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与流程

本发明属于sar图像识别技术领域，特别涉及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。

背景技术：

现有的多时相sar图像变化检测方法主要基于sar图像的强度图像，不同时相强度图像之间易受sar图像中固有的相干斑噪声及地表目标变化的影响，导致变化检测结果不能完全反映真实地物的变化。然而，城镇完好建筑物分布规则有序，通常在墙体、地面等形成大量的二面角结构，在sar图像中表现为亮度高的点，纹理特征明显。在sar图像形成过程中，二面角结构形成的角反射器受入射角与相干斑噪声的影响较少，纹理特征表现相对稳定，使得基于纹理特征的变化检测成为可能。同时在震区环境中，震害建筑物更为突出的是空间纹理特征而不是孤立的像素灰度信息，这也使得纹理分析成为震害图像解译的重要方法，现有基于纹理特征变化检测的方法通常是利用单一通道的纹理特征，未实现多特征融合与有效利用，造成潜在可利用信息的丢失。

技术实现要素：

本发明的目的在于：针对强度图像易受斑点噪声、地物变化影响，利用单一纹理特征易造成可利用信息丢失的问题，提供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。

本发明的技术方案为：基于多时相雷达图像纹理特征的震害建筑物识别方法，它包括如下步骤：

a.将震前sar图像i与震后sar图像i'建立对应关系；

b.主纹理分量计算；

主纹理分量计算是指通过主成分分析来分析获取多纹理特征的主成分分量；sar图像具有丰富的纹理特征，纹理特征可描述地表的空间分布状态和粗糙程度，是判别地物的重要标志；纹理特征分析方法中，统计分析法是最常用的方法之一，该方法通过设置一定窗口大小单元统计分析获取纹理特征，获取的特征参数主要描述纹理局部模式的随机和空间统计特征，从而可用来表达区域的一致性和区域间的相异性；

b1.统计分析得到震前sar图像i与震后sar图像i'中的两个或两个以上的纹理特征参数；

b2.将震前sar图像i中的两个或两个以上的纹理特征参数组合，计算多纹理特征的主分量；在获取主分量过程中，不需要参数设定和优化需求，所获得的主分量中的信息逐级减少，第一主分量包含了包含原纹理特征参数90％以上信息量，因此选择主成分分析后的第一主分量作为震前sar图像i的第一主分量；

同理得到震后sar图像i'的第一主分量；

c.特征相关性计算与分析；

设定计算窗口计算得到震前sar图像i与震后sar图像i'第一主分量的相关性图，相关性图中每一个像元的值代表相关系数r；相关系数的大小可反映地震前后图像中建筑物区域发生变化的程度；

式中：m和n为震前sar图像i与震后sar图像i'计算窗口大小，取奇数；yls，xls分别为震前sar图像i与震后sar图像i'第一主分量对应像元的特征值；分别表示震前sar图像i与震后sar图像i'第一主分量的区域特征平均值；

相关系数r取绝对值，取值范围为[0,1]，r的绝对值越接近1，两幅图像的线性关系越密切，即相似程度越高，说明震后建筑物破坏程度越小；越接近0，两幅图像的线性关系越差，即差异性越大，说明震后建筑物的破坏程度越严重；

d.相关性阈值统计与分类；

d1.在震后获取的光学遥感影像中随机抽取不同破坏程度的建筑物样本点，根据样本点分布，统计在相关性图中样本点所在位置的相关系数的大小；

d2.基于光学影像解译中建筑物样本点的破坏程度，对统计获得的样本点相关系数大小按照破坏程度进行分类，从而获取不同震害程度建筑物相关系数分类阈值范围。

进一步的，利用步骤d2获得相关系数分类阈值范围后，将震后光学遥感影像第一分量的相关性图像分为三类，进而获得不同震害程度建筑物的空间分布。

有益效果：本发明融合相关性分析与纹理特征主成分分量，实现震害建筑物的自动化提取，提取精度满足地震应急与评估的需求，相较于传统的sar图像震害建筑物识别方法，该方法识别精度有显著的提高，提取结果可为地震应急救援力量分配、灾损评估、灾后重建等提供科学的信息依据。

附图说明

图1是本发明的技术流程图；

图2为本发明实施例2中震害建筑物识别结果图。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例1

参见附图1，基于多时相雷达图像纹理特征的震害建筑物识别方法，它包括如下步骤：

a.将震前sar图像i与震后sar图像i'建立对应关系；本例中，利用基于sift特征点的图像匹配方法，建立震前sar图像i与震后sar图像i'的对应关系；

b.主纹理分量计算；

主纹理分量计算是指通过主成分分析来分析获取多纹理特征的主成分分量；sar图像具有丰富的纹理特征，纹理特征可描述地表的空间分布状态和粗糙程度，是判别地物的重要标志；纹理特征分析方法中，统计分析法是最常用的方法之一，该方法通过设置一定窗口大小单元统计分析获取纹理特征，获取的特征参数主要描述纹理局部模式的随机和空间统计特征，从而可用来表达区域的一致性和区域间的相异性；

