蔣 丹 丹，盧 剛，陳 成

(1.中國礦業(yè)大學(xué)環(huán)境與測繪學(xué)院，江蘇 徐州 221116；2.江蘇省測繪工程院，江蘇 南京 210013)

基于單極化TerraSAR-X影像提取建筑區(qū)研究

蔣 丹 丹1，盧 剛2，陳 成2

(1.中國礦業(yè)大學(xué)環(huán)境與測繪學(xué)院，江蘇 徐州 221116；2.江蘇省測繪工程院，江蘇 南京 210013)

基于多時(shí)相單極化TerraSAR-X影像，提取后向散射系數(shù)特征影像、變差函數(shù)紋理特征影像、干涉特征影像，并對其波段組合，在基于eCognition軟件多尺度分割的基礎(chǔ)上，選擇訓(xùn)練樣本對象，充分挖掘樣本對象的光譜、紋理特征信息，通過建立特征分離性指標(biāo)，降低特征維數(shù)，最后應(yīng)用面向?qū)ο蟮姆诸惙椒▽?shí)現(xiàn)了建筑區(qū)的自動(dòng)提取，提取精度達(dá)93.50%。這一研究表明特征組合影像具有較大的分割優(yōu)勢，特征的優(yōu)化選擇在減少特征冗余的同時(shí)維持了較高的信息提取精度，且彌補(bǔ)了eCognition軟件紋理特征計(jì)算慢的不足。

TerraSAR-X影像；建筑區(qū)提??；影像分割；降低特征維數(shù)；面向?qū)ο蠓诸?/p>

0 引言

近些年，隨著城市擴(kuò)張和城市建設(shè)的迅猛發(fā)展，運(yùn)用遙感技術(shù)手段進(jìn)行城市地理國情監(jiān)測具有重要的應(yīng)用價(jià)值。建筑區(qū)作為城市地理國情監(jiān)測的一個(gè)重要的地理空間要素，實(shí)現(xiàn)城市建筑區(qū)的提取在城市規(guī)劃、土地利用分析、災(zāi)害監(jiān)測等方面具有重要意義[1]。在多云、多雨、多霧的天氣狀況下，難以獲取清晰的光學(xué)影像，而合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)具有獨(dú)特的全天候、全天時(shí)數(shù)據(jù)獲取能力，數(shù)據(jù)質(zhì)量幾乎不受天氣狀況與云層覆蓋的影響，這就從一定程度上彌補(bǔ)了光學(xué)影像的缺陷[2]。隨著高分辨率SAR衛(wèi)星(TerraSAR-X、COSMO-SkyMed、ALOS-2、Sentinel-A)等的成功發(fā)射，獲取高分辨率SAR影像變得越來越方便，SAR影像也開始廣泛應(yīng)用于城市土地利用調(diào)查中，建筑區(qū)作為城市結(jié)構(gòu)中一個(gè)典型的地物類型，利用高分辨率SAR影像進(jìn)行建筑區(qū)提取的研究得到關(guān)注。

目前，許多學(xué)者基于SAR影像進(jìn)行了建筑區(qū)提取研究。Ban等[3]結(jié)合多景時(shí)間序列的Radarsat-1幅度圖像與紋理信息，應(yīng)用最大似然分類器和人工神經(jīng)網(wǎng)絡(luò)分類器對城市目標(biāo)進(jìn)行了分類。吳樊等[4]利用灰度共生矩陣計(jì)算高分辨率SAR圖像的紋理特征，采用非監(jiān)督聚類分析的方法提取居民區(qū)。趙凌君等[5]提出一種基于變差函數(shù)紋理特征的高分辨率SAR圖像建筑區(qū)提取方法。徐佳等[6]提出一種綜合利用灰度和紋理特征的高分辨率星載SAR圖像建筑區(qū)提取方法。張舞燕等[7]基于SAR的相干系數(shù)圖像對硬目標(biāo)相干系數(shù)較高的特點(diǎn)，進(jìn)行了城市建成區(qū)邊界的提取。但以上方法較少使用SAR影像非灰度特征參與影像分割并進(jìn)行面向?qū)ο蟮慕ㄖ^(qū)提取；另外，在挖掘SAR影像對象特征時(shí)，以上研究很少進(jìn)行特征的優(yōu)選，容易引起一定的數(shù)據(jù)特征冗余。

