一种基于全极化sar图像的快速滑坡提取方法
【技术领域】
[0001] 本发明属于图像处理技术领域，更为具体地讲，设及一种基于全极化SAR图像滑 坡灾害信息提取方法。
【背景技术】
[0002] 滑坡是发生最频繁且危害较大的众多地质灾害之一。因此，对滑坡进行研究是必 要且有意义的一项工作。滑坡形成的影响因素非常复杂，包括地形、地层岩性、地质构造、水 文地质条件和植被等。大多数滑坡的发生常常伴随着地震和暴雨，因此光学卫星往往很难 获得新发生滑坡的图像；另外，进入滑坡发生区域进行实地勘测也不现实。与光学传感器不 同的是，合成孔径雷达（Synthetic Aperture Radar)是一种主动式微波传感器，通过发射 和接收特定的电磁波来获取地表的散射信息。SAR不仅能全天时全天候的进行监测，同时 拥有能穿透部分植被和遮盖物的能力。因此在恶劣的气候条件下，比起传统的光学传感器 SAR有着尤其重要的意义。另外，SAR不仅可用于农作物生长监测与产量预估、森林植被覆 盖面积监控、海冰融化检测、地形沉降、灾害控制等方面，同时也可用于道路、机场、桥梁、车 辆等目标识别，因此在民用和军事侦察方面SAR都具有特殊的优越性。
[0003] 然而，与光学传感器不同，SAR属于相干微波成像系统，其数据反映的是成像区域 的地物与入射电磁波的相互作用，每个像素记录的是它所覆盖的地面区域的总回波强度。 对于目前的SAR系统而言，其分辨单元的尺寸一般都大于其分辨单元内的散射体。由于分 辨单元内多个散射体的随机分布，它们在分辨单元内相干叠加，使得SAR图像呈现颗粒状 的随机分布特性，导致总回波强度与子回波平均强度之间存在随机偏差，从而使SAR图像 呈现出相干斑现象。相干斑噪声的存在降低了图像的分辨率，对图像分割分类和目标识别 都造成了很大的困难。另外，SAR系统采用的是侧视技术。对于山区地区，根据SAR天线的入 射角的不同，会造成不同程度的阴影、叠掩和收缩现象，从而导致滑坡的识别与提取比一般 的目标识别更困难。现阶段国内外对于基于SAR图像提取滑坡信息的方法还有许多不足， 已有研究主要集中于滑坡预测及灾害信息提取，如何利用SAR图像快速提取大面积滑坡信 息是需要解决的难题。
【发明内容】
[0004] 本发明的目的在于克服现有技术的不足，提供一种基于全极化SAR图像的大规模 快速滑坡信息提取方法，W实现突发性大面积滑坡的提取。
[0005] 为实现上述发明目的，本发明基于全极化SAR图像的快速滑坡信息提取方法，其 特征在于，步骤包括W下：
[0006] (1)、获取全极化原始SAR图像
[0007] 在同一监测点，分别获取滑坡灾害发生前、后两幅全极化原始SAR图像；
[000引 （2)、对原始SAR图像进行预处理
[0009] 对两幅原始SAR图像分别进行福射校正、滤波、几何校正和配准，得到两幅基准 SAR图像；
[0010] (3)、对基准SAR图像进行特征提取
[0011] 利用化eeman分解和Cloude分解相结合，对两幅基准SAR图像分别进行特征提 取，再对基准SAR图像中的地物进行初始化分类，得到两幅初始化分类图；
[0012](4)、对初始化分类图中相似特征区域进行合并
[0013] 结合步骤（3)的特征提取，利用Wishart聚类算法分别将两幅初始化分类图中相 似特征区域进行合并，得到两幅最终分类图；
[0014] 巧）、根据滑坡形成前后的区域特征，利用变化检测算法对两幅最终分类图进行变 换检测处理，生成疑似滑坡区域图；
[0015] 化）、输出滑坡分布图
[0016] 设置处理窗口，再利用该处理窗口对疑似滑坡区域图进行形态学处理，确定出滑 坡信息分布图。
[0017] 其中，所述的步骤（3)中，对基准SAR图像进行特征提取的方法为：
[001引 （3. 1)、利用化eeman分解算法提取地物的散射机理
[0019] (3. 1. 1)、利用公式（1)求出体散射、表面散射和偶次散射的散射机理权重，并分 别标记为fv，fs，fd:
[0025] 其中，Si^、SYY、ShY为散射矩阵元素，*表示共辆转置，a，P为表面散射和偶次散射 权重；
[0026] (3. 1. 2)、结合散射机理权重，利用公式（2)计算出表面散射功率P,、偶次散射功率 Pd和体散射功率PY;
[0027] Ps=fs(l+|e|2)
[002引 Pd=fd(l+| 曰 |2)似
[0029] Pv= 8fv/3
[0030] (3. 1. 3)、取表面散射功率P,、偶次散射功率Pd和体散射功率PY的最大值，并作为 地物的散射机理：
[0031] Pd〇m=max[P曰，Pd'Pv]做
[0032](3. 2)、利用Cloude分解算法提取地物散射滴
[003引设散射矩阵的向量形式为V= [Si*+S"，Si*-S"，2SJ% *表示向量的共辆转置，贝U相干矩阵T为：
[0034] T = VXV* (4)
[0035] 对T进行特征值分解，得到特征值入：
[0042] (3. 3)、对地物进行初始化分类
[0043] 结合步骤化1)中地物的散射机理，W及步骤化。中地物的散射滴，将地物划分 为九个类别，即；
[0044]类别1;低滴-表面散射；(Pd，Pv)，0《H<0. 5;
[0045] 类别 2 ;中滴-表面散射；(Pd，Pv)，0. 5《H< 0. 9 ;
[0046] 类别3;高滴-表面散射；(Pd，Pv)，0. 9《H《1;
[0047] 类别 4 ;低滴-偶次散射；Pd>(Ps，Pv)，0《H< 0.5 ;
[0048] 类别 5 ;中滴-偶次散射；Pd>(Ps，Pv)，0. 5《H<0. 9;
[0049] 类别6 ;高滴-偶次散射；Pd>(Ps，Pv)，0.9《H《1 ;
[0050] 类别 7 ;低滴-体散射；Pv>(Ps，Pd)，0《H< 0. 5 ;
[0051] 类别 8 ;中滴-体散射；Pv>(Ps，Pd)，0. 5《H< 0. 9 ;
[005引类别9;高滴-体散射；Pv>(Ps，Pd)，0. 9《H《1。
[0053] 所述的步骤（4)中，对基准SAR图像中相似特征区域进行合并方法为：
[0化4]设<T>为视数为n的极化相干矩阵，<〉表示对相干矩阵T进行n视处理；则<T〉 服从复Wishart分布；
[0 化 5]
[0056] 其中，M表示相干矩阵T的统计均值，r表示gamma函数，Tr表示相干矩阵T的 迹，q表示相干矩阵T的阶数；
[0057] 先根据最大似然估计得到第m类的类中屯、Mm;
[005引
[0化9] 其中，Nm是属于第m，m= 1，2，…，9类的像素数，
[0060] 再采用最大似然准则对初始化分类进行聚类，并通过公式（8)得到每个像素的相 干矩阵T与属于第m类像素的相干矩阵类中屯、Mm的最大化似然距离d (T，M m)，其表达式为：
[0061]
[0062] 在聚类迭代过程中，Mm表示最新一次迭代中属于第m类的所有像素的相干矩阵的 平均值，即类中屯、；
[0063] 设迭代过程中所有类均满足均匀分布，则得到某一像素属于某一类的判断准则：
[0064]L(<T〉|Mi) > L(<T〉|Mj')，j = 1，2，…，m，j 声 i (11)
[0065]选出每个像素离聚类中屯、Mm的最小距离d(T，Mm)，再将该像素归入对应的类别中， 完成相似特征区域的合并。
[0066] 所述的步骤巧）中，生成疑似滑坡区域图的方法为：
[0067] 设任意像素点P G Ii，qG 12, Ii和12分别为滑坡前、后两幅最终分类图；根据滑坡 形成前后的区域特征，对两幅最终分类图进行变换检测处理，得到疑似滑坡区域图；其中， 在变换检测过程中，最终分类图中的像素点是否为滑坡点的判断规则：
[0068] (5. 1)、如果像素点P不属于类别8,则判断所对应的区域为非滑坡点；
[0069] 巧.2)、如果像素点P属于类别8,其对应的像素点q不属于类别2,则判断所对应 的区域为非滑坡点；
[0070] 巧.3)、如果像素点P属于类别8,其对应的像素点q同时属于类别2,则判断所对 应的区域为滑坡点。所述的步骤化）中的具体方法为：
[0071] 设置处理窗口 W，疑似滑坡区域图为I ;利用设置的处理窗口对疑似滑坡区域图I 依次采用开操作、闭操作，去除疑似滑坡区域图I中由噪声引起或区域过小的疑似滑坡点， 从而输出滑坡分布图；
[0072] 其中，开操作流程为；使用处理窗口 W对疑似滑坡区域图I先进行腐蚀，再使用处 理窗口 W对疑似滑坡区域图I进行膨