b1.统计分析得到震前sar图像i与震后sar图像i'中的两个或两个以上的纹理特征参数；

基于灰度共生矩阵的纹理特征分析方法是统计分析方法中经典的方法之一，本例中采用该方法来计算获取纹理特征参数，纹理特征参数包括均值、方差、反差、熵、均质度、相异度、相关性和角二阶矩；

b2.将震前sar图像i中的两个或两个以上的纹理特征参数组合，计算多纹理特征的主分量；

本例中，利用主成分分析方法来计算多纹理特征的主分量，主成分分析是一种简单的非参方法，可在保留最大信息量的前提下，对原始图像特征进行线性投影变换，消除图像内部各通道之间的相关性，以抑制噪声，突出主要信息，其中心思想是在尽可能多地保留数据集方差的同时减少数据集的维度，在一定程度上增加信息识别所需要的特征信息和提高信息识别效率；在获取主分量过程中，不需要参数设定和优化需求，所获得的主分量中的信息逐级减少，第一主分量包含了包含原纹理特征参数90％以上信息量，因此选择主成分分析后的第一主分量作为震前sar图像i的第一主分量；

同理得到震后sar图像i'的第一主分量；

c.特征相关性计算与分析；

设定计算窗口计算得到震前sar图像i与震后sar图像i'第一主分量的相关性图，相关性图中每一个像元的值代表相关系数r；相关系数的大小可反映地震前后图像中建筑物区域发生变化的程度；

式中：m和n为震前sar图像i与震后sar图像i'计算窗口大小，取奇数，m和n的取值与影像分辨率有关，一般取3、5或7；

yls，xls分别为震前sar图像i与震后sar图像i'第一主分量对应像元的特征值；分别表示震前sar图像i与震后sar图像i'第一主分量的区域特征平均值；

相关系数r取绝对值，取值范围为[0,1]，r的绝对值越接近1，两幅图像的线性关系越密切，即相似程度越高，说明震后建筑物破坏程度越小；越接近0，两幅图像的线性关系越差，即差异性越大，说明震后建筑物的破坏程度越严重；

d.相关性阈值统计与分类；

d1.对震后获取的光学遥感影像进行目视解译，在光学遥感影像中随机抽取不同破坏程度的建筑物样本点，根据样本点分布，统计在相关性图中样本点所在位置的相关系数的大小；

d2.基于光学影像解译中建筑物样本点的破坏程度，对统计获得的样本点相关系数大小按照破坏程度进行分类，从而获取不同震害程度建筑物相关系数分类阈值范围。

进一步的，利用步骤d2获得相关系数分类阈值范围后，将震后光学遥感影像第一分量的相关性图像分为三类，即基本完好，中等破坏及损毁，进而获得不同震害程度建筑物的空间分布。

实施例2

利用实施例1所述的方法进行震害建筑物识别。

本实例采用的数据为单极化alos-2卫星数据，数据基本情况如表1所示。

表1数据基本情况

纹理特征分析过程中，灰度共生矩阵与所选的方向、步长、窗口大小及图像的量化等级有关，需要根据具体的影像纹理特征来选择生成灰度共生矩阵的参数。纹理分析是在遥感图像处理软件envi中实现。

获取8个纹理特征后，将其进行主成分分析，主成分分析是在遥感图像处理软件envi中实现。因后续的主成分分量涵盖信息量几乎为零，因此设置生成4个主成分分量，变换后各波段信息量统计见表2。第一主分量包含了96.39％的特征信息，第一主成分分量中涵盖了图像中能表征震害特征的主要信息，因此，本实例中选择第一主分量参与分析。

表1主成分变换后各主成分波段信息量统计表

对多时相sar图像特征相关性计算与分析；相关性分析采用的计算窗口设定为3，之后，在envi中对获取的相关性图像取绝对值将其值设定为[0,1]范围内。

在本实例中，根据调查图像，随机选取1102个样本像元(包括基本完好建筑物427个像元，中等破坏建筑物398个像元，损毁建筑物277个像元)，统计不同损毁程度建筑物样本所对应图像像元的特征值阈值范围，统计的阈值分布范围如表3所示。之后根据阈值分布范围，将相关性图像分为三类，分类结果如图2所示

表3三类方法不同震害程度建筑物分类阈值

实施例3

以日本交通省国土技术政策综合研究所发布的实地调查结果为基准，分别统计不同震害建筑物像元分布数目，构建混淆矩阵，计算建筑物识别的总体精度(oa)。计算方法如下：oa＝tp/total，其中tp表示被正确分类的像元总和，total表示分类图像的总像元数。

本方法与强度图像差值法变化检测(多时相sar图像差值运算，利用相同的建筑物样本来统计阈值获取不同损毁程度建筑物分类阈值)、强度图像相关性变化检测方法(多时相sar图像强度相关性分析，利用相同的建筑物样本来统计阈值获取不同损毁程度建筑物分类阈值)、单一纹理特征相关性变化检测方法(单一纹理特征图像相关性分析，利用相同的建筑物样本来统计阈值获取不同损毁程度建筑物分类阈值)相比，总体提取精度分别提高7.7％、5.7％和8.9％。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。