翟　瑋，趙　斐（.甘肅省地震局，甘肅蘭州730000；.甘肅省地震平?jīng)鲋行牡卣鹋_，甘肅平?jīng)?44000）

?

基于極化SAR的城市建筑物提取*

翟瑋1，趙斐2
（1.甘肅省地震局，甘肅蘭州730000；2.甘肅省地震平?jīng)鲋行牡卣鹋_，甘肅平?jīng)?44000）

摘要：城市建筑物信息與人類的生存息息相關(guān)，建筑物信息的提取在很多社會領(lǐng)域和科學(xué)領(lǐng)域都有著非常重要的意義。全極化SAR影像比單極化SAR影像所包含的信息量豐富的多，為了保證建筑物提取精度，本文利用全極化SAR影像提取城市建筑物信息。將經(jīng)典的H/α/A-Wishart分類方法引入建筑物提取的研究中，不僅快捷簡便，且能保證提取精度。選擇一景極化SAR影像進(jìn)行實驗，由于實驗數(shù)據(jù)自身的質(zhì)量以及研究區(qū)域建筑物分布問題都對建筑物提取造成困難，盡管如此，利用該方法仍然保證了一定的建筑物提取精度。

關(guān)鍵詞：雷達(dá)遙感；極化SAR；建筑物提取；極化分類；類別合并

建筑物是人類賴以生存的場所，是城市建設(shè)中最重要的組成部分。建筑物的識別和提取在城市規(guī)劃、道路建設(shè)、土地利用調(diào)查等方面都具有非常重要的應(yīng)用價值與指導(dǎo)作用，同時建筑物信息提取也是很多學(xué)者致力于研究的學(xué)術(shù)問題[1]。

從高分辨率的光學(xué)遙感影像中辨識建筑物，雖然直觀易讀，但易受太陽光限制，而合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）穿透力強，不受天氣條件影響[2]，是非常重要的遙感數(shù)據(jù)源。目前基于SAR提取建筑物的研究主要分為：使用單極化SAR影像提取建筑物[3]，使用InSAR圖像提取建筑物[4]，使用光學(xué)影像和雷達(dá)影像融合的方法提取建筑物[5]。第一種方法相對后兩種方法，對數(shù)據(jù)要求較低，簡單實用。但是，單幅單極化SAR影像中建筑物的信息量非常有限，且易受噪聲和局部強散射等因素的影響[1]，而全極化SAR影像記錄了地物的四種極化狀態(tài)，包含的目標(biāo)信息量遠(yuǎn)遠(yuǎn)多于單極化SAR。因此，為了降低數(shù)據(jù)要求，提高建筑物識別精度，本文利用全極化SAR影像提取建筑物。

本文使用的方法主要是將建筑物視為一類典型地物，從而基于典型地物分類的思想進(jìn)行建筑物提取。在提取PolSAR影像中地物的H-α-A極化特征后，再利用Wishart分類器進(jìn)行聚類，然后將聚類結(jié)果合并到所需要的類別數(shù)，從分類結(jié)果中分離出建筑物。

1　建筑物提取方法

1.1建筑物提取流程

本文利用極化SAR影像提取建筑物的流程如圖1所示，首先，提取極化SAR影像中的H-α-A極化特征；其次，對H-α-A形成的初始分類結(jié)果進(jìn)行Wishart聚類；然后對聚類結(jié)果進(jìn)行合并，根據(jù)本文所采用的實驗數(shù)據(jù)，將典型地物分為三類，因此，將類別合并到三類；最后，從典型地物分類結(jié)果中分離出建筑物，從而實現(xiàn)建筑物的提取。

圖1　建筑物提取流程

1.2極化特征提取與分類

本文采用經(jīng)典的H/α/A-Wishart分類方法，該方法是由Pottier和Lee[6,7]在H/α-Wishart分類過程中為了進(jìn)一步改善極化非監(jiān)督分類結(jié)果而引入反熵A形成的非監(jiān)督分類方法。其中散射熵H，平均散射角α和反熵A是三種極化特征參數(shù)，在由H和α兩個極化特征形成的特征平面中，有8個有效區(qū)域，每個區(qū)域?qū)?yīng)一種地物類別，反映不同的地物散射特性，利用H-α平面能夠?qū)⒌匚锓譃?種類別。加入反熵A對這8種類別進(jìn)一步劃分為16種類別，但這些類別只是初始分類結(jié)果，還需要利用Wishart分類器對這16個初始劃分類別進(jìn)行Wishart聚類，以使分類結(jié)果更精確。在極化SAR分類應(yīng)用中，Wishart分類器是應(yīng)用最普遍、最適用的分類器之一。H/α/A-Wishart的詳細(xì)計算可參考文獻(xiàn)[6,7,10,11]。

