CN108710816B - 一种基于概率融合的极化sar图像建筑物检测方法 - Google Patents

一种基于概率融合的极化sar图像建筑物检测方法 Download PDF

Info

Publication number
CN108710816B
CN108710816B CN201810141413.XA CN201810141413A CN108710816B CN 108710816 B CN108710816 B CN 108710816B CN 201810141413 A CN201810141413 A CN 201810141413A CN 108710816 B CN108710816 B CN 108710816B
Authority
CN
China
Prior art keywords
calculating
scattering
building
pixel
formula
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
Application number
CN201810141413.XA
Other languages
English (en)
Other versions
CN108710816A (zh
Inventor
范庆辉
郑林涛
陈永刚
俞卫华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN201810141413.XA priority Critical patent/CN108710816B/zh
Publication of CN108710816A publication Critical patent/CN108710816A/zh
Application granted granted Critical
Publication of CN108710816B publication Critical patent/CN108710816B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

一种基于概率融合的极化SAR图像建筑物检测方法，该方法通过引入线散射模型来表征建筑物的散射特性，且利用极化方位角校正优化的方式来避免非平行于雷达飞行方向建筑物与自然地物的散射机理混淆，从而有效的解决了现有方法建筑物检测精度不高的问题。

Description

一种基于概率融合的极化SAR图像建筑物检测方法
技术领域
本发明属于图像处理技术领域，具体的说是涉及目标识别技术领域中的一种基于概率融合的极化SAR(Synthetic Aperture Radar)图像中检测建筑物的方法。本方法可应用于极化 SAR图像中的建筑物检测和识别。
背景技术
合成孔径雷达(SAR)作为主动式微波遥感成像传感器的一种，不仅具有全天时全天候的工作优势，而且具有一定的穿透力，能够获取照射目标方位指向、物理构成和几何特征等多种信息。这些信息描述目标较传统光学成像更为有效全面，从而使合成孔径雷达广泛应用于人造目标检测、考古、城市规划设计、海洋资源监测、军事侦察等众多领域。随着电子和计算技术的日益成熟，大量机载和星载极化SAR***被研发并投入使用，进而获得了越来越多的极化SAR图像数据，但是目前极化SAR图像解译技术还滞后于信息源的发展。同时，SAR图像特有的侧视成像机理和复杂成像环境也大大增加了图像解译的难度。因此，研究探索如何对获得的极化SAR图像数据进行高效利用具有重要理论意义和实用价值。
随着城市经济的快速发展和城市规模的迅速扩大，基于遥感手段的城区建筑物信息提取技术由于具有信息获取范围大、快速准确、时效性高等特点而得到广泛应用，其为城市建设规划、自然灾害评估、目标检测与定位、战略情报获取等民用军用任务提供可靠的信息和决策支持。
目前，利用极化SAR数据实现建筑物检测的方法主要有两类方法，第一类是基于时频分解的方法，是先将极化SAR图像进行子孔径分解，得到不同雷达观测角的多个图像，再依据似然比检测获取建筑物区域。但是存在一些散射非平稳的自然地物，导致检测结果存在很多虚警，从而导致建筑物检测结果不准确。第二类是基于极化目标分解的检测方法，主要是通过极化目标分解得到不同地物的主导散射类型和功率，通过散射机理差异来实现建筑物检测。此类方法由于非平行于雷达飞行方向的建筑物散射机理与森林等自然地物十分相似，从而检测出此类建筑物十分困难。
发明内容
为了克服现有技术中建筑物检测精度不高，无法检出非平行于雷达飞行方向建筑物等技术问题，本发明提出了一种基于概率融合的极化SAR图像建筑物检测方法，该方法通过引入线散射模型来表征建筑物的散射特性，且利用极化方位角校正优化的方式来避免非平行于雷达飞行方向建筑物与自然地物的散射机理混淆，从而有效的解决了现有方法建筑物检测精度不高的问题。
本发明为解决上述技术问题，所提供的技术方案是：一种基于概率融合的极化SAR图像建筑物检测方法，包括以下步骤：
A、对极化SAR图像中的像素进行散射矩阵S设定和散射矢量k构造的步骤；
B、由散射矢量k计算像素的极化协方差矩阵[C]的步骤；
C、由散射矩阵S计算线散射模型参数ρ和γ的步骤；
D、由线散射模型参数ρ和γ构造线散射模型，计算线散射协方差矩阵[Cw]、线散射加权系数fw和螺旋体散射加权系数fh的步骤；
E、由极化协方差矩阵[C]计算极化方位角θpoa的步骤；
