基于高分辨率合成孔径雷达影像建筑物成像几何结构的震害特征分析

崔丽萍 王晓青 窦爱霞 金鼎坚

1) 中国北京100036中国地震局地震预测研究所 2) 中国北京100083中国国土资源航空物探遥感中心



基于高分辨率合成孔径雷达影像建筑物成像几何结构的震害特征分析

崔丽萍1)，王晓青1)窦爱霞1)金鼎坚2)

1) 中国北京100036中国地震局地震预测研究所 2) 中国北京100083中国国土资源航空物探遥感中心

传统的利用震后单幅合成孔径雷达(SAR)影像对建筑物的震害特征分析大多基于街区范围， 很少基于其成像几何结构． 本文基于高分辨率SAR影像上的建筑物成像几何结构， 分析了建筑物单体的震害特点， 建立了利用距离向线性灰度累加的方法提取规则未倒塌建筑物的叠掩区和阴影区及倒塌建筑物的倒塌区， 并在此基础上进行各几何特征区域的纹理特征， 如同质度、 不相似度和熵的计算及其组合特征分析， 由此建立了基于SAR影像建筑物成像几何结构的震害分析方法． 采用该方法对2010年玉树MS7.1地震震后玉树县城区的高分辨率SAR影像进行分析， 结果表明： 叠掩、 阴影和二次散射亮线是进行建筑物震害解译的有效几何结构特征， 其中叠掩区和阴影区的影像纹理特征具有较好的震害识别能力; 与传统的简单特征统计方法相比， 考虑建筑物SAR影像成像几何结构的特征统计法， 可以显著提高建筑物的震害识别能力.

合成孔径雷达(SAR) 遥感 玉树MS7.1地震 建筑物 成像几何结构

引言

航空遥感影像获取速度快、 分辨率高， 对灾害具有很强的宏观把握能力(王晓青等， 2003)， 因此在地震应急和震后灾情获取中的应用越来越广泛. 传统的光学遥感由于受阴雨天气的制约， 不能及时获取灾区的影像． 合成孔径雷达(synthetic aperture radar， 简写为SAR)是一种利用微波波段感知地物从而获取地物信息的主动式遥感技术， 其采用的微波波段较长， 能够很容易穿透云、 雾和雨． 例如： L波段(1.5 GHz)在雨量为150 mm/h的天气成像时， 电磁波能量的衰减不会超过0.01 dB/km； X波段(10 Hz)的TerraSAR和Cosmo/SkyMed卫星在大暴雨情况下衰减即使高达约4.23 dB/km时， 其成像效果也几乎不受影响(Brett， 2013). 由于SAR具有全天时和全天候的优势， 因此近年来在地震震后灾情信息的获取及评估中受到越来越广泛的关注．

随着2007年TerraSAR和Cosmo/SkyMed卫星的发射， SAR的分辨率已达到1 m， 机载SAR实验系统的分辨率已达到0.1 m(Brenner， Roessing， 2008)． 各国SAR系统发展迅速， 虽然高分辨率(分辨率等于或优于1 m)SAR影像的研究应用越来越多， 但是由于SAR系统独特的斜距成像方式以及SAR影像所特有的斑噪影响， 使得SAR影像的解译十分困难． 国内外研究者已尝试多种方法进行SAR影像的震害信息提取， 除目视解译外， 一般分为基于震前震后SAR影像的变化检测和只基于震后SAR影像的震害提取两种情况． 基于震前震后的变化检测一般利用的是SAR影像的相位(Yonezawa， Takeuchi， 1999； Ito， Hosokawa， 2003； Gambaetal， 2007)或者强度信息(Yonezawa， Takeuchi， 2001； Matsuoka， Yamazaki， 2004； Bruzzoneetal， 2014； Marinetal， 2015)． 随着SAR影像分辨率的提高， 建筑物在SAR影像上的叠掩、 二次散射和阴影等几何特征越来越明显， 一些研究者开始利用建筑物在震前震后SAR影像上的成像几何结构对建筑物震害进行检测(Guidaetal， 2010； Brett， 2013； 刘金玉等， 2013)． 但高分辨率SAR系统的发展时间不长， 在震前SAR影像缺失的情况下， 仅通过震后SAR数据来解译房屋震害成为不可或缺的技术(Dell’Acqua， Polli， 2011)， 包括利用震后SAR影像的极化(郭华东等， 2010； Sato， Chen， 2013)或者纹理信息(Pollietal， 2010； Dell’Acquaetal， 2011； Shietal， 2015)与震害建立一定的联系． 基于震后单幅SAR影像进行震害的提取， 目前大多还停留在对街区大小的尺度进行震害检测， 虽然能够满足地震应急的需求， 但仅利用单幅SAR影像进行震害提取仍很困难． 无论是利用震前震后SAR数据还是仅利用震后SAR数据， 随着高分辨率SAR系统的发展， 利用建筑物单体的成像几何结构进行震害分析将是未来利用震后高分辨率SAR数据进行震害检测的重要方向之一．

本文在对高分辨率SAR建筑物成像几何结构分析的基础上， 以2010年玉树MS7.1地震机载高分辨率SAR数据为信息源， 以同质度、 不相似度和熵纹理特征为特征指标， 对未倒塌建筑物SAR影像上不同成像几何结构(叠掩、 阴影)的影像特征进行分析， 并与倒塌建筑物倒塌区的特征进行对比， 以探讨不同震害程度建筑物SAR影像特征的差别， 以期为高分辨率SAR建筑物震害的提取方法和指标的建立提供理论依据．

1 研究方法

1.1 建筑物震害分级

建筑物在不同强度地震动作用下， 会产生不同程度的破坏． 目前在地震现场震害调查中， 一般将建筑物破坏划分为基本完好、 轻微破坏、 中等破坏、 严重破坏和毁坏等5个等级(中华人民共和国国家质量监督检验检疫总局， 中国国家标准化管理委员会， 2009). 高分辨率光学影像上， 建筑物的某些震害细节很难被检测到， 因此基于高分辨率光学影像的建筑物震害提取一般划分为3个等级(倒塌、 部分倒塌、 未倒塌)甚或4个等级(再增加未倒塌但可见轻微震害)(王晓青等， 2013)． 但由于SAR影像为斜距成像且受斑噪等的影响， 所以SAR影像建筑物震害提取等级一般不会超过3个(Shietal， 2015)． 作为初步研究， 本文只将建筑物的震害分成倒塌和未倒塌两个等级来进行分析．

1.2 高分辨率SAR影像建筑物成像几何结构

由于SAR的特殊成像方式以及高分辨率SAR的空间分辨率远小于建筑物的空间尺度， 因此SAR影像上同一建筑物在其空间位置及其邻近区域会形成不同的成像特征， 这些特征空间区域的组合， 形成了特殊的SAR成像几何结构． 因此， 仔细分析高分辨率SAR建筑物成像几何结构， 对于认识SAR影像建筑物震害特征以及寻找有效的震害提取方法与指标意义重大．

图1为依据SAR成像机理描述的一个典型平顶矩形房屋模型沿距离向剖面的后向散射特性所构成的成像几何结构． 假设该房屋模型表面均匀， 四周平坦， 房屋走向沿方位向， 其宽度为w， 高度为h， SAR传感器的入射角为θ． 受建筑物空间尺寸大小和传感器入射角的影响， 建筑物的后向散射机制分为h>wtanθ,h=wtanθ和h

地震发生后， 建筑物的坍塌破坏了规则建筑物的散射机制(图3a)， 使得建筑物的阴影等几何特征消失， 最明显的表现就是高亮二次散射亮线的消失， 而凌乱瓦砾所形成的角反射小， 在影像上则表现为一团杂乱的亮点(图3b)．

由此可见， 规则建筑物单体的SAR成像具有明显的空间几何特征， 叠掩、 二次散射亮线和阴影等相对于正常建筑物的特征改变是判断建筑物单体是否倒塌的有效特征， 也是我们基于高分辨率SAR影像建筑物成像几何结构特性建立目标有效解译方法的关键依据(唐侃， 2013)． 在SAR影像建筑物解译中， 通常以叠掩、 二次散射亮线和阴影等主要特征辨识建筑物(赵凌君， 2009)， 本文将试图分析这些特征与建筑物倒塌的关系．

