CN108416760A - 一种震后高分辨率sar图像单体建筑物倒塌损毁检测方法 - Google Patents

一种震后高分辨率sar图像单体建筑物倒塌损毁检测方法 Download PDF

Info

Publication number
CN108416760A
CN108416760A CN201810028118.3A CN201810028118A CN108416760A CN 108416760 A CN108416760 A CN 108416760A CN 201810028118 A CN201810028118 A CN 201810028118A CN 108416760 A CN108416760 A CN 108416760A
Authority
CN
China
Prior art keywords
building
high resolution
shake
sar images
resolution sar
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
Application number
CN201810028118.3A
Other languages
English (en)
Other versions
CN108416760B (zh
Inventor
吴樊
王超
龚丽霞
张红
张波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201810028118.3A priority Critical patent/CN108416760B/zh
Publication of CN108416760A publication Critical patent/CN108416760A/zh
Application granted granted Critical
Publication of CN108416760B publication Critical patent/CN108416760B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明涉及一种震后高分辨率SAR图像单体建筑物倒塌损毁检测方法，在亚米级高分辨率SAR图像中，单体建筑的特征清晰可见，目标散射的异质性增强。在这种新数据条件下，建筑物倒塌损毁的检测可基于单体建筑开展，这有别于中低分辨率条件下基于区域的损毁提取方法。本发明通过验证，证明了倒塌损毁建筑物，由于在建筑地表覆盖范围内形成二面角、三面角等结构而具有相对较高的散射强度，而直立建筑在地表覆盖范围内表现为较低的散射强度，因而可以根据建筑物地表覆盖范围内的特征来判别单体建筑是否倒塌损毁或直立；根据这一原理，本发明设计了一套针对亚米级高分辨率SAR图像基于单体建筑的倒塌损毁或直立的判别检测方法，并利用分类器进行分类，最终通过结果评价验证了方法的有效性。

