CN115797768A - 一种新型纹理特征的sar建筑物震害估计方法 - Google Patents

Abstract

本发明公开了一种新型纹理特征的SAR建筑物震害估计方法，首先将原始全极化合成孔径雷达(PolSAR)数据导入进行预处理，利用改进的Yamaguchi四分量分解(IYFD)方法对全极化合成孔径雷达数据进行极化分解，提取二次散射分量和体散射分量，将二次散射分量对应的全极化合成孔径雷达图像中的待识别地物，分类为平行完好建筑物，根据公式计算提取的全极化合成孔径雷达数据的SPAN图像，并根据公式计算全极化合成孔径雷达数据的MSD值；本发明对比仅采用传统的极化分解方法，有半数以上的完好建筑物从倒塌建筑物的混合地物中成功分离出来，不仅保证了足够高的损毁建筑物识别精度，还保证了较高的完好建筑物的正确识别精度，大幅提高了建筑物震害估计精度与可靠性。

Description

一种新型纹理特征的SAR建筑物震害估计方法

技术领域

本发明涉及建筑物震害估计技术领域，具体为一种新型纹理特征的SAR建筑物震害估计方法。

背景技术

建筑物是人类生活和工作的主要场所，也是城市地区最主要的经济实体构成元素，因此，破坏性地震发生后引起的建筑物倒塌，往往是造成人员伤亡和经济损失的最主要因素。震后，对建筑物损毁的评估是地震应急工作的首要任务之一。精准的建筑物震害评估结果能够给应急指挥决策提供最有益、最高效的参考。全极化合成孔径雷达数据既有合成孔径雷达成像不受太阳光照和云层遮挡的成像优势，又包含丰富的四个极化通道的信息量。由于全极化合成孔径雷达数据的信息量足够多，仅使用震后单景全极化合成孔径雷达影像识别震害信息，能够得到精度和速度的保障。全极化合成孔径雷达数据的处理和应用常常离不开极化分解，然而单一地采用传统极化分解方法容易造成倒塌建筑物的数量被过度估计，夸大震害程度。城区建筑布局常常是多样化的，除了平行完好建筑物具有典型的强散射建筑物合成孔径雷达成像特征，还存在一些方位建筑物，散射强度较弱，与倒塌建筑物具有相似的散射特性，因此这些方位建筑物常常被误识为倒塌建筑物。

在震后合成孔径雷达影像中，很多倒塌建筑(损毁建筑物)的墙体倒塌，造成墙体与地面形成的二面角结构毁坏，无法形成具有较强散射强度的合成孔径雷达图像二次散射特征，散射机制不再是二次散射占优，而是由体散射主导。这就使得倒塌建筑物比完好建筑物的散射强度弱。然而，在合成孔径雷达图像中还存在一种特殊现象，一些完好建筑物的排列方向与雷达飞行方向不平行，这类建筑称之为方位建筑物。由于方位建筑物的极化基被旋转，造成这类建筑具有较强的去极化效应，其主导散射机制为体散射，散射强度较弱。因此，方位建筑物与倒塌建筑物具有相似的散射机制和散射强度，在合成孔径雷达图像中相互混淆现象比较严重，常常造成损毁建筑物被过多评估。

发明内容

本发明的目的在于提供一种新型纹理特征的SAR建筑物震害估计方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种新型纹理特征的SAR建筑物震害估计方法，其方法包括如下步骤：