F、消除极化方位角θpoa，构造体散射模型，计算体散射加权系数fv和体散射功率Pv的步骤；
G、计算螺旋体散射功率Ph和线散射功率Pw的步骤；
H、由散射矩阵S计算偶次散射功率Pd和面散射功率Ps的步骤；
I、通过计算建筑物的区域功率Pu，判断像素是否为建筑物区域，并将该判定结果下，所有的建筑物区域像素构成建筑物像素集合B1；
J、对极化SAR图像中的像素进行相干矩阵<[T]>计算的步骤；
K、利用相干矩阵<[T]>进行两个极化相干系数γ1(θ)的最大值和γ2(θ)的最小值的计算的步骤；
L、通过计算像素的极化相干系数比γr，判定像素是否为建筑物区域，并将该判定结果下，所有的建筑物区域像素构成建筑物像素集合B2；
M、对建筑物像素集合B1和建筑物像素集合B2进行交叉概率融合，得到确定建筑物区域的步骤；
其中，所述步骤D的具体操作方法为：
(1)、由公式
Figure GDA0003010085450000021
构造得到线散射协方差矩阵[Cw]，其中，*表示复数共轭，|g|表示复数的模运算；
(2)、依据公式
Figure GDA0003010085450000022
和
Figure GDA0003010085450000023
依次计算线散射加权系数fw和螺旋体散射加权系数fh，其中，SHH、SHV、SVH、SVV均为散射矩阵S中的元素，<·>表示集合平均，im(g)表示复数的虚部；
所述步骤F的具体操作方法为：
计算判定条件
Figure GDA0003010085450000031
的值，若该值为正，则执行下面步骤中的(1)，否则执行步骤中的(2)
(1)、计算体散射比值系数
Figure GDA0003010085450000032
利用公式
Figure GDA0003010085450000033
构造体散射模型矩阵Cv1，设置变量x＝Cv1(1,1)， y＝Cv1(3,3)和z＝Cv1(1,3)，其中，Cv1(i,j)表示矩阵Cv1中第i行第j列元素，利用公式
Figure GDA0003010085450000034
计算体散射加权系数fv，利用公式Pv＝fv×trace(Cv1)计算体散射功率Pv，其中，trace(Cv1)表示矩阵Cv1的对角线元素之和,
Figure GDA0003010085450000035
C11、C12、C13、C23、C33为极化协方差矩阵[C]中的元素，re(g)表示取复数的实部；
(2)、计算体散射角度系数
Figure GDA0003010085450000036
利用公式
Figure GDA0003010085450000037
构造体散射模型矩阵Cv2，设置变量x＝Cv2(1,1)，z＝Cv2(1,3)和y＝Cv2(3,3)，其中，Cv2(i,j)表示矩阵 Cv2中第i行第j列元素，利用公式
Figure GDA0003010085450000038
计算体散射加权系数fv，利用公式Pv＝fv×trace(Cv2)计算体散射功率Pv，其中，trace(Cv2)表示矩阵Cv2的对角线元素之和；
所述步骤J中，设极化SAR图像中某个像素对应的相干矩阵为
Figure GDA0003010085450000039
该相干矩阵<[T]>由公式<[T]> ＝ [A]<[C]>[A]-1 计算得到，其中，
Figure GDA00030100854500000310
Figure GDA00030100854500000311
所述步骤A的具体操作方法为：设极化SAR图像中某个像素对应的散射矩阵为
Figure GDA0003010085450000041
在满足互易定理的后向散射情况下，SHV＝SVH，则该像素对应的散射矢量为
Figure GDA0003010085450000042
所述步骤B中，利用公式
Figure GDA0003010085450000043
由散射矢量k计算得到该像素对应的极化协方差矩阵[C]；
其中，H表示矢量转置共轭，*表示复数共轭，<·>表示集合平均。
在步骤C中，利用公式
Figure GDA0003010085450000044
和
Figure GDA0003010085450000045
计算线散射模型参数ρ和γ；
其中，|g|表示复数的模运算。
所述步骤E中，利用公式
Figure GDA0003010085450000046
由极化协方差矩阵[C]计算得到极化方位角θpoa，其中，
Figure GDA0003010085450000047
C11、C12、C13、C23、C33为极化协方差矩阵[C]中的元素，re(g)表示取复数的实部。
所述步骤G中，利用公式Ph＝fh和Pw＝fw(1+|γ|2+2×|ρ|2)，分别计算螺旋体散射功率Ph和线散射功率Pw。
所述步骤H的具体操作方法为：
计算判定条件re(<SHHSVV>)的值，若该值为正，则执行下面步骤中的(1)，否则执行步骤中的 (2)，其中，re(g)表示取复数的实部；
(1)、计算面散射系数
Figure GDA0003010085450000048
利用公式
Figure GDA0003010085450000049
计算偶次散射加权系数fd，利用公式Pd＝2fd计算偶次散射功率Pd，之后，利用公式 fs＝|＜SHHSVV>-y-fd|计算面散射加权系数fs，利用公式Ps＝fs(1+|β|2)计算面散射功率Ps；
(2)、计算偶次散射系数
Figure GDA00030100854500000410
利用公式