Description

一种震后高分辨率SAR图像单体建筑物倒塌损毁检测方法
技术领域
本发明涉及震后建筑物倒塌损毁检测技术领域，具体涉及一种震后高分辨率SAR图像单体建筑物倒塌损毁检测方法。
背景技术
地震灾害后快速获取震区建筑物倒塌损毁情况，对地震防灾减灾具有重要意义。合成孔径雷达(Synthetic Aperture Radar，SAR)具有能全天时、全天候获取有效数据，大范围监测等特点，是地震发生后对地震损毁评估的重要数据源。
对震害损毁评估最常用的方法是利用震前震后的两幅图像进行变化检测，通过震前震后图像中建筑区的后向散射强度、相关程度、干涉相关程度等指标的变化来获得地震损毁区的后选区域。这类方法往往需要震前震后两幅图像进行比较。但实际情况中，由于SAR传感器的发展滞后于光学传感器，在很多地区并没有震前的存档SAR数据，因而这种情况下无法进行变化检测。
在2008年汶川地震中新一代米级分辨率SAR图像(如：TerraSAR-X，COSMO-SkyMed等)开始应用于地震灾害评估。虽然分辨率有所提高但是利用单景米级分辨率SAR数据进行倒塌房屋的鉴别还是较困难。2013年德国DLR公开了TerraSAR-X的一种新SAR数据模式--凝视聚束模式(Staring Spotlight)。这种模式的数据方位向分辨率可以达到0.23米。在这种亚米级分辨率的SAR图像中建筑物的细节信息可以得到更好的表现，也是单个建筑物更进一步分析得到可能。
以往针对建筑的研究多是利用中低分辨率SAR图像基于建筑物区域开展。而针对单体建筑的研究开展的比较少。Balz等人分析了损毁和部分损毁建筑物在震后米级分辨率SAR图像的特征提出了损毁建筑物分析与数据处理流程。Brunner、wang等人提出了利用震前光学图像和震后高分辨率SAR图像进行建筑物损毁评估的方法。Brunner利用机载分米分辨率SAR数据分析了几种不同类型损毁建筑物的特征，指出分米级分辨率SAR图像具有区分单体建筑物损毁基本类型的潜力。Kunny等人利用模拟图像分析了不同类型损毁建筑物的特征，并提出了一种结合模拟和真实SAR图像区分植被与完全倒塌损毁建筑物的方法。Wu等人利用TerraSAR-X ST模式SAR数据进行不同类型损毁建筑物特征分析，结果表明亚米级分辨率数据对直立和倒塌损毁建筑物具有较好的可分性。
综上所述，在亚米级分辨率SAR图像中，建筑物的更多的细节得到表现，已有的研究表明对单体建筑物的分析与信息提取成为可能。但如何从复杂的背景环境中提取倒塌损毁建筑物仍是需要解决的一个难点问题。
发明内容
本发明的目的在于提供一种震后高分辨率SAR图像单体建筑物倒塌损毁检测方法，用以解决现有从复杂的背景环境中提取倒塌损毁建筑物的问题，本发明针对这一问题在分析建筑物高分辨率SAR成像几何机制规律的基础上，提出了一套基于亚米级分辨率SAR图像倒塌损毁单体建筑物提取的方法和流程。
为实现上述目的，具体地，该震后高分辨率SAR图像单体建筑物倒塌损毁检测方法包括以下步骤：
1)、输入震后高分辨率SAR图像和建筑物地图；
2)、根据SAR数据类型对震后高分辨率SAR图像进行辐射标定；
3)、利用震后高分辨率SAR图像中头文件提供的坐标信息进行几何纠正；
4)、震后高分辨率SAR图像与建筑物地图配准；
5)、从震后高分辨率SAR图像中提取单体建筑物地表覆盖范围；
6)、在震后高分辨率SAR图像的单体建筑物地表覆盖范围内提取图像特征；
7)、利用PCA变换对所得到的图像特征进行变换，降低特征的维度和相关性；
8)、根据PCA变换后的第一主成分和第二主成分，利用分类器对单体建筑物直立或倒塌损毁进行分类判别。
2、根据权利要求1所述的震后高分辨率SAR图像单体建筑物倒塌损毁检测方法，其特征在于：所述检测方法还包括以下步骤：
9)、结果评价：利用地面实地调查数据对分类结果进行评价。