1.3類別合并

本文采用聚合的層次聚類算法[9]將H/α/A–Wishart產(chǎn)生16個類別合并為三個類別，即建筑物、裸地和植被。與文獻(xiàn)[9]不同的是，本文采用的類別合并準(zhǔn)則不是兩個類的類中心距離最小，而是兩個類之間的異質(zhì)性最小，即依據(jù)異質(zhì)性最小準(zhǔn)則進(jìn)行類別合并。聚合的層次聚類算法是一個循環(huán)遞減分類類別數(shù)的聚類算法。在每一次迭代過程中,計算出每兩個類別間的異質(zhì)性,如果某兩個類之間的異質(zhì)性最小，就將這兩個類合并為一個新類，再將這個新類連同其他類代入下一次迭代。每一次迭代將兩個類合并成一個新類，總類別減少一類。為了有效地計算各個類別之間的異質(zhì)性,下面給出計算類別間異質(zhì)性的表達(dá)式：

式中：Si和Sj分別代表第i類與第j類，Ni和Nj分別是第i類與第j類的像元數(shù)目，Σi和Σj別是第i類與第j類的類中心協(xié)方差矩陣，Σ是合并后的類中心協(xié)方差矩陣。在第m次迭代過程中，計算所有滿足i≠j條件下的DS(Si,Sj)，找到最小的DS(Si,Sj)，若最小的DS(Si,Sj)對應(yīng)的兩個類別是a類和b類，即：

則將a類和b類合并成一個新類c類，c類與剩下的類別組成新的序列進(jìn)行第m+1次迭代。

2　結(jié)果與分析

2.1實驗數(shù)據(jù)

我們選擇海地太子港的一景299×251大小的極化SAR影像作為實驗數(shù)據(jù)，PauliRGB彩色合成圖像如圖2(a)所示，紅色代表|HH-VV|、綠色代表|HV|、藍(lán)色代表|HH+VV|。該數(shù)據(jù)是由NASA航空SAR系統(tǒng)UAVSAR在L波段獲取的極化SAR數(shù)據(jù)，距離向分辨率為1.67m、視數(shù)為3，方位向分辨率為0.6m、視數(shù)為12，由于多視處理，圖像的細(xì)部特征丟失較多，為建筑物提取工作增加了難度。用于評價提取結(jié)果的參考影像（如圖2(b)所示）從Google Earth獲得，并與極化SAR數(shù)據(jù)進(jìn)行了配準(zhǔn)。

圖2　實驗數(shù)據(jù)及實驗結(jié)果

在評價參考圖像中紅色標(biāo)記點為建筑物參考樣本，黃色是非建筑物參考樣本。在實驗結(jié)果中白色是提取的建筑物，黑色區(qū)域是非建筑物。

2.2實驗結(jié)果

根據(jù)圖1所示的流程對實驗數(shù)據(jù)進(jìn)行建筑物提取，提取結(jié)果如圖2(c)所示，白色區(qū)域為所提取的建筑物，黑色是非建筑物。在參考影像中選擇一些建筑物樣本點和非建筑物樣本點作為驗證樣本，進(jìn)行精度評價，在圖2(b)中分別以紅色和黃色標(biāo)注。評價結(jié)果見表1。為了分析誤分情況，我們將誤分率也列于表1中，這里將總建筑類分類樣本中本來是建筑類，卻被誤分為非建筑類的樣本點，占總建筑類分類樣本的比率定義為建筑物誤分率；將總非建筑類分類樣本中本來是非建筑類，卻被誤分為建筑類的樣本點，占總非建筑類分類樣本的比率定義為非建筑誤分率。

表1　建筑物提取精度評價

2.3分析與討論

從表1中可以看出，非建筑誤分率明顯比建筑物誤分率低。建筑誤分為非建筑的情況主要存在于：低矮的平頂房屋易被分成植被，或房屋被植被遮擋無法識別。將非建筑分為建筑的情況主要存在于：高大茂密的植被聚集成團(tuán)狀，易被誤分成建筑。研究區(qū)域建筑分布稀疏雜亂，存在較多目標(biāo)微弱的低矮建筑，有些還被濃密植被包圍、遮掩，受植被干擾較大，加之原始數(shù)據(jù)的自身屬性，使得建筑物提取難度較大，但本文使用H/α/A-Wishart極化分類方法仍然保證了一定的總體精度。

3　結(jié)論

由于極化SAR影像的信息量豐富，使用極化SAR影像提取建筑物能夠保證提取精度。本文使用一景極化SAR影像，利用經(jīng)典的H/α/A-Wishart極化分類方法對實驗數(shù)據(jù)進(jìn)行建筑物提取。由于研究區(qū)域的建筑物分布稀疏雜亂，目標(biāo)微弱，加之原始影像的多視處理，給建筑物提取工作增加了困難。在分類過程中，誤分類的情況主要存在于：1）低矮被誤分為非建筑；2）經(jīng)過多視處理的原始數(shù)據(jù)，建筑物棱角信息丟失較多，易被誤分成圓頂植被；3）高大茂密的樹木被誤分為建筑；4）房屋被樹木遮擋無法識別。針對這些抑制建筑物提取正確率的主要因素，今后還要繼續(xù)開展低矮的平頂建筑及植被正確識別方法的研究。

參考文獻(xiàn)：

[1] Zhai W, Shen H, Huang C, et al. Fusion of polarimetric and texture information for urban building extraction from fully polarimetric SAR imagery [J]. Remote Sensing Let ters, 2015, 7(1): 31-40.

[2]李宇龍.基于方差分量估計的InSAR三維形變估計[J].甘肅科技, 2015, 31(16): 61-63.

[3] Chellappa R. Advanced automatic target recognition[R]. College Park: Center for automation research,University of Maryland, 1998.

[4] Gamba P, Houshmand B, Saccani M. Detection and ex traction of buildings from interferometric SAR data [J]. IEEE Transactions on Geoscience and Remote Sensing. 2000, 38(1): 611-618.

[5] Tupin F, Roux M. Detection of building outlines based on the fusion of SAR and optical Features[J]. ISPRS Journal of Photogrammetry and Remote Sensing. 2003, 58(1): 71-82.

[6] Pottier E. Unsupervised classification scheme and topog raphy derivation of PolSAR data based on the H/α/A po larimetric decomposition theorem [C]//Proceedings 4th In ternational Workshop Radar Polarimetry, Nantes, France. 1998.

[7] Pottier E, Lee J S. Application of the《H/A/alpha》polari metric decomposition theorem for unsupervised classifica tion of fully polarimetric SAR data based on the wishart distribution[C]//SAR workshop: CEOS Committee on Earth Observation Satellites. 2000（450）: 335.

[8] Marino, A., S. R. Cloude, and I. H. Woodhouse. Detecting Depolarized Targets Using a New Geometrical Perturba tion Filter[J]. IEEE Transactions on Geoscience and Re mote Sensing, 2012（50）:3787-3799.

[9] Cao F, Hong W, Wu Y. An Unsupervised Classification for Fully Polarimetric SAR Data Using Cloude -Pottier Decomposition and Agglomerative Hierarchical Clustering Algorithm[J]. Acta Electronica Sinica, 2008, 36(3): 543-546.

[10] Lee J S, Grunes M R, Ainsworth T L, et al. Unsupervised classification using polarimetric decomposition and the complex Wishart classifier [J]. Geoscience and Remote Sensing, IEEE Transactions on, 1999, 37(5): 2249-2258.

[11] Lee J S, Grunes M R, Kwok R. Classification of multilook polarimetric SAR imagery based on complex Wishart distribution[J]. International Journal of Remote Sensing, 1994, 15(11): 2299-2311.

*基金項目：甘肅省地震局、中國地震局蘭州地震研究所地震科技發(fā)展基金項目（2015M02）。

中圖分類號：P237