CN112329675B - 一种基于傅里叶变换的极化sar数据识别倒塌建筑方法 - Google Patents
一种基于傅里叶变换的极化sar数据识别倒塌建筑方法 Download PDFInfo
- Publication number
- CN112329675B CN112329675B CN202011259924.5A CN202011259924A CN112329675B CN 112329675 B CN112329675 B CN 112329675B CN 202011259924 A CN202011259924 A CN 202011259924A CN 112329675 B CN112329675 B CN 112329675B
- Authority
- CN
- China
- Prior art keywords
- building
- buildings
- afi
- collapsed
- image
- 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
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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于傅里叶变换的极化SAR数据识别倒塌建筑方法,该方法提出一种新的特征参数,即基于傅里叶变换幅度谱的角域变异系数CV_AFI,用以识别倒塌建筑物与完好倾斜建筑物,并结合极化分解方法,提取震后灾区的倒塌建筑。采用本发明提出的方法对损毁建筑识别精度能够达到82.95%,完好建筑的识别精度能够达到85.20%。从倒塌建筑中成功分离出了78%的完好倾斜建筑。这些完好建筑若被误识为倒塌建筑,将误导救援部署,消耗大量的救灾资源。本发明提出的CV_AFI参数在频率域能够有效描述倒塌建筑与倾斜建筑的空间分布差异与结构特征差异,能够较好地识别这两种建筑物,提高了震后建筑物震害识别的精度。
Description
技术领域
本发明属于遥感技术领域,涉及一种倒塌建筑识别方法,具体地说,涉及一种基于傅里叶变换的极化SAR数据识别倒塌建筑方法。
背景技术
地震发生后,建筑物倒塌是引起人员伤亡的最主要原因,相关部门应急决策的主要依据是倒塌建筑的分布情况。因此,快速精准的建筑物倒塌信息识别对应急救援工作是至关重要的。光学遥感虽然直观易懂,可视性良好,但在夜晚或天气条件不佳时,无法用来研判灾情。合成孔径雷达(Synthetic Aperture Radar,SAR)数据具有较好的穿透性,不依赖太阳光照,已经成为世界各国灾情研判的重要遥感数据。全极化SAR图像(Full-polarimetric SAR,PolSAR)包含的多通道数据(HH,HV,VH,VV))能够提供更丰富的地物信息,用于识别建筑物震害信息,能够获得更高的精度。仅用震后单景PolSAR图像识别建筑物震害,能够有效避免配准工作和寻找震前数据。在SAR图像中,由于倒塌建筑的二面角结构损坏,散射强度变弱。倾斜建筑(排列方向与雷达入射波方向不垂直)的极化基被旋转,散射强度比普通平行建筑(排列方向与雷达入射波方向垂直)弱,常被识别成倒塌建筑,造成倒塌建筑的过度识别,耽误救援资源分配。
发明内容
本发明的目的在于克服现有技术中存在的问题,提出了一种基于傅里叶变换的极化SAR数据识别倒塌建筑方法,该方法提出一种新的特征参数,即基于傅里叶变换幅度谱的角域变异系数CV_AFI,用以识别这两种建筑物,并结合极化分解,提取震后灾区的倒塌建筑。
其技术方案如下:
一种基于傅里叶变换的极化SAR数据识别倒塌建筑方法,包括以下步骤:
(1)对预处理后的PolSAR数据进行极化分解,极化分解方法采用改进的Yamaguchi四分量极化分解方法,从极化分解结果中提取出二次散射分量和体散射分量,二次散射分量对应的所有像素归为完好平行建筑。
(2)提取预处理后的PolSAR数据的总功率图像,即SPAN图像。定义I为计算窗口内的SPAN图像,FI为I的快速傅里叶变换图像,AFI为FI的幅度图像,FFT代表快速傅里叶变换运算符号,real和imag分别代表计算实部和虚部的符号,std和mean分别代表标准差和均值的运算符号。根据公式(1),对整景SPAN图像遍历计算CV_AFI,得到CV_AFI图像。
(3)根据CV_AFI的阈值对体散射分量图像元素进行划分,CV_AFI大于阈值的分为倒塌建筑,CV_AFI小于阈值的分为完好倾斜建筑。定义ε代表CV_AFI分割倒塌建筑和完好倾斜建筑的阈值,用公式可以表示为:
(4)将完好倾斜建筑与完好平行建筑归为未倒塌建筑,倒塌建筑即为损毁建筑。
本发明的有益效果为:
采用本发明提出的方法对损毁建筑识别精度能够达到82.95%,完好建筑的识别精度能够达到85.20%。从倒塌建筑中成功分离出了78%的完好倾斜建筑。这些完好建筑若被误识为倒塌建筑,将误导救援部署,消耗大量救灾资源。本发明提出的CV_AFI参数在频率域能够有效描述倒塌建筑与倾斜建筑的空间分布差异与结构特征差异,能够较好地识别这两种建筑物,大幅提高了震后建筑物震害识别的精度。
附图说明
图1为CV_AFI的计算原理图;
图2为倒塌建筑识别流程图;
图3为建筑物震害识别结果图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案作进一步详细地说明。
1.基于傅里叶变换幅度谱的角域变异系数CV_AFI
在极化SAR数据中,虽然倒塌建筑与倾斜建筑的散射机制和散射强度都非常相似,但它们的细部纹理和分布特征不同,在频率域具有较好的区分度。本发明提出基于傅里叶变换幅度谱的角域变异系数CV_AFI能够较好的区分这两种建筑。CV_AFI的计算流程如图1所示。由于总功率SPAN包含了所有通道的强度信息,因此采用SPAN图像计算CV_AFI。SPAN图像通过如下公式进行计算:
SPAN=HH2+HV2+VH2+VV2 (3)
首先对SPAN图像计算窗口内的图像进行快速傅里叶变换(FFT),得到FI,计算FI的幅度谱AFI。如图1所示,以AFI图像中心为原点,将围绕原点的2π角域分成n等份,得到n个角度均为2π/n的角域,对每个角域计算区域内的AFI值之和,得到n个AFIi值。再计算这n个AFIi的变异系数,得到SPAN图像计算窗口内的CV_AFI。CV_AFI通过如下公式进行计算:
其中I是计算窗口内的SPAN图像,FFT表示计算(*)的快速傅里叶变换,real表示取(FI)的实部,imag表示取(FI)的虚部,std表示计算(*)的标准差,mean表示计算(*)的均值。
2.倒塌建筑识别流程
倒塌建筑的识别流程如图2所示。主要分为以下4个步骤:
(1)对预处理后的PolSAR数据进行极化分解,极化分解方法采用改进的Yamaguchi四分量极化分解方法,从极化分解结果中提取出二次散射分量和体散射分量,二次散射分量对应的所有像素归为完好平行建筑。
(2)提取预处理后的PolSAR数据的SPAN图像。根据公式(4),对整景SPAN图像遍历计算CV_AFI,得到CV_AFI图像。
(3)根据CV_AFI的阈值对体散射分量元素进行划分,CV_AFI大于阈值的分为倒塌建筑,CV_AFI小于阈值的分为完好倾斜建筑。用公式可以表示为:
其中ε代表CV_AFI分割倒塌建筑和完好倾斜建筑的阈值。
(4)将完好倾斜建筑与完好平行建筑归为未倒塌建筑,倒塌建筑即为损毁建筑。
3.实验
根据图2所示的过程,对实验数据进行倒塌建筑识别。首先根据公式(1)和图1所示的流程,计算PolSAR数据的CV_AFI。为了计算方便,计算窗口设置为正方形。通过实验计算,当CV_AFI的计算窗口为55,公式(1)中的n=12时,建筑物震害信息提取精度最高,因此,将CV_AFI的计算窗口选择为55×55,公式(1)中的n设置为12。其次,根据公式(2),利用CV_AFI划分倒塌建筑和倾斜建筑,当划分阈值ε为1.35时,建筑物震害信息识别精度最高,因此,公式(2)中的阈值ε设置为1.35。
掩膜掉城区周围的山体区域,研究区的建筑物震害信息识别结果如图3所示。选择倾斜建筑、倒塌建筑和平行建筑各25000个验证样本,共75000个验证样本,对图3的结果进行精度评价,如表1所示,三种建筑的总体正确识别精度为84.85%。
表1.三种建筑识别结果精度评价表
OA,OB,CB,和PB分别代表总体精度、倾斜建筑、倒塌建筑和平行建筑。
4.结果分析
从表1的数据可以计算出,采用本发明提出的方法对实例中的损毁建筑识别精度能够达到82.95%,完好建筑的识别精度能够达到85.20%。从倒塌建筑中成功分离出了78%的完好倾斜建筑。这些完好建筑若被误识为倒塌建筑,将误导救援部署,消耗大量的救灾资源。这表明本发明提出的CV_AFI参数在频率域能够有效描述倒塌建筑与倾斜建筑的空间分布差异与结构特征差异,能够较好地识别这两种建筑物,提高了震后建筑物震害识别的精度。
以上所述,仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。
Claims (1)
1.一种基于傅里叶变换的极化SAR数据识别倒塌建筑方法,其特征在于,包括以下步骤:
(1)对预处理后的PolSAR数据进行极化分解,极化分解方法采用改进的Yamaguchi四分量极化分解方法,从极化分解结果中提取出二次散射分量和体散射分量,二次散射分量对应的所有像素归为完好平行建筑;
(2)提取预处理后的PolSAR数据的总功率图像,即SPAN图像;定义I为计算窗口内的SPAN图像,FI为I的快速傅里叶变换图像,AFI为FI的幅度图像,FFT(*)表示计算快速傅里叶变换,real(*)和imag(*)分别表示取实部和取虚部,std(*)和mean(*)分别表示计算标准差和均值;根据公式(1),对整景SPAN图像遍历计算CV_AFI,得到CV_AFI图像;
(3)根据CV_AFI的阈值对体散射分量元素进行划分,CV_AFI大于阈值的分为倒塌建筑,CV_AFI小于阈值的分为完好倾斜建筑;用公式表示为:
其中ε代表CV_AFI分割倒塌建筑和完好倾斜建筑的阈值;
(4)将完好倾斜建筑与完好平行建筑归为未倒塌建筑,倒塌建筑即为损毁建筑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011259924.5A CN112329675B (zh) | 2020-11-12 | 2020-11-12 | 一种基于傅里叶变换的极化sar数据识别倒塌建筑方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011259924.5A CN112329675B (zh) | 2020-11-12 | 2020-11-12 | 一种基于傅里叶变换的极化sar数据识别倒塌建筑方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329675A CN112329675A (zh) | 2021-02-05 |
CN112329675B true CN112329675B (zh) | 2023-04-25 |
Family
ID=74317645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011259924.5A Active CN112329675B (zh) | 2020-11-12 | 2020-11-12 | 一种基于傅里叶变换的极化sar数据识别倒塌建筑方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329675B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797768B (zh) * | 2022-11-30 | 2024-05-17 | 甘肃省地震局(中国地震局兰州地震研究所) | 一种基于纹理特征的sar建筑物震害估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10160684A (ja) * | 1996-11-28 | 1998-06-19 | Hitachi Metals Ltd | 外観検査方法 |
CN103500443A (zh) * | 2013-10-10 | 2014-01-08 | 中国科学院上海技术物理研究所 | 一种基于傅里叶变换的红外偏振图像融合方法 |
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 |
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 |
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 |
-
2020
- 2020-11-12 CN CN202011259924.5A patent/CN112329675B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10160684A (ja) * | 1996-11-28 | 1998-06-19 | Hitachi Metals Ltd | 外観検査方法 |
CN103500443A (zh) * | 2013-10-10 | 2014-01-08 | 中国科学院上海技术物理研究所 | 一种基于傅里叶变换的红外偏振图像融合方法 |
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 |
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112329675A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Using MODIS NDVI time series to identify geographic patterns of landslides in vegetated regions | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
KR101258668B1 (ko) | 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법 | |
CN103278616A (zh) | 一种土壤腐蚀性快速评价的多因子方法 | |
CN112329675B (zh) | 一种基于傅里叶变换的极化sar数据识别倒塌建筑方法 | |
Ghasemi et al. | Urban classification using preserved information of high dimensional textural features of Sentinel-1 images in Tabriz, Iran | |
CN108734122A (zh) | 一种基于自适应样本选择的高光谱城区水体检测方法 | |
CN112232303B (zh) | 一种基于高分遥感影像的草原道路信息提取方法 | |
CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
CN112966656A (zh) | 数据处理方法及装置 | |
Wei et al. | Texture feature analysis in oil spill monitoring by SAR image | |
Xu et al. | Issues and challenges of remote sensing-based local climate zone mapping for high-density cities | |
Liu et al. | Building damage mapping based on Touzi decomposition using quad-polarimetric ALOS PALSAR data | |
CN111929680B (zh) | 一种基于sar图像的洪水淹没程度快速评价方法 | |
Cheng et al. | Tensor locality preserving projections based urban building areas extraction from high-resolution SAR images | |
CN114417092B (zh) | 沙漠化监测指数的构建方法及沙漠化状态变化趋势评价方法 | |
CN115527118A (zh) | 一种融合注意力机制的遥感图像目标检测方法 | |
Zhang et al. | Detection of land use change in urban agglomeration using Sentinel-1 SAR data | |
Zhang et al. | A road extraction method based on high resolution remote sensing image | |
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 | |
CN115797768B (zh) | 一种基于纹理特征的sar建筑物震害估计方法 | |
CN113158718A (zh) | 一种海上船舶海冰监测方法和系统 | |
CN115965869A (zh) | 一种新型频域纹理特征的建筑物震害信息提取方法 | |
Xu et al. | Small target detection in SAR image using the alpha-stable distribution model | |
Liu et al. | Extraction of four types of urban ground objects based on a newly created WorldView-2 multi-colour spectral index |
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 |