图1 未倒塌建筑物的后向散射机制(引自Brunner， 2009)

图2 未倒塌建筑物的光学影像(a)和真实的SAR影像(b)， 红色箭头代表雷达视线方向(下同)

1.3 建筑物SAR影像纹理特征的选取

建筑物的叠掩、 二次散射亮线和阴影等空间图像， 可以采用不同的影像特征参数来表征， 本文将选择纹理特征来进行研究． 纹理特征不同于灰度和颜色等图像特征， 其主要通过像素及其周围空间邻域的灰度分布来表现(刘丽， 匡纲要， 2009)， 是一种反映像素的空间分布属性的图像特征． SAR图像含有丰富的纹理信息． Haralick等(1973)提出了灰度共生矩阵(gray-level co-occurrence matrix， 简写为GLCM)法， 该方法成为最常见和广泛应用的一种纹理统计分析方法． GLCM建立在估计图像的二阶组合条件概率密度的基础上， 能够反映图象灰度变化的二阶统计特征． 在基于GLCM的纹理特征中， 同质度可以反映图像的均匀性； 不相似度能够反映图像的不相似程度对灰度的空间排列； 熵能够反映纹理的复杂度． 本文选取这3个基于二阶矩阵的纹理特征， 对未倒塌建筑物的叠影区和阴影区以及倒塌建筑倒塌区(因特征趋同未分叠掩区和阴影区)来进行影像特征分析．

图3 完全倒塌建筑物的后向散射机制(引自刘金玉等， 2013)(a)及其光学影像(左)和SAR影像(右)(b)

同质度的计算公式为(Haralicketal， 1973)

(1)

式中,P(i,j|Dx,Dy)为滑动窗口W内相距为(Dx,Dy)的两个像素点在窗口中出现的概率， 其像素值分别为i，j(i,j=0, 1, 2， …，L-1)， 其中L为图像灰度级．

不相似度的计算公式为(Haralicketal, 1973)

(2)

熵的计算公式为(Haralicketal, 1973)

(3)

1.4 技术路线

图4给出了本文研究的技术路线． 在对高分辨率SAR强度影像进行裁剪、 配准和滤波等预处理后， 基于建筑物的成像几何结构对其震害特点进行分析. 在此基础上， 选取倒塌建筑物和未倒塌建筑物样本各28个， 采用通过距离向进行线灰度累加的方法， 较准确地确定未倒塌建筑物的叠掩区和阴影区， 同时提取倒塌建筑物的倒塌区， 以进行同质度、 不相似度和熵等纹理测度的计算分析．

图4 基于SAR影像建筑物成像几何结构的震害分析技术路线图

2 研究区域及其SAR影像选取与处理

本文以2010年4月14日玉树MS7.1地震的主要震害区玉树县城区(结古镇)为研究区域， 实验SAR数据选用国家测绘地理信息局于2010年4月17日获取的灾区高分辨率机载X波段的SAR强度影像， 如图5所示． 该影像的标称空间分辨率为0.5 m， 飞机航行方向为东西向， 雷达波束入射方向为由南向北． 同时， 以同日获取的分辨率为0.2 m的航拍光学影像作为参考．

图5 玉树地震后玉树县城区机载SAR影像和建筑物样本分布图红色为倒塌房屋， 绿色为未倒塌房屋

将震后SAR影像和光学遥感影像裁剪至玉树县主城区范围， 选取足量控制点， 采用样条函数法对其进行配准． 对震后SAR影像采用增强Lee滤波法进行滤波处理， 以降低斑噪的影响． 在光学影像的辅助下， 在震后SAR影像上选取了未倒塌房屋和倒塌房屋样本各28个(图5)． 对未倒塌建筑物尽量选取走向沿方位向的房屋， 对于走向不沿方位向的则根据二次散射亮线的位置进行相应角度的旋转．

3 建筑物震害特征计算及其结果

3.1 建筑物SAR影像成像几何结构的提取

在SAR影像上， 常规的边缘提取算法无法有效地提取出建筑物叠掩区及阴影区的准确位置， 本文采用沿距离向剖面进行线灰度累加的方法(邹斌等， 2009)来增强SAR影像上建筑物成像几何结构的边缘， 从而确定建筑物的叠掩、 二次散射和阴影区位置． 距离向线灰度累加是指沿距离向一定的起始与终止位置之间的各直线上的点灰度值逐一累加的方法， 对于建筑物边缘位置的确定具有较好效果. 本文对距离向线灰度累加结果取均值. 图1a几何结构中的两部分强度不同的叠掩(a+c+d和a+c)区分并不明显， 所以在提取中将两部分叠掩作为一个叠掩区域； 而图1c中的屋顶反射区宽度通常很小或者强度表现不明显， 所以暂不考虑屋顶这部分．

图6为图2中A，B两栋建筑物SAR影像距离向线灰度累加结果图， 从图中可以较准确地确定建筑物阴影、 二次散射和叠掩特征的位置及范围． 例如， 建筑物A在距离向上的叠掩为155—206像素位置， 二次散射区域为147—155像素位置， 阴影区域为47—147像素位置．

图6 图2b中两栋建筑物距离向线灰度累加结果图

Fig.6 The result of accumulated SAR intensity in range direction of the two buildingsAandBas shown in Fig.2b

3.2 纹理特征计算结果

在建筑物SAR影像线灰度叠加和几何结构提取的基础上， 再依据本文选择的纹理特征对未倒塌建筑物的阴影区和叠掩区以及倒塌建筑物的倒塌区进行同质度、 不相似度和熵纹理特征的分析． 纹理特征的计算采用3×3窗口， 偏移向量为(1， 1)．

按照本文分析方法所得到的建筑物SAR影像同质度、 不相似度和熵计算结果及纹理特征分析结果如表1和图7所示． 分别按照未倒塌建筑物的叠掩区、 阴影区以及倒塌建筑物的倒塌区， 对各纹理特征进行了均值及其不确定性(1倍标准方差)统计， 结果如表2和图8所示．

图7 SAR影像中未倒塌建筑物叠掩区、 阴影区及倒塌建筑物倒塌区的SAR影像纹理特征分析结果

样本编号未倒塌建筑物阴影区同质度不相似度熵叠掩区同质度不相似度熵样本编号倒塌建筑物倒塌区同质度不相似度熵10.690.781.270.176.802.0910.402.171.8920.611.001.540.195.952.1020.481.631.7630.750.621.080.352.771.9930.610.991.5240.800.430.890.432.041.8240.581.211.5250.770.561.000.461.881.7150.571.171.5360.840.350.730.551.331.5960.561.291.5970.770.501.010.412.581.8470.541.371.5980.690.781.260.195.742.1280.501.571.7190.810.430.880.372.361.9790.531.391.69100.670.821.320.323.321.99100.352.631.97110.690.761.300.422.111.88110.303.612.00120.670.891.280.451.721.83120.362.701.92130.650.971.410.362.671.93130.471.601.80140.700.681.240.471.881.75140.521.371.69150.720.681.170.264.532.05150.461.861.81160.770.491.060.205.112.11160.531.441.66170.790.490.950.382.391.95170.541.441.67180.780.580.930.274.082.05180.451.841.84190.760.521.030.471.741.75190.501.521.67200.730.681.090.312.802.02200.481.541.76210.840.340.750.332.921.96210.521.371.70220.810.470.810.303.382.05220.501.481.76230.690.771.300.313.072.02230.402.151.89240.740.601.160.372.291.96240.491.571.74250.690.771.270.313.132.01250.501.391.73260.760.731.030.322.942.00260.431.981.86270.621.001.490.381.991.92270.511.861.78280.720.651.180.372.611.93280.472.301.83

图8 未倒塌建筑物叠掩区、 阴影区及倒塌建筑物倒塌区纹理特征均值的1倍标准方差分布图

统计参数未倒塌建筑物阴影区同质度不相似度熵叠掩区同质度不相似度熵倒塌建筑物倒塌区同质度不相似度熵均值0.730.661.120.353.081.940.481.731.75标准方差0.060.190.210.091.390.130.070.560.13

4 讨论与结论

本文建立了基于建筑物及其震害SAR成像几何结构的纹理特征分析方法， 以2010年玉树MS7.1地震玉树县城区的SAR影像为数据源， 利用距离向线灰度累加法提取了28个未倒塌建筑物样本叠掩区和阴影区的成像几何结构特征， 同时提取了28个倒塌建筑物样本的倒塌区． 最终分析得到了未倒塌建筑物叠掩区、 阴影区以及倒塌建筑物倒塌区的同质度、 不相似度和熵纹理特征(表1和图7)及其统计结果(表2和图8)， 结果表明：

1) 未倒塌建筑物阴影区的同质度明显高于倒塌建筑物倒塌区, 而熵和不相似度则明显低于倒塌建筑物倒塌区.

2) 未倒塌建筑物叠掩区与倒塌建筑物倒塌区的同质度分布存在一定的交叉或重叠(图7a)， 但如果同时考虑叠掩区和阴影区的同质度， 则未倒塌建筑物与倒塌建筑物存在明显的差异或可分性(图8a)．

3) 对不相似度和熵分析可得到与2)类似的结果．

根据上述初步研究结果， 我们得到的结论如下：

1) 建筑物的叠掩、 阴影及二次散射亮线等几何结构特征是震害解译的有效特征．

2) 与传统的简单特征统计法相比， 考虑多个建筑物SAR影像空间几何结构的特征统计法， 可以显著提高建筑物震害的识别能力， 对于发展基于震后单幅SAR影像进行建筑物单体震害识别的方法与算法研究具有重要意义．

3) 未倒塌建筑物的阴影特征比较稳定， 不确定性小； 而倒塌建筑物的阴影可能完全或部分消失． 因此， 建筑物阴影特征(同质度、 不相似度、 熵纹理特征)具有较好的震害识别能力．

需要说明的是， 由于雷达影像成像较为复杂， 实际的SAR影像受雷达入射角、 周围环境以及建筑形态、 相邻建筑等的影响， 未倒塌建筑物并不总存在高亮的二次散射亮线和阴影， 给倒塌建筑物的震害提取结果增加了不确定性和误判． 因此， 仅通过震后单幅SAR影像来提取建筑物震害仍很困难． 但是， 以建筑物SAR影像几何特征为基础， 并辅以高分辨率光学影像和震前SAR影像等其它数据所发展的精细化算法将提高利用SAR影像进行建筑物震害解译的精度和自动化程度．

郭华东， 王心源， 李新武， 刘广， 张露， 阎世勇. 2010. 多模式SAR玉树地震协同分析[J]. 科学通报， 55(13): 1195--1199.

Guo H D， Wang X Y， Li X W， Liu G， Zhang L， Yan S Y. 2010. Yushu earthquake synergic analysis study using multi-model SAR datasets[J].ChineseScienceBulletin， 55(31): 3499--3503.

刘金玉， 张景发， 刘国林. 2013. 基于高分辨率SAR图像成像机理的震害信息分析[J]. 国土资源遥感， 25(3): 61--65.

Liu J Y， Zhang J F， Liu G L. 2013. An analysis of earthquake damage information based on imaging mechanism of the high resolution SAR image[J].RemoteSensingforLandandResources， 25(3): 61--65 (in Chinese).

刘丽， 匡纲要. 2009. 图像纹理特征提取方法综述[J]. 中国图象图形学报， 14(4): 622--635.

Liu L， Kuang G Y. 2009. Overview of image textural feature extraction methods[J].JournalofImageandGraphics， 14(4): 622--635 (in Chinese).

唐侃. 2013. 高分辨率SAR图像几何结构特性及解译方法研究[D]. 北京: 中国科学院电子学研究所: 44--47.

Tang K. 2013.ResearchonTargetGeometricCharacteristicsandInterpretationMethodsinHigh-ResolutionSARImages[D]. Beijing: Institute of Electronics， Chinese Academy of Sciences: 44--47 (in Chinese).

王晓青， 魏成阶， 苗崇刚， 张景发， 单新建， 马庆尊. 2003. 震害遥感快速提取研究： 以2003年2月24日巴楚-伽师6.8级地震为例[J]. 地学前缘， 10(特刊): 285--291.

Wang X Q， Wei C J， Miao C G， Zhang J F， Shan X J， Ma Q Z. 2003. The extraction of seismic damage from remote sensing image： A case study of Bachu-Jiashi earthquake withMS=6.8 occurred on Feb. 24， 2003[J].EarthScienceFrontiers， 10(Suppl): 285--291 (in Chinese).

王晓青， 窦爱霞， 孙国清， 丁香， 王龙， 袁小祥. 2013. 基于综合震害指数的玉树地震烈度遥感评估研究[J]. 地震， 33(2): 1--10.

Wang X Q， Dou A X， Sun G Q， Ding X， Wang L， Yuan X X. 2013. Intensity assessment of the 2010 YushuMS7.1 earthquake based on synthetic seismic damage index[J].Earthquake， 33(2): 1--10 (in Chinese).

赵凌君. 2009. 高分辨率SAR图像建筑物提取方法研究[D]. 长沙: 国防科学技术大学研究生院: 3--21.

Zhao L J. 2009.BuildingExtractionFromHighResolutionSARImagery[D]. Changsha: Graduate School of National University of Defense Technology: 3--21 (in Chinese).

中华人民共和国国家质量监督检验检疫总局， 中国国家标准化管理委员会. 2009. 建(构)筑物地震破坏等级划分(GB/T 24335—2009)[S]. 北京: 中国标准出版社: 1.

General Administration of Quality Supervision， Inspection and Quarantine of the People’s Republic of China， standardization Administration of the People’s Republic of China. 2009.ClassificationofEarthquakeDamagetoBuildingsandSpecialStructures(GB/T 24335—2009)[S]. Beijing: China Standards Press: 1 (in Chinese).

邹斌， 许可， 张腊梅， 李慧君. 2009. SAR图像建筑物三维信息提取方法研究[J]. 雷达科学与技术， 7(2): 95--101.

Zou B， Xu K， Zhang L M， Li H J. 2009. Study on extraction methods of three-dimension information of buildings in SAR images[J].RadarScienceandTechnology， 7(2): 95--101 (in Chinese).

Brenner A R， Roessing L. 2008. Radar imaging of urban areas by means of very high-resolution SAR and interferometric SAR[J].IEEETransGeosciRemSens， 46(10): 2971--2982.

Brett P T B. 2013.UrbanDamageDetectioninHighResolutionAmplitudeImages[D]. Surrey: Surrey Space Centre， University of Surrey: 5--6.

Brunner D. 2009.AdvancedMethodsforBuildingInformationExtractionFromVeryHighResolutionSARDatatoSupportEmergencyResponse[D]. Trento: University of Trento: 23--25.

Bruzzone L， Marin C， Bovolo F. 2014. Damage detection in built-up areas using SAR images[C]∥EncyclopediaofEarthquakeEngineering. Heidelberg: Springer: 1--30. doi: 10.1007/978-3-642-36197-5_222-2.

Dell’Acqua F， Gamba P， Polli D A. 2011. Earthquake damage assessment from post-event VHR radar data: From Sichuan， 2008 to Haiti， 2010[C]∥Proceedingsofthe2011JointUrbanRemoteSensingEvent(JURSE). Munich， Germany: IEEE: 201--204.

Dell’Acqua F， Polli D A. 2011. Post-event only VHR radar satellite data for automated damage assessment[J].PhotogrEngRemSens， 77(10): 1037--1043.

Gamba P， Dell’Acqua F， Trianni G. 2007. Rapid damage detection in the Bam area using multitemporal SAR and exploiting ancillary data[J].IEEETransGeosciRemSens， 45(6): 1582--1589.

Guida R， Iodice A， Riccio D. 2010. An application of the deterministic feature extraction approach to COSMO-SKyMed data[C]∥Proceedingsofthe2010 8thEuropeanConferenceonSyntheticApertureRadar(EUSAR). Aachen， Germany: VDE: 1--4.

Haralick R M， Shanmugam K， Dinstein I. 1973. Textural features for image classification[J].IEEETransactionsonSustems，ManandCybernetics， SMC-3(6): 610--621.

Ito Y， Hosokawa M. 2003. A degree of damage estimation model of earthquake damage using interferometric SAR data[J].ElectrEngJapan， 143(3): 49--57.

Marin C， Bovolo F， Bruzzone L. 2015. Building change detection in multitemporal very high resolution SAR images[J].IEEETransGeosciRemSens， 53(5): 2664--2682.

Matsuoka M， Yamazaki F. 2004. Use of satellite SAR intensity imagery for detecting building areas damaged due to earthquakes[J].EarthqSpectra， 20(3): 975--994.

Polli D A， Dell’Acqua F， Lisini G. 2010. Automatic mapping of earthquake damage using post-event radar satellite data: The story goes on[C]∥Proceedingsofthe30thEARSeLSymposium. Paris， France: 565--572.

Sato M， Chen S W. 2013. Detection of damaged area by polarimetric SAR[C]∥Proceedingsofthe2013Asia-PacificConferenceonSyntheticApertureRadar(APSAR). Tsukuba， Japan: IEEE: 451--454.

Shi L， Sun W D， Yang J， Li P X， Lu L J. 2015. Building collapse assessment by the use of postearthquake Chinese VHR airborne SAR[J].IEEEGeosciRemSensLett， 12(10): 2021--2025.

Yonezawa C， Takeuchi S. 1999. Detection of urban damage using interferometric SAR decorrelation[C]∥ProceedingsoftheIEEE1999InternationalGeoscienceandRemoteSensingSymposium. Hamburg， Germany: IEEE: 925--927.

Yonezawa C， Takeuchi S. 2001. Decorrelation of SAR data by urban damages caused by the 1995 Hyogoken-Nanbu earthquake[J].IntJRemSens， 22(8): 1585--1600.

Building damage analysis based on high resolution synthetic aperture radar imaging geometry

Cui Liping1)，Wang Xiaoqing1)Dou Aixia1)Jin Dingjian2)

1)InstituteofEarthquakeScience，ChinaEarthquakeAdministration，Beijing100036，China2)ChinaAeroGeophysicalSurveyandRemoteSensingCenterforLandandResources，Beijing100083，China

Traditional building damage detection using post-event synthetic aperture radar (SAR) imagery is usually performed based on street block area， few on imaging geometry structure (IGS). In this paper， the characteristics of individual damaged or undamaged buildings are firstly analyzed based on SAR IGS. Then a building damage analysis method based on SAR IGS is proposed by accumulating the SAR intensity in range direction in order to extract the layover and shadowing areas of undamaged buildings as well as the damaged areas of collapsed buildings. Next, we compute the texture features such as homogeneity， dissimilarity and entropy in these areas， and compare the composited texture features with undamaged and collapsed buildings. Finally, the post-earthquake airborne high resolution SAR data of YushuMS7.1 earthquake are collected and analyzed by using the above method. The results show that layover， shadow and double bounce are effective features of SAR IGS to identify whether a building is damaged or not， among which the texture features in layover and shadow-ing areas perform well. What is more， using SAR IGS can apparently improve the recognition ability of damage detection compared with traditional methods using statistical features. The SAR IGS is of great significance to study and application in detecting collapsed buildings from high resolution SAR imagery.

synthetic aperture radar (SAR); remote sensing; YushuMS7.1 earthquake; buildings; imaging geometry

崔丽萍， 王晓青， 窦爱霞， 金鼎坚. 2016. 基于高分辨率合成孔径雷达影像建筑物成像几何结构的震害特征分析. 地震学报, 38(2): 272--282. doi:10.11939/jass.2016.02.011.

Cui L P, Wang X Q, Dou A X, Jin D J. 2016. Building damage analysis based on high resolution synthetic aperture radar imaging geometry.ActaSeismologicaSinica, 38(2): 272--282. doi:10.11939/jass.2016.02.011.

国家自然科学基金(41404046)资助.

2015-10-19收到初稿， 2016-01-19决定采用修改稿.

e-mail: liping_cui@163.com

10.11939/jass.2016.02.011

P315.9， TU352.1

A