CN108710816A - 一种基于概率融合的极化sar图像建筑物检测方法 - Google Patents
一种基于概率融合的极化sar图像建筑物检测方法 Download PDFInfo
- Publication number
- CN108710816A CN108710816A CN201810141413.XA CN201810141413A CN108710816A CN 108710816 A CN108710816 A CN 108710816A CN 201810141413 A CN201810141413 A CN 201810141413A CN 108710816 A CN108710816 A CN 108710816A
- Authority
- CN
- China
- Prior art keywords
- calculating
- scattering
- building
- pixel
- formula
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 239000012491 analyte Substances 0.000 title abstract 3
- 230000010287 polarization Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims description 55
- 239000013598 vector Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001427 coherent effect Effects 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract 1
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000009435 building construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于概率融合的极化SAR图像建筑物检测方法，该方法通过引入线散射模型来表征建筑物的散射特性，且利用极化方位角校正优化的方式来避免非平行于雷达飞行方向建筑物与自然地物的散射机理混淆，从而有效的解决了现有方法建筑物检测精度不高的问题。
Description
技术领域
本发明属于图像处理技术领域，具体的说是涉及目标识别技术领域中的一种基于概率融合的极化SAR(Synthetic Aperture Radar)图像中检测建筑物的方法。本方法可应用于极化 SAR图像中的建筑物检测和识别。
背景技术
合成孔径雷达(SAR)作为主动式微波遥感成像传感器的一种，不仅具有全天时全天候的工作优势，而且具有一定的穿透力，能够获取照射目标方位指向、物理构成和几何特征等多种信息。这些信息描述目标较传统光学成像更为有效全面，从而使合成孔径雷达广泛应用于人造目标检测、考古、城市规划设计、海洋资源监测、军事侦察等众多领域。随着电子和计算技术的日益成熟，大量机载和星载极化SAR系统被研发并投入使用，进而获得了越来越多的极化SAR图像数据，但是目前极化SAR图像解译技术还滞后于信息源的发展。同时，SAR图像特有的侧视成像机理和复杂成像环境也大大增加了图像解译的难度。因此，研究探索如何对获得的极化SAR图像数据进行高效利用具有重要理论意义和实用价值。
随着城市经济的快速发展和城市规模的迅速扩大，基于遥感手段的城区建筑物信息提取技术由于具有信息获取范围大、快速准确、时效性高等特点而得到广泛应用，其为城市建设规划、自然灾害评估、目标检测与定位、战略情报获取等民用军用任务提供可靠的信息和决策支持。
目前，利用极化SAR数据实现建筑物检测的方法主要有两类方法，第一类是基于时频分解的方法，是先将极化SAR图像进行子孔径分解，得到不同雷达观测角的多个图像，再依据似然比检测获取建筑物区域。但是存在一些散射非平稳的自然地物，导致检测结果存在很多虚警，从而导致建筑物检测结果不准确。第二类是基于极化目标分解的检测方法，主要是通过极化目标分解得到不同地物的主导散射类型和功率，通过散射机理差异来实现建筑物检测。此类方法由于非平行于雷达飞行方向的建筑物散射机理与森林等自然地物十分相似，从而检测出此类建筑物十分困难。
发明内容
为了克服现有技术中建筑物检测精度不高，无法检出非平行于雷达飞行方向建筑物等技术问题，本发明提出了一种基于概率融合的极化SAR图像建筑物检测方法，该方法通过引入线散射模型来表征建筑物的散射特性，且利用极化方位角校正优化的方式来避免非平行于雷达飞行方向建筑物与自然地物的散射机理混淆，从而有效的解决了现有方法建筑物检测精度不高的问题。
本发明为解决上述技术问题，所提供的技术方案是：一种基于概率融合的极化SAR图像建筑物检测方法，包括以下步骤：
A、对极化SAR图像中的像素进行散射矩阵S设定和散射矢量k构造的步骤；
B、由散射矢量k计算像素的极化协方差矩阵[C]的步骤；