(S1)首先将原始PolSAR数据导入进行预处理，利用改进的Yamaguchi四分量分解方法对全极化合成孔径雷达数据进行极化分解，提取二次散射分量和体散射分量；

(S2)将二次散射分量对应的全极化合成孔径雷达图像中的待识别地物，分类为平行完好建筑物；

(S3)根据公式计算提取的全极化合成孔径雷达数据的SPAN图像，并根据公式计算全极化合成孔径雷达数据的MSD值；

(S4)为MSD选择合适的阈值，根据公式所示的分类规则，将极化分解得到的体散射分量划分为倒塌建筑物和方位建筑物；

(S5)最后，将方位建筑物和平行完好建筑物归并为完好建筑物，将倒塌建筑物定义为损毁建筑物类别。

优选的，所述步骤(S1)中，全极化合成孔径雷达的总功率图像数据包含所有极化通道的强度信息。

优选的，所述步骤(S3)中，使用SPAN图像计算全极化合成孔径雷达数据的计算方法如下：SPAN＝HH²+HV²+VH²+VV²。

优选的，所述步骤(S3)中，全极化合成孔径雷达数据的MSD值的计算方法为灰度共生矩阵(GLCM)，基于其中的均值和方差，提出均值标准差纹理特征指数(MSD)，MSD的计算方法如下：

式中，mean(·)和variance(·)分别表示计算(·)的基于GLCM的平均值和方差值。

优选的，所述步骤(S4)中，MSD的分类规则表示为：x属于体散射占优的建筑物，如果MSD值大于等于ε，则判断x为倒塌建筑物，如果MSD值小于ε，则判断x为方位建筑物。

优选的，所述ε表示利用MSD参数划分倒塌建筑物和方位建筑物的阈值，ε的计算方法如下所示：

式中，mean(·)表示计算(·)的平均值，CB和OB分别代表倒塌建筑物样本集合和方位建筑物样本集合。

与现有技术相比，本发明的有益效果如下：

1、本发明基于GLCM提出了一项新的纹理特征描述参数，名叫MSD，来改善建筑物震害被夸大估计的问题。同时，本发明结合改进的Yamaguchi四分量分解方法和MSD参数，提出了一种仅使用震后单景全极化合成孔径雷达影像识别建筑物震害的方案；

2、本发明对比仅采用传统的极化分解方法，有半数以上的完好建筑物从倒塌建筑物的混合地物中成功分离出来，不仅保证了足够高的损毁建筑物识别精度，还保证了较高的完好建筑物的正确识别精度，大幅提高了建筑物震害估计精度与可靠性；

3、本发明采用的全极化雷达数据包含的信息量远比单极化(single-polarimetric)和双极化(dual-polarimetric)模式的雷达遥感数据丰富，因为全极化合成孔径雷达包含HH、HV、VH和VV四个极化(polarimetric)通道，其中H代表水平极化，V代表垂直极化。因此，在只能使用震后一景合成孔径雷达数据进行建筑物震害评估的情况下，选择全极化合成孔径雷达数据作为数据源，震害识别精度会更高，震害评估结果会更可靠；

4、本发明基于全极化合成孔径雷达数据纹理特性提出一项新颖的纹理特征参数，即MSD，并利用MSD这个参数设计了建筑物震害识别方案，实验结果表明，基于本发明提出的MSD特征参数能够显著提高震害识别精度。

附图说明

图1为本发明标记了三类震区建筑物验证样本的玉树县城区的全极化合成孔径雷达彩色合成图像；

图2为本发明方位建筑物和倒塌建筑物的MSD及全极化合成孔径雷达数据总强度直方图曲线对比；

图3为本发明建筑物震害估计流程图；

图4为本发明玉树县震后三种类型建筑物的提取结果。

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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种新型纹理特征的SAR建筑物震害估计方法，其方法包括如下步骤：

(S1)首先将原始PolSAR(全极化合成孔径雷达)数据导入进行预处理，利用改进的Yamaguchi四分量分解方法对全极化合成孔径雷达数据进行极化分解，提取二次散射分量和体散射分量，全极化合成孔径雷达的总功率图像数据包含所有极化通道的强度信息；

极化分解方法能够分解出不同散射成分，在震后全极化合成孔径雷达影像中，不同状态的建筑物对应不同的散射成分。例如，一些排列方向平行于雷达飞行方向的完好建筑物，在本发明我们称之为平行完好建筑物，这种建筑的主导散射成分是二次散射分量，因此这类震区建筑的识别结果能够直接由极化分解产出。震区的倒塌建筑物与作为方位建筑物的完好建筑物都由体散射分量主导。在我们的研究设计中，为了更完整地识别完好建筑物(包括平行完好建筑物和方位建筑物)，我们采用改进的Yamaguchi四分量分解方法对全极化合成孔径雷达数据进行极化分解。

(S2)将二次散射分量对应的全极化合成孔径雷达图像中的待识别地物，分类为平行完好建筑物；

(S3)根据公式计算提取的全极化合成孔径雷达数据的SPAN图像，计算方法如下：SPAN＝HH²+HV²+VH²+VV²，并根据公式计算全极化合成孔径雷达数据的MSD值，全极化合成孔径雷达数据的MSD指数是基于灰度共生矩阵(GLCM)的二阶统计纹理特征计算的，基于GLCM的纹理特征较常用的8个二阶统计纹理参数主要是平均值，方差，对比，同质性，不相似，相关和二次矩。基于其中的均值和方差，本发明提出均值标准差纹理特征指数(MSD)，MSD的计算方法如下：

式中，mean(·)和variance(·)分别表示计算(·)的基于GLCM的平均值和方差值；

由极化分解方法产出的体散射成分中混合有方位建筑物和倒塌建筑物，虽然它们的散射机制和散射强度都相似，但是在全极化合成孔径雷达图像中，它们仍然具有不同的纹理表征现象。方位建筑物的纹理较规则，且细纹理较多，而倒塌建筑相对粗纹理较多，且纹理较杂乱，使用纹理特征指数能够较好地反应这两种建筑物的散射特征差异，进而区分这两种建筑物。在我们设计的研究方案中，将应用特征参数MSD对这两种震区建筑物进行分类识别，以改善倒塌建筑的过度分类现象，同时抑制方位建筑物被过度修正。特征参数MSD能够很好地描述方位建筑物和倒塌建筑物的纹理差异，从而较精确地判识这两种建筑。从图2可以看出，方位建筑物的MSD值小于倒塌建筑的MSD值，相比原始全极化合成孔径雷达数据总强度，MSD对这两种建筑具有更好的识别性能。

(S4)为MSD选择合适的阈值，根据公式所示的分类规则，将极化分解得到的体散射分量划分为倒塌建筑物和方位建筑物，MSD的分类规则表示为：x属于体散射占优的建筑物，如果MSD值大于等于ε，则判断x为倒塌建筑物，如果MSD值小于ε，则判断x为方位建筑物，ε表示利用MSD参数划分倒塌建筑物和方位建筑物的阈值，ε的计算方法如下所示：

式中，mean(·)表示计算(·)的平均值，CB和OB分别代表倒塌建筑物样本集合和方位建筑物样本集合；

(S5)最后，将方位建筑物和平行完好建筑物归并为完好建筑物，将倒塌建筑物定义为损毁建筑物类别。

实施例：

本发明将2010年4月14日发生在中国青海省玉树县的4.14Ms7.1玉树地震作为研究震例(简称玉树“4.14”地震)。这次地震的震中经纬度位于(

)。玉树县海拔高，气候干旱且寒冷。城区内的植被很少，分布稀疏，且大多为低矮植被，对震区建筑物识别的影响较小，故在本实施例中将忽略植被地类。利用玉树县的边界数据将城区周边的山体掩膜掉，仅针对城区进行建筑物震害估计实验。

实验数据是震后一天2010年4月15日使用中国航空合成孔径雷达制图***—SARMapper获取的P波段机载高分辨率全极化合成孔径雷达图像。该实验数据的距离向和方位向空间分辨率均约为1m。附图1给出了用于本发明实验的Pauli RGB图像的全极化合成孔径雷达数据。为了对本发明提出方法进行精度验证，本实施例分别为倒塌建筑物，方位建筑物和平行完好建筑物各选取了25000个验证样本。

根据前述方法，得到的ε计算结果为23.90，这与图2所示的倒塌建筑物和方位建筑物的MSD直方图曲线交叉分界线的值24基本一致。因此，在本实施例中，根据公式使用MSD参数对倒塌建筑物和方位建筑物进行分类时，分类阈值ε设置为23.90。

本实施例的建筑物震害估计结果如图4所示。图4是使用研究区玉树县的城区边界数据对城区周围的山体进行掩膜后，仅呈现城区建筑物震害情况的实验结果图。根据图1标识的倒塌建筑物，方位建筑物和平行完好建筑物三种建筑物的验证样本，对图4所示的建筑物震害估计实验结果进行精度评价，并将实验结果的精度评价混淆矩阵列在表1中。从表1可以看出，实验结果与参考样本均一致的对角线样本总数占总样本的80.65％，因此，采用本发明提出方法识别研究区三种建筑的总体正确识别精度达到了80.65％。

表1.三种建筑物识别结果的精度评价混淆矩阵

OA,CB,OB,和PB分别表示总准确度，倒塌建筑物，方位建筑物和平行完好建筑物

从表1可以得出采用本发明提出的方法提取建筑物震害信息，得到倒塌建筑物的正确识别率为82.43％；得到完好建筑物的正确识别率为80.30％。也就是说损毁建筑物和完好建筑物的识别率都在80％以上，这个识别结果对于损毁建筑物和完好建筑物是比较均衡的，既没有造成损毁建筑物的过高估计导致完好建筑物的过低估计，也没有造成低估损毁建筑物的数量而导致高估完好建筑物的数量。因此，可以说本发明提出方法产出的识别结果对于震后建筑物震害评估是安全可靠的，因为，损毁建筑物过度识别会导致救援资源的浪费，而损毁建筑物遗漏识别则会耽搁对被压埋人员的及时营救，非常危险。

从方位建筑物的正确识别数量来看，66.89％的方位建筑物从体散射分量中被成功分离出来了。如果这些方位建筑物都被误分为倒塌建筑物将会误导极多的救援人力和物资错误投放。传统的IYFD(四分量分解)方法将所有体散射分量的对应地物都分类为倒塌建筑物，虽然这种方法能够使倒塌建筑物识别率达到99.92％，但完好建筑物的正确识别率仅有46.33％。因此，利用传统的IYFD方法识别建筑物震害时，对体散射分量的不精确分类，会造成无节制地牺牲完好建筑物的正确识别率，来换取倒塌建筑物的正确识别率。

由于方位建筑物的MSD值小于倒塌建筑物的MSD值，因此，MSD的分割阈值设置地越小，倒塌建筑物的识别结果就越多，相应的倒塌建筑物被误识为方位建筑物的结果也越多，就会造成倒塌建筑物的过多估计以及完好建筑物的欠估计。反之亦然，MSD的分割阈值设置越大，倒塌建筑物的识别结果就越少，极易遗漏识别建筑物损毁区域，进而耽搁生命救援，给应急救援工作带来极大风险。因此，MSD对方位建筑物和倒塌建筑物两种建筑的分割阈值不能为了追求较高的方位建筑物矫正精度，而设置地过小，应当在保证倒塌建筑物正确识别率不小于80％的前提下适当设置MSD分割阈值的大小，以同时保证方位建筑物的正确识别率也达到80％以上。

综上所述：为了改善使用传统IYFD方法导致的倒塌建筑物过度分类的弊端，本发明提出了能够描述倒塌建筑物和方位建筑物两种建筑纹理特征差异的MSD参数，提出的MSD参数能够较好的区分这两种同为体散射占优的相似建筑物。MSD参数能够很好地表现出倒塌建筑物和方位建筑物的空间分布纹理差异。因此，本发明将MSD参数用于分拣传统IYFD方法识别的倒塌建筑物中混杂的大量方位建筑物，以提高建筑物震害识别精度。计算对应于全极化合成孔径雷达数据的SPAN图像的MSD图像，对全极化合成孔径雷达数据进行改进的Yamaguchi四分量分解后产出的体散射分量依据MSD参数值进行分割，进一步分为倒塌建筑物和方位建筑物。这项工作依据样本空间自动计算出的纹理特征参数分类阈值，无人工决策参与，提高了算法的自动化程度，简化了阈值选择过程，降低了人工选择阈值的误差，提升了算法的可移植性能。本发明提出方法大幅度改善了直接将改进的Yamaguchi四分量分解产出的体散射分量全部分为倒塌建筑物的灾害过度识别问题。从实验结果也能够看出，本发明提出的建筑物震害估计方法能够较好地识别出震区的损毁建筑物和完好建筑物，获得了比较高的建筑物震害识别精度。从传统IYFD方法产出的倒塌建筑物识别结果中成功剥离了66.89％的方位建筑物，显著提高了建筑物震害估计精度。

关于图3中英文注释：

PolSAR全极化合成孔径雷达

Original PolSAR data原始PolSAR数据

Preprocessing预处理

Improved Yamaguchi four-component decomposition改进的Yamaguchi四分量分解

SPAN image总功率图像

Double-bounce scattering component二次散射分量

Volume scattering component体散射分量

Parallel buildings平行完好建筑物

Oriented buildings方位建筑物

Collapsed buildings倒塌建筑物

Undamaged buildings完好建筑物

Damaged buildings损毁建筑物

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种新型纹理特征的SAR建筑物震害估计方法，其特征在于，其方法包括如下步骤：

(S1)首先将原始PolSAR数据导入进行预处理，利用改进的Yamaguchi四分量分解方法对全极化合成孔径雷达数据进行极化分解，提取二次散射分量和体散射分量；

(S2)将二次散射分量对应的全极化合成孔径雷达图像中的待识别地物，分类为平行完好建筑物；

(S3)根据公式计算提取的全极化合成孔径雷达数据的SPAN图像，并根据公式计算全极化合成孔径雷达数据的MSD值；

(S4)为MSD选择合适的阈值，根据公式所示的分类规则，将极化分解得到的体散射分量划分为倒塌建筑物和方位建筑物；

(S5)最后，将方位建筑物和平行完好建筑物归并为完好建筑物，将倒塌建筑物定义为损毁建筑物类别。

2.根据权利要求1所述的一种新型纹理特征的SAR建筑物震害估计方法，其特征在于：所述步骤(S1)中，全极化合成孔径雷达的总功率图像数据包含所有极化通道的强度信息。

3.根据权利要求1所述的一种新型纹理特征的SAR建筑物震害估计方法，其特征在于：所述步骤(S3)中，使用SPAN图像计算全极化合成孔径雷达数据的计算方法如下：SPAN＝HH²+HV²+VH²+VV²。

4.根据权利要求1所述的一种新型纹理特征的SAR建筑物震害估计方法，其特征在于：所述步骤(S3)中，全极化合成孔径雷达数据的MSD值的计算方法为灰度共生矩阵(GLCM)，基于其中的均值和方差，提出均值标准差纹理特征指数(MSD)，MSD的计算方法如下：

式中，mean(·)和variance(·)分别表示计算(·)的基于GLCM的平均值和方差值。

5.根据权利要求1所述的一种新型纹理特征的SAR建筑物震害估计方法，其特征在于：所述步骤(S4)中，MSD的分类规则表示为：x属于体散射占优的建筑物，如果MSD值大于等于ε，则判断x为倒塌建筑物，如果MSD值小于ε，则判断x为方位建筑物。

6.根据权利要求5所述的一种新型纹理特征的SAR建筑物震害估计方法，其特征在于：所述ε表示利用MSD参数划分倒塌建筑物和方位建筑物的阈值，ε的计算方法如下所示：

式中，mean(·)表示计算(·)的平均值，CB和OB分别代表倒塌建筑物样本集合和方位建筑物样本集合。

Images