針對以上問題，本文以常州市武進(jìn)區(qū)為研究區(qū)，提出了一種基于單極化TerraSAR-X影像提取建筑區(qū)的方法。在常規(guī)的多尺度分割方法的基礎(chǔ)上，嘗試特征影像輔助分割，通過優(yōu)選樣本對象特征，采用面向?qū)ο蟮姆诸惙椒?，?shí)現(xiàn)建筑區(qū)輪廓的提取，為城市建筑區(qū)的變化監(jiān)測提供一定的技術(shù)參考。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)位于江蘇省常州市武進(jìn)區(qū)東南部，地處長江三角洲太湖平原西北部，屬于我國工業(yè)化和城市化發(fā)展較快的區(qū)域，地理位置為31°36' ～ 31°39'N 、119°29' ～ 120°1'E，該區(qū)域緊鄰太湖，自然條件優(yōu)越;地勢較緩，以平原為主;主要土地利用類型有建筑用地、道路、植被、水體等。該區(qū)域的建筑以高密度低矮房屋為主，零星分布有多層及高層房屋、獨(dú)立房屋等。

1.2 數(shù)據(jù)源及預(yù)處理

本研究選用的是研究區(qū)的TerraSAR-X影像、DEM數(shù)據(jù)、資源三號多光譜數(shù)據(jù)。其中，TerraSAR-X影像選用的是TSX SAR L1B多時(shí)相單視斜距復(fù)影像，具體數(shù)據(jù)說明如表1所示；DEM數(shù)據(jù)是“十一五”期間生產(chǎn)的江蘇省5 m分辨率的數(shù)字高程模型；資源三號多光譜影像數(shù)據(jù)作為目視解譯檢驗(yàn)樣本的參考數(shù)據(jù)。本文數(shù)據(jù)的預(yù)處理主要是利用SARScape 5.1軟件完成對多時(shí)相TerraSAR-X影像的后向散射系數(shù)圖的生成，其基本過程包括：多視處理、影像配準(zhǔn)、多時(shí)相濾波、地理編碼與輻射定標(biāo)、影像裁剪。其中地理編碼與輻射定標(biāo)的過程要輔以預(yù)處理后的參考DEM數(shù)據(jù)參與，參考DEM數(shù)據(jù)的預(yù)處理主要是對原始的DEM數(shù)據(jù)先進(jìn)行上采樣至3 m分辨率，然后進(jìn)行坐標(biāo)系的轉(zhuǎn)換，生成WGS-84坐標(biāo)系下的DEM數(shù)據(jù)。

表1 使用的TerraSAR-X數(shù)據(jù)

Table 1 TerraSAR-X data applied

獲取時(shí)間成像模式極化方式軌道方向入射角(°)距離向分辨率(m)方位向分辨率(m)2013.01.06StripMapHHDescending21.483.213.302013.01.17StripMapHHDescending21.463.213.302013.03.02StripMapHHDescending21.453.213.302013.07.01StripMapHHDescending21.463.213.30

2 研究方法

本研究主要包括影像特性分析與提取、影像分割、特征提取與優(yōu)選、精度評價(jià)等，首先在預(yù)處理TerraSAR-X影像的基礎(chǔ)上，從影像的特性出發(fā)，提取影像的特征影像并對其波段組合；然后基于eCognition 8.7軟件進(jìn)行多尺度分割，將影像分割為一個(gè)個(gè)互不重疊的同質(zhì)對象，選擇訓(xùn)練樣本，提取影像對象特征并進(jìn)行特征優(yōu)化組合，選擇合適的監(jiān)督分類方法實(shí)現(xiàn)研究區(qū)建筑區(qū)的自動(dòng)提??；最后以研究區(qū)樣本點(diǎn)的目視解譯結(jié)果為參考數(shù)據(jù)，對建筑區(qū)的提取結(jié)果進(jìn)行精度評價(jià)，主要技術(shù)流程如圖1所示。