C、由散射矩阵S计算线散射模型参数ρ和γ的步骤；
D、由线散射模型参数ρ和γ构造线散射模型，计算线散射协方差矩阵[Cw]、线散射加权系数fw和螺旋体散射加权系数fh的步骤；
E、由极化协方差矩阵[C]计算极化方位角θpoa的步骤；
F、消除极化方位角θpoa，构造体散射模型，计算体散射加权系数fv和体散射功率Pv的步骤；
G、计算螺旋体散射功率Ph和线散射功率Pw的步骤；
H、由散射矩阵S计算偶次散射功率Pd和面散射功率Ps的步骤；
I、通过计算建筑物的区域功率Pu，判断像素是否为建筑物区域，并将该判定结果下，所有的建筑物区域像素构成建筑物像素集合B1；
J、对极化SAR图像中的像素进行相干矩阵＜[[T]＞计算的步骤；
K、利用相干矩阵＜[[T]＞进行两个极化相干系数γ1(θ)的最大值和γ2(θ)的最小值的计算的步骤；
L、通过计算像素的极化相干系数比γr，判定像素是否为建筑物区域，并将该判定结果下，所有的建筑物区域像素构成建筑物像素集合B2；
M、对建筑物像素集合B1和建筑物像素集合B2进行交叉概率融合，得到确定建筑物区域的步骤；
其中，所述步骤D的具体操作方法为：
(1)、由公式构造得到线散射协方差矩阵[Cw]，其中，* 表示复数共轭，|g|表示复数的模运算；
(2)、依据公式和依次计算线散射加权系数fw和螺旋体散射加权系数fh，其中，SHH、SHV、SVH、SVV均为散射矩阵 S中的元素，<·>表示集合平均，im(g)表示复数的虚部；
所述步骤F的具体操作方法为：
计算判定条件的值，若该值为正，则执行下面步骤中的 (1)，否则执行步骤中的(2)
(1)、计算体散射比值系数利用公式构造体散射模型矩阵Cv1，设置变量x＝Cv1(1,1)，y＝Cv1(3,3)和z＝Cv1(1,3)，其中，Cv1(i,j)表示矩阵Cv1中第i行第j列元素，利用公式计算体散射加权系数 fv，利用公式Pv＝fv×trace(Cv1)计算体散射功率Pv，其中，trace(Cv1)表示矩阵Cv1的对角线元素之和；
(2)、计算体散射角度系数利用公式构造体散射模型矩阵Cv2，设置变量x＝Cv2(1,1)，z＝Cv2(1,3)和y＝Cv2(3,3)，其中，Cv2(i,j)表示矩阵 Cv2中第i行第j列元素，利用公式计算体散射加权系数fv，利用公式Pv＝fv×trace(Cv2)计算体散射功率Pv，其中，trace(Cv2)表示矩阵Cv2的对角线元素之和；
所述步骤J中，设极化SAR图像中某个像素对应的相干矩阵为该相干矩阵＜[[T]＞由公式<[T]＞＝[A]<[C]＞[A]-1计算得到，其中，
所述步骤A的具体操作方法为：设极化SAR图像中某个像素对应的散射矩阵为在满足互易定理的后向散射情况下，SHV＝SVH，则该像素对应的散射矢量为
所述步骤B中，利用公式由散射矢量k计算得到该像素对应的极化协方差矩阵[C]；
其中，H表示矢量转置共轭，*表示复数共轭，<·>表示集合平均。
在步骤C中，利用公式和计算线散射模型参数ρ和γ；
其中，|g|表示复数的模运算。
所述步骤E中，利用公式由极化协方差矩阵[C]计算得到极化方位角θpoa，其中，C11、C12、C13、C23、C33为极化协方差矩阵[C]中的元素，re(g)表示取复数的实部。
所述步骤G中，利用公式Ph＝fh和Pw＝fw(1+|γ|2+2×|ρ|2)，分别计算螺旋体散射功率Ph和线散射功率Pw。
所述步骤H的具体操作方法为：
计算判定条件re(＜SHHSVV＞)的值，若该值为正，则执行下面步骤中的(1)，否则执行步骤中的 (2)，其中，re(g)表示取复数的实部；
(1)、计算面散射系数利用公式计算偶次散射加权系数fd，利用公式Pd＝2fd计算偶次散射功率Pd，之后，利用公式fs＝|<SHHSVV＞-y-fd|计算面散射加权系数fs，利用公式Ps＝fs(1+|β|2)计算面散射功率Ps；
(2)、计算偶次散射系数利用公式计算面散射加权系数，利用公式Ps＝2fs计算面散射功率Ps，之后，利用公式fd＝|<SHHSVV＞-y-fs|计算偶次散射加权系数fd，利用公式Pd＝fd(1+|α|2)计算偶次散射功率Pd。
所述步骤I中，利用公式Pu＝Pw+Pd+Ph计算建筑物的区域功率Pu，若像素满足Pu＞Ps，且Pu＞Pv，则判定此像素为建筑物区域，所有的建筑物区域像素构成建筑物像素集合B1。
所述步骤K中，极化相干系数的最大值的计算步骤为：在区间的数值中取等间隔的个值，设为个值中的第个，利用公式，计算得到极化相干系数的最大值，其中，极化相干系数的计算公式为，
其中，符号为复数符号；
极化相干系数的最小值的计算步骤为：在区间的数值中取等间隔的个值，设为个值中的第个，利用公式，得到极化相干系数的最小值，其中，极化相干系数的计算公式为
；
所述步骤L中，利用公式计算像素的极化相干系数比，若像素满足，则判定该像素为建筑物区域，其中，为预先设定的检测门限值，所有的建筑物区域像素构成建筑物像素集合。
所述步骤M的具体操作方法为：
