CN108830203B - 一种基于sar图像的建筑区提取方法和系统 - Google Patents
一种基于sar图像的建筑区提取方法和系统 Download PDFInfo
- Publication number
- CN108830203B CN108830203B CN201810558986.2A CN201810558986A CN108830203B CN 108830203 B CN108830203 B CN 108830203B CN 201810558986 A CN201810558986 A CN 201810558986A CN 108830203 B CN108830203 B CN 108830203B
- Authority
- CN
- China
- Prior art keywords
- image
- building area
- sampling points
- building
- preset
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 45
- 238000005070 sampling Methods 0.000 claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 abstract description 4
- 230000010287 polarization Effects 0.000 description 32
- 238000011160 research Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000132092 Aster Species 0.000 description 1
- 241000442452 Parapenaeus longirostris Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于SAR图像的建筑区提取方法和系统，所述基于SAR图像的建筑区提取方法，包括：基于SAR图像获取第一图像；基于第一图像生成局部空间指数图像和变差函数图像；基于局部空间指数图像、变差函数图像、第一图像，分别筛选采样点得到相应的集合；根据预设生长准则对各集合内的采样点处理分别构建待选建筑区图像，将各待选建筑区图像进行叠加得到最终建筑区图像。通过本发明提供的方法或系统能够从Sentinel‑1 SAR图像中快速而准确的提取建筑区，实现大区域的建筑用地自动提取，为全球建筑区制图奠定了基础。
Description
技术领域
本申请涉及遥感领域，具体涉及一种基于SAR图像的建筑区提取方法和系统。
背景技术
研究表明，到2050年世界人口的66％将会居住在城市区域。尽管城市区域只占全球陆地的一小部分，但由于它们是交通和能源消耗的聚集地，所以在很大程度上影响了生态环境变化。因此，准确而及时地获取建筑用地信息对城市规划以及震后救灾具有重要意义。
光学遥感卫星为建筑用地的提取提供了有价值的数据来源，但与光学传感器相比，雷达系统具有全天时全天候观测成像的特点，因此，对于常年有云雾覆盖的地区，通过雷达系统获取的SAR数据具有更广的应用空间。尽管SAR图像解译困难，目前也有很多学者基于SAR图像进行了大区域建筑区提取方面的研究。然而这些方法只依赖于图像的强度信息，例如，对于75m这种低分辨率的SAR图像能准确获取居民地信息，但对于中分辨率宽幅SAR图像(如20m分辨率的Sentinel-1SAR图像)，建筑区具有更加明显明暗相间的纹理特征，因此，仅仅使用强度信息并不能获取完整和准确的建筑区分布。因此，亟需一种新的基于SAR图像的建筑区提取方法和系统。
发明内容
本发明提供了一种基于SAR图像的建筑区提取方法和系统。通过本发明提供的方法或系统能够从Sentinel-1SAR图像中快速而准确的提取建筑区，实现大区域的建筑用地自动提取，为全球建筑区制图奠定了基础。
为了解决上述技术问题，本发明实施例提供了如下的技术方案：
本发明第一方面提供一种基于SAR图像的建筑区提取方法，其包括：
基于SAR图像获取第一图像；
基于第一图像生成局部空间指数图像和变差函数图像；
基于局部空间指数图像、变差函数图像、第一图像，分别筛选采样点得到相应的集合；
根据预设生长准则对各集合内的采样点处理分别构建待选建筑区图像，将各待选建筑区图像进行叠加得到最终建筑区图像。
作为优选，所述基于SAR图像获取第一图像包括：
对SAR图像执行对比度增强处理和滤波处理。
作为优选，所述分别筛选采样点得到相应的集合，至少包括：
获取第一图像中强度值超过预设强度阈值的采样点，形成第一集合。
作为优选，所述分别筛选采样点得到相应的集合，至少包括：
基于局部空间指数图像生成模型，生成第一图像对应的局部空间指数图像；
获取局部空间指数图像中强度值超过预设局部空间指数阈值的采样点，形成第二集合。
作为优选，所述分别筛选采样点得到相应的集合，至少包括：
基于变差函数图像生成模型，生成第一图像对应的变差函数图像；
获取变差函数图像中强度值超过预设变差函数阈值的采样点，形成第三集合。
作为优选，所述根据预设生长准则对各集合内的采样点处理分别构建待选建筑区图像，包括：
在每个集合中确定采样点的邻域内是否存在高于预设生长规则阈值的邻近采样点；
如存在，所述采样点与所述邻近采样点合并作为新的生长点；
对新的生长点的邻域进行搜索，查找新的生长点的邻域内是否存在高于预设生长规则阈值的邻近采样点，将高于预设生长规则阈值的邻近采样点再次合并作为新的生长点，重复此过程直至集合中不存在高于预设生长规则阈值的采样点为止，分别构建所述待选建筑区图像。
作为优选，所述方法还包括：
利用掩膜处理和形态学处理对所述最终建筑区图像进行优化，得到优化后的最终建筑区图像。
作为优选，所述第一图像包含至少两个建筑区图像。
本发明第二方面提供一种基于SAR图像的建筑区提取系统，其包括：
图像获取模块，其配置为基于SAR图像获取第一图像；
特征图像生成模块，其配置为基于第一图像生成局部空间指数图像和变差函数图像；
采集点筛选模块，其配置为基于局部空间指数图像、变差函数图像、第一图像，分别筛选采样点得到相应的集合；
建筑区提取模块，其配置为根据预设生长准则对各集合处理分别构建待选建筑区图像，将各待选建筑区图像进行叠加得到最终建筑区图像。
作为优选，所述基于SAR图像获取第一图像包括：
对SAR图像执行对比度增强处理和滤波处理。
作为优选，所述分别筛选采样点得到相应的集合，至少包括：
获取第一图像中强度值超过预设强度阈值的采样点，形成第一集合。
作为优选，所述分别筛选采样点得到相应的集合，至少包括：
基于局部空间指数图像生成模型，生成第一图像对应的局部空间指数图像；
获取局部空间指数图像中强度值超过预设局部空间指数阈值的采样点，形成第二集合。
作为优选，所述分别筛选采样点得到相应的集合，至少包括：
基于变差函数图像生成模型，生成第一图像对应的变差函数图像；
获取变差函数图像中强度值超过预设变差函数阈值的采样点，形成第三集合。
作为优选，所述根据预设生长准则对各集合内的采样点处理分别构建待选建筑区图像，包括：
在每个集合中确定采样点的邻域内是否存在高于预设生长规则阈值的邻近采样点；
如存在，所述采样点与所述邻近采样点合并作为新的生长点；
对新的生长点的邻域进行搜索，查找新的生长点的邻域内是否存在高于预设生长规则阈值的邻近采样点，将高于预设生长规则阈值的邻近采样点再次合并作为新的生长点，重复此过程直至集合中不存在高于预设生长规则阈值的采样点为止，分别构建所述待选建筑区图像。
作为优选，所述方法还包括：
利用掩膜处理和形态学处理对所述最终建筑区图像进行优化，得到优化后的最终建筑区图像。
基于上述实施例的公开可以获知，本发明实施例具备如下的有益效果：
应用本发明提供的方法或系统对SAR图像提取建筑区过程中，能够得到较高的建筑区提取精度和较低的误判率，从而实现大区域的建筑用地自动提取，为全球建筑区制图奠定了基础。
针对不同区域，本发明使用不同极化的SAR图像，例如VV极化图像、VH极化图像或VV和VH两个极化的平均图像进行建筑区提取和分析，结果表明，对于农村建筑密集的北方城市，使用VV和VH两个极化的平均图像进行建筑区提取能得到较高的提取精度，而VV极化图像更适合于南方城市的建筑区提取。
由于本发明采用Sentinel-1卫星提供的图像数据进行建筑区的提取，且所述图像数据能实现全球陆地覆盖，因此，采用本发明提供的方法或系统使得对全国甚至全球的建筑区制图成为可能。
附图说明
图1为本发明实施例的基于SAR图像的建筑区提取方法的流程图。
具体实施方式
下面，结合附图对本发明的具体实施例进行详细的描述，但不作为本发明的限定。
应理解的是，可以对此处公开的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本发明的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本发明进行了描述，但本领域技术人员能够确定地实现本发明的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时，鉴于以下详细说明，本公开的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本公开的具体实施例；然而，应当理解，所公开的实施例仅仅是本公开的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此，本文所公开的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。
下面，结合附图详细的说明本发明实施例，
本申请第一个实施例提供一种基于SAR图像的建筑区提取方法，下面对本实施例进行详细说明。
步骤S101获取SAR图像。
本试验选取了不同经度和纬度的地区作为研究区，以欧洲空间局Sentinel-1卫星获取的分辨率为5×20m的SAR图像数据为研究对象，所述SAR图像数据具体说明如表1所示，其中，这些研究区的经纬度分别为(1)116:28E39:54N；(2)117:10E39:10N；(3)106:33E29:33N；(4)112:33E37:51N；(5)104:04E30:39N；(6)114:20E30:37N；(7)120:10E30:15N；(8)
114:26E38:03N。
表1研究使用的Sentinel-1SAR数据
步骤S102基于SAR图像获取第一图像。
所述基于SAR图像获取第一图像包括：对SAR图像执行对比度增强处理和滤波处理。
在本发明的一个实施方式中，首先，利用SARScape 5.2软件完成对所有Sentinel-1SAR图像的辐射校正和几何校正，然后通过线性拉伸对所述图像进行对比度增强处理，分别将图像的2％低值部分和2％高值部分赋值为0和255，中间值线性拉伸到0到255之间，通过对比度增强处理可以提高二面角散射较弱的建筑区强度，在一定程度上能提高建筑区的提取精度。然后对图像进行增强Frost滤波处理，从而减少噪声对结果的影响。
步骤S103采样点提取。
由于建筑的二次散射、屋顶的镜面反射和阴影等使得建筑区域在SAR图像中呈现明暗相间的纹理特征。因此，本发明主要依据图像的强度特征，局部空间指数特征和变差函数纹理特征来选取一些采样点。
步骤S103-1获取第一图像中强度值超过预设强度阈值的采样点，形成第一集合。
在SAR图像中，具有明显较高后向散射系数的区域很大概率属于建筑区，本发明通过预设强度阈值Ts1来选取第一部分采样点，该阈值位于0到1之间，对于整幅第一图像，采样点的灰度值与255的比值超过Ts1的点被选取为采样点，形成第一集合。
步骤S103-2基于局部空间指数图像生成模型，生成第一图像对应的局部空间指数图像；
获取局部空间指数图像中强度值超过预设局部空间指数阈值的采样点，形成第二集合。
第二集合的采样点从局部空间指数Getis-Ord Gi图像得到，局部空间指数Gi可以用来识别观测值中的两种典型的聚集，即高值聚集和低值聚集，它们通常又被形象地称为“热点(hot spots)”和“冷点(cold spots)”。局部空间指数Getis-Ord Gi定义如下：
其中wij为空间权重，通常，如果位置j落在位置i的邻域窗口内，即在空间上是邻接的，则wij＝1，否则wij＝0。邻域窗口的大小一般与图像不同场景，传感器和空间分辨率关系不大，因此，本发明中选取8邻域近邻规则来计算该指数的值。xj表示图像在j位置处的强度值，从(1)式中可以发现，∑jxj对图像中的每个位置i都一样，该部分可以忽略，所以第一图像的局部空间指数Gi特征图像可以只根据∑jwijxj(j≠i)来得到，显然，该指数不仅可以提取热点区域，同时能提取一些被高亮区域邻接的低散射点，如建筑区的阴影区域和一次散射区域。在得到局部空间指数Gi特征图像后，同样将该局部空间指数特征图像拉伸到0到255之间，通过选取采样点的灰度值与255的比值超过Ts2的点作为采样点，形成第二集合，同样地，Ts2阈值范围位于0到1之间。
步骤S103-3基于变差函数图像生成模型，生成第一图像对应的变差函数图像；
获取变差函数图像中强度值超过预设变差函数阈值的采样点，形成第三集合。
SAR图像的部分建筑区表现出很强的异质性，为了获得更加准确的建筑区范围，需要同时考虑纹理特征来对异质性比较强的建筑区域进行准确提取。因此，本发明还基于变差函数图像来筛选采样点，传统的变差函数，也叫半方差函数，定义如下：
本发明中使用的是半方差函数的简单变形，即绝对变差函数，定义如下：
其中Z(xi)为第一图像在xi位置处的强度值，h称为变程，是同时具有大小和方向的矢量，xi+h代表距离xi位置为h的位置，绝对变差函数对一定窗口内所有距离为h的点对进行计算，N为窗口内距离h的点对数目，一般地，对于强散射的不均匀区域，变差函数随着变程的增加周期性地出现峰值与谷点，从地物类别的可分离程度考虑，变程h一般选取γ(h)达到第一个峰值的位置，绝对变差相对于半方差，使用绝对变差函数代替平方差函数，同样能刻画空间邻域内的非相似性，研究表明，使用绝对变差函数模型不仅能得到半方差函数模型同样的效果同时能大大较少计算复杂度。本发明通过多次实验，对分类精度和误判率进行折中考虑，选取9×9窗口大小，变程为3，变程考虑四个方向，即0°，45°，90°和135°，通过对这四个方向求取平均得到γ(h)。窗口大小过大会造成边界模糊，过小的窗口会使得绝对变差函数模型提取不到有效的纹理特征。在基于绝对变差函数模型从第一图像中得到变差函数图像之后，同样将它缩放到8比特范围，拉伸到0到255之间，通过选取采样点的灰度值与255的比值超过Ts3的点作为采样点，形成第三集合，并且Ts3阈值范围同样位于0到1之间。
步骤S104根据预设生长准则对各集合内的采样点处理分别构建待选建筑区图像。
在本发明的另一个实施例中，所述根据预设生长准则对各集合内的采样点处理分别构建待选建筑区图像，包括：
在每个集合中确定采样点的邻域内是否存在高于预设生长规则阈值的邻近采样点；
如存在，所述采样点与所述邻近采样点合并作为新的生长点；
对新的生长点的邻域进行搜索，查找新的生长点的邻域内是否存在高于预设生长规则阈值的邻近采样点，将高于预设生长规则阈值的邻近采样点再次合并作为新的生长点，重复此过程直至集合中不存在高于预设生长规则阈值的采样点为止，分别构建所述待选建筑区图像。
在本发明的一个实施例中，由于生长的邻域窗口大小在3到7之间对结果影响不大，因此选择窗口大小3×3，即考虑采样点的8邻域范围来进行生长。
步骤S104-1在第一集合中确定采样点的邻域内是否存在高于第一预设生长规则阈值Tu1的邻近采样点；
如存在，所述采样点与所述邻近采样点合并作为新的生长点；
对新的生长点的邻域进行搜索，查找新的生长点的邻域内是否存在高于第一预设生长规则阈值的邻近采样点，将高于第一预设生长规则阈值的邻近采样点再次合并作为新的生长点，重复此过程直至第一集合中不存在高于第一预设生长规则阈值的采样点为止，构建第一待选建筑区图像。
步骤S104-2在第二集合中确定采样点的邻域内是否存在高于第二预设生长规则阈值Tu2的邻近采样点；
如存在，所述采样点与所述邻近采样点合并作为新的生长点；
对新的生长点的邻域进行搜索，查找新的生长点的邻域内是否存在高于第二预设生长规则阈值的邻近采样点，将高于第二预设生长规则阈值的邻近采样点再次合并作为新的生长点，重复此过程直至第二集合中不存在高于第二预设生长规则阈值的采样点为止，构建第二待选建筑区图像。
步骤S104-3在第三集合中确定采样点的邻域内是否存在高于第三预设生长规则阈值Tu3的邻近采样点；
如存在，所述采样点与所述邻近采样点合并作为新的生长点；
对新的生长点的邻域进行搜索，查找新的生长点的邻域内是否存在高于第三预设生长规则阈值的邻近采样点，将高于第三预设生长规则阈值的邻近采样点再次合并作为新的生长点，重复此过程直至第三集合中不存在高于第三预设生长规则阈值的采样点为止，构建第三待选建筑区图像。
步骤S105将各待选建筑区图像进行叠加得到最终建筑区图像。
通过以上三个独立生长的过程，得到三个待选建筑区图像，通过对三个待选建筑区图像叠加(即进行逻辑或运算，例如，某一区域被所述三个待选建筑区图像中任意一个图像被判定为建筑区，那么这个区域即为建筑区)得到最终的建筑区结果。
本发明使用的Sentinel-1SAR图像的分辨率将近20m，密集建筑区不会呈现很明显的纹理特征，实验发现使用强度特征区域生长能够提取出大部分密集建筑区域，而局部空间指数Gi和绝对变差纹理特征作为补充，提取剩余的呈现比较强的异质性区域(如城市的工业园区)。
步骤S106利用掩膜处理和形态学处理对所述最终建筑区图像进行优化，得到优化后的最终建筑区图像。
由于SAR图像中山区的透视收缩和叠掩效应造成部分山区在SAR图像中呈现亮斑，容易被误分成建筑区，因此会大大降低建筑区提取精度。解决这个问题最直接的方法就是使用数字高程模型(digital elevation model,DEM)数据来对山区进行掩模。目前，两种全球覆盖范围最广的免费DEM数据分别为：90m分辨率的SRTM(Shuttle Radar TerrainMission)和30m分辨率的ASTER GDEM(Advanced Spaceborne Thermal Emission andReflection Radiometer Global Digital Elevation Model)。DEM数据度量的是地物相对于海平面的高度，如(5)104:04E30:39N研究区的最低海拔近似500m，而云贵高原的海拔将近2000m，由于高原处也会有建筑区分布，因此无法使用固定的DEM阈值来对自动掩模山区虚警。
因此本发明考虑使用坡度地形因子。本发明基于坡度高的强散射区域很大概率上是由于地形导致而并非建筑区域的基本假设，使用坡度阈值去除山区虚警。首先，使用双线性插值方法对DEM图像进行插值计算得到与Sentinel-1SAR图像相同分辨率的图像，然后使用5×5窗口大小对每个SAR图像中的像元计算坡度，得到坡度图像。由于多种因素(如DEM图像的精确度和分辨率等)使得由DEM图像得到的坡度图像会在建筑区产生部分误差和异常点，即某些建筑区的像元会得到较高的坡度值，为了防止这些异常点被坡度阈值剔除，对坡度图像进行均值滤波。通过实验发现，对于Sentinel-1SAR图像，坡度均值滤波最优窗口大小在21×21左右，因此，使用该窗口对得到的坡度图像进行均值滤波。显然，山区掩模过程可以独立于建筑区提取过程来进行。对于坡度阈值，过大会导致山区虚警无法有效剔除，过小会导致其它地物类别被掩模。在本文的8个研究区中，(3)106:33E29:33N研究区以丘陵和山地为主，坡地面积较大，建筑区地形复杂，其它研究区的建筑区均位于平原区域，城市周边有山区分布，因此综合考虑，本发明中使用15°坡度阈值对(3)106:33E29:33N研究区进行山区掩模，而使用10°坡度阈值对其它研究区进行山区虚警的剔除。
对山区掩模之后，使用形态学闭运算对结果进行细小空洞填充和建筑区边界进行平滑。
以上即为实施例1中的对于建筑区进行提取的整个过程，下面介绍A、采集点筛选和生长过程中阈值选择的过程；B、不同极化的SAR图像对于不同地区的建筑区提取的影响及C、本发明的方法与其他方法的比较。
A、采集点筛选和生长过程中阈值选择的过程
为了得到稳定的采集点选取和生长过程中的阈值，本发明选取了多种不同环境的子区域进行实验，如：密集城区，农田区域，北方和南方城市的农村居民区，对密集城区进行试验，使用不同的阈值得到不同的分类精度，用户精度，生产者精度，具体如表2所示。可以发现Tu1的选取对结果至关重要，当Tu1为0.3时，分类精度，用户精度和生产者精度都达到了80％以上，当Ts1从0.3增长到1时，用户精度不断增加，生产者精度不断降低，本发明从这三个指标中折中考虑来进行选择阈值参数。首先，根据表2，将Tu1设定为0.3，Ts1在0.3到1之间对分类精度影响不大，但是在用户精度和生产者精度上产生部分差异，在综合考虑三个指标后，对于第一集合中的采样点筛选和生长过程应更加重视用户精度，即期望得到较低的虚警率。因此，将Ts1设置为0.8，因为Ts1在0.8到1之间的用户精度差异不大。并且实验还发现，Ts1和Tu1的选取并非严格固定于0.8和0.3，上下波动0.02对结果不会产生影响。对于Sentinel-1SAR图像数据，使用上述阈值参数Ts1和Tu1进行采样点筛选和生长能提取大部分建筑区域。
使用局部空间指数Getis-Ord Gi和变差函数特征对上述强度特征补充进行建筑区提取。同样地，使用不同的阈值参数单独使用Gi和变差纹理特征对建筑区进行提取，得到的结果如表3和表4所示。与参数Ts1,Tu1的选取标准不同，对于第二集合和第三集合希望通过添加空间相关特征和纹理特征来提取异质性较强的区域，并且尽量较少地引入虚警，因此选取Ts2,Tu2,Ts3和Tu3的时候只需考虑用户者精度。根据表3，Tu2设置为0.5时，用户者精度能达到94.5％，Ts2在0.6到0.9之间变化时，结果差异较小，因此，选取Ts2为0.6，此时，分类精度最高。使用同样的选取准则，根据表4，Ts3和Tu3分别设置为0.7和0.5。
通过实验还发现，对于农作物生长旺盛的区域，Tu1和Tu2可以相应地提高到0.35和0.55来提取建筑区，以减少植被区产生的虚警。由于变差纹理描述的是空间非相似性，所以Ts3和Tu3不做改变。
表2不同Ts1和Tu1阈值对应的分类精度，用户精度和生产者精度
表3不同Ts2和Tu2阈值对应的分类精度，用户精度和生产者精度
表4不同Ts3和Tu3阈值对应的分类精度，用户精度和生产者精度
B、不同极化的SAR图像对于不同地区的建筑区提取的影响
为了研究不同极化的SAR图像对建筑区提取结果的影响，使用上述得到的阈值参数对所述四个子区域的不同极化图像进行建筑区提取，我国的农村建筑区南北各有差异，北方农村建筑比较集中，南方农村建筑比较分散。传统的融合双极化的方法是对两种极化图像的提取结果进行逻辑与或者逻辑或运算，但是通过逻辑与运算融合双极化建筑区提取结果可能会增加漏检率，而逻辑或运算融合后会累计增加虚警率，因此，本发明使用两种极化图像的平均图像来提取建筑区。对选取的四个子区域的VV极化图像、VH极化图像和两种极化图像的平均图像分别提取建筑区，具体结果如表5所示，表5给出了四个不同场景不同极化图像得到的建筑区提取结果。
从表5可以看出，对于密集城区(即子区域1)的VV和VH极化图像的提取结果，得到kappa系数分别为0.62和0.68，说明均得到较好的分类效果。一般来说，kappa系数达到0.6以上表明得到了较好的分类结果。基于VH极化图像的结果较优于基于VV极化图像的结果，这说明该区域部分建筑区域与雷达方位向具有一定的倾角，呈现较强的体散射，基于两种极化图像的平均图像得到的建筑区提取结果相对于基于VH极化图像的提取结果略有提高，这说明部分建筑区与方位向平行，二次散射占优，两种极化图像做平均后，得到了互补的效果，从而提高了结果的精度。
子区域2和3选自(2)117:10E39:10N的农村区域，子区域2为农田区域，其中有部分建筑区分布，子区域3为北方农村建筑区域。农田区域在VH极化图像中部分表现出高的后向散射系数，结果会产生部分虚警；而VV极化图像在建筑区表现弱的二次散射，导致生产者精度(71.9％)低于VH极化图像的生产者精度(91.0％)；使用两种极化图像的平均图像来提取建筑区，虽然会略微减小生产者精度，但能大大提高分类精度和用户精度。
子区域3更清楚地表明了，北方农村建筑区呈现比较弱VV散射能量，而VH散射较强，因此，使用两种极化图像的平均图像能得到相对于VV极化图像更好的结果。
子区域4是选自(7)120:10E30:15N研究区的南方农村建筑区域，该区域有很多分散的农村建筑分布，在该场景中，基于VV极化图像能得到最优的结果，而基于VH极化图像产生较高的误分率，用户精度仅达到21.5％。基于两种极化图像的平均图像同样得到较低的用户精度。这是因为南方农村区域以低山丘陵为主，植被覆盖度高，呈现比较强的体散射能量，容易造成大量虚警，因此更适合使用VV极化图像来进行建筑区的提取。
基于以上不同场景的分析，权衡漏检率和错分率，可以得到，对于地势平坦，建筑密集的北方城市适合使用两种极化图像的平均图像进行建筑区提取，而对于地形复杂，农村建筑分散的南方城市，VV极化图像更适合准确提取建筑区范围。
表5四个子区域基于不同极化图像的建筑区提取结果
Ave.代表VV和VH两种极化图像的平均图像
C、本发明的方法与其他方法的比较
Gamba等人利用ENVISAT ASAR 75m分辨率的宽幅数据，使用图像强度特征进行区域生长来提取建筑区域，得到了较好的结果。但是对于20m左右分辨率的Sentinel-1SAR图像数据，只根据强度特征不能完整地提取建筑区。为了比较增加局部空间特征和纹理特征的效果，本发明选取了(5)104:04E30:39N的工业区像素大小为600×600的Sentinel-1SAR图像来进行分析和比较，为了验证区域生长方法的有效性，我们使用阈值分割的方法来进行对比，即不进行采样点筛选而直接进行与本发明相同的生长，并且选取一样的三个阈值Tui(i＝1,2,3)分割三个特征图得到三个建筑区提取结果，然后进行逻辑或运算叠加得到多特征阈值分割结果。为了对三种方法进行客观的分析和比较，本发明根据高分辨率GoogleEarth光学图像随机选择SAR图像的建筑区和非建筑区各1000个样本点来验证结果。表6显示了三种方法得到的建筑区提取结果和运行时间。由于工业区在SAR图像中表现出很强的异质性，由于屋顶的一次散射，以及正对雷达照射方向的两个墙体与地面形成的二面角发射使得建筑在SAR图像中多数呈现直线型和L型的亮线，呈现很明显的纹理特征，因此，仅使用强度特征无法有效的提取出屋顶区域，如表6所示，仅基于强度特征的区域生长方法虽然运行时间最少(1.6秒)，但是产生了17.6％的漏检率，增加局部空间相关指数和变差纹理之后，大大提高了结果的精度，kappa系数达到0.97，同时大大降低了漏检率(2.9％)。使用三个特征阈值分割得到的结果产生了3.4％的虚警，而本发明提供的方法在1000个非建筑区样本点中没有产生误分。由此表明，使用本发明的方法(即首先获得采样点，然后在采样点周围进行生长来提取建筑区)能避免虚警的产生，尽管运行时间是三个方法中最长的，达到3.5秒。
表6三种方法结果比较
本申请第二个实施例提供一种基于SAR图像的建筑区提取系统，其包括：
图像获取模块，其配置为基于SAR图像获取第一图像；
特征图像生成模块，其配置为基于第一图像生成局部空间指数图像和变差函数图像；
采集点筛选模块，其配置为基于局部空间指数图像、变差函数图像、第一图像，分别筛选采样点得到相应的集合；
建筑区提取模块，其配置为根据预设生长准则对各集合处理分别构建待选建筑区图像，将各待选建筑区图像进行叠加得到最终建筑区图像。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的数据处理方法所应用于的电子设备，可以参考前述产品实施例中的对应描述，在此不再赘述。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (8)
1.一种基于SAR图像的建筑区提取方法，其包括：
基于SAR图像获取第一图像；
基于第一图像生成局部空间指数图像和变差函数图像；
基于局部空间指数图像、变差函数图像、第一图像，分别筛选采样点得到相应的集合；
根据预设生长准则对各集合内的采样点处理分别构建待选建筑区图像，将各待选建筑区图像进行叠加得到最终建筑区图像，包括：在每个集合中确定采样点的邻域内是否存在高于预设生长规则阈值的邻近采样点；如存在，所述采样点与所述邻近采样点合并作为新的生长点；对新的生长点的邻域进行搜索，查找新的生长点的邻域内是否存在高于预设生长规则阈值的邻近采样点，将高于预设生长规则阈值的邻近采样点再次合并作为新的生长点，重复此过程直至集合中不存在高于预设生长规则阈值的采样点为止，分别构建所述待选建筑区图像。
2.根据权利要求1所述的方法，其中，
所述基于SAR图像获取第一图像包括：
对SAR图像执行对比度增强处理和滤波处理。
3.根据权利要求1所述的方法，其中，
所述分别筛选采样点得到相应的集合，至少包括：
获取第一图像中强度值超过预设强度阈值的采样点，形成第一集合。
4.根据权利要求1所述的方法，其中，
所述分别筛选采样点得到相应的集合，至少包括：
基于局部空间指数图像生成模型，生成第一图像对应的局部空间指数图像；
获取局部空间指数图像中强度值超过预设局部空间指数阈值的采样点，形成第二集合。
5.根据权利要求1所述的方法，其中，
所述分别筛选采样点得到相应的集合，至少包括：
基于变差函数图像生成模型，生成第一图像对应的变差函数图像；
获取变差函数图像中强度值超过预设变差函数阈值的采样点，形成第三集合。
6.根据权利要求1所述的方法，其中，所述方法还包括：
利用掩膜处理和形态学处理对所述最终建筑区图像进行优化，得到优化后的最终建筑区图像。
7.根据权利要求1所述的方法，所述第一图像包含至少两个建筑区图像。
8.一种基于SAR图像的建筑区提取系统，其包括：
图像获取模块，其配置为基于SAR图像获取第一图像；
特征图像生成模块，其配置为基于第一图像生成局部空间指数图像和变差函数图像；
采集点筛选模块，其配置为基于局部空间指数图像、变差函数图像、第一图像，分别筛选采样点得到相应的集合；
建筑区提取模块，其配置为根据预设生长准则对各集合处理分别构建待选建筑区图像，将各待选建筑区图像进行叠加得到最终建筑区图像，所述建筑区提取模块用于：在每个集合中确定采样点的邻域内是否存在高于预设生长规则阈值的邻近采样点；如存在，所述采样点与所述邻近采样点合并作为新的生长点；对新的生长点的邻域进行搜索，查找新的生长点的邻域内是否存在高于预设生长规则阈值的邻近采样点，将高于预设生长规则阈值的邻近采样点再次合并作为新的生长点，重复此过程直至集合中不存在高于预设生长规则阈值的采样点为止，分别构建所述待选建筑区图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810558986.2A CN108830203B (zh) | 2018-06-01 | 2018-06-01 | 一种基于sar图像的建筑区提取方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810558986.2A CN108830203B (zh) | 2018-06-01 | 2018-06-01 | 一种基于sar图像的建筑区提取方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108830203A CN108830203A (zh) | 2018-11-16 |
| CN108830203B true CN108830203B (zh) | 2022-03-08 |
Family
ID=64146829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810558986.2A Active CN108830203B (zh) | 2018-06-01 | 2018-06-01 | 一种基于sar图像的建筑区提取方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108830203B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886910B (zh) * | 2019-02-25 | 2021-07-13 | 榆林市国土资源局 | 外部数字高程模型dem修正方法及装置 |
| CN110428444B (zh) * | 2019-09-02 | 2022-07-15 | 北京行易道科技有限公司 | 一种图像的运动补偿方法、装置、车辆及存储介质 |
| CN111862134B (zh) * | 2020-07-13 | 2023-11-07 | 中国科学院南京地理与湖泊研究所 | 基于Sentinel-1与GEE的近岸水产养殖塘提取方法 |
| CN112241956B (zh) * | 2020-11-03 | 2023-04-07 | 甘肃省地震局（中国地震局兰州地震研究所） | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 |
| CN117333530B (zh) * | 2023-12-01 | 2024-02-06 | 四川农业大学 | 一种藏羌传统聚落建筑变化趋势的定量分析方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129559A (zh) * | 2011-04-22 | 2011-07-20 | 西安电子科技大学 | 基于Primal Sketch算法的SAR图像目标检测方法 |
| CN103473557A (zh) * | 2013-09-02 | 2013-12-25 | 杭州电子科技大学 | 一种空谱一体化的高光谱遥感图像分类方法 |
| CN104899562A (zh) * | 2015-05-29 | 2015-09-09 | 河南理工大学 | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10521694B2 (en) * | 2016-09-09 | 2019-12-31 | The Chinese University Of Hong Kong | 3D building extraction apparatus, method and system |
-
2018
- 2018-06-01 CN CN201810558986.2A patent/CN108830203B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129559A (zh) * | 2011-04-22 | 2011-07-20 | 西安电子科技大学 | 基于Primal Sketch算法的SAR图像目标检测方法 |
| CN103473557A (zh) * | 2013-09-02 | 2013-12-25 | 杭州电子科技大学 | 一种空谱一体化的高光谱遥感图像分类方法 |
| CN104899562A (zh) * | 2015-05-29 | 2015-09-09 | 河南理工大学 | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108830203A (zh) | 2018-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108830203B (zh) | 一种基于sar图像的建筑区提取方法和系统 | |
| Huang et al. | An automatic change detection method for monitoring newly constructed building areas using time-series multi-view high-resolution optical satellite images | |
| CN106023157B (zh) | 一种基于sar图像的山区地表微形变信息提取方法 | |
| CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
| WO2020134856A1 (zh) | 一种遥感卫星系统 | |
| Guo et al. | Synergistic Use of Optical and PolSAR Imagery for Urban Impervious Surface Estimation. | |
| CN109145870B (zh) | 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法 | |
| Hong et al. | Automatic sub-pixel coastline extraction based on spectral mixture analysis using EO-1 Hyperion data | |
| CN111476182B (zh) | 一种基于多源数据和多向纹理滤波分析的梯田提取方法 | |