圖1 技術(shù)流程

Fig.1 Methodological flowchart adopted in this study

3 TerraSAR-X影像特性分析與提取

3.1 后向散射特性分析

隨著TerraSAR-X影像獲取時(shí)相的改變，觀測地物目標(biāo)參數(shù)隨之改變，從而影響雷達(dá)后向散射的性能，利用這些變化或者不變的特性可以將不同的地物類型區(qū)分開來。研究區(qū)的建筑區(qū)在2013年1-7月時(shí)段保持穩(wěn)定的形態(tài)，而對于其他地物很難保持時(shí)間上的相干性，所以本研究選取3個(gè)時(shí)相(2013-01-06、2013-07-01、2013-03-02)的水平極化的TerraSAR-X影像進(jìn)行紅、綠、藍(lán)彩色組合顯示。本研究分別選取不同地物類型的感興趣區(qū)SAR影像樣本，求取后向散射系數(shù)的平均值(圖2)，建筑區(qū)的后向散射系數(shù)最高，植被次之，水體最低，并且建筑區(qū)因其穩(wěn)定的結(jié)構(gòu)與介電常數(shù)使后向散射特性隨時(shí)相變化不大，具有一定的時(shí)相穩(wěn)定性，因此后向散射特性可以作為建筑區(qū)、非建筑區(qū)區(qū)分的一個(gè)可選特征。

圖2 不同地物的平均后向散射系數(shù)

Fig.2 The mean backscatter coefficient of different land cover types

3.2 紋理特性分析

3.2.1 變差函數(shù)理論 變差函數(shù)，又稱為半變差函數(shù)(Semivariogram Function)，定義二維平面內(nèi)的實(shí)值區(qū)域化變量{f(x),x∈D}，即定義于二維空間R2內(nèi)子集D的實(shí)值隨機(jī)過程，區(qū)域化變量f(x)與f(x+d)(同時(shí)包含兩點(diǎn)的距離與方向信息)兩點(diǎn)之差的方差的一半，即:

(1)

式中:兩個(gè)區(qū)域化變量的值僅僅與兩個(gè)點(diǎn)間的空間距離相關(guān)，γ(d)為變差(或半變差)函數(shù)，即指區(qū)域化變量f(x)在空間上距離為d的位置x和x+d兩處的差值方差的一半。

對于離散的柵格數(shù)據(jù)，實(shí)驗(yàn)變差函數(shù)定義為:

(2)

式中:P(d)指觀測窗口內(nèi)距離為d的點(diǎn)對數(shù)目，估計(jì)值γ*(d)是實(shí)驗(yàn)變差函數(shù)，變差函數(shù)刻畫了空間樣本間的相關(guān)性，可反映圖像數(shù)據(jù)的隨機(jī)性與結(jié)構(gòu)性[8]。

3.2.2 變差函數(shù)計(jì)算方法 變差函數(shù)用于紋理分析的計(jì)算,確定步長d、窗口寬度M、計(jì)算方向，利用式(2)計(jì)算窗口M內(nèi)所有間距為d的點(diǎn)對的變差函數(shù)值，取其平均值作為計(jì)算窗口中心點(diǎn)的變差函數(shù)值，最后遍歷整幅影像得到影像的變差函數(shù)紋理特征圖。對于影像而言，一般計(jì)算4個(gè)點(diǎn)對方向(0°、45°、90°、135°)的變差函數(shù)均值[5]。以窗口M=5，像素間距d=1為例，圖3給出了0°、45°、90°、135°方向變差函數(shù)紋理特征計(jì)算的示意圖。圖3中虛線框?yàn)橛?jì)算窗口的大小，窗口寬度為M，黑色實(shí)心方塊代表當(dāng)前的像素(x0，y0)，即計(jì)算窗口的中心，黑色箭頭代表的是參與計(jì)算的像素點(diǎn)對數(shù)目。