（1）、构造四个像素集合，，和，其中，表示步骤I和步骤L都判定为建筑物区域的像素集合，表示步骤I判断为非建筑物区域步骤L判定为建筑物区域的像素集合，表示步骤I判断为建筑物区域步骤L判定为非建筑物区域的像素集合，表示步骤I和步骤L都判定为非建筑物区域的像素集合；
（2）、计算像素集合和中像素的交叉概率值和，计算公式为和，其中，
，表示集合中的元素个数，表示建筑物像素集合，表示非建筑物像素集合；
（3）、对像素集合和中的各个像素执行下面操作，以某个像素为中心，设置大小为正方形滑动窗口，分别计算此滑动窗口内所有像素的概率之和和，如果，则将此像素归为城市建筑物区域，否则将此像素归为非城市建筑物区域。
有益效果：本发明的一种基于概率融合的极化SAR图像建筑物检测方法，通过在步骤中引入线散射模型的方式进行建筑物散射特性的表征，再通过校正极化方位角的方式来避免非平行于雷达飞行方向建筑物与自然地物的散射机理混淆，方法整体步骤简便，很好的解决了非平行于雷达飞行方向建筑物检出易出错的技术难题，可靠性高。
附图说明
图1是本发明的实现流程图；
图2是San Francisco地区的全极化数据对应的后向散射功率图像；
图3是San Francisco地区数据的Wei Zhai等人方法建筑物检测结果二值图；
图4是San Francisco地区数据的本发明的建筑物检测结果二值图。
具体实施方式
下面将结合本发明发明实施例中的附图，对本发明发明实施例中的技术方案进行清楚、完整地描述。
作为一种主动微波遥感系统，极化SAR具有全天时全天候高分辨的工作能力和一定的穿透力，广泛应用于城市规划、地质灾害评估、森林制图分类，海洋泄漏原油监控和电子地图生成等领域。利用极化SAR数据提取建筑物信息具有获取范围大、快速准确、时效性高等优势，已经成为当前城市建设和发展规划的重要决策手段。
利用极化SAR图像建筑物检测方法获取的特征信息能够用来实现建筑物特征提取。本发明所采用的目标分解方法表达式为
其中，C为极化SAR中最小分辨单元对应的协方差矩阵，fs，fd，fv，fh，fw依次为面散射加权系数、偶次散射加权系数、体散射加权系数、螺旋体散射加权系数和线散射加权系数，Cs，Cd，Cv，Ch，Cw依次为面散射、偶次散射、体散射、螺旋体散射的极化协方差矩阵。将自然地物和建筑物区分采用不同的体散射模型能够避免体散射功率在建筑物区域被高估，偶次散射功率被低估的问题，从而获得的特征信息更为准确。
同时，虽然已有学者利用极化相干系数实现建筑物检测，如Moriyma等人在其发表的论文《Polarimetric SAR image analysis using model fit for urban structures，2015》中公开了一种利用极化相干系数实现建筑物区分的方法，但是由于没有考虑到极化方位角的影响，导致建筑物检测精度不高。
参照图1，本发明的一种基于概率融合的极化SAR图像建筑物检测方法方法，具体实施步骤如下：
步骤1：对于极化SAR图像数据，设其中某像素的散射矩阵为在满足互易定理的后向散射情况下，散射矩阵S被认为是对称的，即SHV＝SVH，用散射矩阵构造散射矢量
步骤2：通过散射矢量k计算得到此像素的极化协方差矩阵[C]，计算公式为其中，H表示矢量转置共轭，*表示复数共轭，<·>为集合平均；
步骤3：由散射矩阵S计算线散射模型参数和其中，|g|表示复数的模运算，再构造线散射协方差矩阵
步骤4：计算线散射的加权系数和螺旋体散射加权系数其中，im(g)表示复数的虚部；
步骤5：计算极化方位角其中，re(g)表示取复数的实部；
步骤6：若判断条件为正，则执行步骤6中的(1)，否则执行步骤6 中的(2)，
(1)计算体散射比值系数构造体散射模型为设置变量x＝Cv1(1,1)，y＝Cv1(3,3)和z＝Cv1(1,3)，其中Cv1(i,j)表示矩阵Cv1的第i行第j列元素，并计算体散射加权系数为计算体散射功率Pv＝fv×trace(Cv1)，其中，trace(Cv1)表示矩阵Cv1的对角线元素之和；
(2)计算体散射角度系数构造体散射模型且设 x＝Cv2(1,1)，z＝Cv2(1,3)和y＝Cv2(3,3)，计算体散射加权系数计算体散射功率Pv＝fv×trace(Cv2)；
步骤7：计算螺旋体散射功率Ph＝fh和线散射功率Pw＝fw(1+|γ|2+2×|ρ|2)；
步骤8：如果re(＜ShhSvv＞)为正，则下面步骤8中的(1)，否则执行步骤8中的(2)
(1)计算面散射系数计算偶次散射系数为
计算偶次散射功率为Pd＝2fd，再计算面散射加权系数为fs＝|<SHHSVV＞-y-fd|，再计算面散射功率为Ps＝fs(1+|β|2)；
(2)计算偶次散射系数计算偶次散射加权系数为
计算偶次散射功率为Ps＝2fs，再计算面散射加权系数为fd＝|<SHHSVV＞-y-fs|，再计算面散射功率为Pd＝fd(1+|α|2)；
步骤9：计算建筑物区域功率Pu＝Pw+Pd+Ph，若此像素满足Pu＞Ps且Pu＞Pv则判定此像素为建筑物区域，所有的建筑物区域像素构成建筑物像素B1；
步骤10：设此像素的相干矩阵由<[T]＞＝[A]<[C]＞[A]-1计算得到，其中，
步骤11：在区间的数值中取等间隔的m个值，设为m个值中的第k个，利用公式得到极化相干系数1的最大值其中，极化相干系数1公式为
符号j为复数符号；
步骤12：在区间的数值中取等间隔的n个值，设为n个值中的第t个，利用公式得到极化相干系数2的最小值其中，极化相干系数2公式为
其中，m和n通常取30-300之间的数值；
步骤13：计算相干系数比若像素满足γr＞γth的像素判定为建筑物区域，所有建筑物区域元素构成集合B2，其中；γth为预先设定的检测门限值，通常取0.58-0.70；
步骤14：构造四个像素集合B1B2， 和分别表示两种方法都判定为建筑物区域的像素集合，第一种判断为非建筑物区域第二种方法判定为建筑物区域的像素集合，第一种判定为建筑物区域第二种判断为非建筑物区域，两种方法都判定为非建筑物区域；
步骤15：计算像素集合和中像素的交叉概率值P(C1|B1,B2)和P(C2|B1,B2)，公式为其中，
∑B1B2表示集合B1B2中的元素个数；
步骤16：对像素集合和中的各个像素执行下面操作，以某个像素为中心，设置大小为N正方形滑动窗口，分别计算此滑动窗口内所有像素的概率之和和如果则将此像素归为城市建筑物区域，否则将此像素归为非城市建筑物区域。
本发明采用交叉概率融合的方法来提高建筑物检测的精度，提高建筑物检测精度的原理是：对这两种方法检测到的建筑物区域和非建筑物区域都取交集，得到建筑物区域和非建筑物区域的高可信区域，其它区域像素依据数据融合里面的交叉概率融合方法来重新归为建筑物区域或非建筑物区域。
下面通过实验对本发明的效果做进一步的说明：
1、实验内容
实验使用数据是由星载雷达传感器Radarsat-2获取的San Francisco(旧金山)地区C波段数据，方位向分辨率为4.82米，距离向分辨率为4.73米，包含多种地物类型诸如森林、建筑物、海洋等；
实验过程如下：分别采用Wei Zhai等人的文章[Fusion of polarimetric andtexture information for urban building，2015]中的建筑物检测方法与本发明基于概率融合的极化SAR图像建筑物检测方法对上述极化数据进行检测。极化协方差矩阵对极化数据采用5*5的滑窗计算得到。参数设定为检测门限值γth＝0.65，m＝30和n＝30。
2、实验数据分析
在图2中，由于建筑物的几何构造与角散射器相似，后向散射的功率显著强于森林和海洋区域，图中呈现较为明亮白色。图3和图4分别是[Fusion of polarimetric and textureinformation for urban building]和本文发明方法的建筑物检测结果。结果为二值图，即建筑物区域为白色，非建筑物区域为黑色。从图中可以看到图3中存在大量的森林区域被检测为建筑物，如椭圆内区域，从后向散射功率图中可以看出对应区域为森林。图4中，这些森林区域基本为黑色，即检测为非建筑物区域。对比图3和图4可知，本发明方法检测效果优于对比方法，图中大部分建筑物、道路以及城区目标都能被检测出来。
为了定量评估这两种不同建筑物检测算法，以图2为地面真实类别图，我们选择98846个像素(图中的矩形区域)作为测试样本来计算这2种检测算法的精度。测试样本中41760个像素为建筑物，57086个像素为自然地物。表1为不同检测结果的精度对比，可以看出，相较于对比方法，本发明方法将建筑物判断为自然地物的概率明显降低，从而提高了建筑物检测精度。
表1San Francisco数据两种方法精度对比(单位为百分比)
| 检测方法 | 建筑物 | 自然地物 | 总体精度 | Kappa系数 |
| Wei Zhai方法 | 72.3 | 78.5 | 74.2 | 0.591 |
| 本发明方法 | 86.4 | 92.3 | 89.3 | 0.767 |
本发明所提出建筑物检测方法总体精度提供15％左右，Kappa系数达到0.767。通过上述星载San Francisco数据数据实验结果表明，本文方法能很好地对城区建筑物进行检测。
综上所述，本发明方法对极化数据进行建筑物检测能更有效的利用建筑物的散射机理和物理结构，检测精度优于传统使用的融合方法。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的包含范围内。
Claims (10)
1.一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于，包括以下步骤：
A、对极化SAR图像中的像素进行散射矩阵S设定和散射矢量k构造的步骤；
B、由散射矢量k计算像素的极化协方差矩阵[C]的步骤；
C、由散射矩阵S计算线散射模型参数ρ和γ的步骤；
D、由线散射模型参数ρ和γ构造线散射模型，计算线散射协方差矩阵[Cw]、线散射加权系数fw和螺旋体散射加权系数fh的步骤；
E、由极化协方差矩阵[C]计算极化方位角θpoa的步骤；
F、消除极化方位角θpoa，构造体散射模型，计算体散射加权系数fv和体散射功率Pv的步骤；
G、计算螺旋体散射功率Ph和线散射功率Pw的步骤；
H、由散射矩阵S计算偶次散射功率Pd和面散射功率Ps的步骤；
I、通过计算建筑物的区域功率Pu，判断像素是否为建筑物区域，并将该判定结果下，所有的建筑物区域像素构成建筑物像素集合B1；
J、对极化SAR图像中的像素进行相干矩阵<[T]>计算的步骤；
K、利用相干矩阵<[T]>进行两个极化相干系数γ1(θ)的最大值和γ2(θ)的最小值的计算的步骤；
L、通过计算像素的极化相干系数比γr，判定像素是否为建筑物区域，并将该判定结果下，所有的建筑物区域像素构成建筑物像素集合B2；
M、对建筑物像素集合B1和建筑物像素集合B2进行交叉概率融合，得到确定建筑物区域的步骤；
其中，所述步骤D的具体操作方法为：
(1)、由公式构造得到线散射协方差矩阵[Cw]，其中，*表示复数共轭，|g|表示复数的模运算；
(2)、依据公式和依次计算线散射加权系数fw和螺旋体散射加权系数fh，其中，SHH、SHV、SVH、SVV均为散射矩阵S中的元素，<·>表示集合平均，im(g)表示复数的虚部；
所述步骤F的具体操作方法为：
计算判定条件的值，若该值为正，则执行下面步骤中的(1)，否则执行步骤中的(2)；
(1)、计算体散射比值系数利用公式构造体散射模型矩阵Cv1，设置变量x＝Cv1(1,1)，y＝Cv1(3,3)和z＝Cv1(1,3)，其中，Cv1(i,j)表示矩阵Cv1中第i行第j列元素，利用公式计算体散射加权系数fv，利用公式Pv＝fv×trace(Cv1)计算体散射功率Pv，其中，trace(Cv1)表示矩阵Cv1的对角线元素之和；
(2)、计算体散射角度系数利用公式构造体散射模型矩阵Cv2，设置变量x＝Cv2(1,1)，z＝Cv2(1,3)和y＝Cv2(3,3)，其中，Cv2(i,j)表示矩阵Cv2中第i行第j列元素，利用公式计算体散射加权系数fv，利用公式Pv＝fv×trace(Cv2)计算体散射功率Pv，其中，trace(Cv2)表示矩阵Cv2的对角线元素之和；
所述步骤J中，设极化SAR图像中某个像素对应的相干矩阵为该相干矩阵<[T]>由公式<[T]>＝[A]<[[C]>[A]-1计算得到，其中，
2.根据权利要求1所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于，所述步骤A的具体操作方法为：设极化SAR图像中某个像素对应的散射矩阵为在满足互易定理的后向散射情况下，SHV＝SVH，则该像素对应的散射矢量为
3.根据权利要求1所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于：所述步骤B中，利用公式由散射矢量k计算得到该像素对应的极化协方差矩阵[C]；
其中，H表示矢量转置共轭，*表示复数共轭，<·>表示集合平均。
4.根据权利要求1所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于：在步骤C中，利用公式和计算线散射模型参数ρ和γ；
其中，|g|表示复数的模运算。
5.根据权利要求3所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于：所述步骤E中，利用公式由极化协方差矩阵[C]计算得到极化方位角θpoa，其中，C11、C12、C13、C23、C33为极化协方差矩阵[C]中的元素，re(g)表示取复数的实部。
6.根据权利要求1所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于：所述步骤G中，利用公式Ph＝fh和Pw＝fw(1+|γ|2+2×|ρ|2)，分别计算螺旋体散射功率Ph和线散射功率Pw。
7.根据权利要求1所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于，所述步骤H的具体操作方法为：计算判定条件re(<SHHSVV>)的值，若该值为正，则执行下面步骤中的(1)，否则执行步骤中的(2)，其中，re(g)表示取复数的实部；
(1)、计算面散射系数利用公式计算偶次散射加权系数fd，利用公式Pd＝2fd计算偶次散射功率Pd，之后，利用公式fs＝|<SHHSVV>-y-fd|计算面散射加权系数fs，利用公式Ps＝fs(1+|β|2)计算面散射功率Ps；
(2)、计算偶次散射系数利用公式计算面散射加权系数，利用公式Ps＝2fs计算面散射功率Ps，之后，利用公式fd＝|<SHHSVV＞-y-fs|计算偶次散射加权系数fd，利用公式Pd＝fd(1+|α|2)计算偶次散射功率Pd。
8.根据权利要求1所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于，所述步骤I中，利用公式Pu＝Pw+Pd+Ph计算建筑物的区域功率Pu，若像素满足Pu＞Ps，且Pu＞Pv，则判定此像素为建筑物区域，所有的建筑物区域像素构成建筑物像素集合B1。
9.根据权利要求1所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于，所述步骤K中，极化相干系数γ1(θ)的最大值的计算步骤为：在区间的数值中取等间隔的m个值，设为m个值中的第k个，利用公式计算得到极化相干系数γ1(θ)的最大值其中，极化相干系数γ1(θ)的计算公式为
其中，符号j为复数符号；
极化相干系数γ2(θ)的最小值的计算步骤为：在区间的数值中取等间隔的n个值，设为n个值中的第t个，利用公式得到极化相干系数γ2(θ)的最小值其中，极化相干系数γ2(θ)的计算公式为
所述步骤L中，利用公式计算像素的极化相干系数比γr，若像素满足γr＞γth，则判定该像素为建筑物区域，其中，γth为预先设定的检测门限值，所有的建筑物区域像素构成建筑物像素集合B2。
10.根据权利要求1所述的一种基于概率融合的极化SAR图像建筑物检测方法，其特征在于，所述步骤M的具体操作方法为：
(1)、构造四个像素集合B1B2，和其中，B1B2表示步骤I和步骤L都判定为建筑物区域的像素集合，表示步骤I判断为非建筑物区域步骤L判定为建筑物区域的像素集合，表示步骤I判断为建筑物区域步骤L判定为非建筑物区域的像素集合，表示步骤I和步骤L都判定为非建筑物区域的像素集合；
(2)、计算像素集合和中像素的交叉概率值P(C1|B1,B2)和P(C2|B1,B2)，计算公式为P(C1|B1,B2)＝P(C1|B1)αP(C1|B2)β和P(C2|B1,B2)＝P(C2|B1)αP(C2|B2)β，其中，
P(C2|B1)＝1-P(C1|B1)
P(C2|B2)＝1-P(C1|B2)，∑B1B2表示集合B1B2中的元素个数，C1表示建筑物像素集合，C2表示非建筑物像素集合；
(3)、对像素集合和中的各个像素执行下面操作，以某个像素为中心，设置大小为N正方形滑动窗口，分别计算此滑动窗口内所有像素的概率之和和如果则将此像素归为城市建筑物区域，否则将此像素归为非城市建筑物区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810141413.XA CN108710816B (zh) | 2018-02-11 | 2018-02-11 | 一种基于概率融合的极化sar图像建筑物检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810141413.XA CN108710816B (zh) | 2018-02-11 | 2018-02-11 | 一种基于概率融合的极化sar图像建筑物检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108710816A true CN108710816A (zh) | 2018-10-26 |
| CN108710816B CN108710816B (zh) | 2021-05-18 |
Family
ID=63866359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810141413.XA Expired - Fee Related CN108710816B (zh) | 2018-02-11 | 2018-02-11 | 一种基于概率融合的极化sar图像建筑物检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108710816B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871798A (zh) * | 2019-02-01 | 2019-06-11 | 浙江大学 | 一种基于卷积神经网络的遥感影像建筑物提取方法 |
| CN114581771A (zh) * | 2022-02-23 | 2022-06-03 | 南京信息工程大学 | 一种高分异源遥感坍塌建筑物检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
| CN102609933A (zh) * | 2011-12-16 | 2012-07-25 | 电子科技大学 | 一种极化sar图像的自适应相干变化检测方法 |
| CN103529447A (zh) * | 2012-07-02 | 2014-01-22 | 中国科学院对地观测与数字地球科学中心 | 面向城市区域的极化四分量分解方法 |
| CN104318572A (zh) * | 2014-10-31 | 2015-01-28 | 中南大学 | 基于极化方向角补偿的polsar图像海上目标检测方法 |
| CN105445712A (zh) * | 2015-11-11 | 2016-03-30 | 中国测绘科学研究院 | 极化sar多成分目标分解方法 |
| CN105551021A (zh) * | 2015-12-05 | 2016-05-04 | 中国人民解放军国防科学技术大学 | 基于多时相全极化sar的建筑物倒损率估计方法 |
| CN105701481A (zh) * | 2016-02-26 | 2016-06-22 | 民政部国家减灾中心 | 一种倒塌建筑物提取方法 |
| CN105787450A (zh) * | 2016-02-26 | 2016-07-20 | 中国空间技术研究院 | 一种基于高分辨率sar图像的城市地区建筑物检测方法 |
| CN107330457A (zh) * | 2017-06-23 | 2017-11-07 | 电子科技大学 | 一种基于多特征融合的极化sar图像分类方法 |
| 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 |
-
2018
- 2018-02-11 CN CN201810141413.XA patent/CN108710816B/zh not_active Expired - Fee Related
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
| CN102609933A (zh) * | 2011-12-16 | 2012-07-25 | 电子科技大学 | 一种极化sar图像的自适应相干变化检测方法 |
| CN103529447A (zh) * | 2012-07-02 | 2014-01-22 | 中国科学院对地观测与数字地球科学中心 | 面向城市区域的极化四分量分解方法 |
| CN104318572A (zh) * | 2014-10-31 | 2015-01-28 | 中南大学 | 基于极化方向角补偿的polsar图像海上目标检测方法 |
| CN105445712A (zh) * | 2015-11-11 | 2016-03-30 | 中国测绘科学研究院 | 极化sar多成分目标分解方法 |
| CN105551021A (zh) * | 2015-12-05 | 2016-05-04 | 中国人民解放军国防科学技术大学 | 基于多时相全极化sar的建筑物倒损率估计方法 |
| CN105701481A (zh) * | 2016-02-26 | 2016-06-22 | 民政部国家减灾中心 | 一种倒塌建筑物提取方法 |
| CN105787450A (zh) * | 2016-02-26 | 2016-07-20 | 中国空间技术研究院 | 一种基于高分辨率sar图像的城市地区建筑物检测方法 |
| CN107330457A (zh) * | 2017-06-23 | 2017-11-07 | 电子科技大学 | 一种基于多特征融合的极化sar图像分类方法 |
| 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 |
Non-Patent Citations (5)
| Title |
|---|
| AO DU等: "Compensation for Azimuth Angle or Scale Effect on Building Extraction in Urban Using SAR Scales of Polarization and Coherence", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
| LAMEI ZHANG等: "An improvement of multiple-component scattering model with rotated covariance matrix for polarimetric SAR decomposition", 《2015 IEEE 5TH ASIA-PACIFIC CONFERENCE ON SYNTHETIC APERTURE RADAR (APSAR)》 * |
| 孙萍: "极化SAR图像建筑物提取方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 范庆辉等: "基于非平稳性和极化相干系数比的PolSAR图像建筑物检测", 《电子与信息学报》 * |
| 闫丽丽: "基于散射特征的极化SAR影像建筑物提取研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871798A (zh) * | 2019-02-01 | 2019-06-11 | 浙江大学 | 一种基于卷积神经网络的遥感影像建筑物提取方法 |
| CN114581771A (zh) * | 2022-02-23 | 2022-06-03 | 南京信息工程大学 | 一种高分异源遥感坍塌建筑物检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108710816B (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bujor et al. | Application of log-cumulants to the detection of spatiotemporal discontinuities in multitemporal SAR images | |
| US11747498B1 (en) | Method, system, device and medium for landslide identification based on full polarimetric SAR | |
| CN110826643B (zh) | 一种极化欧拉特征融合深度学习的海上目标识别方法 | |
| CN108171193B (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
| CN102968790B (zh) | 基于图像融合的遥感图像变化检测方法 | |
| CN103400137B (zh) | 一种sar图像的建筑物几何参数提取方法 | |
| CN105701481B (zh) | 一种倒塌建筑物提取方法 | |
| CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
| Li et al. | Building damage assessment from PolSAR data using texture parameters of statistical model | |
| Anderson et al. | Analysis of ASCAT ocean backscatter measurement noise | |
| Gao et al. | TSPol-ASLIC: Adaptive superpixel generation with local iterative clustering for time-series quad-and dual-polarization SAR data | |
| CN108710816B (zh) | 一种基于概率融合的极化sar图像建筑物检测方法 | |
| Teng et al. | An anisotropic scattering analysis method based on the statistical properties of multi-angular SAR images | |
| CN103870842A (zh) | 结合极化特征和分水岭的极化sar图像分类方法 | |
| Zhang et al. | A novel full-polarization SAR image ship detector based on scattering mechanisms and wave polarization anisotropy | |
| Liu et al. | Representation and spatially adaptive segmentation for PolSAR images based on wedgelet analysis | |
| Xu et al. | The comparative study of three methods of remote sensing image change detection | |
| Onyszko et al. | A new methodology for the detection and extraction of hyperbolas in GPR images | |
| CN112462367B (zh) | 一种基于极化合成孔径雷达的车辆检测方法 | |
| Dabbiru et al. | Levee anomaly detection using polarimetric synthetic aperture radar data | |
| Liu et al. | Building damage mapping based on Touzi decomposition using quad-polarimetric ALOS PALSAR data | |
| CN106291554B (zh) | 基于k-wishart分布的极化sar舰船检测方法 | |
| CN106960443A (zh) | 基于全极化时序sar图像的非监督变化检测的方法及装置 | |
| Han et al. | Automatic runway detection based on unsupervised classification in polsar image | |
| Yuan et al. | Polarimetric range extended target detection via adaptive range weighted feature extraction |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210518 Termination date: 20220211 |