基于极化SAR图像的建筑区提取方法研究

2017-10-13 22:23江畅何秀凤严汝琳孙喆牛雨李帅
航天返回与遥感 2017年2期
关键词:方位角极化纹理

江畅 何秀凤 严汝琳 孙喆 牛雨 李帅



基于极化SAR图像的建筑区提取方法研究

江畅1,2何秀凤2严汝琳1孙喆1牛雨1李帅3

(1南京邮电大学地理与生物信息学院,南京 210023)(2河海大学地球科学与工程学院,南京 210098)(3南京烽火软件科技有限公司,南京 210023)

建筑区提取对于城市规划和灾害评估具有重要的作用。文章提出融合极化方位角补偿的散射模型提取建筑区。首先对极化SAR图像进行极化补偿处理,使得建筑物的散射成分增强,然后融合极化分解得到的散射分量和纹理特征参数作为建筑区提取依据,最后使用面向对象的提取方法进行建筑区提取。采用美国San Francisco地区L波段星载AIRSAR数据和德国Oberpfaffenhofen地区L波段机载ESAR数据分别进行实验验证。结果表明,文中方法较好地识别并提取了建筑区,提高了建筑区的提取精度,可用于受灾建筑区提取以及城市建筑区信息获取。

极化合成孔径雷达 建筑区提取 极化方位角补偿 纹理特征

0 引言

在进行社会建设、地震监测和灾害救援中,建筑物是主要研究对象[1-2]。合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候、多极化等显著优势能力[3],能够有效提取建筑物区域。如文献[4]利用Terra-SAR-X数据和COSMO-SkyMed数据目视解译了地震灾害发生后城镇建筑物遭受的震害,根据建筑物排列关系、建筑物的纹理等方面来识别建筑物倒塌信息。除了纹理特征以外,极化特征也是极化SAR数据的主要特征。

近年来,国内外学者对极化SAR数据提取建筑物区域做了大量的研究。目前基于极化SAR图像数据处理的技术主要是Lee等人发展的目标解析与Wishart分类器结合的非监督分类方法[1]、Yamaguchi等人发展了四分量分解的非监督分类方法[5]等。在此基础上,文献[6]通过对目标对象做分割处理,然后利用特殊的纹理特征将影像中的建筑物与其他地物分离出来,实现了建筑物的半自动提取;文献[7]提出一种基于极化分解分类与结构特征相结合的复杂场景全极化SAR图像机场跑道检测方法;文献[8]利用H/ɑ/A特征平面的8个有效区域,引入反熵A将数据分成16个区域,最后利用Wishart进行聚类处理,将建筑物提取出来。文献[9]基于圆极化相关系数的选择性去取向,根据目标反射对称特性的差异更准确地区分建筑和植被,发展了一种综合利用三分量模型和Wishart分类的建筑提取方法。区别于利用极化信息的方法,文献[10]利用时频分析的方法进行提取建筑物;文献[11]提出了运用归一化相关系数进行人造目标的提取,取得了良好的效果。

上述方法对于提取建筑物都有很好的效果,但在提取精度上还有待提高。因此,本文在之前提取方法的基础上加入极化方位角补偿处理,以提高建筑物提取精度;并选取对建筑物表征显著的极化特征、纹理特征,对建筑物进行面向对象的识别和提取。AIRSAR数据与ESAR数据进行方法的验证结果表明,本文的方法在精度与技术实施的便捷性方面具有一定的优越性。

1 极化特征

1.1 极化分解

Freeman分解和Yamaguchi分解都是利用散射模型进行分解的极化分解方法。Freeman分解主要用表面散射、偶次散射和体散射三种散射成分表示散射目标[12],使得每一种地物都具有自己特有的散射表达。Freeman模型是基于散射对称性的,针对于大多数自然地物都具备散射对称性的属性,是可以准确描述的。但只要对象是非对称地物,该模型就会失准,这也是它最大的局限性。Freeman模型可表述为

式中为该像元的协方差矩阵;s、d、v分别为表面散射、偶次散射和体散射协方差矩阵;s为表面散射分解系数;d为偶次散射分解系数;v为体散射分解系数;表示水平发射水平接收后向散射反射系数与垂直发射垂直接收后向散射反射系数的比值;=,其中gh、vh表示地表的水平及垂直反射系数,gv、vv表示竖直墙体的水平及垂直反射系数,**分别表示、的共轭。

在Freeman分解的基础上,Yamaguchi分解针对于前者只适用于散射对称的情况,将互相对称这一条件无法满足的部分分解为一种新的散射成分——螺旋体散射[13],在城市地区地物识别方面取得了很好的效果。Yamaguchi分解模型为

式中h表示Yamaguchi新增加的螺旋散射分量的加权系数;h表示螺旋散射协方差矩阵。

本文应用Yamaguchi分解获取各散射成分的功率以及总功率[14],计算结果分别为

式中代表总功率;s,d,v,h分别代表表面散射、偶次散射、体散射和螺旋散射功率。

1.2 极化方位角补偿

在极化SAR图像中,极化方位角随机分布于每个像素点的目标中,使得后续所获得数据都含有一些观测误差[15]。正如Lee推导结论,可以利用极化方位角对散射矩阵进行地形影响补偿,本文中极化方位角对于极化相干矩阵的影响可表示为

式中′表示经过极化方位角旋转后的极化相干矩阵;表示关于极化方位角的旋转矩阵;T表示旋转矩阵的共轭转置矩阵;表示原始的极化相干矩阵。极化方位角补偿操作就是去除极化方位角的影响,相应的操作方法就是对每个目标都进行一个角度的逆向旋转,在数学意义上就是将得到′旋转一个反向的角,求出经过极化方位角补偿后的,这样使得每个像素点都处于一个类似于0°定向角的标准位置[16]。

为了更好的描述极化方位角补偿对于不同分解模型的影响,本文选取Yamaguchi四分量分解模型和Freeman三分量分解模型对典型的建筑物区域进行补偿差剖面分析(如图1所示)。

从图1中可以看到,利用不同分解模型得到的散射量中,进行过极化方位角补偿的螺旋体散射量变化幅度在10–8以内,故可认为螺旋体分量是经方位角旋转不变量。其中体散射分量比未补偿之前有所减小,偶次散射和表面散射分量虽有相应增加,但总散射量不变。由图1可知,经补偿后,建筑物的散射特征更为明显,尤其表现在偶次散射量上,其辐射量明显增多,这就为建筑物的提取提供了依据。

1.3 纹理特征

纹理是灰度随空间位置的不同导致分布不断交替变化而形成,具有空间相关特性[17]。纹理特征是自然界中普遍存在的一种不依靠于图像的颜色、大小、形状等属性的视觉特征。本文选用灰度共生矩阵来描述极化SAR图像。由于灰度共生矩阵是个复杂模型,在计算过程中的计算量较大。为便于实验研究,提高提取方法的效率,本文采用以下两种较为常用的特征参数来提取影像的特征。

式中代表对象中像元的个数;v代表单个像元的灰度值。

2)亮度:影像的亮度平均值。

式中μ代表这个多边形对象的平均灰度值。

(a)Yamaguchi四分量模型补偿差影像剖面图

(a)The compensation difference transect-analyze results on Yamaguchi four-component model

(b)Freeman三分量模型补偿差影像剖面图

2 建筑物区域提取流程

综合极化方位角补偿和纹理特征,本文提出建筑物区域提取流程(见图2)为:

1)对极化SAR图像进行滤波预处理,其中多视处理不仅可抑制斑点噪声,同时也满足空间数据压缩的需求[18],以减少噪声对建筑物提取的影响,降低建筑物提取的误差;

2)对极化相干矩阵(3)进行极化方位角补偿;

3)对极化方位角补偿后的3分别进行Yamaguchi分解和Freeman分解,将相关散射分量进行波段运算组合成新图像;

4)提取新图像的纹理特征(包括均值和亮度),依据分割参数(形状因子、紧密度因子和分割阈值)将其分割成单元对象;

5)面向单元对象,依据先验样本提取建筑物区域;

6)对所提取的结果进行精度评价,计算其总体精度和Kappa系数。

图2 新方法流程

3 实验与分析

3.1 实验数据

本研究分别以美国NASA/JPL的全极化AIRSAR系统和德国ESAR系统的两幅极化SAR数据为例,提取建筑物区域。实验一数据为AIRSAR系统在美国San Francisco地区获取的L波段数据(如图3所示),原数据以Stokes矩阵的形式保存,空间分辨率为10m。该区域主要地物类型有建筑物、植被、水体。实验二数据为德国Oberpfaffenhofen区域的ESAR高分辨率单视数据(图4所示),空间分辨率为3m,该区域主要包括建筑物和植被两种地物。

(a)卫星图

(a)Satellite map

(b)伪彩色合成图

(a)卫星图

(a)Satellite map

(b)伪彩色合成图

3.2 基于极化补偿的建筑物纹理特征提取

为了更加直观地分辨建筑区域的散射量主要集中于何种散射成分中,本文选择GoogleEarth高清卫星图中一处特征鲜明的建筑物进行剖面分析,分别对该数据进行Freeman和Yamaguchi分解,如图5所示。

图5 建筑区散射成分分析

从图5中可以看出来建筑物区域的主要散射分量为偶次散射量和体散射量。因此,为了便于利用纹理特征提取建筑区域,本文分别将Freeman分解和Yamaguchi分解得到的偶次散射量和体散射量合成为一幅图像,对两组数据分别进行波段运算得到散射成分合成图,如图6、图7所示。

影像目标地物分割时,为了能够用一个或几个多边形对象精确表示出目标地物,同时,又为了避免发生和其他影像地物融合为一类的现象,需要选用最适宜的一个分割尺度。因多尺度分割结果有利于面向对象分类结果的融合[19],故本文选择均值、亮度作为衡量纹理特征因子。经过实验验证后确定最适宜分割参数如下:分割阈值为50,形状因子为0.2,紧密度因子为0.6。分割后图像如图8所示,可以看出对于建筑区域来说,将相同的区域合并为一块,可以节省运算的时间,提高运算的效率;对于建筑群之间细小的间隙,都能够很清晰的分离出来,而不会和其他类别相混淆,建筑物提取的精度和效果得到提升。

(a)Freeman模型的散射分量合成图

(a)Freeman model for Scattering component composite graph

(b)Yamaguchi模型的散射分量合成图

(a)Freeman模型的散射分量合成图

(a)Freeman model for Scattering component composite graph

(b)Yamaguchi模型的散射分量合成图

(a)San Francisco分割结果

(a)The result of San Francisco segmentation

(b)Oberpfaffenhofen分割结果

针对植被区域和建筑区域易混淆这一问题,本文方法在一定程度上筛选出被错误提取的植被区域,提高了建筑物提取的精确度,降低了混淆的概率。其中,相比Freeman分解模型,Yamaguchi分解模型分解得到的数据在进行建筑区域提取后,其结果对建筑区域的描述更为细致且饱满,尤其是将原本没有识别的建筑区域很好的提取出来,降低了建筑物的错分率。建筑物提取结果如图9和图10所示。在其他参数、特征参数设定相同的情况下,与未进行极化补偿的方法相比,本文方法能够更好的保留建筑物区域。

(a)无极化补偿(Freeman)

(a)No polarization compensation(Freeman)

(b)无极化补偿(Yamaguchi)

(b)No polarization compensation(Yamaguchi)

(c)本文方法(Freeman)

(c)Polarization compensation(Freeman)

(d)本文方法(Yamaguchi)

(a)无极化补偿(Freeman)

(a)No polarization compensation (Freeman)

(b)无极化补偿(Yamaguchi)

(b)No polarization compensation (Yamaguchi)

(c)极化补偿(Freeman)

(c)Polarization compensation (Freeman)

(d)极化补偿(Yamaguchi)

3.3 实验结果与精度评价

地表各种地物类型间的特征直接影响到建筑物提取精度。一般来说,地物类型越简单,建筑物的特征值区分度越高,越容易得到较高的提取精度,而拥有类别复杂、特征值相似地物类型的地表则容易产生较大的误差。

混淆矩阵又称误差矩阵,是一个用于表示分为某一类别的像元个数与地面检验为该类别数的比较阵列。通常,阵列中的行代表参考数据,列代表由数据分类得到的类别数据。本文混淆矩阵的行向数据代表参考影像信息,列向数据代表被评价影像分类结果信息,行与列相交的部分概括了分类到与参考类别有关的某一特定类别中的样本数目。

基于混淆矩阵,统计一系列评价指标如总体精度、Kappa系数等。Kappa系数是采取整个影像混淆矩阵信息的一个精度指标,因其所包含的数据的整体性、全面性,所以被普遍认为是能够更加精确的反映图像精度的一个度量工具[20]。在数据处理方面,一般认为Kappa系数在[0.4,0.6)之间图像提取质量可被认为“好”,在[0.6,0.8)之间可被认为“很好”,在[0.8,1.0)之间可被认为“极好”。总体精度从定义上严格来讲就是正确提取的对象数与总体对象数的比值。地表真实图像或地表真实感兴趣区限定了目标对象的真实分类。

本次实验通过对比卫星影像图,在两组数据上分别选取了不同区域的典型样本点,建立精度评价样本,并对图像利用两个精度指标进行评价,精度评价结果如表1和表2所示。表1~2中样本总像元数代表样本区域中实际该类别的像元数目。

表1 San Francisco地区建筑物提取混淆矩阵及精度评价

Tab.1 Confusion matrix and accuracy assessment of San Francisco built-up areas extraction

从表1的数据可以看到,本文方法相对于无极化补偿的方法,被错分的建筑区域和非建筑区域所占总体比例是降低的,这就说明更多的建筑区域被正确识别、提取出来,使得提取结果的总体精度有很大程度的提高。

表2 Oberpfaffenhofen地区建筑物提取混淆矩阵及精度评价

Tab.2 Confusion matrix and accuracy assessment of Oberpfaffenhofen built-up areas extraction

根据实验二的精度评价结果可以对实验一的结论进行一个验证,表明该方法对于不同的数据源都具有可行性,并且在总体提取精度方面有显著提升。其次,在模型的选择上,针对非对称建筑物所建立的Yamaguchi模型,能将不同几何形状的建筑物提取出来,对于建筑物提取更具有优势。

综上分析,可以看出对不同的地区、不同的数据类型,本文提出的方法在建筑物提取精度上都具有一定程度的提高。相比无极化补偿的建筑物提取方法,本文方法提取的总体精度和Kappa系数都具有相应的提升。其中,建筑物提取的总体精度都大于80%,Kappa系数大于0.6。

4 结束语

本文结合极化方位角补偿和纹理特征提出了一种基于极化SAR图像的建筑物区域提取方法。通过对比实验发现,本文方法的总体精度和Kappa系数高于无极化补偿的方法,且所提取的建筑区域边界较为清晰、明显。实验结果验证了该方法的优越性,下一步将考虑从极化特征和纹理特征融合以及分割参数设定方面提高建筑物的提取精度。

(References)

[1] LEE J S, POTTIER E. Polarimetric Radar Imaging: From Basics to Applications[M]. BocaRaton, Florida: CRC Press, 2009.

[2] 杨萍, 姜志国, 刘滨涛. 一种遥感图像建筑物检测新方法[J]. 航天返回与遥感, 2013, 34(5): 70-77.YANG Ping, JIANG Zhiguo, LIU Bintao. A New Approach to Building Detection in Remote Sensing Images[J]. Spacecraft Recovery & Remote Sensing, 2013, 34(5): 70-77. (in Chinese)

[3] TOUZI R, BOEMER W M, LEE J S, et al. A Review of Polarimetry in the Context of Synthetic Aperture Radar: Concepts and Information Extraction[J]. Canadian Journal of Remote Sensing, 2004, 30(3): 380-407.

[4] 邵芸, 宫华泽, 王世昂, 等. 多源雷达遥感数据汶川地震灾情应急监测与评价[J]. 遥感学报, 2008, 12(6): 865-870. SHAO Yun, GONG Huaze, WANG Shi’ang, et al. Mulit-source SAR Remote Sensing Data for Rapid Response to Wenchuan Earthquake Damage Assessment[J]. Journal of Remote Sensing, 2008, 12(6): 865-870. (in Chinese)

[5] YAMAGUCHI Y, SATO A, SATO R, et al. Four-component Scattering Power Decomposition with Rotation of Coherency Matrix[J]. IEEE Transactions on Geoscience & Remote Sensing, 2011, 49(6): 2251-2258.

[6] CHAABOUNI-CHOUAYAKHD H, DATCU M. Coarse-to-Fine Approach for Urban Area Interpretation Using TerraSAR-X Data[J]. IEEE Geoscience & Remote Sensing Letters, 2010, 7(1): 78-82.

[7] 韩萍, 徐建飒, 赵爱军. 基于多级分类的PolSAR图像机场跑道检测[J]. 系统工程与电子技术, 2014, 36(5): 866-871.HAN Ping, XU Jiansa, ZHAO Aijun. PolSAR Image Runways Detection Based on Multi-stage Classification[J]. Systems Engineering & Electronics, 2014, 36(5): 866-871. (in Chinese)

[8] 刘修国, 姜萍, 陈启浩, 等. 利用改进三分量分解与Wishart分类的极化SAR图像建筑提取方法[J]. 测绘学报, 2015, 44(2): 206-213.LIU Xiuguo, JIANG Ping, CHEN Qihao, et al. Buildings Extraction from Polarimetric SAR Image Using Improved Three-component Decomposition and Wishart Classification[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(2): 206-213. (in Chinese)

[9] 翟玮, 赵斐. 基于极化SAR的城市建筑物提取[J]. 甘肃科技, 2016, 32(2): 46-48.ZHAI Wei, ZHAO Fei. Urban Building Extraction Based on Polarization SAR[J]. Gansu Science and Technology, 2016, 32(2): 46-48. (in Chinese)

[10] FERRO-FAMIL L, POTTIER E. Urban Area Remote Sensing from L-band PolSAR Data Using Time-frequency Techniques[C]. Urban Remote Sensing Joint Event, IEEE, 2007.

[11] SCHULER D L, LEE J S, AINSWORTH T L. Polarimetric SAR Detection of Man-made Structures Using Normalized Circular-pol Correlation Coefficients[C]. IEEE 2006 International Geoscience and Remote Sensing Symposium (IGARSS 2006), IEEE, 2006.

[12] 刘高峰. 极化SAR图像特征提取与分类方法研究[D]. 西安: 西安电子科技大学, 2014. LIU Gaofeng. Feature Extraction and Classification of PolSAR Image[D]. Xi’an: Xidian University, 2014. ( in Chinese)

[13] SATO A, YAMAGUCHI Y, SINGH G, et al. Four-component Scattering Power Decomposition With Extended Volume Scattering Model[J]. IEEE Geoscience & Remote Sensing Letters, 2012, 9(2): 166-170.

[14] 张腊梅. 极化SAR图像人造目标特征提取与检测方法研究[D]. 哈尔滨: 哈尔滨工业大学, 2010.ZHANG Lamei. Research on the Feature Extraction and Detection of Man-made Target using Polarimetric SAR Images[D]. Harbin: Harbin Institute of Technology, 2010. (in Chinese)

[15] 徐牧, 王雪松, 肖顺平, 等. 基于散射机理分类与方位对称性判决的极化SAR人造目标提取[J]. 国防科技大学学报, 2008, 30(5): 68-72.XU Mu, WANG Xuesong, XIAO Shunping, et al. Man-made Target Extraction Based on Scattering Mechanism Identification and Azimuthal Symmetry Decision of POLSAR Images[J]. Journal of National University of Defense Technology, 2008, 30(5): 68-72. (in Chinese)

[16] 史磊, 李平湘, 杨杰. 极化方位角对Yamaguchi参数分解的影响[J]. 中国图象图形学报, 2011, 16(11): 1989-1995.SHI Lei, LI Pingxiang, YANG Jie. Affection of Polarimetric Orientation Angle for Yamaguchi Model Decomposition[J]. Journal of Image & Graphics, 2011, 16(11): 1989-1995. (in Chinese)

[17] 高程程, 惠晓威. 基于灰度共生矩阵的纹理特征提取[J]. 计算机系统应用, 2010, 19(6): 195-198.GAO Chengcheng, HUI Xiaowei. GLCM-based Texture Feature Extraction[J]. Computer Systems & Applications, 2010, 19(6): 195-198. (in Chinese)

[18] 李昕. 基于全极化SAR图像的植被信息提取技术研究[D]. 成都: 电子科技大学, 2015.LI Xin. Technology Research of Vegetation Information Extraction Based on Fully Polarimetric SAR Image[D]. Chengdu: University of Electronic Science and Technology of China, 2015. (in Chinese)

[19] 郎丰铠. 极化SAR影像滤波及分割方法研究[D]. 武汉: 武汉大学, 2014.LANG Fengkai. Research on Polarimetric SAR Imagery Filtering and Segmentation[D]. Wuhan: Wuhan University, 2014. ( in Chinese)

[20] 王荣, 王昭生, 刘晓曼. 多尺度多准则的遥感影像线状地物信息提取[J]. 测绘科学, 2016, 41(11): 146-150.WANG Rong, WANG Zhaosheng, LIU Xiaoman. ZY-3 Linear Features Information Extraction Based on the Multi-scales and Multi-criterion[J]. Science of Surveying & Mapping, 2016, 41(11): 146-150. (in Chinese)

(编辑:夏淑密)

Built-up Areas Extraction Method Research Based on Polarization SAR Image

JIANG Chang1,2HE Xiufeng2YAN Rulin1SUN Zhe1NIU Yu1LI Shuai3

(1 College of Geographic and Biologic Information, Nanjing University of Posts and Telecommunications, Nanjing 210023, China)(2 School of Earth Sciences and Engineering, Hohai University, Nangjing 210098, China)(3Fiberhome Software Technology Co. Ltd, Nanjing 210023, China)

Built-up areas extraction plays an important role in urban planning and disaster assessment. In this paper, a fusion scattering model of polarization orientation angle compensation is proposed to extract built-up areas. First, the polarimetric SAR image is processed by polarimetric compensation to enhance the scattering components of the building. Then, the scattering components obtained by polarization decomposition and texture parameters are extracted as the basis of building extraction. Finally, use the object extraction method to extract the built-up areas. In this study, the method has been verified through the built-up areas extraction data from the L-band on-board AIRSAR data in San Francisco and the L-band ESAR data in the Oberpfaffenhofen. The results show that the method can identify and extract the building area, and improve the extraction precision of the construction area greatly, which can be used to obtain the damage of the building in disaster areas and the information of the urban construction areas.

polarimetric synthetic aperture radar; built-up extraction; polarization orientation angle compensation; texture feature

TP751.1

A

1009-8518(2017)02-0072-10

10.3969/j.issn.1009-8518.2017.02.010

2016-10-13

南京邮电大学校级科研基金(NY215181);南京邮电大学大学生创新创业训练计划STITP项目(XYB2016273)

江畅,女,1978年生,四川德阳人,河海大学地球科学与工程学院大地测量学与测量工程专业博士在读。现任南京邮电大学地理与生物信息学院讲师。研究方向为极化SAR图像的处理及其应用。E-mail:jiangc@njupt.edu.cn。

猜你喜欢
方位角极化纹理
认知能力、技术进步与就业极化
极化雷达导引头干扰技术研究
基于干扰重构和盲源分离的混合极化抗SMSP干扰
基于BM3D的复杂纹理区域图像去噪
肺纹理增多是病吗?
非理想极化敏感阵列测向性能分析
TEXTURE ON TEXTURE质地上的纹理
无处不在的方位角
宽方位角观测法在三维地震勘探中的应用
消除凹凸纹理有妙招!