CN103761740A - 基于震后单张polsar影像的建筑物损毁评估方法 - Google Patents

Abstract

一种基于震后单张POLSAR影像的建筑物损毁评估方法，包括对原始的POLSAR影像进行噪声去除、研究区域提取及分块；非建筑物区域检测；将规范化圆极化相关系数NCCC大于设定阈值的建筑物归为倒塌建筑物类，小于等于设定阈值的建筑物归为非倒塌建筑物类，然后进行预评价；当某个属于严重损毁类的分块的均质性纹理特征HOM大于等于预设的HOM纹理阈值时，将该分块改为属于中等损毁类；对最终的损毁程度分类结果进行精度评价。本发明仅利用震后单张全极化SAR数据进行倒塌建筑物的检测和评估，在提高评估精度的同时，减少了现有技术在灾害监测上对震前数据的依赖性。

Description

基于震后单张POLSAR影像的建筑物损毁评估方法

技术领域

本发明属于极化雷达遥感图像处理技术领域，设计一种仅利用震后单张全极化合成孔径雷达（Polarimetric Synthetic Aperture Radar，POLSAR）影像对震后建筑物检测及损毁程度估计的新方法。

背景技术

我国地震活动具有频度高、强度大、震源浅且分布广的特点。统计数字表明，我国的陆地地震竟占全球陆地地震的三分之一，造成地震死亡的人数达全球的1/2以上。如2008年汶川5.12地震和2010年青海玉树地震等对人民的生命安全和财产造成了极大的损失。地震发生后，大量的房屋和道路损毁，气象条件恶劣，使得及时获取受灾现场信息异常困难。遥感技术以其快速、从宏观到微观全面观测等优势条件，对及时了解和掌握灾区情况和正确实施抢险救灾十分重要。虽然利用高分辨率的光学影像可以直观的评价损害的程度，但地震后一般伴随有恶劣的天气条件。具有全天候、全天时观测能力的高分辨率雷达遥感技术在地震灾害监测中有不可替代的作用。目前，对倒塌建筑物的解译主要是利用地震前后的光学或SAR影像的变化即相关和相干性等方面进行研究，但对偏远地区震前光学和SAR数据一般较难获取，而且不同传感器获得的数据相干性一般较小，倒塌建筑物检测效率较低。近年来，随着高分辨率全极化雷达卫星相继发射和各国机载多波段多极化系统的发展，雷达影像的极化信息更为丰富，为城区结构与实时变化信息的提取提供了有力的数据支持。特别是全极化SAR技术的发展，可以获得地物在多个极化通道下的回波，为从物理散射机制上对倒塌建筑物和主体结构相对完整的未倒塌建筑物的解译提供了丰富的信息。目前，利用星载和我国机载SAR平台（SARMAPPER）获取的震后全极化SAR数据在抗震救灾中起到了重要作用，但目前对全极化数据的利用需要大量的人工解译来提供灾后的损毁图，没有形成系统的倒塌建筑物检测和损毁程度评估方法，对全极化SAR数据的利用率和解译精度都比较低。

发明内容

本发明综合考虑地震灾区的实际情况，在传统的利用地震前后的光学和序列单极化SAR数据对震区建筑物的散射机理研究不足的情况下，仅利用震后获取的单张全极化SAR数据，通过极化和纹理信息提取，实现建筑物损毁程度评估，在提高评估精度的同时减少对数据的依赖性。

本发明的技术方案提供一种基于震后单张POLSAR影像的建筑物损毁评估方法，包括以下步骤：

步骤1，影像预处理，包括对原始的POLSAR影像进行噪声去除、研究区域提取及分块；

步骤2，非建筑物区域检测，包括提取出块内非建筑物；

步骤3，倒塌建筑物检测和预评价，包括将规范化圆极化相关系数NCCC大于设定阈值的建筑物归为倒塌建筑物类，小于等于设定阈值的建筑物归为非倒塌建筑物类，然后根据步骤2所得非建筑物区域检测进行预评价如下，

首先，设步骤1所得分块中第j块的相应多边形记为第j个多边形，

${\mathrm{DLI}}_j=\frac{\underset{x}{\mathrm{\Σ}}{d}_{\mathrm{xj}}{P}_{\mathrm{xj}}}{A_j-B_j}$

其中，DLI_j是第j个多边形的损毁程度；d_xj表示第j个多边形的第x个像素是否属于倒塌建筑物，是为1，否为0；P_xj表示第j个多边形的第x个像素是否属于建筑物，是为1，否为0；A_j表示第j个多边形中的总像素数；B_j表示第j个多边形中的非建筑物像素数；

然后，根据DLI_j和预设分级阈值对各分块进行分类，包括严重损毁类、中等损毁类和轻微损毁类；

步骤4，对预评估结果进一步精化，得到最终的损毁程度分类结果，包括根据利用灰度共生矩阵提取的均质性纹理特征HOM和预设的HOM纹理阈值，当某个属于严重损毁类的分块的均质性纹理特征HOM大于等于预设的HOM纹理阈值时，将该分块改为属于中等损毁类；

步骤5，检测结果评价，包括对步骤4所得最终的损毁程度分类结果进行精度评价。

而且，步骤2中，利用H-α-Wishart非监督分类方法提取出块内非建筑物，包括根据

极化分解参数分割的平面，得到H-α-Wishart非监督分类方法的初始类中心，将归入低熵-低和中熵-低

类的像素提取为非建筑物类别。

而且，步骤5中，对步骤4所得最终的损毁程度分类结果进行精度评价，包括将每个分块作为一个像素，利用混淆矩阵评价方法进行精度评价。

本发明的创新之处在于，利用圆极化相干系数对倒塌建筑物反射非对称性的特点，实现倒塌和未倒塌建筑物的提取，针对倒塌建筑物和排列方向与雷达飞行方向非平行建筑物都具有较高反射非对称性的问题，利用纹理特征，实现两者的精确区分，提高建筑物损毁评估的精度。在损毁程度评估中，利用分类技术首先提取非建筑区域，减少非建筑物对评估的影响，提高分割块内建筑物稀少区域的评估精度。这种只基于震后单张全极化SAR数据的倒塌建筑物损毁程度评估方法，充分利用了单张极化SAR影像中的极化和纹理信息，减弱了现有方法对数据的依赖性，效率和评估精度得到大大提高。震后倒塌建筑物的提取可以为各部门灾害应急决策提供信息，对灾后救援与重建具有重要的意义。

附图说明

图1是本发明实施例的流程图。

具体实施方式

以下结合附图和实施例详细说明本发明技术方案。

本发明技术方案可采用计算机技术实现自动运行，如图1所示，本发明实施例的流程包括以下几个步骤：

步骤1：POLSAR影像预处理。

在倒塌建筑物提取之前，本发明需要对震后单张全极化影像原始的POLSAR数据进行滤波、研究区域提取、及评价块的分割。传统的滤波方法如Lee滤波等可以满足噪声滤除的要求。一般提取城市的主城区作为研究区域。由于SAR影像受斑点噪声影响严重，基于单栋建筑物的评估比较困难，本发明基于分块的方式实现建筑物损毁程度分级评估。分块方式可以采用研究区域均匀分块或根据道路以小区为单位的分块方式。均匀分块操作比较简单，但评价的精度会受到分块大小的限制；基于街区的分块方式为现有技术，操作相对复杂，但每个块内的建筑物一般具有相似的结构，损毁程度比较均匀，利于建筑物损毁程度的评价。

步骤2：非建筑物区域检测

由于本发明基于分块评价的方式，为减弱块内非建筑物地物如道路、水体等对评价精度的影响，首先利用H-α-Wishart分类技术将各块内的非建筑物提取出来。一般道路、水体等地物具有较弱的后向散射，根据H-α-Wishart分类技术对功率的依赖性，后向散射较弱的地物往往被分为一类。在后续精度评价之前，将此类地物剔除。

为便于实施参考起见，提供实施例的POLSAR影像非建筑地物去除方法具体实现方式如下：

首先对原始极化散射矩阵S2进行Pauli基变换，在尺寸为n×n的窗口内构建极化相干矩阵[T]，并进行特征值-特征矢量分解，

$\left[T\right]=\underset{k=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\λ}}_k{u}_k{u}_k^H$

其中，H代表共轭转置，k为特征值与特征向量的序号，λ_k为第k个特征值，u_k为第k个特征向量，

$u_k=e^{{\mathrm{i\φ}}_k}{\left[\begin{array}{ccc}\cos {\mathrm{\α}}_k& {\cos \mathrm{\α}}_k\cos {\mathrm{\β}}_k{e}^{{\mathrm{i\δ}}_k}& \sin {\mathrm{\α}}_k\sin {\mathrm{\β}}_k{e}^{{\mathrm{i\γ}}_k}\end{array}\right]}^T$

其中，φ，δ，γ为三个相位角，β为2倍的极化方位角，α代表了散射矢量对应的散射机制，e是欧拉常数，i为虚数符号。利用分解的几个参数得到与之相关的极化参数，熵（H），平均极化方位角

为：

$H=\underset{k=1}{\overset{3}{\mathrm{\Σ}}}-p_k{\log }_3{p}_k,$ $\stackrel{\‾}{\mathrm{\α}}=\underset{k=1}{\overset{3}{\mathrm{\Σ}}}{p}_k{\mathrm{\α}}_k$

其中

表示散射机制的权重，k和l为特征值序号。

根据极化分解参数分割的平面，即可得到H-α-Wishart非监督分类方法的初始类中心，将归入低熵-低和中熵-低

类的像素提取为非建筑物类别。具体极化分割可采用现有技术，本发明不予赘述。

步骤3：倒塌建筑物检测和预评价：利用规范化圆极化相关系数（NormalizedCircular-Polarization Correlation Coefficient，NCCC）对倒塌建筑物等非反射对称性目标的敏感性实现倒塌建筑物检测，并基于步骤2检测到的非建筑物区域，实现倒塌程度的预评估，得到倒塌程度预估计结果。

首先，提供实施例的倒塌建筑物检测实现如下：

圆极化基下，右-右与左-左极化组合的圆极化相关系数NCCC为：

$\mathrm{NCCC}=\left|\frac{{\mathrm{\ρ}}_{\mathrm{RRLL}}}{\mathrm{\ρ}\left(0\right)}\right|,$

其中，

为右右与左左极化的圆极化相关系数，<>为集平均操作； $\begin{array}{c}{S}_{\mathrm{RR}}=i{S}_{\mathrm{hv}}+\frac{1}{2}(S_{\mathrm{hh}}-S_{\mathrm{vv}})\\ S_{\mathrm{LL}}=i{S}_{\mathrm{hv}}-\frac{1}{2}(S_{\mathrm{hh}}-S_{\mathrm{vv}})\end{array}$ 为线极化基下散射分量与圆极化散射分量之间的转换关系。S_hv、S_hh、S_vv分别为交叉极化、水平同极化和垂直同极化的散射分量，S_RR、S_LL为右旋同极化和左旋同极化的散射分量，^*表示共轭操作；为反射对称性条件下的圆极化相关系数。

在反射对称性的情况下，

圆极化相关系数较小，在反射非对称性较高时，NCCC较高。和雷达飞行方向平行的建筑物满足反射对称性，当建筑物倒塌之后，反射对称性被破坏，往往具有较高的反射非对称性。利用NCCC，将大于设定阈值的建筑物归为倒塌建筑物类，将小于等于设定阈值的建筑物归为非倒塌建筑物类。具体实施时阈值的选择可利用现有技术中的高斯阈值选择法或非高斯阈值选择法。

然后，进行建筑物损毁程度预评估：

根据前几步提取的结果，利用建筑物损毁水平指数进行建筑物损毁程度预评估，实现方式如下，

设步骤1所得分块进行编号，第j个分块的相应区域多边形记为第j个多边形，

${\mathrm{DLI}}_j=\frac{\underset{x}{\mathrm{\&Sigma;}}{d}_{\mathrm{xj}}{P}_{\mathrm{xj}}}{A_j-B_j}$

其中，DLI_j是第j个多边形的损毁程度；d_xj表示第j个多边形的第x个像素是否属于倒塌建筑物，是为1，否为0；P_xj表示第j个多边形的第x个像素是否属于建筑物，是为1，否为0；A_j表示第j个多边形中的总像素数；B_j表示第j个多边形中的非建筑物像素数。DLI_j是连续的数值，值在0和1之间，代表了建筑物倒塌的程度。得到每个分块的DLI_j，即可得到DLI图。为更直观的得出损毁程度，可直接将DLI图中各相应分块分为三级：严重损毁（seriousdamage，SSD）、中等损毁（median damage，MD）和轻微损毁（slight damage，SD）。DLI_j=0也视为属于轻微损毁的情况，分级阈值的选择可根据实际不同人员的需求预先给定。

步骤4：对预评估结果进一步精化：规范化圆极化相关系数在检测倒塌建筑物的同时，也将其他具有反射非对称性的地物检测出来。由于与雷达飞行方向非平行建筑物和倒塌建筑物都具有较强的反射非对称性，步骤3中检测的倒塌建筑物和主体结构未倒塌的非平行建筑物造成了很大混淆，其往往被归入倒塌严重的类别中，严重影响了建筑物损毁程度评估的结果。实施例基于SAR影像上非倒塌建筑物区域和倒塌建筑物纹理的不同，利用灰度共生矩阵（Gray Level Co-occurrence Matrix,GLCM）提取的均质性纹理特征(homogeneity,HOM)，将均质性较高的区域从严重倒塌的类别中区分出来，即与雷达飞行方向非平行建筑物和倒塌建筑物的进一步精细区分。

根据两类建筑物区域纹理的不同，选用灰度共生矩阵的均质性参数（Homogeneity，HOM）进行纹理描述：

$\mathrm{HOM}=\underset{m}{\mathrm{\&Sigma;}}\underset{n}{\mathrm{\&Sigma;}}\frac{P(m,n)}{1+{(m-n)}^2}$

其中，(m,n)代表灰度共生矩阵空间中的位置，P(m,n)是(m,n)处归一化对称灰度共生矩阵的值，代表了局部区域的非均质性。倒塌建筑物区域HOM较小，未倒塌非平行建筑物区域HOM较大。针对倒塌严重的类别，使用HOM进行进一步精细分类，对HOM较大的类别，将其归为中等损毁的类别，对HOM较小的类别，保留其为严重损毁的类别。具体为：

其中L_j代表第j个多边形的损毁类别；T_h为预设的HOM纹理阈值，一般可选为0.5。

即当某个属于严重损毁类的分块的均质性纹理特征HOM大于等于预设的HOM纹理阈值时，将该分块改为属于中等损毁类。

步骤5：精度评价：以步骤1所得分块为单位，将每个分块作为一个像素，结合步骤4中得到的损毁程度分类结果，利用传统的混淆矩阵评价方法最终得到的倒塌建筑物损毁程度评估的精度，获取最终评价结果。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，如纹理计算方法可以选择Markov等其他算法并不局限于GLCM，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (3)

1.一种基于震后单张POLSAR影像的建筑物损毁评估方法，其特征在于，包括以下步骤：

步骤1，影像预处理，包括对原始的POLSAR影像进行噪声去除、研究区域提取及分块；

步骤2，非建筑物区域检测，包括提取出块内非建筑物；

步骤3，倒塌建筑物检测和预评价，包括将规范化圆极化相关系数NCCC大于设定阈值的建筑物归为倒塌建筑物类，小于等于设定阈值的建筑物归为非倒塌建筑物类，然后根据步骤2所得非建筑物区域检测进行预评价如下，

首先，设步骤1所得分块中第j块的相应多边形记为第j个多边形，

${\mathrm{DLI}}_j=\frac{\underset{x}{\mathrm{\&Sigma;}}{d}_{\mathrm{xj}}{P}_{\mathrm{xj}}}{A_j-B_j}$

其中，DLI_j是第j个多边形的损毁程度；d_xj表示第j个多边形的第x个像素是否属于倒塌建筑物，是为1，否为0；P_xj表示第j个多边形的第x个像素是否属于建筑物，是为1，否为0；A_j表示第j个多边形中的总像素数；B_j表示第j个多边形中的非建筑物像素数；

然后，根据DLI_j和预设分级阈值对各分块进行分类，包括严重损毁类、中等损毁类和轻微损毁类；

步骤4，对预评估结果进一步精化，得到最终的损毁程度分类结果，包括根据利用灰度共生矩阵提取的均质性纹理特征HOM和预设的HOM纹理阈值，当某个属于严重损毁类的分块的均质性纹理特征HOM大于等于预设的HOM纹理阈值时，将该分块改为属于中等损毁类；

步骤5，检测结果评价，包括对步骤4所得最终的损毁程度分类结果进行精度评价。

2.根据权利要求1所述基于震后单张POLSAR影像的建筑物损毁评估方法，其特征在于：步骤2中，利用H-α-Wishart非监督分类方法提取出块内非建筑物，包括根据极化分解参数分割的平面，得到H-α-Wishart非监督分类方法的初始类中心，将归入低熵-低

和中熵-低类的像素提取为非建筑物类别。

3.根据权利要求1或2所述基于震后单张POLSAR影像的建筑物损毁评估方法，其特征在于：步骤5中，对步骤4所得最终的损毁程度分类结果进行精度评价，包括将每个分块作为一个像素，利用混淆矩阵评价方法进行精度评价。

Images