步骤9)的具体方法是根据震后高分辨率SAR图像的成像日期，获取地面实地观测资料，得到观测区直立建筑物和倒塌损毁建筑物的实际分布情况，将分类判别结果与地面实际类别进行比较，计算出混淆矩阵，使用Kappa系数和总体分类精度对结果进行精度评价；
总体分类判别精度计算公式为：式中hii为第i行第i列混淆矩阵像元数，N为参与分类的总像元数，n为分类类别总数；
Kappa系数计算公式为：式中hi+与h+i分别为混淆矩阵第i行像元数总和与第i列像元数总和。
所述步骤2)中辐射标定是将图像数值DN转换为后向散射值σ°；
σ°＝(ks×|DN|2-NEBN)×sinθloc
式中ks为定标参数，NEBN(Noise Equivalent Beta Naught)为雷达等效噪声强度，该参数反映了噪声对雷达信号的影响，θloc为对应像素的局部入射角，deg为多项式的阶数，coeffi为第i次多项式的系数，τref为参考时间点，τmin与τmax为距离向上第一个像素和最后一个像素的记录时间，τ为距离向上所考察的像素的记录时间，参数ks、τref、τmin、τmax可以从震后高分辨率SAR图像的头文件中获得。
所述步骤5)的具体方法是利用各单体建筑物在地图中的坐标，投影到纠正好的震后高分辨率SAR图像中，根据建筑物地图中的各单体建筑物的坐标范围，从震后高分辨率SAR图像中获取对应的单体建筑物图像范围。
步骤6)中所述图像特征包括后向散射特征与纹理特征，后向散射特征包括单体建筑物范围图像方差，纹理特征包括同质性和二阶矩；
同质性的计算公式为：
二阶矩的计算公式为：
其中，p(i，j)为归一化灰度共生矩阵第i行第j例的数值。
所述步骤8)中利用分类器对单体建筑物直立或倒塌损毁进行分类判别之前需要对分类器进行训练，训练方法是根据震后高分辨率SAR图像的成像日期，获取地面实地观测资料，在震后高分辨率SAR图像中选取部分直立建筑物和倒塌损毁建筑物作为训练样本，对分类器进行训练；再利用训练好的分类器，对输入的建筑物样本进行分类判别，分类器可以采用随机森林、SVM等。
所述地面实地观测资料包括直立建筑物和倒塌损毁建筑物的地理位置以及损毁程度情况描述。
所述震后高分辨率SAR图像为TerraSAR-X ST模式数据。
所述建筑物地图为地籍图，或从纠正好的高分辨率光学图像中通过人工解译获取的各单体建筑物矢量图。
本发明具有如下优点：
1)本发明充分利用了亚米级分辨率SAR图像高分辨率的特点，对图像中单体建筑物的倒塌损毁进以建筑区域为对象检测行检测。与中低分辨率SAR图像相比，本方法检测结果精确到单体建筑物，提高检测的精度。
2)利用建筑物地图结合SAR图像联合检测，避免了直接在SAR图像复杂背景下对建筑物的检测，降低了建筑物提取的难度，提高了准确度。
3)从SAR成像几何机制角度，证明了本方法的正确性，考虑了单体建筑物范围的后向散射特征和纹理特征，并利用PCA变换对多特征进行降维和相关性去除处理，从而对倒塌损毁建筑物进行判别，得到好的判别精度。
附图说明
图1为单个建筑物的SAR成像几何示例。
图2为实际SAR图像中地震后直立建筑物的示例。
图3为实际SAR图像中地震后倒塌损毁建筑物的示例。
图4为不同入射角边界条件下平顶建筑物成像剖面示意图。
图5为不同入射角边界条件下尖顶建筑物成像剖面示意图。
图6～7为不同方位角情况下平顶建筑与尖顶建筑的SAR成像剖面变化图。
图8为本发明的检测方法流程图。
具体实施方式
以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例1