| Seyler et al. | Watershed delineation for the Amazon sub‐basin system using GTOPO30 DEM and a drainage network extracted from JERS SAR images | |
| Shrestha et al. | Delineating an exurban development footprint using SPOT imagery and ancillary data | |
| Liu et al. | Automatic building height estimation with shadow correction over heterogeneous compact cities using stereo Gaofen-7 data at sub-meter resolution | |
| Merry et al. | ESTIMATING URBAN FOREST CARBON SEQUESTRATION POTENTIAL IN THE SOUTHERN UNITED STATES USING CURRENT REMOTE SENSING IMAGERY SOURCES. | |
| Chen et al. | Feature modelling of high resolution remote sensing images considering spatial autocorrelation | |
| Upgupta et al. | Fragmented landscapes of East Bokaro coalfields: a remote sensing based approach highlighting forestland dynamics. | |
| Miliaresis | The terrain signatures of administrative units: a tool for environmental assessment | |
| Wahab et al. | What would be better for urban mapping in the Klang Valley? SPOT or Sentinel-1 | |
| Oshio et al. | Generating DTM from DSM Using a Conditional GAN in Built-Up Areas | |
| Abdikan et al. | Assessment of ALOS PALSAR 25-m mosaic data for land cover mapping | |
| Sun et al. | Object-level change detection based on high-resolution remote-sensing images and its application in Japanese earthquake on March 11, 2011 | |
| Cranston et al. | ABMI Geospatial Centre Research Team (Edmonton): Evaluation of WorldDEM DEM | |
| Wang et al. | Extracting built-up areas from TerraSAR-X data using object-oriented classification method | |
| Zhizhin et al. | Analysis of Spatiotemporal Patterns of Changes in Brightness of Nighttime Lights (NTL) in the Former USSR Territory | |
| Häme et al. | „Using ERS 1 and ASAR Imagery for Mapping Forest in French Guiana “ | |
| Sirro et al. | COMPARISON OF OPTICAL AND SAR DATA IN TROPICAL LAND COVER CLASSIFICATION FOR REDD |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220215 Address after: 100190 No. 19 West North Fourth Ring Road, Haidian District, Beijing Applicant after: Aerospace Information Research Institute,Chinese Academy of Sciences Address before: No. 9 Dengzhuang South Road, Haidian District, Beijing 100094 Applicant before: Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |