基于极化SAR的城市建筑物提取*

翟　玮，赵　斐（.甘肃省地震局，甘肃兰州730000；.甘肃省地震平凉中心地震台，甘肃平凉744000）



基于极化SAR的城市建筑物提取*

翟玮1，赵斐2
（1.甘肃省地震局，甘肃兰州730000；2.甘肃省地震平凉中心地震台，甘肃平凉744000）

摘要：城市建筑物信息与人类的生存息息相关，建筑物信息的提取在很多社会领域和科学领域都有着非常重要的意义。全极化SAR影像比单极化SAR影像所包含的信息量丰富的多，为了保证建筑物提取精度，本文利用全极化SAR影像提取城市建筑物信息。将经典的H/α/A-Wishart分类方法引入建筑物提取的研究中，不仅快捷简便，且能保证提取精度。选择一景极化SAR影像进行实验，由于实验数据自身的质量以及研究区域建筑物分布问题都对建筑物提取造成困难，尽管如此，利用该方法仍然保证了一定的建筑物提取精度。

关键词：雷达遥感；极化SAR；建筑物提取；极化分类；类别合并

建筑物是人类赖以生存的场所，是城市建设中最重要的组成部分。建筑物的识别和提取在城市规划、道路建设、土地利用调查等方面都具有非常重要的应用价值与指导作用，同时建筑物信息提取也是很多学者致力于研究的学术问题[1]。

从高分辨率的光学遥感影像中辨识建筑物，虽然直观易读，但易受太阳光限制，而合成孔径雷达（Synthetic Aperture Radar，SAR）穿透力强，不受天气条件影响[2]，是非常重要的遥感数据源。目前基于SAR提取建筑物的研究主要分为：使用单极化SAR影像提取建筑物[3]，使用InSAR图像提取建筑物[4]，使用光学影像和雷达影像融合的方法提取建筑物[5]。第一种方法相对后两种方法，对数据要求较低，简单实用。但是，单幅单极化SAR影像中建筑物的信息量非常有限，且易受噪声和局部强散射等因素的影响[1]，而全极化SAR影像记录了地物的四种极化状态，包含的目标信息量远远多于单极化SAR。因此，为了降低数据要求，提高建筑物识别精度，本文利用全极化SAR影像提取建筑物。

本文使用的方法主要是将建筑物视为一类典型地物，从而基于典型地物分类的思想进行建筑物提取。在提取PolSAR影像中地物的H-α-A极化特征后，再利用Wishart分类器进行聚类，然后将聚类结果合并到所需要的类别数，从分类结果中分离出建筑物。

1　建筑物提取方法

1.1建筑物提取流程

本文利用极化SAR影像提取建筑物的流程如图1所示，首先，提取极化SAR影像中的H-α-A极化特征；其次，对H-α-A形成的初始分类结果进行Wishart聚类；然后对聚类结果进行合并，根据本文所采用的实验数据，将典型地物分为三类，因此，将类别合并到三类；最后，从典型地物分类结果中分离出建筑物，从而实现建筑物的提取。

图1　建筑物提取流程

1.2极化特征提取与分类

本文采用经典的H/α/A-Wishart分类方法，该方法是由Pottier和Lee[6,7]在H/α-Wishart分类过程中为了进一步改善极化非监督分类结果而引入反熵A形成的非监督分类方法。其中散射熵H，平均散射角α和反熵A是三种极化特征参数，在由H和α两个极化特征形成的特征平面中，有8个有效区域，每个区域对应一种地物类别，反映不同的地物散射特性，利用H-α平面能够将地物分为8种类别。加入反熵A对这8种类别进一步划分为16种类别，但这些类别只是初始分类结果，还需要利用Wishart分类器对这16个初始划分类别进行Wishart聚类，以使分类结果更精确。在极化SAR分类应用中，Wishart分类器是应用最普遍、最适用的分类器之一。H/α/A-Wishart的详细计算可参考文献[6,7,10,11]。

1.3类别合并

本文采用聚合的层次聚类算法[9]将H/α/A–Wishart产生16个类别合并为三个类别，即建筑物、裸地和植被。与文献[9]不同的是，本文采用的类别合并准则不是两个类的类中心距离最小，而是两个类之间的异质性最小，即依据异质性最小准则进行类别合并。聚合的层次聚类算法是一个循环递减分类类别数的聚类算法。在每一次迭代过程中,计算出每两个类别间的异质性,如果某两个类之间的异质性最小，就将这两个类合并为一个新类，再将这个新类连同其他类代入下一次迭代。每一次迭代将两个类合并成一个新类，总类别减少一类。为了有效地计算各个类别之间的异质性,下面给出计算类别间异质性的表达式：

式中：Si和Sj分别代表第i类与第j类，Ni和Nj分别是第i类与第j类的像元数目，Σi和Σj别是第i类与第j类的类中心协方差矩阵，Σ是合并后的类中心协方差矩阵。在第m次迭代过程中，计算所有满足i≠j条件下的DS(Si,Sj)，找到最小的DS(Si,Sj)，若最小的DS(Si,Sj)对应的两个类别是a类和b类，即：

则将a类和b类合并成一个新类c类，c类与剩下的类别组成新的序列进行第m+1次迭代。

2　结果与分析

2.1实验数据

我们选择海地太子港的一景299×251大小的极化SAR影像作为实验数据，PauliRGB彩色合成图像如图2(a)所示，红色代表|HH-VV|、绿色代表|HV|、蓝色代表|HH+VV|。该数据是由NASA航空SAR系统UAVSAR在L波段获取的极化SAR数据，距离向分辨率为1.67m、视数为3，方位向分辨率为0.6m、视数为12，由于多视处理，图像的细部特征丢失较多，为建筑物提取工作增加了难度。用于评价提取结果的参考影像（如图2(b)所示）从Google Earth获得，并与极化SAR数据进行了配准。

图2　实验数据及实验结果

在评价参考图像中红色标记点为建筑物参考样本，黄色是非建筑物参考样本。在实验结果中白色是提取的建筑物，黑色区域是非建筑物。

2.2实验结果

根据图1所示的流程对实验数据进行建筑物提取，提取结果如图2(c)所示，白色区域为所提取的建筑物，黑色是非建筑物。在参考影像中选择一些建筑物样本点和非建筑物样本点作为验证样本，进行精度评价，在图2(b)中分别以红色和黄色标注。评价结果见表1。为了分析误分情况，我们将误分率也列于表1中，这里将总建筑类分类样本中本来是建筑类，却被误分为非建筑类的样本点，占总建筑类分类样本的比率定义为建筑物误分率；将总非建筑类分类样本中本来是非建筑类，却被误分为建筑类的样本点，占总非建筑类分类样本的比率定义为非建筑误分率。

表1　建筑物提取精度评价

2.3分析与讨论

从表1中可以看出，非建筑误分率明显比建筑物误分率低。建筑误分为非建筑的情况主要存在于：低矮的平顶房屋易被分成植被，或房屋被植被遮挡无法识别。将非建筑分为建筑的情况主要存在于：高大茂密的植被聚集成团状，易被误分成建筑。研究区域建筑分布稀疏杂乱，存在较多目标微弱的低矮建筑，有些还被浓密植被包围、遮掩，受植被干扰较大，加之原始数据的自身属性，使得建筑物提取难度较大，但本文使用H/α/A-Wishart极化分类方法仍然保证了一定的总体精度。

3　结论

由于极化SAR影像的信息量丰富，使用极化SAR影像提取建筑物能够保证提取精度。本文使用一景极化SAR影像，利用经典的H/α/A-Wishart极化分类方法对实验数据进行建筑物提取。由于研究区域的建筑物分布稀疏杂乱，目标微弱，加之原始影像的多视处理，给建筑物提取工作增加了困难。在分类过程中，误分类的情况主要存在于：1）低矮被误分为非建筑；2）经过多视处理的原始数据，建筑物棱角信息丢失较多，易被误分成圆顶植被；3）高大茂密的树木被误分为建筑；4）房屋被树木遮挡无法识别。针对这些抑制建筑物提取正确率的主要因素，今后还要继续开展低矮的平顶建筑及植被正确识别方法的研究。

参考文献：

[1] Zhai W, Shen H, Huang C, et al. Fusion of polarimetric and texture information for urban building extraction from fully polarimetric SAR imagery [J]. Remote Sensing Let ters, 2015, 7(1): 31-40.

[2]李宇龙.基于方差分量估计的InSAR三维形变估计[J].甘肃科技, 2015, 31(16): 61-63.

[3] Chellappa R. Advanced automatic target recognition[R]. College Park: Center for automation research,University of Maryland, 1998.

[4] Gamba P, Houshmand B, Saccani M. Detection and ex traction of buildings from interferometric SAR data [J]. IEEE Transactions on Geoscience and Remote Sensing. 2000, 38(1): 611-618.

[5] Tupin F, Roux M. Detection of building outlines based on the fusion of SAR and optical Features[J]. ISPRS Journal of Photogrammetry and Remote Sensing. 2003, 58(1): 71-82.

[6] Pottier E. Unsupervised classification scheme and topog raphy derivation of PolSAR data based on the H/α/A po larimetric decomposition theorem [C]//Proceedings 4th In ternational Workshop Radar Polarimetry, Nantes, France. 1998.

[7] Pottier E, Lee J S. Application of the《H/A/alpha》polari metric decomposition theorem for unsupervised classifica tion of fully polarimetric SAR data based on the wishart distribution[C]//SAR workshop: CEOS Committee on Earth Observation Satellites. 2000（450）: 335.

[8] Marino, A., S. R. Cloude, and I. H. Woodhouse. Detecting Depolarized Targets Using a New Geometrical Perturba tion Filter[J]. IEEE Transactions on Geoscience and Re mote Sensing, 2012（50）:3787-3799.

[9] Cao F, Hong W, Wu Y. An Unsupervised Classification for Fully Polarimetric SAR Data Using Cloude -Pottier Decomposition and Agglomerative Hierarchical Clustering Algorithm[J]. Acta Electronica Sinica, 2008, 36(3): 543-546.

[10] Lee J S, Grunes M R, Ainsworth T L, et al. Unsupervised classification using polarimetric decomposition and the complex Wishart classifier [J]. Geoscience and Remote Sensing, IEEE Transactions on, 1999, 37(5): 2249-2258.

[11] Lee J S, Grunes M R, Kwok R. Classification of multilook polarimetric SAR imagery based on complex Wishart distribution[J]. International Journal of Remote Sensing, 1994, 15(11): 2299-2311.

*基金项目：甘肃省地震局、中国地震局兰州地震研究所地震科技发展基金项目（2015M02）。

中图分类号：P237