圖3 變差函數(shù)紋理特征計(jì)算示意

Fig.3 Calculation of semivariogram function texture feature

3.2.3 變差函數(shù)分析建筑區(qū)的周期性紋理 建筑區(qū)在高分辨率城區(qū)SAR影像上呈現(xiàn)有一定周期規(guī)律性的紋理，而道路、植被、水體等區(qū)域的紋理相對均勻。在預(yù)處理后的2013年1月6日的單極化TerraSAR-X影像上選取建筑區(qū)、道路、植被、水體，分別計(jì)算其變差函數(shù)值。圖4顯示了建筑區(qū)、道路、植被、水體樣本在單極化高分辨率TerraSAR-X影像上的變差函數(shù)曲線。從圖4中可以發(fā)現(xiàn)，建筑區(qū)屬于強(qiáng)散射的不均勻區(qū)域，具有很強(qiáng)的非相似性，其變差函數(shù)曲線要遠(yuǎn)遠(yuǎn)高于植被區(qū)、道路、水體，并且隨著間距d的增加周期性地出現(xiàn)峰值與谷點(diǎn)，類似于正弦函數(shù)曲線的周期性；道路的變差函數(shù)值要低于建筑區(qū)，并且會(huì)上下波動(dòng)；植被區(qū)的變差函數(shù)曲線隨著間距d的增加，先緩慢上升后趨于平穩(wěn)；水體因?yàn)殓R面反射回波很弱，像素的灰度值較低，隨著間距d的增加，變差函數(shù)曲線逐漸趨于直線。因此，SAR影像的變差函數(shù)紋理特征可以作為區(qū)分建筑區(qū)、非建筑區(qū)的一個(gè)可選特征。從地物類別的可分離程度方面考慮，變差函數(shù)曲線在d=5的時(shí)候達(dá)到第一個(gè)峰值，此時(shí)建筑區(qū)與非建筑區(qū)(植被、水體、道路)的變差函數(shù)數(shù)值差異最大，對建筑區(qū)與非建筑區(qū)的區(qū)分性較強(qiáng)，則選擇變差函數(shù)的變程d=5。窗口內(nèi)點(diǎn)對數(shù)目太小容易影響變差函數(shù)值的準(zhǔn)確性，窗口寬度至少為3d～5d，本文選擇窗口寬度M=5d=25，此時(shí)的窗口圖像能夠突顯建筑區(qū)明暗相間的紋理特征。

圖4 不同地物的變差函數(shù)曲線

Fig.4 Semivariogram function of different land cover types

3.3 相干性分析

雷達(dá)數(shù)據(jù)包含有強(qiáng)度與相位信息，雷達(dá)的相位信息主要應(yīng)用在利用雷達(dá)干涉技術(shù)提取數(shù)字高程模型、地表形變監(jiān)測等。干涉相干作為一個(gè)關(guān)鍵的量值，被越來越多地應(yīng)用在土地利用分類、目標(biāo)識別與檢測中。復(fù)數(shù)SAR影像之間通常采用相干系數(shù)度量影像間的相似程度以及干涉條紋圖的質(zhì)量，它反映了地面各種散射體的重要信息[9,10]。城市環(huán)境中，相干系數(shù)圖像對硬目標(biāo)(建筑物、道路)具有相干系數(shù)高的特點(diǎn)，對非硬目標(biāo)(植被、水體)具有相干系數(shù)低的特點(diǎn)，因此可以利用不同地物類型相干系數(shù)圖像的特點(diǎn)進(jìn)行類別的區(qū)分。

選取實(shí)驗(yàn)區(qū)時(shí)間基線為12 d的兩景水平極化的TerraSAR-X影像單視復(fù)數(shù)(SLC)數(shù)據(jù)(2013-01-06為主影像， 2013-01-17為從影像)在SARScape5.1軟件中進(jìn)行干涉處理，生成相干系數(shù)圖。建筑區(qū)的相干性比較穩(wěn)定，相干系數(shù)較大。為了更直觀地分析不同的地物類型的相干性，本文選取了典型地物樣本(建筑區(qū)、道路、植被、水體)進(jìn)行相干系數(shù)的統(tǒng)計(jì)分析(圖5)。從圖5可以發(fā)現(xiàn)，建筑區(qū)的相干系數(shù)明顯高于非建筑區(qū)(道路、植被、水體)，平均相干系數(shù)值接近0.8，因此相干系數(shù)特征也可以作為區(qū)分建筑區(qū)與非建筑區(qū)的一個(gè)可選特征。

圖5 相干系數(shù)統(tǒng)計(jì)

Fig.5 Interferometry coherence statistics

4 實(shí)驗(yàn)與分析

4.1 影像分割

將提取得到的后向散射特征圖、變差函數(shù)紋理特征圖、相干性圖進(jìn)行特征波段組合，得到研究區(qū)含有5個(gè)波段的影像圖，各波段圖層有：3個(gè)時(shí)相的后向散射系數(shù)圖層(2013-01-06、2013-07-01、2013-03-02)、變差函數(shù)紋理值圖層、干涉系數(shù)圖層。選用eCognition8.7軟件對該影像數(shù)據(jù)進(jìn)行多尺度分割試驗(yàn)，利用集成在該軟件中的工具(Estimation of Scale Parameter,ESP)確定分割參數(shù)，該工具是通過分割后影像對象的平均局部方差(Local Variance，LV)與相鄰尺度平均局部方差變化率(Rate of Change，ROC)曲線提取最優(yōu)分割參數(shù)的參考值[11]。本文多尺度實(shí)驗(yàn)參數(shù)設(shè)置為：影像各波段權(quán)重設(shè)為1，初始的分割尺度(Scale)為5，分割尺度的遞增步長為5，循環(huán)次數(shù)為40，光譜因子(Colour)與形狀因子(Shape)的權(quán)重比為0.9∶0.1，光滑度因子(Smoothness)與緊致度(Compactness)因子的權(quán)重比為0.5∶0.5。多尺度分割完成得到的ROC和LV曲線如圖6所示，一般情況下，最優(yōu)分割尺度出現(xiàn)在ROC-LV變化劇烈的地方，其參考值出現(xiàn)在局部方差的峰值且局部方差變化率開始趨于下降的地方[12]。特征組合影像表現(xiàn)出了較大的分割優(yōu)勢，從圖6中可以看出最佳分割尺度的可能值為70、105、180，分割的局部效果如圖7(見封3)所示。從建筑區(qū)提取的角度，當(dāng)分割尺度Scale為70時(shí)，建筑區(qū)被分割得過于零碎，存在過分割現(xiàn)象；當(dāng)分割尺度Scale為105時(shí)，建筑區(qū)分割較為完整，為建筑區(qū)的最優(yōu)分割尺度；當(dāng)分割尺度Scale為180時(shí)，建筑區(qū)與周圍的植被聚合在一起，存在少量欠分割現(xiàn)象。

圖6 ROC和LV變化曲線

Fig.6 Graph of ROC and LV with a increasing scale parameter

4.2 特征提取與優(yōu)選

在多尺度分割的基礎(chǔ)上，研究區(qū)的影像被分割成1 267個(gè)對象，選擇對象總量的3%作為樣本，包括建筑區(qū)、道路、植被、水體4類樣本。eCognition軟件提供了很多對象特征，包括光譜特征、紋理特征、形狀特征、鄰域特征、語義對象關(guān)系等，本文提取的特征有光譜特征和紋理特征。光譜特征包括最大差分、亮度以及影像各波段的均值和標(biāo)準(zhǔn)差；紋理特征包括基于灰度共生矩陣(Gray Level Co-occurrence Matric，GLCM)的均值、方差、對比度、非相似度、同質(zhì)性、角二階矩、熵、相關(guān)性，以及基于灰度差分矢量(Grey Level Difference Vector，GLDV)的角二階矩、熵、對比度、均值，這些紋理特征的計(jì)算方向包括0°、45°、90°、135°、全方向。利用選擇的樣本對象，基于提取的72個(gè)特征進(jìn)行面向?qū)ο蠓诸惖囊粋€(gè)重要步驟就是對這些特征的篩選，但是直接在eCognition軟件對紋理特征的計(jì)算耗費(fèi)時(shí)間太長，本文采用導(dǎo)出這些樣本對象的特征方法，利用改進(jìn)的SEaTH(Separability and Thresholds)算法進(jìn)行特征的優(yōu)選，其核心思想包括兩個(gè)方面：其一是去除特征之間的相關(guān)性，其二是綜合考慮類內(nèi)距離和類間距離的特征選擇[13]。

(1)去除特征之間的相關(guān)性。通過設(shè)置相關(guān)系數(shù)閾值，調(diào)節(jié)入選特征的數(shù)目。閾值設(shè)置越小，則入選的特征個(gè)數(shù)越少；反之，則入選的特征個(gè)數(shù)越大。當(dāng)兩個(gè)特征間的相關(guān)系數(shù)大于閾值時(shí)，則舍棄與其他特征具有較強(qiáng)的相關(guān)性且方差較小的特征。從圖像信息量的角度，方差越大，則說明特征中含有的分類信息越多；方差越小，則說明特征中含有的分類信息越少[14]。通過反復(fù)試驗(yàn)，確定本次實(shí)驗(yàn)的相關(guān)系數(shù)閾值為0.95。

(2)綜合考慮類內(nèi)距離和類間距離的特征選擇。根據(jù)不同類別的樣本特征值計(jì)算類內(nèi)距離，依據(jù)同類樣本特征值計(jì)算類內(nèi)距離[15]。假設(shè)去除相關(guān)性的特征子集為Fs=(f1,f2,…,fs)，對象類別為Ct=(C1,C2,…,Ct)，從各類別中選取的樣本對象個(gè)數(shù)為Nt=(n1,n2,…,nt)。以C1和C2兩類為例，對其特征選擇過程進(jìn)行詳細(xì)描述。

①計(jì)算類間距離J。計(jì)算C1和C2兩類樣本對象的某個(gè)特征(如fj,j=1,…,s)的均值mi與方差σi,i=1,2，代入式(3)和式(4)，得到特征fj對應(yīng)的C1與C2的類間距離J，選取類間距離較大的前10個(gè)特征構(gòu)成特征子集，從而進(jìn)行下一步的篩選。

(3)

(4)

②特征歸一化處理。由于所選的特征值在數(shù)量級上表現(xiàn)不同，需要對上一步所選的特征進(jìn)行歸一化處理，使其取值范圍為[0,1]，計(jì)算公式如下：

(5)

③計(jì)算加權(quán)類內(nèi)距離D。遍歷C1與C2類中的所有樣本，計(jì)算每個(gè)樣本和其他同類樣本的某個(gè)特征值(如fj,j=1,…,s)的距離并累加，分別獲取到C1與C2的類內(nèi)距離d1和d2，如式(6)所示，依據(jù)類別C1與C2的樣本數(shù)目賦予類內(nèi)距離d1和d2相對應(yīng)的權(quán)重，從而得到加權(quán)類內(nèi)距離D，如式(7)所示。

(6)

D=(n1d1+n2d2)/(n1+n2)

(7)