Figure GDA00030100854500000411
计算面散射加权系数，利用公式Ps＝2fs计算面散射功率Ps，之后，利用公式 fd＝|＜SHHSVV＞-y-fs|计算偶次散射加权系数fd，利用公式Pd＝fd(1+|α|2)计算偶次散射功率Pd。
所述步骤I中，利用公式Pu＝Pw+Pd+Ph计算建筑物的区域功率Pu，若像素满足Pu＞Ps，且Pu＞Pv，则判定此像素为建筑物区域，所有的建筑物区域像素构成建筑物像素集合B1。
所述步骤K中，极化相干系数γ1(θ)的最大值的计算步骤为：在区间
Figure GDA0003010085450000051
的数值中取等间隔的m个值，设
Figure GDA0003010085450000052
为m个值中的第k个，利用公式
Figure GDA0003010085450000053
计算得到极化相干系数γ1(θ)的最大值
Figure GDA0003010085450000054
其中，极化相干系数γ1(θ)的计算公式为
Figure GDA0003010085450000055
其中，符号j 为复数符号；
极化相干系数γ2(θ)的最小值的计算步骤为：在区间
Figure GDA0003010085450000056
的数值中取等间隔的n个值，设
Figure GDA0003010085450000057
为n个值中的第t个，利用公式
Figure GDA0003010085450000058
得到极化相干系数γ2(θ)的最小值
Figure GDA0003010085450000059
其中，极化相干系数γ2(θ)的计算公式为
Figure GDA00030100854500000510
所述步骤L中，利用公式
Figure GDA00030100854500000511
计算像素的极化相干系数比γr，若像素满足γr＞γth，则判定该像素为建筑物区域，其中，γth为预先设定的检测门限值，所有的建筑物区域像素构成建筑物像素集合B2。
所述步骤M的具体操作方法为：
(1)、构造四个像素集合B1B2，
Figure GDA00030100854500000512
和
Figure GDA00030100854500000513
其中，B1B2表示步骤I和步骤L都判定为建筑物区域的像素集合，
Figure GDA00030100854500000514
表示步骤I判断为非建筑物区域步骤L判定为建筑物区域的像素集合，
Figure GDA00030100854500000515
表示步骤I判断为建筑物区域步骤L判定为非建筑物区域的像素集合，
Figure GDA00030100854500000516
表示步骤I和步骤L都判定为非建筑物区域的像素集合；
(2)、计算像素集合
Figure GDA00030100854500000517
和
Figure GDA00030100854500000518
中像素的交叉概率值P(C1|B1,B2)和P(C2|B1,B2)，计算公式为 P(C1|B1,B2)＝P(C1|B1)Ex1P(C1|B2)Ex2和P(C2|B1,B2)＝P(C2|B1)Ex1P(C2|B2)Ex2，其中，
Figure GDA00030100854500000519
Figure GDA0003010085450000061
P(C2|B1)＝1-P(C1|B1)
Figure GDA0003010085450000062
∑B1B2表示集合B1B2中的元素个数，C1表示建筑物像素集合， C2表示非建筑物像素集合；
(3)、对像素集合
Figure GDA0003010085450000063
和
Figure GDA0003010085450000064
中的各个像素执行下面操作，以某个像素为中心，设置大小为 N正方形滑动窗口，分别计算此滑动窗口内所有像素的概率之和
Figure GDA0003010085450000065
和
Figure GDA0003010085450000066
如果
Figure GDA0003010085450000067
则将此像素归为城市建筑物区域，否则将此像素归为非城市建筑物区域。
有益效果：本发明的一种基于概率融合的极化SAR图像建筑物检测方法，通过在步骤中引入线散射模型的方式进行建筑物散射特性的表征，再通过校正极化方位角的方式来避免非平行于雷达飞行方向建筑物与自然地物的散射机理混淆，方法整体步骤简便，很好的解决了非平行于雷达飞行方向建筑物检出易出错的技术难题，可靠性高。
附图说明
图1是本发明的实现流程图；
图2是San Francisco地区的全极化数据对应的后向散射功率图像；
图3是San Francisco地区数据的Wei Zhai等人方法建筑物检测结果二值图；
图4是San Francisco地区数据的本发明的建筑物检测结果二值图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
作为一种主动微波遥感***，极化SAR具有全天时全天候高分辨的工作能力和一定的穿透力，广泛应用于城市规划、地质灾害评估、森林制图分类，海洋泄漏原油监控和电子地图生成等领域。利用极化SAR数据提取建筑物信息具有获取范围大、快速准确、时效性高等优势，已经成为当前城市建设和发展规划的重要决策手段。
利用极化SAR图像建筑物检测方法获取的特征信息能够用来实现建筑物特征提取。本发明所采用的目标分解方法表达式为
Figure GDA0003010085450000071
其中，C为极化SAR中最小分辨单元对应的协方差矩阵，fs，fd，fv，fh，fw依次为面散射加权系数、偶次散射加权系数、体散射加权系数、螺旋体散射加权系数和线散射加权系数，Cs，Cd，Cv，Ch，Cw依次为面散射、偶次散射、体散射、螺旋体散射的极化协方差矩阵。将自然地物和建筑物区分采用不同的体散射模型能够避免体散射功率在建筑物区域被高估，偶次散射功率被低估的问题，从而获得的特征信息更为准确。
同时，虽然已有学者利用极化相干系数实现建筑物检测，如Moriyma等人在其发表的论文《Polarimetric SAR image analysis using model fit for urban structures，2015》中公开了一种利用极化相干系数实现建筑物区分的方法，但是由于没有考虑到极化方位角的影响，导致建筑物检测精度不高。
参照图1，本发明的一种基于概率融合的极化SAR图像建筑物检测方法方法，具体实施步骤如下：
步骤1：对于极化SAR图像数据，设其中某像素的散射矩阵为
Figure GDA0003010085450000072
在满足互易定理的后向散射情况下，散射矩阵S被认为是对称的，即SHV＝SVH，用散射矩阵构造散射矢量
Figure GDA0003010085450000073
步骤2：通过散射矢量k计算得到此像素的极化协方差矩阵[C]，计算公式为
Figure GDA0003010085450000074
其中，H表示矢量转置共轭，*表示复数共轭，<·>为集合平均；
步骤3：由散射矩阵S计算线散射模型参数
Figure GDA0003010085450000075
和
Figure GDA0003010085450000076
其中，|g|表示复数的模运算，再构造线散射协方差矩阵
Figure GDA0003010085450000077
步骤4：计算线散射的加权系数
Figure GDA0003010085450000078
和螺旋体散射加权系数
Figure GDA0003010085450000079
其中，im(g)表示复数的虚部；
步骤5：计算极化方位角
Figure GDA0003010085450000081
其中，re(g)表示取复数的实部；
步骤6：若判断条件
Figure GDA0003010085450000082
为正，则执行步骤6中的(1)，否则执行步骤6 中的(2)，
(1)计算体散射比值系数
Figure GDA0003010085450000083
构造体散射模型为
Figure GDA0003010085450000084
设置变量x＝Cv1(1,1)，y＝Cv1(3,3)和z＝Cv1(1,3)，其中Cv1(i,j)表示矩阵Cv1的第i行第j列元素，并计算体散射加权系数为
Figure GDA0003010085450000085
计算体散射功率Pv＝fv×trace(Cv1)，其中，trace(Cv1)表示矩阵Cv1的对角线元素之和；
(2)计算体散射角度系数
Figure GDA0003010085450000086
构造体散射模型
Figure GDA0003010085450000087
且设 x＝Cv2(1,1)，z＝Cv2(1,3)和y＝Cv2(3,3)，计算体散射加权系数
Figure GDA0003010085450000088
计算体散射功率Pv＝fv×trace(Cv2)；
步骤7：计算螺旋体散射功率Ph＝fh和线散射功率Pw＝fw(1+|γ|2+2×|ρ|2)；
步骤8：如果re(<ShhSvv>)为正，则下面步骤8中的(1)，否则执行步骤8中的(2)
(1)计算面散射系数
Figure GDA0003010085450000089
计算偶次散射系数为
Figure GDA00030100854500000810
计算偶次散射功率为Pd＝2fd，再计算面散射加权系数为 fs＝|<SHHSVV>-y-fd|，再计算面散射功率为Ps＝fs(1+|β|2)；
(2)计算偶次散射系数
Figure GDA00030100854500000811
计算偶次散射加权系数为
Figure GDA00030100854500000812
计算偶次散射功率为Ps＝2fs，再计算面散射加权系数为 fd＝|<SHHSVV>-y-fs|，再计算面散射功率为Pd＝fd(1+|α|2)；
步骤9：计算建筑物区域功率Pu＝Pw+Pd+Ph，若此像素满足Pu＞Ps且Pu＞Pv则判定此像素为建筑物区域，所有的建筑物区域像素构成建筑物像素B1；
步骤10：设此像素的相干矩阵
Figure GDA0003010085450000091
由<[T]>＝[A]<[C]>[A]-1计算得到，其中，
Figure GDA0003010085450000092
步骤11：在区间
Figure GDA0003010085450000093
的数值中取等间隔的m个值，设
Figure GDA0003010085450000094
为m个值中的第k个，利用公式
Figure GDA0003010085450000095
得到极化相干系数1的最大值
Figure GDA0003010085450000096
其中，极化相干系数1公式为
Figure GDA0003010085450000097
符号j为复数符号；
步骤12：在区间
Figure GDA0003010085450000098
的数值中取等间隔的n个值，设
Figure GDA0003010085450000099
为n个值中的第t个，利用公式
Figure GDA00030100854500000910
得到极化相干系数2的最小值
Figure GDA00030100854500000911
其中，极化相干系数2公式为
Figure GDA00030100854500000912
其中，m和n通常取30-300之间的数值；
步骤13：计算相干系数比
Figure GDA00030100854500000913
若像素满足γr＞γth的像素判定为建筑物区域，所有建筑物区域元素构成集合B2，其中；γth为预先设定的检测门限值，通常取0.58-0.70；
步骤14：构造四个像素集合B1B2，
Figure GDA00030100854500000914
和
Figure GDA00030100854500000915
分别表示两种方法都判定为建筑物区域的像素集合，第一种判断为非建筑物区域第二种方法判定为建筑物区域的像素集合，第一种判定为建筑物区域第二种判断为非建筑物区域，两种方法都判定为非建筑物区域；
步骤15：计算像素集合
Figure GDA00030100854500000916
和
Figure GDA00030100854500000917
中像素的交叉概率值P(C1|B1,B2)和P(C2|B1,B2)，公式为
Figure GDA00030100854500000918
其中，
Figure GDA00030100854500000919
Figure GDA0003010085450000101
P(C2|B1)＝1-P(C1|B1)
Figure GDA0003010085450000102
P(C2|B2)＝1-P(C1|B2)，∑B1B2表示集合B1B2中的元素个数；
步骤16：对像素集合
Figure GDA0003010085450000103
和
Figure GDA0003010085450000104
中的各个像素执行下面操作，以某个像素为中心，设置大小为N正方形滑动窗口，分别计算此滑动窗口内所有像素的概率之和
Figure GDA0003010085450000105
和
Figure GDA0003010085450000106
如果
Figure GDA0003010085450000107
则将此像素归为城市建筑物区域，否则将此像素归为非城市建筑物区域。
本发明采用交叉概率融合的方法来提高建筑物检测的精度，提高建筑物检测精度的原理是：对这两种方法检测到的建筑物区域和非建筑物区域都取交集，得到建筑物区域和非建筑物区域的高可信区域，其它区域像素依据数据融合里面的交叉概率融合方法来重新归为建筑物区域或非建筑物区域。
下面通过实验对本发明的效果做进一步的说明：
1、实验内容
实验使用数据是由星载雷达传感器Radarsat-2获取的San Francisco(旧金山)地区C波段数据，方位向分辨率为4.82米，距离向分辨率为4.73米，包含多种地物类型诸如森林、建筑物、海洋等；
实验过程如下：分别采用Wei Zhai等人的文章[Fusion of polarimetric andtexture information for urban building，2015]中的建筑物检测方法与本发明基于概率融合的极化SAR图像建筑物检测方法对上述极化数据进行检测。极化协方差矩阵对极化数据采用5*5的滑窗计算得到。参数设定为检测门限值γth＝0.65，m＝30和n＝30。
2、实验数据分析
在图2中，由于建筑物的几何构造与角散射器相似，后向散射的功率显著强于森林和海洋区域，图中呈现较为明亮白色。图3和图4分别是[Fusion of polarimetric andtexture information for urban building]和本文发明方法的建筑物检测结果。结果为二值图，即建筑物区域为白色，非建筑物区域为黑色。从图中可以看到图3中存在大量的森林区域被检测为建筑物，如椭圆内区域，从后向散射功率图中可以看出对应区域为森林。图4中，这些森林区域基本为黑色，即检测为非建筑物区域。对比图3和图4可知，本发明方法检测效果优于对比方法，图中大部分建筑物、道路以及城区目标都能被检测出来。
为了定量评估这两种不同建筑物检测算法，以图2为地面真实类别图，我们选择98846个像素(图中的矩形区域)作为测试样本来计算这2种检测算法的精度。测试样本中41760个像素为建筑物，57086个像素为自然地物。表1为不同检测结果的精度对比，可以看出，相较于对比方法，本发明方法将建筑物判断为自然地物的概率明显降低，从而提高了建筑物检测精度。
表1 San Francisco数据两种方法精度对比(单位为百分比)
检测方法 建筑物 自然地物 总体精度 Kappa系数
Wei Zhai方法 72.3 78.5 74.2 0.591
本发明方法 86.4 92.3 89.3 0.767
本发明所提出建筑物检测方法总体精度提供15％左右，Kappa系数达到0.767。通过上述星载San Francisco数据数据实验结果表明，本文方法能很好地对城区建筑物进行检测。
综上所述，本发明方法对极化数据进行建筑物检测能更有效的利用建筑物的散射机理和物理结构，检测精度优于传统使用的融合方法。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的包含范围内。

Claims (10)

1.一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于，包括以下步骤：
A、对极化SAR图像中的像素进行散射矩阵S设定和散射矢量k构造的步骤；
B、由散射矢量k计算像素的极化协方差矩阵[C]的步骤；
C、由散射矩阵S计算线散射模型参数ρ和γ的步骤；
D、由线散射模型参数ρ和γ构造线散射模型，计算线散射协方差矩阵[Cw]、线散射加权系数fw和螺旋体散射加权系数fh的步骤；
E、由极化协方差矩阵[C]计算极化方位角θpoa的步骤；
F、消除极化方位角θpoa，构造体散射模型，计算体散射加权系数fv和体散射功率Pv的步骤；
G、计算螺旋体散射功率Ph和线散射功率Pw的步骤；
H、由散射矩阵S计算偶次散射功率Pd和面散射功率Ps的步骤；
I、通过计算建筑物的区域功率Pu，判断像素是否为建筑物区域，并将该判定结果下，所有的建筑物区域像素构成建筑物像素集合B1；
J、对极化SAR图像中的像素进行相干矩阵<[T]>计算的步骤；
K、利用相干矩阵<[T]>进行两个极化相干系数γ1(θ)的最大值和γ2(θ)的最小值的计算的步骤；
L、通过计算像素的极化相干系数比γr，判定像素是否为建筑物区域，并将该判定结果下，所有的建筑物区域像素构成建筑物像素集合B2；
M、对建筑物像素集合B1和建筑物像素集合B2进行交叉概率融合，得到确定建筑物区域的步骤；
其中，所述步骤D的具体操作方法为：
(1)、由公式
Figure FDA0003010085440000011
构造得到线散射协方差矩阵[Cw]，其中，*表示复数共轭，|g|表示复数的模运算；
(2)、依据公式
Figure FDA0003010085440000012
和
Figure FDA0003010085440000013
依次计算线散射加权系数fw和螺旋体散射加权系数fh，其中，SHH、SHV、SVH、SVV均为散射矩阵S中的元素，<·>表示集合平均，im(g)表示复数的虚部；
所述步骤F的具体操作方法为：
计算判定条件
Figure FDA0003010085440000021
的值，若该值为正，则执行下面步骤中的(1)，否则执行步骤中的(2)；
(1)、计算体散射比值系数
Figure FDA0003010085440000022
利用公式
Figure FDA0003010085440000023
构造体散射模型矩阵Cv1，设置变量x＝Cv1(1,1)，y＝Cv1(3,3)和z＝Cv1(1,3)，其中，Cv1(i,j)表示矩阵Cv1中第i行第j列元素，利用公式
Figure FDA0003010085440000024
计算体散射加权系数fv，利用公式Pv＝fv×trace(Cv1)计算体散射功率Pv，其中，trace(Cv1)表示矩阵Cv1的对角线元素之和；
(2)、计算体散射角度系数
Figure FDA0003010085440000025
利用公式
Figure FDA0003010085440000026
构造体散射模型矩阵Cv2，设置变量x＝Cv2(1,1)，z＝Cv2(1,3)和y＝Cv2(3,3)，其中，Cv2(i,j)表示矩阵Cv2中第i行第j列元素，利用公式
Figure FDA0003010085440000027
计算体散射加权系数fv，利用公式Pv＝fv×trace(Cv2)计算体散射功率Pv，其中，trace(Cv2)表示矩阵Cv2的对角线元素之和，
Figure FDA0003010085440000028
C11、C12、C13、C23、C33为极化协方差矩阵[C]中的元素，re(g)表示取复数的实部；
所述步骤J中，设极化SAR图像中某个像素对应的相干矩阵为
Figure FDA0003010085440000031
该相干矩阵<[T]>由公式<[T]>＝[A]<[C]>[A]-1计算得到，其中，
Figure FDA0003010085440000032
Figure FDA0003010085440000033
2.根据权利要求1所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于，所述步骤A的具体操作方法为：设极化SAR图像中某个像素对应的散射矩阵为
Figure FDA0003010085440000034
在满足互易定理的后向散射情况下，SHV＝SVH，则该像素对应的散射矢量为
Figure FDA0003010085440000035
3.根据权利要求1所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于：所述步骤B中，利用公式
Figure FDA0003010085440000036
由散射矢量k计算得到该像素对应的极化协方差矩阵[C]；
其中，H表示矢量转置共轭，*表示复数共轭，<·>表示集合平均。
4.根据权利要求1所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于：在步骤C中，利用公式
Figure FDA0003010085440000037
和
Figure FDA0003010085440000038
计算线散射模型参数ρ和γ；
其中，|g|表示复数的模运算。
5.根据权利要求3所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于：所述步骤E中，利用公式
Figure FDA0003010085440000039
由极化协方差矩阵[C]计算得到极化方位角θpoa。
6.根据权利要求1所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于：所述步骤G中，利用公式Ph＝fh和Pw＝fw(1+|γ|2+2×|ρ|2)，分别计算螺旋体散射功率Ph和线散射功率Pw。
7.根据权利要求1所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于，所述步骤H的具体操作方法为：计算判定条件re(<SHHSVV>)的值，若该值为正，则执行下面步骤中的(1)，否则执行步骤中的(2)，其中，re(g)表示取复数的实部；
(1)、计算面散射系数
Figure FDA0003010085440000041
利用公式
Figure FDA0003010085440000042
计算偶次散射加权系数fd，利用公式Pd＝2fd计算偶次散射功率Pd，之后，利用公式fs＝|<SHHSVV>-y-fd|计算面散射加权系数fs，利用公式Ps＝fs(1+|β|2)计算面散射功率Ps；
(2)、计算偶次散射系数
Figure FDA0003010085440000043
利用公式
Figure FDA0003010085440000044
计算面散射加权系数，利用公式Ps＝2fs计算面散射功率Ps，之后，利用公式
Figure FDA00030100854400000415
计算偶次散射加权系数fd，利用公式Pd＝fd(1+|α|2)计算偶次散射功率Pd。
8.根据权利要求1所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于，所述步骤I中，利用公式Pu＝Pw+Pd+Ph计算建筑物的区域功率Pu，若像素满足Pu＞Ps，且Pu＞Pv，则判定此像素为建筑物区域，所有的建筑物区域像素构成建筑物像素集合B1。
9.根据权利要求1所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于，所述步骤K中，极化相干系数γ1(θ)的最大值的计算步骤为：在区间
Figure FDA0003010085440000045
的数值中取等间隔的m个值，设
Figure FDA0003010085440000046
为m个值中的第k个，利用公式
Figure FDA0003010085440000047
计算得到极化相干系数γ1(θ)的最大值
Figure FDA0003010085440000048
其中，极化相干系数γ1(θ)的计算公式为
Figure FDA0003010085440000049
其中，符号j为复数符号；
极化相干系数γ2(θ)的最小值的计算步骤为：在区间
Figure FDA00030100854400000410
的数值中取等间隔的n个值，设
Figure FDA00030100854400000411
为n个值中的第t个，利用公式
Figure FDA00030100854400000412
得到极化相干系数γ2(θ)的最小值
Figure FDA00030100854400000413
其中，极化相干系数γ2(θ)的计算公式为
Figure FDA00030100854400000414
所述步骤L中，利用公式
Figure FDA0003010085440000051
计算像素的极化相干系数比γr，若像素满足γr＞γth，则判定该像素为建筑物区域，其中，γth为预先设定的检测门限值，所有的建筑物区域像素构成建筑物像素集合B2。
10.根据权利要求1所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于，所述步骤M的具体操作方法为：
(1)、构造四个像素集合B1B2，
Figure FDA0003010085440000052
和
Figure FDA0003010085440000053
其中，B1B2表示步骤I和步骤L都判定为建筑物区域的像素集合，
Figure FDA0003010085440000054
表示步骤I判断为非建筑物区域步骤L判定为建筑物区域的像素集合，
Figure FDA0003010085440000055
表示步骤I判断为建筑物区域步骤L判定为非建筑物区域的像素集合，
Figure FDA0003010085440000056
表示步骤I和步骤L都判定为非建筑物区域的像素集合；
(2)、计算像素集合
Figure FDA0003010085440000057
和
Figure FDA0003010085440000058
中像素的交叉概率值P(C1|B1,B2)和P(C2|B1,B2)，计算公式为P(C1|B1,B2)＝P(C1|B1)Ex1P(C1|B2)Ex2和P(C2|B1,B2)＝P(C2|B1)Ex1P(C2|B2)Ex2，其中，
Figure FDA0003010085440000059
Figure FDA00030100854400000510
P(C2|B1)＝1-P(C1|B1)
Figure FDA00030100854400000511
P(C2|B2)＝1-P(C1|B2)，∑B1B2表示集合B1B2中的元素个数，C1表示建筑物像素集合，C2表示非建筑物像素集合；
(3)、对像素集合
Figure FDA00030100854400000512
和
Figure FDA00030100854400000513
中的各个像素执行下面操作，以某个像素为中心，设置大小为N正方形滑动窗口，分别计算此滑动窗口内所有像素的概率之和
Figure FDA00030100854400000514
和
Figure FDA00030100854400000515
如果
Figure FDA00030100854400000516
则将此像素归为城市建筑物区域，否则将此像素归为非城市建筑物区域。
CN201810141413.XA 2018-02-11 2018-02-11 一种基于概率融合的极化sar图像建筑物检测方法 Expired - Fee Related CN108710816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810141413.XA CN108710816B (zh) 2018-02-11 2018-02-11 一种基于概率融合的极化sar图像建筑物检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810141413.XA CN108710816B (zh) 2018-02-11 2018-02-11 一种基于概率融合的极化sar图像建筑物检测方法

Publications (2)

Publication Number Publication Date
CN108710816A CN108710816A (zh) 2018-10-26
CN108710816B true CN108710816B (zh) 2021-05-18

Family

ID=63866359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810141413.XA Expired - Fee Related CN108710816B (zh) 2018-02-11 2018-02-11 一种基于概率融合的极化sar图像建筑物检测方法

Country Status (1)

Country Link
CN (1) CN108710816B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871798B (zh) * 2019-02-01 2021-06-29 浙江大学 一种基于卷积神经网络的遥感影像建筑物提取方法
CN114581771B (zh) * 2022-02-23 2023-04-25 南京信息工程大学 一种高分异源遥感坍塌建筑物检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101699513A (zh) * 2009-10-29 2010-04-28 电子科技大学 一种基于极化特征分解的水平集极化sar图像分割方法
CN102609933A (zh) * 2011-12-16 2012-07-25 电子科技大学 一种极化sar图像的自适应相干变化检测方法
CN103529447A (zh) * 2012-07-02 2014-01-22 中国科学院对地观测与数字地球科学中心 面向城市区域的极化四分量分解方法
CN104318572A (zh) * 2014-10-31 2015-01-28 中南大学 基于极化方向角补偿的polsar图像海上目标检测方法
CN105445712A (zh) * 2015-11-11 2016-03-30 中国测绘科学研究院 极化sar多成分目标分解方法
CN105551021A (zh) * 2015-12-05 2016-05-04 中国人民解放军国防科学技术大学 基于多时相全极化sar的建筑物倒损率估计方法
CN105701481A (zh) * 2016-02-26 2016-06-22 民政部国家减灾中心 一种倒塌建筑物提取方法
CN105787450A (zh) * 2016-02-26 2016-07-20 中国空间技术研究院 一种基于高分辨率sar图像的城市地区建筑物检测方法
CN107330457A (zh) * 2017-06-23 2017-11-07 电子科技大学 一种基于多特征融合的极化sar图像分类方法
CN107527035A (zh) * 2017-08-28 2017-12-29 甘肃省地震局 建筑物震害信息提取方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101699513A (zh) * 2009-10-29 2010-04-28 电子科技大学 一种基于极化特征分解的水平集极化sar图像分割方法
CN102609933A (zh) * 2011-12-16 2012-07-25 电子科技大学 一种极化sar图像的自适应相干变化检测方法
CN103529447A (zh) * 2012-07-02 2014-01-22 中国科学院对地观测与数字地球科学中心 面向城市区域的极化四分量分解方法
CN104318572A (zh) * 2014-10-31 2015-01-28 中南大学 基于极化方向角补偿的polsar图像海上目标检测方法
CN105445712A (zh) * 2015-11-11 2016-03-30 中国测绘科学研究院 极化sar多成分目标分解方法
CN105551021A (zh) * 2015-12-05 2016-05-04 中国人民解放军国防科学技术大学 基于多时相全极化sar的建筑物倒损率估计方法
CN105701481A (zh) * 2016-02-26 2016-06-22 民政部国家减灾中心 一种倒塌建筑物提取方法
CN105787450A (zh) * 2016-02-26 2016-07-20 中国空间技术研究院 一种基于高分辨率sar图像的城市地区建筑物检测方法
CN107330457A (zh) * 2017-06-23 2017-11-07 电子科技大学 一种基于多特征融合的极化sar图像分类方法
CN107527035A (zh) * 2017-08-28 2017-12-29 甘肃省地震局 建筑物震害信息提取方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
An improvement of multiple-component scattering model with rotated covariance matrix for polarimetric SAR decomposition;Lamei Zhang等;《2015 IEEE 5th Asia-Pacific Conference on Synthetic Aperture Radar (APSAR)》;20151029;第489-493页 *
Compensation for Azimuth Angle or Scale Effect on Building Extraction in Urban Using SAR Scales of Polarization and Coherence;Ao Du等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20160630;第9卷(第6期);第2602-2610页 *
基于散射特征的极化SAR影像建筑物提取研究;闫丽丽;《中国博士学位论文全文数据库 基础科学辑》;20150415;第2015年卷(第04期);第A008-13页 *
基于非平稳性和极化相干系数比的PolSAR图像建筑物检测;范庆辉等;《电子与信息学报》;20161231;第38卷(第12期);第3238-3244页 *
极化SAR图像建筑物提取方法研究;孙萍;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140115;第2014年卷(第01期);第I136-1216页 *

Also Published As

Publication number Publication date
CN108710816A (zh) 2018-10-26

Similar Documents

Publication Publication Date Title
Bujor et al. Application of log-cumulants to the detection of spatiotemporal discontinuities in multitemporal SAR images
Mason et al. Automatic near real-time selection of flood water levels from high resolution Synthetic Aperture Radar images for assimilation into hydraulic models: A case study
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
CN103400137B (zh) 一种sar图像的建筑物几何参数提取方法
CN105701481B (zh) 一种倒塌建筑物提取方法
Jiang et al. InSAR coherence estimation for small data sets and its impact on temporal decorrelation extraction
US11747498B1 (en) Method, system, device and medium for landslide identification based on full polarimetric SAR
CN105389799B (zh) 基于素描图与低秩分解的sar图像目标检测方法
CN103529447A (zh) 面向城市区域的极化四分量分解方法
Xiang et al. Edge detector for polarimetric SAR images using SIRV model and gauss-shaped filter
CN103065320A (zh) 基于恒虚警阈值的sar图像变化检测方法
CN108710816B (zh) 一种基于概率融合的极化sar图像建筑物检测方法
Anderson et al. Analysis of ASCAT ocean backscatter measurement noise
Wang et al. A PolSAR ship detector based on a multi-polarimetric-feature combination using visual attention
CN104537675A (zh) 一种sar图像双边cfar舰船目标检测方法
Gao et al. TSPol-ASLIC: Adaptive superpixel generation with local iterative clustering for time-series quad-and dual-polarization SAR data
CN106022383B (zh) 基于方位角相关动态字典稀疏表示的sar目标识别方法
Zhang et al. A novel full-polarization SAR image ship detector based on scattering mechanisms and wave polarization anisotropy
CN114373135A (zh) 基于局部显著性特征度量的舰船目标检测方法
Liu et al. Representation and spatially adaptive segmentation for PolSAR images based on wedgelet analysis
Xu et al. The comparative study of three methods of remote sensing image change detection
Liu et al. Building damage mapping based on Touzi decomposition using quad-polarimetric ALOS PALSAR data
CN106960443A (zh) 基于全极化时序sar图像的非监督变化检测的方法及装置
Zhang et al. Anisotropic-scale-space-based salient-region detection for SAR images
CN105046707B (zh) 基于n阶多项式函数拟合海杂波的SAR图像船只检测方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210518

Termination date: 20220211