的具体过程如下:
步骤401:设所得分块中的第j块的建筑物损毁指数为DLIj,则:
其中,Cj表示第j个区块内倒塌建筑物的像素个数,Ij表示第j个区块内完好建筑物的像素个数,建筑物损毁指数DLIj代表了建筑物的损毁程度;
步骤402:根据DLIj和预设分级阈值将相应区块分为不同等级,得到建筑物损毁程度的分类结果;
步骤403:利用混淆矩阵,用检出率、虚警率或总精度评估建筑物信息提取的精度。
4.一种极化雷达建筑损毁信息提取方法,基于PolSAR影像处理技术,其特征在于,包括以下步骤:
步骤101:对原始PolSAR影像进行预处理,包括选择研究区和提取相干矩阵;
步骤102:基于相干矩阵识别研究区中的建筑区和非建筑区,剔除非建筑区;
步骤103:利用统计模型对建筑区的相干矩阵进行建模,估算统计模型的纹理参数,再将估算的纹理参数取对数作为纹理特征,然后将纹理特征大于预设的纹理阈值的像素归为倒塌建筑物,小于或等于预设的纹理阈值的像素归为完好建筑物,得到建筑物损毁信息提取结果;统计模型为G0统计模型,其纹理参数的估算基于相干矩阵:
M=tr(Σ-1T)
其中,T为相干矩阵,Σ=E[T],λ是统计模型的纹理参数,L代表视数,Var{·}表示方差,d代表相干矩阵的维度;
步骤104:对建筑区进行分块,然后结合步骤103所得的建筑物损毁信息提取结果,评价建筑物损毁信息提取结果的精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710283555.5A CN107133979B (zh) | 2017-04-26 | 2017-04-26 | 一种极化雷达建筑损毁信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710283555.5A CN107133979B (zh) | 2017-04-26 | 2017-04-26 | 一种极化雷达建筑损毁信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107133979A CN107133979A (zh) | 2017-09-05 |
CN107133979B true CN107133979B (zh) | 2019-12-17 |
Family
ID=59716065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710283555.5A Expired - Fee Related CN107133979B (zh) | 2017-04-26 | 2017-04-26 | 一种极化雷达建筑损毁信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133979B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761740A (zh) * | 2014-01-23 | 2014-04-30 | 武汉大学 | 基于震后单张polsar影像的建筑物损毁评估方法 |
CN105321163A (zh) * | 2014-07-31 | 2016-02-10 | 中国科学院遥感与数字地球研究所 | 检测全极化sar图像的变化区域的方法和装置 |
CN105975986A (zh) * | 2016-05-03 | 2016-09-28 | 河海大学 | 基于改进遗传算法的全极化sar图像监督分类方法 |
-
2017
- 2017-04-26 CN CN201710283555.5A patent/CN107133979B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761740A (zh) * | 2014-01-23 | 2014-04-30 | 武汉大学 | 基于震后单张polsar影像的建筑物损毁评估方法 |
CN105321163A (zh) * | 2014-07-31 | 2016-02-10 | 中国科学院遥感与数字地球研究所 | 检测全极化sar图像的变化区域的方法和装置 |
CN105975986A (zh) * | 2016-05-03 | 2016-09-28 | 河海大学 | 基于改进遗传算法的全极化sar图像监督分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107133979A (zh) | 2017-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN108171193B (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
CN104715255B (zh) | 一种基于sar图像的滑坡信息提取方法 | |
CN103839243B (zh) | 基于Shearlet变换的多通道卫星云图融合方法 | |
CN104200471B (zh) | 基于自适应权值图像融合的sar图像变化检测方法 | |
CN105701481B (zh) | 一种倒塌建筑物提取方法 | |
CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
Li et al. | An improved approach of information extraction for earthquake-damaged buildings using high-resolution imagery | |
Chen et al. | A novel statistical texture feature for SAR building damage assessment in different polarization modes | |
CN107527035A (zh) | 建筑物震害信息提取方法及装置 | |
Koppel et al. | Sentinel-1 for urban area monitoring—Analysing local-area statistics and interferometric coherence methods for buildings' detection | |
CN103870842B (zh) | 结合极化特征和分水岭的极化sar图像分类方法 | |
CN105184804A (zh) | 基于机载红外相机航拍图像的海面小目标检测方法 | |
Kwak et al. | A new approach for rapid urban flood mapping using ALOS-2/PALSAR-2 in 2015 Kinu River Flood, Japan | |
CN110516552B (zh) | 一种基于时序曲线的多极化雷达图像分类方法及*** | |
Gokon et al. | Verification of a method for estimating building damage in extensive tsunami affected areas using L-band SAR data | |
Hao et al. | A novel change detection approach for VHR remote sensing images by integrating multi-scale features | |
CN107133979B (zh) | 一种极化雷达建筑损毁信息提取方法 | |
Guo et al. | Study of detecting method with advanced airborne and spaceborne synthetic aperture radar data for collapsed urban buildings from the Wenchuan earthquake | |
Liu et al. | Development of building height data in Peru from high-resolution SAR imagery | |
Chen et al. | Building collapse extraction using modified freeman decomposition from post-disaster polarimetric SAR image | |
CN107748875A (zh) | 一种基于多时相雷达图像纹理特征的震害建筑物识别方法 | |
Cao et al. | Detecting the number of buildings in a single high-resolution SAR image | |
CN105551021B (zh) | 基于多时相全极化sar的建筑物倒损率估计方法 | |
Dell'Acqua et al. | Mapping earthquake damage in VHR radar images of human settlements: Preliminary results on the 6 th April 2009, Italy case |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191217 |
|
CF01 | Termination of patent right due to non-payment of annual fee |