一种对象级高分辨率sar影像洪水灾害变化检测方法
【专利摘要】本发明公开一种对象级高分辨率SAR影像洪水灾害变化检测方法，针对SAR影像中可能存在的与水体区域具有相似几何特征及波谱特征的虚假目标，造成大量的“伪变化”给洪水灾害变化检测造成的困难与干扰。因此，对每个时相影像进行轮廓波变换。在保持图像边缘特性的同时压制图像噪声，同时通过简单的样本训练选择最佳分解尺度，并在该尺度上通过分块直方图统计快速获取水体可能存在区域的标记点位置。进而采用基于标记点的分水岭分割以及区域合并策略获得水体的轮廓信息，并利用基于多种特征的判别规则进一步消除虚假目标的干扰。最后，根据配准结果直接比较多时相影像中所提取的水体轮廓，获得水体发生变化的区域。
【专利说明】-种对象级高分辨率SAR影像洪水灾害变化检测方法
【技术领域】
[0001] 本发明涉及一种对象级高分辨率SAR影像洪水灾害变化检测方法，属于高分辨 SAR影像洪水灾害变化检测【技术领域】。
【背景技术】
[0002] 洪水灾害是指由于降水导致的山洪爆发、堤坝溃坝、农田淹没、房屋损毁等现象， 是目前世界上危害最为严重的自然灾害之一。遥感影像由于具有时效性强、覆盖范围广泛 等优点，目前已成为了洪水灾害监测与评估的重要手段。由于水体对于014?215Lm范围 内的电磁波吸收率明显高于其他地物，因此水体通常表现为面状连续分布且整体亮度较低 的成片区域，这也是利用遥感影像进行洪水灾害变化检测的基础。
[0003] 目前全球用于洪水灾害监测的卫星主要包括美国陆地资源卫星Landsat TiUi 国SPOT系列资源卫星等光学遥感卫星，以及加拿大Radarsat SAR雷达卫星等。例如2012 年巴拉圭利用空间分辨率为10米的SPOT 5卫星对洪水进行了监测，我国利用ERS - 1/2 和Radarsat影像监测了 1998年发生在长江和嫩江流域的洪灾等。但是，由于传统资源卫 星的轨道周期较长，因此难以获得动态的洪灾信息，时效性较差。同时，光学卫星对难以穿 透云层的遮挡，在雨季很难获得可靠且清晰的可用影像。而合成孔径雷达SAR(Synthetic Aperture Radar)具有全天候、全天时成像、能够穿透云层、几何分辨率与传感器的波长和 高度无关等特性，从而能够有效揭示地面伪装及地貌结构，因此在洪水灾害监测中受到了 高度重视。
[0004] 近年来随着SAR影像空间分辨的不断提高（如分辨率为3m的意大利高分辨率雷 达卫星COSMO-SkyMed SAR影像等），为高分辨率SAR影像洪水灾害变化检测带来了新的机 遇，同时也带来了新的挑战：空间分辨的提高使SAR影像中的地物纹理特征更为精细，层次 更为丰富，但SAR影像固有的干斑噪声以及大量以纯象元形式出现的如小金属、小目标等 噪声造成的干扰也更加明显，因此需要有效的滤波方法进行去噪，同时能够保持图像细节 的特征；影像中与水体区域具有相似几何特征及波谱特征的虚假目标可能造成大量的"伪 变化"；如何在背景复杂的场景中准确定位水体区域并准确提取水体的轮廓是变化检测成 功的关键因素。
[0005] 针对洪灾前后水体区域这一特定目标的变化检测，可首先对多时相影像单独进行 分割，进而判断发生变化的区域，再通过分类提取出变化对象中属于水体的区域，从而获得 最终检测结果。但这种方法在不会将水体区域作为一个独立的对象进行分析，因而在变化 检测中忽略了水体区域独有的形状、光谱、面积等特征，难以获得可靠的水体区域变化检测 结果。同时，变化检测产生的误差积累也会对分类精度造成影响。而在单一时相影像中先 将水体提取作为独立的对象进行提取，再比较多时相影像间发生变化的水体区域，则能很 好的避免这些问题和局限。由于变化检测的目的仅关注水体变化信息，因此分类问题可转 化为如何准确提取影像中的水体区域这一关键问题。最后，只需根据配准结果直接比较多 时相影像中提取的水体区域即可获得最终变化检测结果。因而准确提取高分辨率SAR影像 中的水体轮廓、消除虚假目标造成的干扰是保证检测精度的关键因素。
[0006] 针对高分辨率SAR影像水体提取及变化检测问题，学者们已开展了一些研究工 作。目前主流的SAR影像水体检测方法主要分为三类：第一种是基于传统边缘检测的水 体提取方法。如朱俊杰等采用块追踪算法初步确定水体边缘所在区域，进而采用活动轮廓 (Snake)模型进一步精确定位水体边缘。但这种方法对噪声的鲁棒性较差，也容易受到虚假 目标的干扰。第二种方法通常直接通过阈值法对图像进行二值化分割，从而获得水体及非 水体区域。如戴光照等根据影像的灰度直方图采用阈值分割的方法实现了水体的提取。李 金基等进一步提出首先对差值影像和对数比图像进行融合，进而采用一种基于T-分布模 型改进的KI阈值法对融合影像进行分割，从而获得洪水灾害变化检测结果。这种方法原理 简单，易于实现，但基于阈值的影像分割对高分辨率SAR影像中的细节信息不敏感，因而难 以准确定位水体的边缘。第三种是基于支持向量机（SVM，Support Vector Machine)等分 类器的检测方法。如程明跃等通过模糊加权支持向量机对样本图像的纹理进行训练，获得 判别水体的决策函数，进而检测出SAR图像的水体区域，但这种基于分类器的检测算法复 杂度较高，且样本获取的代价较大。
【发明内容】
[0007] 发明目的：针对现有技术中存在的问题，本发明提供一种对象级高分辨率SAR 影像洪水灾害变化检测方法。针对SAR影像中可能存在的与水体区域具有相似几何特 征及波谱特征的虚假目标可能造成大量的"伪变化"。因此，对每个时相影像进行轮廓波 (Countourlet)变换。在保持图像边缘特性的同时压制图像噪声，同时通过简单的样本训练 选择最佳分解尺度，并在该尺度上通过分块直方图统计快速获取水体可能存在区域的标记 点位置。进而采用基于标记点的分水岭分割以及区域合并策略获得水体的轮廓信息，并利 用基于多种特征的判别规则进一步消除虚假目标的干扰。最后，根据配准结果直接比较多 时相影像中所提取的水体轮廓，获得水体发生变化的区域。
[0008] 技术方案：一种对象级高分辨率SAR影像洪水灾害变化检测方法，主要由几何配 准、基于轮廓波变换的噪声抑制及标记点提取、基于标记点的分水岭分割及区域合并、虚假 目标消除及变化检测组成。
[0009] 其中图像配准采用美国ITT视觉解决方案（Visual Information Solutions)的 ENVI软件；
[0010] 轮廓波变换主要包括两个步骤：
[0011] Stepl :采用多尺度拉普拉斯金字塔分解影像，捕捉影像中的奇异点信息。
[0012] LP分解是多尺度分析方法，每次分解过程都首先采用低通滤波器对上一尺度进行 滤波，进而进行下采样获得当前尺度的低频影像。对当前尺度低频影像做上采样操作，并 进一步利用低通滤波进行平滑，最后与上一尺度低频影像相减可获得当前尺度下的高频影 像。因此，LP分解没有对高频影像的方向进行划分，从而利于后续采用方向滤波器进一步 提取高频分量的方向信息。
[0013] Step2 :采用方向滤波器组（DFB，Directional Filter Bank)对高频影像进行方向 滤波。方向滤波器能够将某一方向上不连续的点连接起来构成轮廓段，从而利用这种基结 构来逼近原始影像；
[0014] 针对SAR影像中固有的相干斑噪声，首先采用轮廓波变换对配准后的多时相SAR 影像进行多尺度去噪。在轮廓波分解后的影像中，噪声对应较小的轮廓波系数，因此通常采 用硬阈值方法对噪声加以区分。采用如下多尺度策略：
[0015] St印1 :若原始影像尺寸为NXN像素，定义影像中像素的灰度值为= 1，2, 3. ... N)。定义分解层数M，进行方向为2M的轮廓波变换。
[0016] St印2:利用公式（1)对分解后第m(m= 1，2··· M)层的系数的方差δ 2 (m)进行估 计，如下所示：
【权利要求】
1. 一种对象级高分辨率SAR影像洪水灾害变化检测方法，其特征在于，主要由几何配 准、基于轮廓波变换的噪声抑制及标记点提取、基于标记点的分水岭分割及区域合并、虚假 目标消除及变化检测组成； 其中图像配准采用美国ITT视觉解决方案的ENVI软件； 轮廓波变换主要包括两个步骤： Stepl :采用多尺度拉普拉斯金字塔分解影像，捕捉影像中的奇异点信息； 每次分解过程都首先采用低通滤波器对上一尺度进行滤波，进而进行下采样获得当前 尺度的低频影像；对当前尺度低频影像做上采样操作，并进一步利用低通滤波进行平滑，最 后与上一尺度低频影像相减可获得当前尺度下的高频影像； Step2 :采用方向滤波器组对高频影像进行方向滤波； 针对SAR影像中固有的相干斑噪声，首先采用轮廓波变换对配准后的多时相SAR影像 进行多尺度去噪；在轮廓波分解后的影像中，噪声对应较小的轮廓波系数，采用硬阈值方法 对噪声加以区分；采用如下多尺度策略： Stepl :若原始影像尺寸为NXN像素，定义影像中像素的灰度值为4」(i, j = 1，2, 3. . . . N)。定义分解层数M，进行方向为2M的轮廓波变换； St印2:利用公式（1)对分解后第m(m= 1，2... M)层的系数的方差S2(m)进行估计， 如下所示：
其中，L (m)为第m层分解系数的数量； Step4 :采用硬阈值方法对不同方向、不同子带的系数进行处理； Step5 :进行轮廓波反变换，获得去噪影像； 最佳轮廓波分解尺度选择： 通过计算所选取水体样本的局部方差均值，选择均值最小的尺度为最佳分解尺度，并 认为在此尺度下水体内部的均质度最高，因此仅在此尺度下搜索可能存在水体的区域，并 提取标记点；最佳轮廓波分解尺度选择过程如下： 在图像去噪中，进行M层轮廓波变换后，每层取K = 2M个方向，则对图像分解得到MXK 个高频子带的轮廓波系数Wm，k，k= 1，2, 3，... K表示其对应的高频子带；分别利用公式（3) 计算各尺度下各个波段的相位一致值PCnu :
其中，An为Wnu傅里叶分解的n次谐波分量的幅度，cK(x)表示该相位偏移量分量在X 处的局部相位，石Cv)为所在点的傅里叶分量的加权平均相位；若所有傅里叶分量都具有一 致的相位则该比值为1 ;反之该比值最小值为0。 对各尺度下各个波段的相位一致值PCm，k，求梯度Gnu ;采用公式（4)融合个尺度下不同 波段相位一致梯度值： ￠,, = (4) 在原始图像中选取c个大小为dXd像素的水体区域作为样本，为了使个尺度下的样本 具有相同的地物面积，在各个尺度所对应相位一致梯度图的相同位置用不同尺寸的窗口对 水体样本进行采样，用公式（5)计算个尺度下水体的局部方差均值：
式中，〇 2m为尺度m下水体地物的局部方差均值；gX g像素为原始影像中样本区域在 当前尺度下的对应区域的尺寸；化(^)表示m尺度下坐标为（x，y)的像元的相位一致梯度 值；(I为采样样本的相位一致梯度均值；取〇 m2值最小的尺度作为最佳分解尺度，并在此 尺度下确定标记点位置。
2. 如权利要求1所述的对象级高分辨率SAR影像洪水灾害变化检测方法，其特征在于， 将待检测的低频图像进行分块处理，即将整幅影像等分为HXH像素大小的子图像，分别进 行标记点提取；由于高分辨率SAR图像中水体的灰度值较低且波动范围小的特点，即反映 为图像灰度的平均值和标准差较小，提出了基于分块直方图统计的标记点提取策略： Stepl :确定子图像尺寸；选择子图像尺寸与所选样本在当前尺度下的对应区域尺寸 一致，即令H = g，定义任意一个子图像为Ii，且i = 1，2. .. U，U为子图像总数； Step2 :对Ii进行"灰度均值规则"判别：计算子图像的灰度均值Ui，并与整幅影像的 灰度均值U进行比较；若满足U U，则将Ii标记为一个潜在的水体区域V，进入下 一步；否则不进行标记，重复St印2对下一个子图像进行判别； Step3:对Ii'进行"相邻性规则"判别：若Ii'存在左侧水平相邻或者上方垂直相邻的 子图像块，则以1/为中心在这两个方向上分别检测相邻的两个子图像；若有任一相邻子 图像已被检测最终标记为水体区域块，则对当前1/不做任何标记，对下一块子图像进行 判别。否则，将V标记为Ii"，进入下一步。 St印4 :对Ii"进行"直方图特征规则"判别：鉴于水体区域主要表现为亮度值较低的 成片区域，计算Ii"的灰度直方图后，处于水体区域的子图像直方图应为左边单峰形状；满 足如下条件的Ii"为水体区域：直方图峰值灰度级小于图像平均灰度级；峰值灰度级及其 右边8个灰度级的像素数和占所在区域像素数比例大于60% ;对满足条件的Ii"标记为 Ii"'，取Ii"'的中心像素点作为标识水体主要区域的一个种子点；否则，不进行标记； 重复St印2到St印4,遍历所有子图像，获得当前尺度下的标记点； Step5 :将当前尺度下提取的标记点映射到原始影像中的对应区域，取区域的中心作为 最终的标记点位置。
3. 如权利要求1所述的对象级高分辨率SAR影像洪水灾害变化检测方法，其特征在于， 基于标记点的分水岭分割及区域合并： 在利用标记点标记水体区域可能存在的位置后，对原始影像进行基于标记点的分水岭 分割；首先计算原始影像的梯度影像，将梯度影像中的每个像素的像素值作为点的海拔高 度值，将标记点作为积水盆地的底部；设定所提取标记点在梯度影像中的最大灰度值为阈 值I；，将所有灰度值小于Te的像素同样作为一个盆地的底部；将周围的像素按照海拔从低 到高逐个并入每个盆地底部所在的区域，构成相应的积水盆地；随着各个盆地的面积不断 扩大，当两个盆地的水流相汇时的边界，即为分水岭，对应分割结果中相邻对象的边界； 设定阈值Td，具体合并过程为：设分割结果中区域为R = {氏，i = 1，2, 3,. . .，N}，N为 区域总个数；各区域的灰度均值向量为U = (U1, U2，...，UN)，据此构建区域连接矩阵U =Inij, i, j = 1，2,. . .，N}，若Ri和Rj相邻，则Iiij = 1，否则Iiij = O ;区域合并过程如下： Stepl :根据分割结果生成区域邻接图； Step2 :对每一个与Ri相邻的区域Rj，计算灰度均值向量间的欧式距离，若位于阈值 Td的区间内，则进行合并，并更新区域邻接图，重复Step2 ;否则，直接对下一个区域进行判 别； St印3:重复St印2,直到没有需要合并的区域为止； 由于所提出的标记点提取策略已经标记出所有水体可能存在的区域，因此经过区域合 并处理后，分割结果仅保留包含标记点的部分区域，从而实现了水体区域的轮廓信息提取。
4.如权利要求3所述的对象级高分辨率SAR影像洪水灾害变化检测方法，其特征在于， 提取的水体区域依然可能存在一些虚假目标，为此进一步定义判别规则如下： 规则一：计算每个水体区域的平均灰度值，将大于整幅影像的灰度均值的区域判定为 虚假目标； 规则二：生成水体区域的灰度直方图，利用上述中提取水体区域标记点时提出的"直方 图特征规则"进行虚假目标判别； 规则三：计算每个水体区域的面积，设定阈值T_a，水体区域的面积应大于阈值Tarea，否 则为虚假目标； 符合以上规则的区域被判定为水体区域；最后，采用同样的策略分别提取多时相SAR 影像中的水体区域，并根据配准结果对这些区域进行比较，获得最终洪水灾害变化检测结 果。
【文档编号】G06T7/00GK104361582SQ201410573002
【公开日】2015年2月18日 申请日期:2014年10月23日 优先权日:2014年10月23日
【发明者】王超, 石爱业, 高红民, 徐立中, 黄凤辰 申请人:河海大学