基于纹理分割融合的雷达遥感影像人工建筑识别算法
【技术领域】
[0001] 本发明涉及的是遥感模式识别技术领域，具体涉及一种基于纹理分割融合的雷达 遥感影像人工建筑识别算法。
【背景技术】
[0002] 生态环境是一个最为复杂的结构体，是不断创造人类社会文明的基础，它最主要 的两个特征是：增长性和动态性。这增加了利用遥感数据进行分析和认知的复杂度。随着 社会经济发展和科技的进步，社会化进程不断加快，人造地表（尤其是建筑物、道路等为 主的不透水层）逐渐取代以植被等为主的自然景观，引起城市土地利用/覆盖的根本变 化。SAR卫星图像与光学卫星图像相比具有全天时、全天候的特点，1997年Henderson首 次综述了SAR卫星数据应用于城市环境监测的现状和前景。特别是SAR图像最显著的优 点在于其能提供的复杂纹理信息，信号相位负载能比空间域强度信号提供更多的信息，因 此纹理信息在雷达影像提取城市建筑信息中起到的作用得到越来越多学者的赞同和支持。
[0003] 由于在城市区域环境中把地物类别看做块状聚集物要比单独的建筑单元更科学 也更有利于分类信息的提取，因此我们采用数学形态对空间纹理进行分割聚类，而非单像 素的方法进行人工建筑物识别。在高分辨率SAR数据中，特别是像低空无人机载/星载雷 达传感器获取的高分辨率SAR数据中，对同质性信息进行统计分割很有意义。分割的过程 可以看做根据某种准则把每个对象最终被确定为某种特定的城市土地覆盖类型。理想情 况下，如果一块区域能够被充分分割，那么这些分割结果或许可以利用一些空间特征，比如 说我们前面选择的空间特征，并根据一定的判断准则重新组合成为有意义的景观格局类别 (如建筑体)，也就是实现了典型目标识别目的。
[0004] 本发明提出的一种基于纹理分割融合的无人机载/星载雷达遥感影像人工建筑 识别算法，针对高分辨率SAR数据的特点，通过空间纹理分割和数学形态学的方法进行人 工建筑地类的提取。利用MORAN空间自相关指数评估每个目标值和其相邻元素的均值的相 似性度量来衡量局部同质化；利用GEARY空间指数识别像元和其相邻元素的高变异区域来 衡量局部相异性；利用GETIS空间指数识别聚集成块的很高或很低值的区域。寻找高相关 区域是非常有用的，特别是对于SAR数据，高相关区域表示区域的独特特征。因此基于空 间相关特征指数的人工建筑地类识别的主要思想就是，通过对SAR影像分割寻找识别可靠 的高亮目标区域，并利用这些高亮目标区域重建区域完整建筑群体。
【发明内容】
[0005] 针对现有技术上存在的不足，本发明目的是在于提供一种基于纹理分割融合的雷 达遥感影像人工建筑识别算法，解决了有效利用合成孔径雷达（SAR)遥感数据空间纹理特 征高精度提取建筑信息的问题。
[0006] 为了实现上述目的，本发明是通过如下的技术方案来实现：基于纹理分割融合的 雷达遥感影像人工建筑识别算法，其具体步骤为： (1) 输入SAR遥感影像数据； (2) 根据传感器类型确定影像分割比例因子和逻辑掩膜分割尺度； (3) 寻找并计算、筛选空间自相关结构指数特征和灰度共生矩阵纹理特征； (4) 根据掩膜尺度对空间特征指数和纹理信息进行逻辑掩膜，并利用数学形态学操作 过滤掩膜结果； (5) 将过滤的结果进行初步逻辑聚类，并寻找明显建筑区域； (6) 根据初步寻找的结果，再次逻辑聚类并结合数学形态学重建算法，更新完善明显建 筑区域； (7) 计算研宄区域的空间纹理特征，对空间纹理信息进行逻辑掩膜和数学形态学滤波， 并将滤波结果与第（5)步获取的初步信息进行逻辑与或融合； (8) 对逻辑与或结果进行密度分割； (9) 对密度分割结果进行数学形态学连通操作，并进行逻辑与或融合，更新明显建筑区 域结果； (10) 对两次提取的建筑信息进行逻辑聚类和融合，并通过数学形态学剖面重建，获取 最终建筑信息识别结果。
[0007] 作为优选，所述步骤（1)中，算法支持输入合成孔径雷达遥感影像类型多样，星载 SAR传感器获取的遥感影像和无人机载SAR传感器获取的遥感影像均可。
[0008] 作为优选，所述步骤（2)中输入的空间自相关特征是针对步骤（1)所输入的高分 辨率SAR遥感影像，经过局部空间自相关统计计算获得的局部空间特征因子，能够初步识 别建筑区域。
[0009] 作为优选，所述步骤（3)中输入的地物纹理信息是基于灰度共生矩阵GLCM统计计 算得到，GLCM纹理是对空间关联特征的有效补充，算法中能够对初步识别的建筑区域进一 步优化，提尚识别精度。
[0010] 作为优选，所述步骤（4)中分别提取与建筑类型高度正的自相关区域和负的自相 关区域方法。提取过程中用到的数学模型可表述为如下公式：
公式（1)中，Xi是空间单元i的属性值，wij为空间权矩阵，代表空间单元i和j之间的 影响程度。^是MORAN指数，取值范围为[_1，1]，正值表示该空间单元与邻近单元的属性 值相似，空间自相关性是正相关；负值表示该空间单元与邻近单元的属性值不相似，空间自 相关性是负相关；〇表示没有空间相关属性。
[0011] 公式（2)中，指数，取值范围一般为[0,2]，GEARY=1代表空间无关，小 于1为空间正相关，大于1时为空间负相关，当GEARY=2时有很强的空间负相关。因此可以 用来鉴定像元与邻近像元空间相似度。
[0012] 公式（3)中，匕表示GETIS空间指数，是基于距离权矩阵的局部空间自相关指标， 能探测高值聚集和低值聚集，Wij是单元i和单元j之间的距离权，正的GETIS表示单元邻 居的观测值高，负的GETIS表示单元邻居的观测值低。
[0013] 移除孤立小面积对象，并使用数学形态学填充对有意义的对象进行增长计算。算 法中阈值分割和数学形态学填充用到数学模型为：
公式（4)、（5)表示B对A的腐蚀和膨胀操作用集合论的表述，是数学形态学滤波填充 操作的基础，对于测量腐蚀和膨胀的数学模型如公式（6)和（7)所示，公式中S为标记图像， T为模板图像。当n=0时，D(S)=S，E(S)=S，因此通过迭代可以实现测量腐蚀和膨胀的数学 形态学重建。由于雷达图像中人工建筑具有聚集性和不连贯性，利用图像交集运算提取的 特征区域更有利于建筑区的识别。
[0014] 所述步骤（5)和（6)中得到的GETIS-0RD特征作为模板，进行数学形态学重建开闭 所用到数学模型为：
通过迭代来完成数学形态学填充、掩膜提取建筑区域。
[0015] 所述步骤（7)和（8)中将SAR影像中利用灰度共生矩阵提取的纹理特征进行交集 运算，并与空间相关特征提取的正、负相关区域交集，充分利用灰度共生矩阵纹理和空间自 相关特征纹理各自的优势，提高地类识别精度。
[0016] 作为优选，所述步骤（9)和（10)将不同纹理提取的建筑区域进行融合，并进行迭 代筛选，获取最终建筑识别结果。
[0017] 本发明解决有效利用合成孔径雷达（SAR)遥感数据空间纹理特征高精度提取建筑 信息的问题。首先对空间自相关纹理特征进行分割和数学形态学重建，预测出初级分类结 果，然后利用灰度共生矩阵纹理进行优化和融合，并再进行预测分类，最终实现SAR遥感影 像准确人工建筑地类高精度识别的目的。
[0018] 本发明充分利用SAR遥感影像中丰富在的空间纹理信息和人工建筑在雷达影像 中独特的成像特征，最大化挖掘数学形态学与逻辑聚类对SAR影像建筑识别的能力，能够 提高建筑信息的最终识别精度，同时具有易于实现、计算复杂度低等优点，可用于无人机载 或星载SAR遥感影像城区人工建筑信息提取、城区动态扩展监测，以及市区违规建筑排查 等相关的多种应用中。
【附图说明】
[0019] 下面结合附图和【具体实施方式】来详细说明本发明； 图1为本发明的步骤流程图。
[0020] 图2为本发明的星载PALSAR数据煤矿区人工建筑提取结果图。
[0021] 图3为本发明的星载PALSAR数据城区人工建筑提取结果图。
[0022] 图4为本发明的无人机载MINISAR数据城区人工建筑提取结果图。
【具体实施方式】
[0023] 为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合
【具体实施方式】，进一步阐述本发明。
[0024] 参照图1，本【具体实施方式】采用以下技术方案：基于纹理分割融合的雷达遥感影 像人工建筑识别算法，其具体步骤为： 步骤1 :输入SAR遥感影像数据 输入SAR遥感影像类型不特定，星载微波辐射计传感器获取的SAR遥感影像和无人机 机载微波辐射计传感器获取的SAR遥感影像均可。
[0025] 步骤2 :提取空间关联度纹理 利用Rook'scase临近规则统计计算研宄区MORAN,GEARY和GETIS-0RD空间关联度指 数，并转化为G=256灰度等级。
[0026] 步骤3 :提取灰度共生矩阵纹理 利用移动窗口计算提取研宄区灰度共生矩阵（GLCM)纹理信息，并转化为G=256灰度等 级。
[0027] 步骤4 :提取并优化空间相关区域。
[0028] 对空间指数进行分割并利用形态学做空间分析，分别计算提取与建筑类型高度正 的自相关区域和负的自相关区域。移除孤立小面积对象，并使用数学形态学填充对有意义 的对象进行增长计算。对优化后的对象图形进行交集运算，识别提取同时具有正的自相关 和负的自相关区域。
[002