CN105701481A - 一种倒塌建筑物提取方法 - Google Patents
一种倒塌建筑物提取方法 Download PDFInfo
- Publication number
- CN105701481A CN105701481A CN201610108535.XA CN201610108535A CN105701481A CN 105701481 A CN105701481 A CN 105701481A CN 201610108535 A CN201610108535 A CN 201610108535A CN 105701481 A CN105701481 A CN 105701481A
- Authority
- CN
- China
- Prior art keywords
- sample
- distance
- image retrieval
- intact
- retrieval content
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 40
- 239000000284 extract Substances 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 230000010287 polarization Effects 0.000 claims description 91
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 241000605008 Spirillum Species 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明涉及极化SAR影像解译领域,公开了一种倒塌建筑物提取方法,该倒塌建筑物提取方法包括:获取灾区的极化SAR影像;构造所述极化SAR影像的分辨率单元的图像检索内容并基于所述图像检索内容建立样本库;以及对所述样本库中的样本进行距离测度学习以进行倒塌房屋提取。如此,能够较为准确的提取处倒塌建筑物的信息,从而准确评估灾情。
Description
技术领域
本发明涉及极化SAR影像解译领域,具体地,涉及一种倒塌建筑物提取方法。
背景技术
合成孔径雷达(SAR)是一种主动成像雷达系统,具有全天候昼夜成像的特点。目前,通常将其应用至建筑损毁信息提取方面,主要集中在利用多时相干分辨率单极化SAR影像的强度变化进行变化检测分析。近年来,随着全极化SAR技术的发展,全极化SAR在灾害信息提取方面的作用越来越重要。例如,在地震发生后,建筑物发生不同程度的倒塌损毁,建筑物的规则结构受到破坏,规则的二面角反射效应减弱,粗糙度加大,使得回波普遍增强,规则的纹理结构特征消失,雷达图像特征表现为一定区域内的离散的次高亮目标,看不出房屋排列关系和阴影。而极化数据相对于单极化数据而言,包含有更丰富信息,利用极化分解等手段分析建成区震前后散射机制的变化,可以提取房屋倒塌信息。震后SAR影像上,倒塌建筑物所在区域回波杂乱,色调较暗,规则的叠掩、角反射形成的亮线和阴影等特征消失。
地震等灾害发生时,通常无法获得灾前的SAR影像;单极化SAR影像特征单一,因而不足以反映房屋倒塌前后的机理变化;全极化SAR影像极化特征相对丰富,但仅使用单一敏感特征无法获取准确的灾害损毁信息,也易受阈值选取的影响;另外,灾害发生后,震区交通设施遭到严重破坏,无法深入灾区调查,仅能获取少量样本用于倒塌房屋机理分析和提取;倒塌完好房屋一般杂错分布,原始特征空间两类样本也混合在一起,难以区分。因而,难以准确提取倒塌建筑物的信息。
发明内容
本发明的目的是提供一种倒塌建筑物提取方法,通过该倒塌建筑物提取方法能够较为准确地提取倒塌建筑物的信息。
为了实现上述目的,本发明提供一种倒塌建筑物提取方法,该倒塌建筑物提取方法包括:获取灾区的极化SAR影像;构造所述极化SAR影像的分辨率单元的图像检索内容并基于所述图像检索内容建立样本库;以及对所述样本库中的样本进行距离测度学习以进行倒塌房屋提取。
优选地,构造所述极化SAR影像的分辨率单元的图像检索内容包括:针对所述极化SAR影像的分辨率单元提取极化特征;以及对所述极化特征进行排列以构造图像检索内容。
优选地,所述极化特征包括:后向散射幅度|HH|、|HV|、|VV|,散射熵H、平均散射角α,各项异性度A,极化相关系数ρhh-hv,ρhv-vv,ρhh-vv,圆极化相关系数ρRR-LL,归一化圆极化相关系数ρ0,Yamaguchi分解的各个分量及极化方位角局部标准差θstd,其中,Yamaguchi分解的各个分量包括表面散射分量Ps,体散射分量Pv,二次散射分量Pd和螺旋体散射分量Ph。
优选地,基于图像检索内容建立样本库包括:从所述极化SAR影像中选取第一预定数量的分辨率单元以确定为完好样本和倒塌样本;计算所述极化SAR影像中的分辨率单元的图像检索内容与所述完好样本的图像检索内容的完好距离,及与所述倒塌样本的图像检索内容的倒塌距离;选取第二预定数量的分辨率单元,所述第二预定数量的分辨率单元的完好距离或倒塌距离小于第二预定数量的分辨率单元之外的分辨率单元的完好距离和倒塌距离中的较小者;根据所述第二预定数量的分辨率单元的所述完好距离和所述倒塌距离确定所述第二预定数量的分辨率单元为完好样本或倒塌样本,从而建立样本库。
优选地,对所述样本库中的样本进行距离测度学习以进行倒塌房屋提取包括:针对所述样本库中的完好样本和倒塌样本,基于距离测度学习确定图像检索内容的距离测度矩阵;基于所述图像检索内容的距离测量度矩阵计算待测分辨率单元的图像检索内容与所述样本库的完好样本的图像检索内容的完好距离,及与倒塌样本的图像检索内容的倒塌距离;根据所述待测分辨率单元的图像检索内容与所述样本库的完好样本的图像检索内容的完好距离和所述待测分辨率单元的图像检索内容与所述样本库的倒塌样本的图像检索内容的倒塌距离提取倒塌建筑物。
优选地,所述倒塌建筑物提取方法还包括以下至少一项:在针对所述极化SAR影像提取极化特征之前,对所述极化SAR影像进行滤波;在提取Yamaguchi分解的各个分量之前,对所述极化SAR影像进行去取向处理;以及对所述后向散射幅度|HH|、|HV|、|VV|以及表面散射分量Ps,体散射分量Pv,二次散射分量Pd和螺旋体散射分量Ph进行对数运算及归一化处理。
优选地,所述完好距离和所述倒塌距离均为马氏距离。
优选地,根据所述待测分辨率单元的图像检索内容与所述样本库的完好样本的图像检索内容的完好距离和所述待测分辨率单元的图像检索内容与所述样本库的倒塌样本的图像检索内容的倒塌距离提取倒塌建筑物包括:在所述待测分辨率单元的图像检索内容与所述样本库的完好样本的图像检索内容的完好距离大于所述待测分辨率单元的图像检索内容与所述样本库的倒塌样本的图像检索内容的倒塌距离的情况下,确定该待测分辨率单元所表征的建筑物为倒塌建筑物。
优选地,根据所述完好距离和所述倒塌距离提取倒塌建筑物包括:采用K最邻近分类算法分类倒塌建筑物和完好建筑物。
优选地,所述倒塌建筑物提取方法还包括:根据所述倒塌建筑物和所述完好建筑物计算倒塌率,并确定震害等级。
通过上述技术方案,构造所述极化SAR影像的分辨率单元的图像检索内容,基于该图像检索内容建立样本库,然后对所述样本库中的样本进行距离测度学习以进行倒塌房屋提取。如此,能够较为准确的提取处倒塌建筑物的信息,从而准确评估灾情。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是根据本发明提供的倒塌建筑物提取方法的流程图;
图2示出了提取的极化方位角伪彩图;
图3示出了极化方位角局部方差伪彩图;
图4示出了使用H-α-θstd方法进行倒塌房屋提取的示意图;
图5是根据本发明一种实施方式的图像检索内容构成流程图;
图6是根据本发明一种实施方式提供的样本库建立过程的流程图;
图7是根据本发明一种实施方式提供的利用样本库学习进行倒塌房屋提取的流程图;以及
图8示出了根据倒塌率计算得到的震害等级分布图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
图1是根据本发明提供的倒塌建筑物提取方法的流程图,如图1所示,该倒塌建筑物提取方法可以包括:在步骤10处,获取灾区的极化SAR影像;在步骤11处,构造所述极化SAR影像的分辨率单元的图像检索内容并基于所述图像检索内容建立样本库;以及在步骤12处,对所述样本库中的样本进行距离测度学习以进行倒塌房屋提取。如此,仅通过灾后(例如震后)例如单景极化SAR影像能够较为准确的提取出倒塌建筑物的信息,从而准确评估灾情。
其中,构造所述极化SAR影像的分辨率单元的图像检索内容可以包括:针对所述极化SAR影像的分辨率单元提取极化特征;以及对所述极化特征进行排列以构造图像检索内容。
提取的极化特征可以包括:后向散射幅度|HH|、|HV|、|VV|,散射熵H、平均散射角α,各项异性度A,极化相关系数ρhh-hv,ρhv-vv,ρhh-vv,圆极化相关系数ρRR-LL,归一化圆极化相关系数ρ0,Yamaguchi分解的各个分量及极化方位角局部标准差θstd,其中,Yamaguchi分解的各个分量可以包括表面散射分量Ps,体散射分量Pv,二次散射分量Pd和螺旋体散射分量Ph。上述多种建筑物敏感的极化特征可以构成具有一定描述能力的语义内容,以用于后续图像检索需要。
特别地,极化SAR对地物的形状和方向非常敏感,灾后建筑物倒塌,统一区域极化方位角的分布会发生较大变化,分布范围变广,极化方位角局部标准差θstd较大;而完好房屋二面角结构完整,方位角比较一致,极化方位角局部标准差θstd较小。
其中,极化方位角描述了目标围绕雷达实现的方位度量,反映了地形坡度、建筑物走向等特征。星载SAR图像中建筑物的朝向角与极化方位角是密切相关联的,可以通过极化方位角来推算建筑物的朝向角。另一方面,对于排列整齐的完好建筑,其区域内的极化方位角具有一致性;而极化SAR图像中损毁建筑的极化方位角则不具备一致性。极化方位角的θ估计方式如下式所示:
如果则其中是极化散射矩阵,<·>为平均运算,Re表示去实部。对于M×N大小的局部区域,极化方位角局部标准差θstd定义为对于完好房屋,房屋的走向趋于一致,θstd接近为0。
例如图2和图3分别为极化方位角和极化方位角局部标准差的伪彩图,其中1表征的颜色分别表示角度或极化方位角局部标准差较大。
图4则只是直接利用散射熵H、平均散射角α祛除裸地影像后直接利用极化方位角局部标准差θstd判决提取的倒塌房屋分布结果。
而在本发明中,采用了16维极化特征来构成图像检索的内容,得到的结果更加符合实际的倒塌房屋的分布情况。
图4示出了2010年4月21日玉树县Radarsat-2全极化SAR影像,极化SAR数据的分辨率为8m,以下将针对该SAR影像对本发明进行详细地描述。
其中,所述倒塌建筑物提取方法还包括以下至少一项:在针对所述极化SAR影像提取极化特征之前,对所述极化SAR影像进行滤波;在提取Yamaguchi分解的各个分量之前,对所述极化SAR影像进行去取向处理;以及对所述后向散射幅度|HH|、|HV|、|VV|以及表面散射分量Ps,体散射分量Pv,二次散射分量Pd和螺旋体散射分量Ph进行对数运算及归一化处理。
图5是根据本发明一种实施方式的图像检索内容构成流程图。如图5所示,在步骤51处,获取灾后极化SAR影像;在步骤52处,对所述极化SAR影像进行滤波,对极化SAR影像进行预处理,这是由于SAR是相干成像系统,需要进行滤波以去除相干斑噪声的影像,窗口大小可以为W=5;在步骤53处,极化方位角反映地形坡度,房屋走向等特征,经去取向处理后,可以减小地形的影响,避免Yamaguchi分解对体散射分量的过度估计,因而在提取Yamaguchi分解的各个分量之前,可以对所述极化SAR影像进行去取向处理,而其他特征的计算则不需要进行该处理;在步骤54处,进行极化特征提取,即后向散射幅度|HH|、|HV|、|VV|,散射熵H、平均散射角α,各项异性度A,极化相关系数ρhh-hv,ρhv-vv,ρhh-vv,圆极化相关系数ρRR-LL,归一化圆极化相关系数ρ0,经去取向处理后的Yamaguchi分解的各个分量,即表面散射分量Ps,体散射分量Pv,二次散射分量Pd和螺旋体散射分量Ph及极化方位角局部标准差θstd,共16维极化特征;在步骤55处,由于各个特征的取值方位、量纲等不同,需要对特征进行变换及归一化处理,以确保各个特征对倒塌房屋提取的贡献相同。其中|HH|、|HV|、|VV|和Ps、Pv、Pd、Ph取值方位较大却集中在较小的取值范围内,直接使用其作为检索内容对结果影响较大,需要进行对数处理,即f=10*log(f),以调整其动态范围,然后进行归一化处理,即
在步骤56处,每个分辨率单元的特征进行排列(例如按行排列)以构成最初的图像检索内容,其可以表示为F={|HH|,|HV|,|VV|,H,α,A,ρhh-hv,ρhv-vv,ρhh-vv,ρRR-LL,ρ0,Ps,Pv,Pd,Ph,θstd}的N×K矩阵。
其中,基于图像检索内容建立样本库包括:从所述极化SAR影像中选取第一预定数量的分辨率单元以确定为完好样本和倒塌样本;计算所述极化SAR影像中的分辨率单元的图像检索内容与所述完好样本的图像检索内容的完好距离,及与所述倒塌样本的图像检索内容的倒塌距离;选取第二预定数量的分辨率单元,所述第二预定数量的分辨率单元的完好距离或倒塌距离小于第二预定数量的分辨率单元之外的分辨率单元的完好距离和倒塌距离中的较小者;根据所述第二预定数量的分辨率单元的所述完好距离和所述倒塌距离确定所述第二预定数量的分辨率单元为完好样本或倒塌样本,从而建立样本库。
图6是根据本发明一种实施方式提供的样本库建立过程的流程图。如图6所示,在步骤61处,构成图像检索内容;在步骤62处,根据极化SAR影像中建筑损毁机理及初步的地震灾害情况,确定了倒塌样本、完好样本两类样本(例如人工确定),每类样本个数可以为7个,每个样本大小可以为10×10,样本数据较少;利用上述构造的图像检索内容,对整景影像计算所述极化SAR影像中的分辨率单元的图像检索内容与所述完好样本的图像检索内容的完好距离,及与所述倒塌样本的图像检索内容的倒塌距离,确定相对两类样本的最小距离,并进行检索排序(即对距离进行排序);在步骤63处,例如取距离最小的前t=2.5%作为潜在的倒塌样本、完好样本;在步骤64处,由于针对两类进行检索可能得到相同的结果,需要对这种情况加以区别,通过相似度匹配,最终确定这些结果的所属类别(倒塌或完好),即如果χj∈D否则χj∈S,其中χj为第j个潜在样本,S为倒塌房屋样本集,D为完好房屋样本集,为第j个潜在样本的图像检索内容与所述倒塌样本的图像检索内容的倒塌距离(可以为与多个倒塌样本图像检索内容的距离的平均距离);为第j个潜在样本的图像检索内容与所述完好样本的图像检索内容的完好距离(可以为与多个倒塌样本图像检索内容的距离的平均距离)。例如,在检索后,完好样本和倒塌样本的个数分别为65646个和42390个,极大丰富了样本数量,为后续的学习和提取过程提供了数据保障。
在步骤65处,由于人类建设的房屋通常聚居成群,构成城镇,对于单栋房屋,由于极化SAR影像分辨率有限,基本无法识别,而检索结果中却出现了单个孤立点的检索结果,这可能是由于相干斑噪声引起的,也可能是真正的单栋房屋,这里不加区分地将这些孤立点直接滤除,即去除不合理的检索结果;在步骤66处,形成样本库。
其中,对所述样本库中的样本进行距离测度学习以进行倒塌房屋提取可以包括:针对所述样本库中的完好样本和倒塌样本,基于距离测度学习确定图像检索内容的距离测度矩阵;基于所述图像检索内容的距离测量度矩阵计算待测分辨率单元的图像检索内容与所述样本库的完好样本的图像检索内容的完好距离,及与倒塌样本的图像检索内容的倒塌距离;根据所述待测分辨率单元的图像检索内容与所述样本库的完好样本的图像检索内容的完好距离和所述待测分辨率单元的图像检索内容与所述样本库的倒塌样本的图像检索内容的倒塌距离提取倒塌建筑物。
图7是根据本发明一种实施方式提供的利用样本库学习进行倒塌房屋提取的流程图。如图7所示,在步骤72处,在确定了极化SAR影像的图像检索内容,并建立了样本库之后,利用构造的极化SAR影像的图像检索内容,进行基于信息论的距离测度学习(InformationTheoreticMetricLearning,ITML),对样本库中的样本进行测度学习以获得一个距离(例如Mahalanobisj距离,即马氏距离)测度矩阵A,用于计算待检测区域分辨率单元的图像检索内容到样本库的完好样本的图像检索内容的完好距离及与倒塌样本的图像检索内容的倒塌距离(这里提及的距离可以为但不限于马氏距离);在步骤73处,根据所述待测分辨率单元的图像检索内容与所述样本库的完好样本的图像检索内容的完好距离和所述待测分辨率单元的图像检索内容与所述样本库的倒塌样本的图像检索内容的倒塌距离,可以K近邻(KNN)分类算法分类倒塌建筑物和完好建筑物,确定倒塌、完好房屋的分布结果,其中,例如设定K=20,某一分辨率单元的完好距离和倒塌距离中最小的20个距离中,完好距离的数量大于倒塌距离的数量,则将该分辨率单元确定为完好建筑物,反之确定为倒塌建筑物,如此即可进行相似度匹配;当然,也可以按照以下过程确定完好建筑物和倒塌建筑物:在所述待测分辨率单元的图像检索内容与所述样本库的完好样本的图像检索内容的完好距离大于所述待测分辨率单元的图像检索内容与所述样本库的倒塌样本的图像检索内容的倒塌距离的情况下,确定该待测分辨率单元所表征的建筑物为倒塌建筑物。其中,为了消除裸地、植被的影响,可以利用散射熵H和平均散射角α构成的平面(H<0.5且α<45°),确定裸地,植被的分布情况,然后将其消除。
在步骤74处,完成倒塌建筑物提取。
可选择地,在步骤75处,根据所述倒塌建筑物和所述完好建筑物计算倒塌率,并在步骤76处,确定震害等级。震害等级分布可以按照街区来划分,如图8所示,从0到1,表示房屋受损越来越严重。
其中,关于距离测度矩阵A的确定,ITML假设对于给定的Mahalanobisj距离测度矩阵为A,每类样本分布为多位高斯分布,以KL散度来度量两个距离测度矩阵的性能。当A0为根据某种先验知识确定的初始测度矩阵(这里定位单位阵,即计算欧式距离)时,给定同类样本对于异类样本对的约束条件,可以归结为
满足dA(xi,xj)≤u,(i,j)∈S和dA(xi,xj)≥l,(i,j)∈D
其中u,l为常数,S,D分别为同类样本对集合和异类样本对集合,具体步骤如下:
输入:X∈Rd×k为样本集合,d为样本总数,k为特征维数,即用于图像检索的极化特征,这里k=16,S,D分别为倒塌房屋和完好房屋的样本集合,u,l为距离测度阈值,A0为初始的Mahalanobisj距离测度矩阵,γ为泄放因子,c为约束索引函数。
输出:A为Mahalanobisj距离测度矩阵
1.参数初始化:M←M0,
2.ξc(i,j)←u,(i,j)∈S;否则ξc(i,j)←l
3.重复
1)(i,j)∈S或(i,j)∈D
2)p←(xi-xj)TA(xi-xj)
3)如果(i,j)∈S,δ=1,否则δ=-1
4)
5)β←δα/(1-δαp)
6)ξc(i,j)←γξc(i,j)/(γ+δαξc(i,j))
7)λi,j←λi,j-α
8)A←A+βA(xi-xj)(xi-xj)TA
4.直至收敛
返回A
本发明利用震后单景极化SAR影像,认为整景影像是一个未标记数据集,根据圆极化相关系数、Yamaguchi分解二次散射分量等多种建筑敏感的极化特征构成的内容,通过基于信息论的距离测度学习方法获取最佳的特征变化矩阵A,对整景待处理极化SAR影像中的所有像素点进行检索排序,返回一定数量的最佳检索结果作为可靠样本,丰富样本数量,避免深入灾区调查,同时也可以解决样本数量过少的问题。然后通过测度学习理论,重新计算特征变化矩阵和训练分类器,用少量的样本获得与大量样本近似的倒塌房屋提取结果。
上述具体实施方式并非用于限定本发明,例如,上述极化SAR影像不仅限于Radarsat-2极化SAR影像,还适用于ALOS-2/PALSAR,TerraSAR-X,EVNISAT/ASAR,SIR-C,AIRSAR,EMISAR,PISAR等其他星载或机载极化SAR数据;由极化特征构成的图像检索内容也不限于16维,亦可扩充。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (10)
1.一种倒塌建筑物提取方法,其特征在于,所述倒塌建筑物提取方法包括:
获取灾区的极化SAR影像;
构造所述极化SAR影像的分辨率单元的图像检索内容并基于所述图像检索内容建立样本库;以及
对所述样本库中的样本进行距离测度学习以进行倒塌房屋提取。
2.根据权利要求1所述的倒塌建筑物提取方法,其特征在于,构造所述极化SAR影像的分辨率单元的图像检索内容包括:
针对所述极化SAR影像的分辨率单元提取极化特征;以及
对所述极化特征进行排列以构造图像检索内容。
3.根据权利要求2所述的倒塌建筑物提取方法,其特征在于,所述极化特征包括:后向散射幅度|HH|、|HV|、|VV|,散射熵H、平均散射角α,各项异性度A,极化相关系数ρhh-hv,ρhv-vv,ρhh-vv,圆极化相关系数ρRR-LL,归一化圆极化相关系数ρ0,Yamaguchi分解的各个分量及极化方位角局部标准差θstd,其中,Yamaguchi分解的各个分量包括表面散射分量Ps,体散射分量Pv,二次散射分量Pd和螺旋体散射分量Ph。
4.根据权利要求3所述的倒塌建筑物提取方法,其特征在于,基于图像检索内容建立样本库包括:
从所述极化SAR影像中选取第一预定数量的分辨率单元以确定为完好样本和倒塌样本;
计算所述极化SAR影像中的分辨率单元的图像检索内容与所述完好样本的图像检索内容的完好距离,及与所述倒塌样本的图像检索内容的倒塌距离;
选取第二预定数量的分辨率单元,所述第二预定数量的分辨率单元的完好距离或倒塌距离小于第二预定数量的分辨率单元之外的分辨率单元的完好距离和倒塌距离中的较小者;
根据所述第二预定数量的分辨率单元的所述完好距离和所述倒塌距离确定所述第二预定数量的分辨率单元为完好样本或倒塌样本,从而建立样本库。
5.根据权利要求1至4中任一项所述的倒塌建筑物提取方法,其特征在于,对所述样本库中的样本进行距离测度学习以进行倒塌房屋提取包括:
针对所述样本库中的完好样本和倒塌样本,基于距离测度学习确定图像检索内容的距离测度矩阵;
基于所述图像检索内容的距离测量度矩阵计算待测分辨率单元的图像检索内容与所述样本库的完好样本的图像检索内容的完好距离,及与倒塌样本的图像检索内容的倒塌距离;
根据所述待测分辨率单元的图像检索内容与所述样本库的完好样本的图像检索内容的完好距离和所述待测分辨率单元的图像检索内容与所述样本库的倒塌样本的图像检索内容的倒塌距离提取倒塌建筑物。
6.根据权利要求5所述的倒塌建筑物提取方法,其特征在于,所述倒塌建筑物提取方法还包括以下至少一项:
在针对所述极化SAR影像提取极化特征之前,对所述极化SAR影像进行滤波;
在提取Yamaguchi分解的各个分量之前,对所述极化SAR影像进行去取向处理;以及
对所述后向散射幅度|HH|、|HV|、|VV|以及表面散射分量Ps,体散射分量Pv,二次散射分量Pd和螺旋体散射分量Ph进行对数运算及归一化处理。
7.根据权利要求5所述的倒塌建筑物提取方法,其特征在于,所述完好距离和所述倒塌距离均为马氏距离。
8.根据权利要求5所述的倒塌建筑物提取方法,其特征在于,根据所述待测分辨率单元的图像检索内容与所述样本库的完好样本的图像检索内容的完好距离和所述待测分辨率单元的图像检索内容与所述样本库的倒塌样本的图像检索内容的倒塌距离提取倒塌建筑物包括:在所述待测分辨率单元的图像检索内容与所述样本库的完好样本的图像检索内容的完好距离大于所述待测分辨率单元的图像检索内容与所述样本库的倒塌样本的图像检索内容的倒塌距离的情况下,确定该待测分辨率单元所表征的建筑物为倒塌建筑物。
9.根据权利要求5所述的倒塌建筑物提取方法,其特征在于,根据所述完好距离和所述倒塌距离提取倒塌建筑物包括:采用K最邻近分类算法分类倒塌建筑物和完好建筑物。
10.根据权利要求8所述的倒塌建筑物提取方法,其特征在于,所述倒塌建筑物提取方法还包括:根据所述倒塌建筑物和所述完好建筑物计算倒塌率,并确定震害等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610108535.XA CN105701481B (zh) | 2016-02-26 | 2016-02-26 | 一种倒塌建筑物提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610108535.XA CN105701481B (zh) | 2016-02-26 | 2016-02-26 | 一种倒塌建筑物提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105701481A true CN105701481A (zh) | 2016-06-22 |
CN105701481B CN105701481B (zh) | 2019-02-26 |
Family
ID=56223502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610108535.XA Expired - Fee Related CN105701481B (zh) | 2016-02-26 | 2016-02-26 | 一种倒塌建筑物提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105701481B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338775A (zh) * | 2016-09-07 | 2017-01-18 | 民政部国家减灾中心(民政部卫星减灾应用中心) | 基于干涉合成孔径雷达数据的建筑物倒损程度评估方法 |
CN106803106A (zh) * | 2017-02-27 | 2017-06-06 | 民政部国家减灾中心 | Sar图像自动分类系统及方法 |
CN107527035A (zh) * | 2017-08-28 | 2017-12-29 | 甘肃省地震局 | 建筑物震害信息提取方法及装置 |
CN107748875A (zh) * | 2017-11-03 | 2018-03-02 | 中国地震局地壳应力研究所 | 一种基于多时相雷达图像纹理特征的震害建筑物识别方法 |
CN108710816A (zh) * | 2018-02-11 | 2018-10-26 | 河南科技大学 | 一种基于概率融合的极化sar图像建筑物检测方法 |
CN109241919A (zh) * | 2018-09-13 | 2019-01-18 | 甘肃省地震局(中国地震局兰州地震研究所) | 震区建筑物倒塌信息获取方法及装置 |
CN110276379A (zh) * | 2019-05-21 | 2019-09-24 | 方佳欣 | 一种基于视频图像分析的灾情信息快速提取方法 |
CN112101084A (zh) * | 2020-07-22 | 2020-12-18 | 甘肃省地震局(中国地震局兰州地震研究所) | 基于卷积神经网络的极化sar建筑物震害信息自动提取方法 |
CN112329675A (zh) * | 2020-11-12 | 2021-02-05 | 甘肃省地震局(中国地震局兰州地震研究所) | 一种基于傅里叶变换的极化sar数据识别倒塌建筑方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096070A (zh) * | 2010-11-16 | 2011-06-15 | 苏州科技学院 | 一种全极化合成孔径雷达海面溢油检测方法 |
CN104240234A (zh) * | 2014-08-19 | 2014-12-24 | 中国测绘科学研究院 | 基于极化相似度合并的全极化sar影像分割方法和装置 |
-
2016
- 2016-02-26 CN CN201610108535.XA patent/CN105701481B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096070A (zh) * | 2010-11-16 | 2011-06-15 | 苏州科技学院 | 一种全极化合成孔径雷达海面溢油检测方法 |
CN104240234A (zh) * | 2014-08-19 | 2014-12-24 | 中国测绘科学研究院 | 基于极化相似度合并的全极化sar影像分割方法和装置 |
Non-Patent Citations (2)
Title |
---|
沈俊成等: "震后单幅全极化SAR图像中倒塌建筑提取研究", 《科学技术与工程》 * |
甘甜等: "面向对象的高分辨率遥感影像建筑物震害信息提取", 《测绘工程》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338775B (zh) * | 2016-09-07 | 2018-07-10 | 民政部国家减灾中心(民政部卫星减灾应用中心) | 基于干涉合成孔径雷达数据的建筑物倒损程度评估方法 |
CN106338775A (zh) * | 2016-09-07 | 2017-01-18 | 民政部国家减灾中心(民政部卫星减灾应用中心) | 基于干涉合成孔径雷达数据的建筑物倒损程度评估方法 |
CN106803106B (zh) * | 2017-02-27 | 2020-04-21 | 民政部国家减灾中心 | Sar图像自动分类系统及方法 |
CN106803106A (zh) * | 2017-02-27 | 2017-06-06 | 民政部国家减灾中心 | Sar图像自动分类系统及方法 |
CN107527035A (zh) * | 2017-08-28 | 2017-12-29 | 甘肃省地震局 | 建筑物震害信息提取方法及装置 |
CN107748875A (zh) * | 2017-11-03 | 2018-03-02 | 中国地震局地壳应力研究所 | 一种基于多时相雷达图像纹理特征的震害建筑物识别方法 |
CN108710816A (zh) * | 2018-02-11 | 2018-10-26 | 河南科技大学 | 一种基于概率融合的极化sar图像建筑物检测方法 |
CN108710816B (zh) * | 2018-02-11 | 2021-05-18 | 河南科技大学 | 一种基于概率融合的极化sar图像建筑物检测方法 |
CN109241919A (zh) * | 2018-09-13 | 2019-01-18 | 甘肃省地震局(中国地震局兰州地震研究所) | 震区建筑物倒塌信息获取方法及装置 |
CN109241919B (zh) * | 2018-09-13 | 2020-11-10 | 甘肃省地震局(中国地震局兰州地震研究所) | 震区建筑物倒塌信息获取方法及装置 |
CN110276379A (zh) * | 2019-05-21 | 2019-09-24 | 方佳欣 | 一种基于视频图像分析的灾情信息快速提取方法 |
CN112101084A (zh) * | 2020-07-22 | 2020-12-18 | 甘肃省地震局(中国地震局兰州地震研究所) | 基于卷积神经网络的极化sar建筑物震害信息自动提取方法 |
CN112101084B (zh) * | 2020-07-22 | 2023-07-11 | 甘肃省地震局(中国地震局兰州地震研究所) | 基于卷积神经网络的极化sar建筑物震害信息自动提取方法 |
CN112329675A (zh) * | 2020-11-12 | 2021-02-05 | 甘肃省地震局(中国地震局兰州地震研究所) | 一种基于傅里叶变换的极化sar数据识别倒塌建筑方法 |
CN112329675B (zh) * | 2020-11-12 | 2023-04-25 | 甘肃省地震局(中国地震局兰州地震研究所) | 一种基于傅里叶变换的极化sar数据识别倒塌建筑方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105701481B (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105701481A (zh) | 一种倒塌建筑物提取方法 | |
Zhan et al. | Log-based transformation feature learning for change detection in heterogeneous images | |
Xu et al. | Automatic reconstruction of building objects from multiaspect meter-resolution SAR images | |
Dell'Acqua et al. | Remote sensing and earthquake damage assessment: Experiences, limits, and perspectives | |
Zhao et al. | Damage assessment in urban areas using post-earthquake airborne PolSAR imagery | |
Ferrentino et al. | Full-polarimetric SAR measurements for coastline extraction and coastal area classification | |
Sun et al. | Building collapse assessment in urban areas using texture information from postevent SAR data | |
Pan et al. | Object-based and supervised detection of potholes and cracks from the pavement images acquired by UAV | |
Brunner et al. | Change detection for earthquake damage assessment in built-up areas using very high resolution optical and SAR imagery | |
Dell’Acqua et al. | Semi-automatic choice of scale-dependent features for satellite SAR image classification | |
Lee et al. | Estimating bedrock and surface layer boundaries and confidence intervals in ice sheet radar imagery using MCMC | |
Pirrone et al. | An approach to unsupervised detection of fully and partially destroyed buildings in multitemporal VHR SAR images | |
Benson et al. | Assessing out-of-domain generalization for robust building damage detection | |
Wang et al. | High-dimensional data modeling techniques for detection of chemical plumes and anomalies in hyperspectral images and movies | |
Kattakinda et al. | Focus: Familiar objects in common and uncommon settings | |
Gao et al. | Scheme for characterizing clutter statistics in SAR amplitude images by combining two parametric models | |
CN106204568A (zh) | 极化sar图像人造目标提取方法 | |
Gal et al. | Tracking objects using PHD filter for USV autonomous capabilities | |
Wei et al. | Adaptive algorithm for classifying LiDAR data into water and land points by multifeature statistics | |
CN107748875A (zh) | 一种基于多时相雷达图像纹理特征的震害建筑物识别方法 | |
Mohammadi | Point cloud analysis for surface defects in civil structures | |
De Laurentiis et al. | SAR data fusion and a novel joint use of neural networks for coastline extraction | |
Huang et al. | A new change detection algorithm for SAR images | |
CN104992159A (zh) | 基于高斯函数拟合海杂波的sar图像船只检测方法 | |
Sadjadi | Studies in adaptive automated underwater sonar mine detection and classification-part 1: exploitation methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190226 |
|
CF01 | Termination of patent right due to non-payment of annual fee |