参见图1，由于SAR传感器的侧视成像方式，在SAR图像中具有独特的叠掩、近距压缩、多次反射等特征。图1为直立的单个建筑物的SAR成像几何示例。图1(a)给出了传感器与建筑物之间的相对位置关系。θ为雷达波入射角，为建筑物的方位角。图1(b)为根据SAR斜距成像机制各处的成像剖面和斜距成像概图。从图中可以看出理想情况下，在SAR成像几何平面中建筑物最明显的特征包括叠掩区、二次反射区和阴影区。图1(b)中黑色阴影范围为建筑物的地表覆盖范围，从图中可以看出建筑物地表覆盖范围大部分为阴影所覆盖。在SAR图像中阴影区是由于目标将雷达波遮挡形成，没有或有少量回波反射被传感器接收，因而阴影区相对于周边环境信号较弱，具有较为显著的暗特征。当建筑物受地震损毁并倒塌后，建筑物的废墟堆放在建筑物地表覆盖范围内。由于废墟中容易形成二面角、三面角等结构，且废墟中各种碎石易形成漫反射，因而建筑物倒塌后在建筑地表覆盖范围区域中相对直立建筑具有更高的反射强度。
参见图2～3，图2(a)、图3(a)为建筑物的实地照片；图2(b)、图3(b)为光学图像；图2(c)、图3(c)为升轨SAR图像中的建筑物；图2(d)、图3(d)为降轨SAR图像中的建筑物。升轨图像方位向为从下到上，距离向为从左到右。降轨图像方位向为从上到下，距离向为从右到左。从图中可以看出，直立建筑物不管在升轨还是在降轨图像中叠掩、二次反射、阴影区都较清晰可见。而倒塌建筑物中这三种特征都没有，而表现为与周围环境类似的随机反射。从图中可以看出利用这种图像散射特征的变化可以区分建筑物是否倒塌或直立。
参见图4～5，以下分析在不同入射角、不同方位角情况下的可行性。图4为不同边界条件下((a)h＜w·tan(θ)；(b)h＝w·tan(θ)；(c)h＞w·tan(θ))的平顶建筑物成像剖面。图中h为建筑物的高度，w为建筑物的剖面宽度。图中a为地面散射，b为墙面与地面的二次反射，c为来自墙面的散射，d为来自屋顶的散射，e为阴影，图中下侧标注线区域表示建筑物地表范围。从图4(b)、(c)可以看出阴影覆盖了绝大部分的建筑物地表范围区。对于图4(a)，建筑物地表范围区域包含了部分来自屋顶的散射。我们知道平屋顶一般主要由类似镜面反射主导，因而传感器接收到从屋顶反射的能量较少，因而在图像中通常也表现为弱散射区。图5为不同边界条件下((a)θ＜α；(b)θ＝α；(c)θ＞α)尖顶建筑物的成像剖面示意(各符号含义同图4)。α为房屋尖顶平面的倾斜角。从图5中看出在不同边界条件下，建筑物的地表范围区域总是被建筑物的阴影区覆盖了绝大部分，因而这种情况下建筑物地表覆盖范围在图像中将表现为弱散射区。
从图6～7中可以看出，对于直立的平顶和尖顶建筑物，在不同方位角度的情况下，其剖面形状都类似于图4与图5中所列举的各种情况。
综上所述，从SAR成像几何机制出发，通过对直立的平顶、尖顶建筑物的各种情况下的SAR成像结果分析，可以得出结论：在不同入射角、不同方位角情况下直立建筑物的地表覆盖范围大部分区域总是被阴影区所覆盖，相对于周边环境具有较低的散射强度。而倒塌建筑物所堆成的废墟，在建筑物地表覆盖范围具有相对较强的散射强度。利用这个特点可以制定高分辨率SAR图像倒塌损毁建筑物判别技术流程。
参见图8，该震后高分辨率SAR图像单体建筑物倒塌损毁检测方法包括以下步骤：
1)、输入震后高分辨率SAR图像和建筑物地图。
震后高分辨率SAR图像为TerraSAR-X ST模式数据。建筑物地图可以为研究区地籍图。
2)、根据震后高分辨率SAR图像的数据类型进行辐射标定。
辐射标定的目的是将图像数值(digital number，DN)转换为后向散射值(σ°)。可以根据SAR图像头文件所提供的参数进行计算。
σ°＝(ks×|DN|2-NEBN)×sinθloc
式中ks为定标参数，NEBN(Noise Equivalent Beta Naught)为雷达等效噪声强度，该参数反映了噪声对雷达信号的影响，θloc为对应像素的局部入射角，deg为多项式的阶数，coeffi为第i次多项式的系数，τref为参考时间点，τmin与τmax为距离向上第一个像素和最后一个像素的记录时间，τ为距离向上所考察的像素的记录时间，参数ks、τref、τmin、τmax可以从头文件中获得。
3)、利用震后高分辨率SAR图像中头文件提供的坐标信息进行几何纠正。
经过辐射标定后对震后高分辨率SAR图像进行几何纠正。在震后高分辨率SAR数据头文件中中提供了像素坐标以及对应的经纬度坐标，利用ENVI软件，根据所提供的像素坐标及对应的经纬度坐标对震后高分辨率SAR图像进行几何纠正。
4)、震后高分辨率SAR图像与建筑物地图配准。
经过几何纠正的震后高分辨率SAR图像具有地理坐标信息，建筑物地图也具有地理坐标信息，通过地理坐标可以将建筑物地图与震后高分辨率SAR图像进行配准。
5)、从震后高分辨率SAR图像中提取单体建筑物地表覆盖范围。
利用各单体建筑物在地图中的坐标，投影到纠正好的震后高分辨率SAR图像中，根据建筑物地图中的各单体建筑物的坐标范围，从震后高分辨率SAR图像中获取对应的单体建筑物图像范围。
6)、在震后高分辨率SAR图像的建筑物地表覆盖范围内提取图像特征。
在单体建筑物范围内提取震后高分辨率SAR图像的特征。包括后向散射特征与纹理特征。后向散射特征包括单体建筑物范围图像方差，主要描述单体建筑物范围内图像的匀质性。纹理特征为基于灰度共生矩阵计算的特征，包括：同质性(homogeneity)，二阶矩(second moment)。
其中，p(i，j)为归一化灰度共生矩阵第i行第j例的数值。
7)利用PCA变换对所得到的图像特征进行变换，降低特征的维度和相关性。PCA变换可以将特征空间进行降维，并具有保持子空间拥有最大方差的最优正交变换的特性。经过PCA变换后可以选取第一、第二主成分进行下一步的分类判别处理。
8)、根据PCA变换后所得到的第一、第二主成分，利用对建筑物直立或倒塌损毁进行分类判别。
根据震后高分辨率SAR图像的成像日期，获取地面实地观测资料：包括直立建筑物和倒塌损毁建筑物的地理位置以及损毁程度情况描述。在震后高分辨率SAR图像中选取部分直立建筑物和倒塌损毁建筑物作为训练样本，对分类器进行训练，进而利用分类器对建筑物直立或倒塌损毁进行分类判别。
9)结果评价。
利用地面实地调查数据对分类结果进行评价，具体包括：根据震后高分辨率SAR图像的成像日期，获取地面实地观测资料，得到观测区直立建筑物和倒塌损毁建筑物的实际分布情况。将分类判别结果与地面实际类别进行比较，计算出混淆矩阵，使用Kappa系数和总体分类精度对结果进行精度评价。Kappa系数和总体分类判别精度可通过混淆矩阵计算得到。表1为一景震后高分辨率SAR图像中所获取的建筑物样本倒塌损毁与直立建筑物判别结果混淆矩阵。
表1 倒塌损毁与直立建筑物判别结果混淆矩阵
总体分类判别精度计算公式为：式中hii为第i行第i列混淆矩阵像元数，N为参与分类的总像元数，n为分类类别总数。
Kappa系数计算公式为：式中hi+与h+i分别为混淆矩阵第i行像元数总和与第i列像元数总和。
利用表1中的结果可计算得到倒塌损毁建筑物与直立建筑无分类判别结果总精度为89.5％，Kappa系数为0.78。
实施例2
本实施例中的建筑物地图可以为从研究区纠正好的高分辨率光学图像中通过人工解译获取各单体建筑物矢量图。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种震后高分辨率SAR图像单体建筑物倒塌损毁检测方法，其特征在于：所述检测方法包括以下步骤：
1)、输入震后高分辨率SAR图像和建筑物地图；
2)、根据SAR数据类型对震后高分辨率SAR图像进行辐射标定；
3)、利用震后高分辨率SAR图像中头文件提供的坐标信息进行几何纠正；
4)、震后高分辨率SAR图像与建筑物地图配准；
5)、从震后高分辨率SAR图像中提取单体建筑物地表覆盖范围；
6)、在震后高分辨率SAR图像的单体建筑物地表覆盖范围内提取图像特征；
7)、利用PCA变换对所得到的图像特征进行变换；
8)、根据PCA变换后的第一主成分和第二主成分，利用分类器对单体建筑物直立或倒塌损毁进行分类判别。
2.根据权利要求1所述的震后高分辨率SAR图像单体建筑物倒塌损毁检测方法，其特征在于：所述检测方法还包括以下步骤：
9)、结果评价：利用地面实地调查数据对分类结果进行评价。
3.根据权利要求2所述的震后高分辨率SAR图像单体建筑物倒塌损毁检测方法，其特征在于：步骤9)的具体方法是根据震后高分辨率SAR图像的成像日期，获取地面实地观测资料，得到观测区直立建筑物和倒塌损毁建筑物的实际分布情况，将分类判别结果与地面实际类别进行比较，计算出混淆矩阵，使用Kappa系数和总体分类精度对结果进行精度评价；
总体分类判别精度计算公式为：式中hii为第i行第i列混淆矩阵像元数，N为参与分类的总像元数，n为分类类别总数；
Kappa系数计算公式为：式中hi+与h+i分别为混淆矩阵第i行像元数总和与第i列像元数总和。
4.根据权利要求1所述的震后高分辨率SAR图像单体建筑物倒塌损毁检测方法，其特征在于：所述步骤2)中辐射标定是将图像数值DN转换为后向散射值σ°；
σ°＝(ks×|DN|2-NEBN)×sinθloc
式中ks为定标参数，NEBN为雷达等效噪声强度，该参数反映了噪声对雷达信号的影响，θloc为对应像素的局部入射角，deg为多项式的阶数，coeffi为第i次多项式的系数，τref为参考时间点，τmin与τmax为距离向上第一个像素和最后一个像素的记录时间，τ为距离向上所考察的像素的记录时间，参数ks、τref、τmin、τmax从震后高分辨率SAR图像的头文件中获得。
5.根据权利要求1所述的震后高分辨率SAR图像单体建筑物倒塌损毁检测方法，其特征在于：所述步骤5)的具体方法是利用各单体建筑物在地图中的坐标，投影到纠正好的震后高分辨率SAR图像中，根据建筑物地图中的各单体建筑物的坐标范围，从震后高分辨率SAR图像中获取对应的单体建筑物图像范围。
6.根据权利要求1所述的震后高分辨率SAR图像单体建筑物倒塌损毁检测方法，其特征在于：步骤6)中所述图像特征包括后向散射特征与纹理特征，后向散射特征包括单体建筑物范围图像方差，纹理特征包括同质性和二阶矩；
同质性的计算公式为：
二阶矩的计算公式为：
其中，p(i，j)为归一化灰度共生矩阵第i行第j例的数值。
7.根据权利要求1所述的震后高分辨率SAR图像单体建筑物倒塌损毁检测方法，其特征在于：所述步骤8)中利用分类器对单体建筑物直立或倒塌损毁进行分类判别之前需要对分类器进行训练，训练方法是根据震后高分辨率SAR图像的成像日期，获取地面实地观测资料，在震后高分辨率SAR图像中选取部分直立建筑物和倒塌损毁建筑物作为训练样本，对分类器进行训练；再利用训练好的分类器，对输入的建筑物样本进行分类判别。
8.根据权利要求7所述的震后高分辨率SAR图像单体建筑物倒塌损毁检测方法，其特征在于：所述地面实地观测资料包括直立建筑物和倒塌损毁建筑物的地理位置以及损毁程度情况描述。
9.根据权利要求1所述的震后高分辨率SAR图像单体建筑物倒塌损毁检测方法，其特征在于：所述震后高分辨率SAR图像为TerraSAR-X ST模式数据。
10.根据权利要求1所述的震后高分辨率SAR图像单体建筑物倒塌损毁检测方法，其特征在于：所述建筑物地图为地籍图，或从纠正好的高分辨率光学图像中通过人工解译获取的各单体建筑物矢量图。
CN201810028118.3A 2018-01-11 2018-01-11 一种震后高分辨率sar图像单体建筑物倒塌损毁检测方法 Active CN108416760B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810028118.3A CN108416760B (zh) 2018-01-11 2018-01-11 一种震后高分辨率sar图像单体建筑物倒塌损毁检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810028118.3A CN108416760B (zh) 2018-01-11 2018-01-11 一种震后高分辨率sar图像单体建筑物倒塌损毁检测方法

Publications (2)

Publication Number Publication Date
CN108416760A true CN108416760A (zh) 2018-08-17
CN108416760B CN108416760B (zh) 2021-10-01

Family

ID=63125471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810028118.3A Active CN108416760B (zh) 2018-01-11 2018-01-11 一种震后高分辨率sar图像单体建筑物倒塌损毁检测方法

Country Status (1)

Country Link
CN (1) CN108416760B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472785A (zh) * 2018-11-01 2019-03-15 中国石油大学(华东) 基于多结构元素震害受损建筑物快速识别方法
CN109543616A (zh) * 2018-11-23 2019-03-29 北京师范大学 一种震后目标实物的损毁评估方法、装置、设备及介质
CN111126308A (zh) * 2019-12-26 2020-05-08 西南交通大学 结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102194127A (zh) * 2011-05-13 2011-09-21 中国科学院遥感应用研究所 一种多频率sar数据农作物遥感分类方法
CN102915445A (zh) * 2012-09-17 2013-02-06 杭州电子科技大学 一种改进型的神经网络高光谱遥感影像分类方法
CN104331707A (zh) * 2014-11-02 2015-02-04 西安电子科技大学 基于深度pca网络和svm的极化sar图像分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102194127A (zh) * 2011-05-13 2011-09-21 中国科学院遥感应用研究所 一种多频率sar数据农作物遥感分类方法
CN102915445A (zh) * 2012-09-17 2013-02-06 杭州电子科技大学 一种改进型的神经网络高光谱遥感影像分类方法
CN104331707A (zh) * 2014-11-02 2015-02-04 西安电子科技大学 基于深度pca网络和svm的极化sar图像分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BRUNNER D., SCHULZ K., BREHM T: "Building damage assessment in decimeter resolution SAR imagery: A future perspective", 《PROCEEDINGS OF JURSE 2011-JOINT URBAN REMOTE SENSING EVENT, MUNICH, GERMANY》 *
ITO Y: "A degree-of-damage estimation model of earthquake damage using interferometric SAR data", 《ELECTRICAL ENGINEERING IN JAPAN》 *
金鼎坚: "高分辨率SAR影像建筑物震害信息提取方法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472785A (zh) * 2018-11-01 2019-03-15 中国石油大学(华东) 基于多结构元素震害受损建筑物快速识别方法
CN109543616A (zh) * 2018-11-23 2019-03-29 北京师范大学 一种震后目标实物的损毁评估方法、装置、设备及介质
CN111126308A (zh) * 2019-12-26 2020-05-08 西南交通大学 结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法

Also Published As

Publication number Publication date
CN108416760B (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
Yan et al. Radiometric correction and normalization of airborne LiDAR intensity data for improving land-cover classification
US6792684B1 (en) Method for determination of stand attributes and a computer program to perform the method
Zhou et al. Fusion of high spatial resolution WorldView-2 imagery and LiDAR pseudo-waveform for object-based image analysis
CN105930772A (zh) 基于sar影像与光学遥感影像融合的城市不透水面提取方法
Bürgmann et al. Matching of TerraSAR-X derived ground control points to optical image patches using deep learning
CN109376600A (zh) 多光谱遥感影像综合特征云检测方法及装置
CN107479065B (zh) 一种基于激光雷达的林窗立体结构量测方法
CN108416760A (zh) 一种震后高分辨率sar图像单体建筑物倒塌损毁检测方法
Dutta et al. Characterizing vegetation canopy structure using airborne remote sensing data
Coluzzi et al. On the LiDAR contribution for landscape archaeology and palaeoenvironmental studies: the case study of Bosco dell'Incoronata (Southern Italy)
Malinowski et al. Local-scale flood mapping on vegetated floodplains from radiometrically calibrated airborne LiDAR data
CN111798509B (zh) 一种基于半球图像法测量叶面积指数的方法
Liu et al. Individual tree identification using a new cluster-based approach with discrete-return airborne LiDAR data
CN116295285A (zh) 基于区域自适应的浅海水深遥感反演方法
Leroy et al. Angular signatures of surface reflectances from airborne POLDER data
Hodgson et al. Modeling sensitivity of topographic change with sUAS imagery
Stellingwerf et al. Measurements and estimations of forest stand parameters using remote sensing
CN117557897A (zh) 目标农作物的倒伏监测方法、装置、电子设备及存储介质
Yan Airborne LiDAR data artifacts: What we know thus far
Vanderbilt et al. Specular, diffuse, and polarized imagery of an oat canopy
Bochow et al. Automatic shadow detection in hyperspectral VIS-NIR images
Bannari et al. Spatial distribution mapping of vegetation cover in urban environment using TDVI for quality of life monitoring
Gnanappazham et al. Geospatial tools for mapping and monitoring coastal mangroves
Fuchs et al. Sea ice melt pond bathymetry reconstructed from aerial photographs using photogrammetry: a new method applied to MOSAiC data
Wright et al. Combining metric aerial photography and near‐infrared videography to define within‐field soil sampling frameworks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant