基于区域生长法和变差函数的PolSAR影像山脊线提取

翟玮　王晓青　朱贵钰　张皓然　刘海龙　邓津

摘要： 山脊线通常是地震引发的山地灾害的起始部位。在监测此类山地灾害时，需要明确山脊线所处位置，从而为制定出相关预防措施提供支持。根据实际经验，由于合成孔径雷达（Synthetic Aperture Radar，SAR）的成像特殊性，在检测含建筑物的全极化SAR（Polarimetric Synthetic Aperture Radar，PolSAR）影像山脊线时，往往受到高散射强度的建筑物干扰，从而出现误判。针对PolSAR影像中山脊线受到建筑物干扰出现误识的问题，提出一种结合区域生长法和变差函数的识别方法。在识别过程中，首先，对采集的PolSAR影像通过区域生长法进行分割处理，再通过模糊C均值（Fuzzy C－Means，FCM）分类方法对变差纹理等特征进行聚类分析，并进行相似度判断，获取建筑物区域，在此基础上，对比建筑物、山脊线的混分成分，进而提取山脊线。通过对该方法进行实验对比分析，发现其相较于阈值分割方法提取精度有明显提高，可以为PolSAR影像中山脊线识别提供一种新思路。

关键词： PolSAR影像; 区域生长法; 变差函数; 山脊线提取

中图分类号： P237文献标志码：A 文章编号： 1000－0844（2023）04-0792-09

DOI：10.20000/j.1000－0844.20211116004

Extraction of ridge line from PolSAR image usingthe region－growing method and variogram

ZHAI Wei WANG Xiaoqing ZHU Guiyu ZHANG Haoran LIU Hailong DENG Jin2，3

Abstract：  The ridge line is usually the starting point of mountain disasters caused by earthquakes. An accurate identification of the location of the ridge line while monitoring such mountain disasters is crucial to facilitate the development of relevant preventive measures. However， detection of the ridge line in PolSAR images containing buildings with high scattering intensity can be challenging due to some imaging issues of synthetic aperture radar （SAR）， resulting in misjudgments. A recognition method combining the region－growing method and the variogram is proposed in this paper to address this problem. During the recognition process， the collected image is first segmented by the region－growing method. Then， the texture variations and other features are clustered and analyzed by the Fuzzy C－means method， and the similarity is assessed to obtain the building area. The ridge line can then be extracted by comparing this with the mixed image. A comparative analysis of the experimental results for the proposed method show significantly improved extraction accuracy as compared with the threshold segmentation method. Thus， this study can provide a new idea for the detection of ridgelines in PolSAR images.

Keywords： PolSAR image; region－growing method; variogram; extraction of ridge line

0 引言

地震是一種容易导致严重破坏的自然灾害，相关统计研究结果表明［1－3］，地震诱发的山地灾害有明显的特征性，一般起源于山脊线附近。因而在研究过程中精确获取山脊信息有利于了解由地震触发的山地灾害情况，例如道路损坏，山体垮塌和滑坡等，从而为救援人员、物资运输提供帮助［4－7］。地震发生后，在天气情况不佳时，光学遥感获取的影像质量不高，地物识别度极低，无法为救援提供可靠支持［8－9］，而雷达遥感因其穿透力强，不依赖太阳光照等优点已被广泛应用于地震灾害识别研究中，成为国家和地区各级防灾减灾不可或缺的灾害获取手段［10－13］。在合成孔径雷达（Synthetic Aperture Radar，SAR）影像中，识别山脊线时，附近建筑物的存在会带来很大影响。建筑物的墙面和地面所形成的二面角会产生强烈的二面角散射效应，而对于山脊而言，其表面地物构成相对复杂，同时位置具有特殊性，常会产生组合散射，两者的后向散射均为高散射强度，在SAR影像中呈现高亮区域，特征相似度很高，难以有效区分。本文在研究过程中为解决这一问题，引入了全极化合成孔径雷达（Polarimetric Synthetic Aperture Radar，PolSAR）影像。PolSAR数据同时具有HH、HV、VH、VV四种极化方式，因为电磁波的极化对目标的介电常数、物理特性、几何形状和取向等比较敏感，所以极化测量可以大大提高成像雷达对目标各种信息的获取能力。相比单极化SAR与双极化SAR信息量丰富很多，且采用极化SAR相关数据处理方法能够产出更丰富的极化散射特征，使得地物识别精度更高。

山脊线是典型的地形特征线。目前，山脊线提取方法主要是结合数字高程模型（Digital Elevation Model，DEM）数据加以实现［14－16］，而常用的边缘检测方法，如Sobel算子、Roberts算子、Laplace算子以及Canny边缘检测等在合成孔径雷达影像处理中由于散斑互相干扰，识别效果较差，用其进行线性特征检测较为困难。因此，SAR影像中脊线的提取方法相对缺乏［17－19］。在SAR影像目标检测领域，恒虚警检测（Constant False Alarm Rate，CFAR）方法的应用频率较高，且计算过程简单，这种方法在处理时主要是对比单个像素灰度与阈值，以此确定目标点［20］。在PolSAR影像的边缘检测中，基于相邻像素比值的边缘检测技术是较为先进的［21］。在PolSAR影像提取山脊线领域，目前应用频率较高的方法为Snake模型法［22］。此外在目标识别方面，卷积神经网络有明显优势，是常用的人工智能识别方法［23］。

在以往的国内外研究中，虽有较多关于SAR影像分割的研究，例如，黄晓东等提出了一种PolSAR图像分割模型，基于分形网络进化算法和多元线性回归算法，融合了多极化特征和形状特征，实现了建筑物分割［24］。覃发超将简单线性迭代聚类算法引入到PolSAR图像处理中，提出了一种超像素分割算法等［25］。同时在通过模糊分类来进行阈值分割的研究中，Fan等提取了一种基于神经动力学优化的两阶段模糊聚类算法，并将其应用于PolSAR图像分割，该算法从线性分配初始化阶段开始，以最小相似的聚类代表弥补随机初始化导致的聚类结果不一致，然后再进行多核模糊C均值聚类，使每个聚类具有更好的特征和适应性［26］。但是，针对SAR影像中山脊线提取的研究极少，几乎没有关于当建筑物作为SAR影像中的背景时对山脊线提取的研究。采用PoISAR影像提取山脊线的方法相对于DEM提取山脊线有着明显优势，因为极化电磁波对山脊线的几何形状等较为敏感，同时改善了散斑互相干扰现象的问题，从而方便对其进行线性特征检测，因此可提高山脊线提取精度。本文从这个角度出发，以四川省绵阳市北川县的全极化SAR数据为研究对象，引入了区域生长方法对采集的PolSAR影像进行初始分割，并对提取的特征进行融合后获得目标的纹理信息，在此基础上通过模糊C均值（Fuzzy C－Means，FCM）聚类算法提取出建筑物区域并将其与初始分割结果融合，进而确定山脊线目标。基于相关SAR影像进行实证分析，对比实验结果显示，本文提出方法识别精度为90.13%，和传统方法的74.58％相比有明显的优势，验证了本文方法的应用价值，且本文方法操作更简单，处理速度快。

1 研究方法

本文选用区域生长法主要是因其处理过程快捷。这种方法在进行图像处理时，通过分割出同特征区域，再进行组合来获得边缘信息。在无先验信息情况下，所得结果精确度较高，因而在复杂图像处理方面被广泛应用。但该方法的分割结果容易受初始种子点的影响，稳定性不高。为此，本文提出一种种子点自动提取方法，提高图像分割质量，获得精度较高的类别混合图，为后续山脊线识别提供支持。

仅改善种子点的自动提取，得到的分割结果相关信息较少，不能满足目标提取要求，还需获得其他特征相关信息。变差函数可对图像纹理进行良好的描述，可以通过此函数描述目标区的纹理信息。利用灰度共生矩阵（Gray Level Co－occurrence Matrix，GLCM）二阶统计特征纹理熵［27］描述图像纹理的非均匀程度与复杂程度。然后，通过模糊C均值方法进行聚类处理，提取出建筑区，在此基础上结合建筑物与山脊线类别混合图，最终得到山脊线。图1所示为本文方法识别山脊线的流程图。

1.1 自动选取种子点的区域生长法

区域生长法被广泛应用于图像分割，主要通过合并相似度高的像素点形成最大一致性区域［28－29］。区域生长法的原理是设置初始种子点在一定规则下不断的生长。但是，如果选取的种子点不合适，则容易导致明显的偏差，所以需要进行合理的设定。在选定种子点后，需要将邻域像素和种子点进行归并，将其中所有具有相似性质的像素合并，不断进行这种合并操作，直到不满足合并条件，再输出所得的合并结果。因此，采用这种方法进行影像分割时，需要选择合理的初始种子点，为提高分割质量提供支持［30］。

为此，本文引入自动选取种子点的方式，这种方法的优点是：初始种子点在选择时满足一定的条件，即可以较好地反映目标特征，在影像中边界的稳定性相对高，因而在选取时主要选择了边界像素点。为方便描述，假设影像I为M行×N列，各点像素值为I（i，j），设置的阈值为TSymbolNC@R，Symbol`A@S對应于邻域像素均值。在分割过程中对图像的各像素点进行遍历，根据公式（1）计算Symbol`A@S与中心像素之差（i，j）。若根据所得结果进行判断发现像素点（i，j）处于目标区，则设置其为初始种子点，基于此点进行生长过程中，（i，j）值和［0－T］的中值差值小，且选择的初始种子点趋近于目标区的中心，则通过这种方法进行分割后所得结果可更好地满足应用要求，有利于改善分割性能。

式中：ε是偏差阈值;l代表迭代步数。在不断的迭代过程中隶属度的梯度消失，当两次迭代的差值小于阈值时，则迭代结束，输出结果。

在本文中，模糊C均值聚类算法用法如下：通过变差函数计算PolSAR图像变差纹理特征，并计算基于灰度共生矩阵的熵纹理特征，然后利用模糊C均值聚类方法提取建筑区，结合建筑物与山脊线的类别混合分割结果，最终提取山脊线结果。

2 实验结果

2.1 实验数据和研究区域

本文选择的研究区为北川县，基于ALOS－2卫星L波段全极化SAR数据进行实验分析，空间分辨率为6 m。用于实验结果验证的研究区光学数据是30 m空间分辨率的Landsat－8卫星数据。实验区Pauli基极化分解影像和光学影像如图2所示。实验数据大小为1 000 pixel×1 000 pixel。用于实验结果验证的地表真值样本标记如图3所示。

2.2 种子点选取及影像分割

为提高PolSAR影像分割效果，分割前需对PolSAR影像配准、滤噪，通过自动选取种子点方法选择适宜的初始种子点，种子点选择地合理与否会直接影响分割结果。当选择的种子点性能良好，分割过程明显缩短，影像分割结果也更好。本文在对PolSAR影像进行遍历时，设置的窗口大小为3 pixel×3 pixel，计算窗口中领域8个点灰度值的均值，再计算该均值与中心点灰度值的差值，对全部窗口所得结果进行统计分析，在此基础上进行图像分割。

在研究过程中为改善分割结果，应结合经验等因素设置适宜的阈值。基于这种方法进行影像分割时，下一个像素点的加入与否主要是基于此阈值进行判断。选择山脊和非山脊样本各100例对阈值影响因素进行分析。如图4所示，此图中纵横坐标分别对应样本量和其灰度级，图中有两种颜色曲线，其中蓝色和黄色曲线分别对应于非山脊和山脊样本灰度均值，二者在179灰度级处存在交点。两种样本的灰度均值分布存在明显差异，其中非山脊样本灰度均值较小，灰度级普遍小于179，山脊样本灰度级基本都大于179，因而在进行阈值设定时根据此结果，同时考虑到图像特征，确定阈值为76。在判断最优初始种子点时，主要依据如下条件：（1）该点对应的差值趋近于［0，76］的中值;（2）对应的位置在目标区;（3）和目标中心点的距离小。选择满足这三方面要求的点为种子点，这种情况下进行区域生长时，所需时间少，分割结果更精确，可能满足图像分割要求。

本文在研究时依据以上条件进行筛选，确定种子点是坐标为（651，443）的点，分割结果如图5所示，图中白色代表建筑物与山脊线的混合区域。仅基于区域生长法分割SAR图像得到的是无法确定地物类别的混合地类结果，因而还需继续处理建筑物与山脊线的混分问题。

2.3 山脊线的识别

SAR影像中，建筑区灰度变化较强，其他区域灰度变化较小，因此，可基于这种差异剔除建筑区。本文引入变差函数计算变差纹理特征，由于建筑区的灰度变化方向不一，各方向的灰度变化差异较大，因而选择0°、45°、90°、135°四个方向的全方向变差函数计算变差纹理。

在计算分析时为更好地保留建筑纹理信息，且尽可能提高建筑与山脊的区分度，在计算时设置了不同的变程值，然后对所得结果进行适当筛选得到最优解。实验发现在变程值为3，计算窗口为15 pixel×15 pixel时区分度最高，识别结果最优，变差纹理计算结果如图6（a）所示。由于建筑区的纹理显著，且区域化变量关联性强，灰度的梯度较高，因而建筑物区域变差纹理特征值明显高于其他区域，表现在图6（a）中亮度也更高。实验数据中建筑物的尺寸较小，且在交界处对应的灰度变化大，相关性不强，在这些因素影响下容易导致一些山脊区域被误识，严重影响最终山脊识别结果。

鉴于这种误识情况，本文同时利用两种纹理特征并结合模糊C均值聚类方法对山脊线进行高精度识别。提取基于GLCM的纹理特征过程中设置窗口尺寸为7 pixel×7 pixel，计算方向为45°，窗口中的像素间距为1。一般情况下特征的相关系数和特征信息冗余性存在正相关关系，即相关系数越小对应的冗余越小，因而本文选择熵特征量进行目标识别，该特征量可描述纹理的混乱水平，且有很强的稳定性，不容易受到相关因素干扰，纹理熵特征提取结果如图6（b）所示。

对比地表真值图像（图3）和特征图像（图6）可知，山脊特征很明显，但仍有一些细碎山脊未被检测出。由此可判断，在进行特征提取过程中，单独通过灰度共生矩阵纹理进行提取存在一定应用局限性，无法获得全部的山脊线。因而本文在研究时结合了两种类型的纹理信息，通过FCM方法聚类处理，从而有效解决上述问题。在进行聚类时设置了两个聚类中心，根据设定的条件不断迭代，最终输出建筑区，然后将所得结果与建筑物山脊线混合图像融合，最终识别出山脊线。对识别结果，将不同地物分别映射到R、G、B通道中，进行伪彩色合成处理，结果如图7所示，其中白色区域对应带状山脊区域和线状山脊线（以下简称为山脊线），绿色区域对应建筑物，其中一些宽山脊处出现误分问题，但总体可满足识别要求。

2.4 实验分析

为验证本文识别山脊方法的准确性，对比传统阈值分割方法，选择PolSAR图像中的标记山脊样本进行实验验证。从实验数据PolSAR影像中选取山脊样本，筛选依据原则是山脊在影像中尽可能均匀分布，不可明显集中分布。设置样本属性值为1，非样本为0，然后对图中同属性值的像素点数量进行统计分析，并对最终所得结果进行统计处理，如表1所列，根据表1计算出本文方法识别山脊线的总体识别精度为90.13%。

2.5 对比分析

在同樣条件下，采用经典的阈值分割法进行分割处理，并将所得结果和上述结果对比分析，以便验证本文方法的应用性能优势。阈值分割时可选择全局、局部阈值法两种，前者在分割时主要利用图像整体信息，例如整幅图的灰度直方图，之后对整幅图像求出最优的分割阈值;局部阈值法是把原始图像分为不同的子图像，再对每个子图像应用全局阈值法分别求出对应的最佳分割阈值，局部阈值分割法虽然能改善图像的分割效果，但其要求每幅子图像的尺寸不能太小，否则统计出的结果没有意义。

此外，由于每幅图像的分割是任意的，如果有一幅子图像正好完全落在目标区域或者背景区域，根据统计结果对其进行分割可能会得到更差的结果［37］。本文采用了自适应阈值法，即根据影像不同区域亮度分布，计算其局部灰度均值来确定阈值，从而对影像进行分割，由自适应阈值图像分割法得到的结果。将此结果与原实验结果作对比，如图8所示。对此方法得到的结果做精度评估，设置山脊线像素点属性为1，其余的设为0，然后对同属性值像素点数量进行统计分析，得出采用这种方法做图像分割时山脊线识别精度为74.58%。

对比分析上述结果可知，本文使用的自适应阈值图像分割法在分割时，可以很好地提取出图像中连续宽山脊，不过针对间断的小山脊无法满足提取要求，容易出现漏失问题，在此因素影响下其提取精度不高，需要进行一定改进优化。而单纯通过阈值法来分割时容易导致一些建筑物被误判，从而影响到山脊的识别效果。

3 结论

本文提出了一种自动区域生长法和变差函数结合的算法，用于提取SAR影像中的山脊。基于这种方法进行处理时，自动筛选初始种子点来分割图像，获得相应的混合图像，接着基于变差函数分析确定出建筑纹理信息以及熵特征，在此基础上通过FCM算法对所得特征进行聚类，识别出山脊线。在研究过程中为验证本文方法的应用性能，和传统阈值分割方法做了对比研究，根据实验结果发现本文方法在处理过程中，可以更精确地区分建筑物和山脊，且对非连续的小山脊不容易产生遗漏问题，表现出良好的识别性能优势，其识别准确率为90.13%，和传统阈值分割法相比增加15.55%，因而本文方法在PolSAR数据山脊识别中有较高的应用价值。不过这种方法也存在一定的应用局限性，表现为需要SAR影像的分辨率较高，否则在进行识别时，由于山脊线特征差异不明显，导致识别准确性不高。除此之外，鉴于实验数据有限，在未来的研究中获得相关数据之后会进一步验证该方法的可靠性。

在今后研究中，我们还将在以下方面做进一步研究：首先，本文采用的是ALOS－2卫星的PolSAR影像，可以用同样的方法对其他传感器PolSAR数据进行研究。其次，本文使用的遥感影像分辨率为6 m，在今后研究中，可使用更高分辨率的PolSAR数据，比如3 m甚至1 m的影像做进一步算法验证。再次，对于坡度较大的山脊将着重考虑SAR图像中的叠掩现象;对于区域生长算法中的初始种子点选取问题，将进行改进，例如采用连续性种子点选取方式。同时一些更优秀的神经网络模型还将被考虑使用，例如EfficientPS模型、Mask R－CNN模型、空洞卷积模型等，以求在精度、鲁棒性、泛化能力等方面更优化。

参考文献（References）

［1］ZHAI W，SHEN H F，HUANG C L，et al.Building earthquake damage information extraction from a single post－earthquake PolSAR image［J］.Remote Sensing，2016，8（3）：171.

［2］ZHAI W，SHEN H F，HUANG C L，et al.Fusion of polarimetric and texture information for urban building extraction from fully polarimetric SAR imagery［J］.Remote Sensing Letters，2016，7（1）：31－40.

［3］ZHAI W，HUANG C L，PEI W S.Building damage assessment based on the fusion of multiple texture features using a single post－earthquake PolSAR image［J］.Remote Sensing，2019，11（8）：897.

［4］王虹.地形特征提取算法的研究［D］.西安：西安电子科技大学，2018.

WANG Hong.Research on terrain feature extraction algorithm［D］.Xi'an：Xidian University，2018.

［5］王文娟.规则格网DEM的地形特征线提取研究［D］.西安：长安大学，2018.

WANG Wenjuan.Research on extracting terrain characteristic line from DEM with regular grid［D］.Xi'an：Chang'an University，2018.

［6］蘇凤环，刘洪江，韩用顺.汶川地震山地灾害遥感快速提取及其分布特点分析［J］.遥感学报，2008，12（6）：956－963.

SU Fenghuan，LIU Hongjiang，HAN Yongshun.The extraction of mountain hazard induced by Wenchuan earthquake and analysis of its distributing characteristic［J］.Journal of Remote Sensing，2008，12（6）：956－963.

［7］田述军，孔纪名，阿发友，等.地质构造对汶川大地震山地灾害发育的影响［J］.水土保持通报，2010，30（6）：52－55，59.

TIAN Shujun，KONG Jiming，A Fayou，et al.Geological structure effects on development of mountain hazards in Wenchuan earthquake［J］.Bulletin of Soil and Water Conservation，2010，30（6）：52－55，59.

［8］ZHAI W，HUANG C L，PEI W S.Two new polarimetric feature parameters for the recognition of the different kinds of buildings in earthquake－stricken areas based on entropy and eigenvalues of PolSAR decomposition［J］.Remote Sensing，2018，10（10）：1613.

［9］刘云华，屈春燕，单新建，等.SAR遥感图像在汶川地震灾害识别中的应用［J］.地震学报，2010，32（2）：214－223，256.

LIU Yunhua，QU Chunyan，SHAN Xinjian，et al.Application of SAR data to damage identification of the Wenchuan earthquake［J］.Acta Seismologica Sinica，2010，32（2）：214－223，256.

［10］陳立泽，申旭辉，田勤俭.合成孔径雷达（SAR）及其在地质和地震研究中的应用［J］.地震，2003，23（1）：29－35.

CHEN Lize，SHEN Xuhui，TIAN Qinjian.SAR technique and its application to geologic and seismic research［J］.Earthquake，2003，23（1）：29－35.

［11］ZHAI W，HUANG C L.Fast building damage mapping using a single post－earthquake PolSAR image：a case study of the 2010 Yushu earthquake［J］.Earth，Planets and Space，2016，68（1）：86.

［12］张继贤，黄国满，刘纪平.玉树地震灾情SAR遥感监测与信息服务系统［J］.遥感学报，2010，14（5）：1038－1052.

ZHANG Jixian，HUANG Guoman，LIU Jiping.SAR remote sensing monitoring of the Yushu earthquake disaster situation and the information service system［J］.Journal of Remote Sensing，2010，14（5）：1038－1052.

［13］陈坤.雷达遥感在地震监测中的应用研究［D］.西安：西安科技大学，2017.

CHEN Kun.Research on the application of radar remote sensing in seismic monitoring［D］.Xi'an：Xi'an University of Science and Technology，2017.

［14］刘泽慧，黄培之.DEM数据辅助的山脊线和山谷线提取方法的研究［J］.测绘科学，2003，28（4）：33－36.

LIU Zehui，HUANG Peizhi.Derivation of skeleton line from topographic map with DEM data［J］.Science of Surveying and Mapping，2003，28（4）：33－36.

［15］聂文，万晨，张倩.基于DEM的山脉线提取方法研究［J］.信息通信，2016，29（8）：67－70.

NIE Wen，WAN Chen，ZHANG Qian.Extraction of mountain line using a variety of terrain features，data model［J］.Information & Communications，2016，29（8）：67－70.

［16］陈婷，周汝良，朱大运，等.基于DEM的2种提取地形特征线算法对比研究［J］.林业调查规划，2011，36（6）：1－4，28.

CHEN Ting，ZHOU Ruliang，ZHU Dayun，et al.Comparative study on two line algorithm methods of terrain feature extraction based on DEM［J］.Forest Inventory and Planning，2011，36（6）：1－4，28.

［17］BOVIK A C.On detecting edges in speckle imagery［J］.IEEE Transactions on Acoustics，Speech，and Signal Processing，1988，36（10）：1618－1627.

［18］LOPEZ A M，LUMBRERAS F，SERRAT J，et al.Evaluation of methods for ridge and valley detection［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1999，21（4）：327－335.

［19］ZHOU G Y，CUI Y，CHEN Y L，et al.Linear feature detection in polarimetric SAR images［J］.IEEE Transactions on Geoscience and Remote Sensing，2011，49（4）：1453－1463.

［20］GANDHI P P，KASSAM S A.Analysis of CFAR processors in nonhomogeneous background［J］.IEEE Transactions on Aerospace and Electronic Systems，1988，24（4）：427－445.

［21］TUPIN F，MAITRE H，MANGIN J F，et al.Detection of linear features in SAR images：application to road network extraction［J］.IEEE Transactions on Geoscience and Remote Sensing，1998，36（2）：434－453.

［22］SUN J P，MAO S Y.River detection algorithm in SAR images based on edge extraction and ridge tracing techniques［J］.International Journal of Remote Sensing，2011，32（12）：3485－3494.

［23］田壯壮，占荣辉，胡杰民，等.基于卷积神经网络的SAR图像目标识别研究.［J］.雷达学报，2016，5（3）：320－325.

TIAN Zhuangzhuang，ZHAN Ronghui，HU Jiemin，et al.SAR ATR based on convolutional neural network［J］.Journal of Radars，2016，5（3）：320－325.

［24］黄晓东，刘修国，陈启浩，等.一种综合多特征的全极化SAR建筑物分割模型［J］.武汉大学学报（信息科学版），2013，38（4）：450－454.

HUANG Xiaodong，LIU Xiuguo，CHEN Qihao，et al.An integrated multi－characteristics buildings segmentation model of PolSAR images［J］.Geomatics and Information Science of Wuhan University，2013，38（4）：450－454.

［25］覃发超.极化SAR影像超像素分割和面向对象分类方法研究［D］.武汉：武汉大学，2017.

QIN Fachao.Research on polarimetric SAR imagery superpixel segmentation and object－oriented classification［D］.Wuhan：Wuhan University，2017.

［26］FAN J C，WANG J.A two－phase fuzzy clustering algorithm based on neurodynamic optimization with its application for PolSAR image segmentation［J］.IEEE Transactions on Fuzzy Systems，2018，26（1）：72－83.

［27］韩晶，邓喀中，李北城.基于灰度共生矩阵纹理特征的SAR影像变化检测方法研究［J］.大地测量与地球动力学，2012，32（4）：94－98.

HAN Jing，DENG Kazhong，LI Beicheng.SAR image change detection methods based on GLCM texture features［J］.Journal of Geodesy and Geodynamics，2012，32（4）：94－98.

［28］李政国.基于区域生长法的高空间分辨率遥感图像分割与实现［D］.南宁：广西大学，2008.

LI Zhengguo.The segmentation and realization of high spatial resolution remote sensing image based on region growing algorithm［D］.Nanning：Guangxi University，2008.

［29］王义敏，秦永元.基于区域生长的SAR图像目标检测方法研究［J］.计算机应用，2009，29（1）：45－46.

WANG Yimin，QIN Yongyuan.Target detection in SAR images based on region growing［J］.Journal of Computer Applications，2009，29（1）：45－46.

［30］陈忠，赵忠明.基于区域生长的多尺度遥感图像分割算法［J］.计算机工程与应用，2005，41（35）：7－9.

CHEN Zhong，ZHAO Zhongming.A multi－scale remote sensing image segmentation algorithm based on region growing［J］.Computer Engineering and Applications，2005，41（35）：7－9.

［31］薛寒，刘正堂，马光圆，等.基于变差函数的SAR图像分类方法［J］.现代电子技术，2013，36（6）：93－96.

XUE Han，LIU Zhengtang，MA Guangyuan，et al.Method for SAR image classification based on variogram theory［J］.Modern Electronics Technique，2013，36（6）：93－96.

［32］吴刚，杨敬安，王洪燕.一种基于变差函数的纹理图像分割方法［J］.电子学报，2001，29（1）：44－47.

WU Gang，YANG Jing'an，WANG Hongyan.An algorithm for segmentation of texture image based on image variogram function［J］.Acta Electronica Sinica，2001，29（1）：44－47.

［33］林晨曦，周艺，王世新，等.基于变差函数的中高分辨率SAR影像农村建筑区提取［J］.中国图象图形学报，2016，21（5）：674－682.

LIN Chenxi，ZHOU Yi，WANG Shixin，et al.Variogram－based rural build－up area extraction from middle and high resolution SAR images［J］.Journal of Image and Graphics，2016，21（5）：674－682.

［34］丁震，胡钟山，杨静宇，等.FCM算法用于灰度图象分割的研究［J］.电子学报，1997，25（5）：39－43.

DING Zhen，HU Zhongshan，YANG Jingyu，et al.FCM algorithm for the research of intensity image segmentation［J］.Acta Electronica Sinica，1997，25（5）：39－43.

［35］匡泰，朱清新，孫跃.FCM算法用于灰度图像分割的初始化方法的研究［J］.计算机应用，2006，26（4）：784－786.

KUANG Tai，ZHU Qingxin，SUN Yue.Research on initialization of image segmentation with FCM algorithm［J］.Journal of Computer Applications，2006，26（4）：784－786.

［36］王瑞花，宋建社.基于改进FCM算法的SAR图像分类［J］.西北大学学报（自然科学版），2008，38（4）：574－578.

WANG Ruihua，SONG Jianshe.SAR image classification based on improved FCM algorithm［J］.Journal of Northwest University （Natural Science Edition），2008，38（4）：574－578.

［37］韩思奇，王蕾.图像分割的阈值法综述［J］.系统工程与电子技术，2002，24（6）：91－94，102.

HAN Siqi，WANG Lei.A survey of thresholding methods for image segmentation［J］.Systems Engineering and Electronics，2002，24（6）：91－94，102.

（本文编辑：任 栋）

收稿日期：2021-11-16

基金项目：甘肃省科技计划项目自然科学基金（22JR5RA822）;国家自然科学基金项目（41601479）;中国地震局地震科技星火计划（XH18049）

第一作者简介：翟 玮（1981-），女，甘肃兰州人，博士，副研究员，主要从事SAR影像信息提取、震害遥感技术与方法方面的研究。E－mail：zwxzzzdsyhq@163.com。

通信作者：王晓青（1963-），男，研究员，主要从事地震灾害评估方法研究和遥感与GIS应用研究。E－mail：wangxiaoq517@163.com。