④構(gòu)建特征篩選指標(biāo)Jf。根據(jù)類間距離J大、加權(quán)類內(nèi)距離D小的準(zhǔn)則，構(gòu)建篩選指標(biāo)Jf，如式(8)所示。Jf值越大，說明特征之間的分離性越好；反之，說明特征之間的分離性越差。對Jf值進(jìn)行降序排列，選擇排在前3個(gè)的若干特征參與分類。

(8)

通過試驗(yàn)，最終得到建筑區(qū)樣本對象與其他類樣本對象進(jìn)行類別區(qū)分的5個(gè)優(yōu)選特征：GLCM對比度(45°)、GLCM標(biāo)準(zhǔn)差(135°)、最大差分、變差函數(shù)紋理均值、干涉系數(shù)均值(表2)。

表2 優(yōu)選特征指標(biāo)值

Table 2 Selected best feature indexes

兩兩類別優(yōu)選特征類間距離(J)加權(quán)類內(nèi)距離(D)篩選指標(biāo)(Jf)建筑區(qū)-道路最大差分1.90400.027569.2364變差函數(shù)紋理均值1.65890.051532.2117GLCM對比度(45°)1.47730.047031.4319建筑區(qū)-植被最大差分1.99990.0143139.8531 變差函數(shù)紋理均值1.99860.029467.9796干涉系數(shù)均值1.90680.053135.9096建筑區(qū)-水體變差函數(shù)紋理均值1.99930.023186.5498最大差分1.94410.027171.7380GLCM標(biāo)準(zhǔn)差(135°)1.86530.032557.3938

4.3 建筑區(qū)提取與精度評價(jià)

根據(jù)優(yōu)選出的特征構(gòu)建特征空間，選擇支持向量機(jī)(SVM)的面向?qū)ο蠓诸惙椒ǎ瑢⒀芯繀^(qū)劃分為建筑區(qū)與非建筑區(qū)，分類結(jié)果如圖8a(圖8見封3)所示，其中紅色區(qū)域表示建筑區(qū)。根據(jù)研究區(qū)的地理范圍，平均劃分為400個(gè)矩形樣方，取樣方的中心點(diǎn)為檢驗(yàn)樣本點(diǎn)，檢驗(yàn)樣本點(diǎn)分布如圖8b所示。以研究區(qū)的資源三號衛(wèi)星多光譜影像為參考數(shù)據(jù)，對這些檢驗(yàn)樣本點(diǎn)進(jìn)行人工目視解譯，確認(rèn)檢驗(yàn)樣本的類別屬性，建立混淆矩陣，計(jì)算相關(guān)精度評價(jià)指標(biāo)評價(jià)研究區(qū)的建筑區(qū)結(jié)果，如表3所示。

表3 總體分類精度統(tǒng)計(jì)

Table 3 Overall classification accuracy statistics

用戶類參考類建筑區(qū)非建筑區(qū)合計(jì)用戶精度建筑區(qū)12071270.94非建筑區(qū)192542730.93合計(jì)139261400生產(chǎn)者精度0.860.97總體精度=93.50%Kappa系數(shù)=0.85

5 結(jié)語

本文針對高分辨率單極化TerraSAR-X影像，從影像的基本特性出發(fā)，組合影像特征波段，在面向?qū)ο蟮亩喑叨确指罴夹g(shù)的基礎(chǔ)上，選擇訓(xùn)練樣本，充分挖掘影像對象的光譜、紋理、干涉信息，建立分離性指標(biāo)，確立優(yōu)選特征，采用支持向量機(jī)的面向?qū)ο蠓诸惙椒?，?shí)現(xiàn)了研究區(qū)建筑區(qū)輪廓的自動(dòng)提取，分類的總體精度為93.50%，Kappa系數(shù)為0.85。

本研究的提取方法一方面可以滿足一般性研究分析的精度要求，另一方面有助于城市建筑區(qū)的變化監(jiān)測,同時(shí)也為其他高分辨率SAR影像進(jìn)行城市建筑區(qū)提取提供一定的參考依據(jù)。但本研究只是針對單極化TerraSAR-X影像對以高密度低矮房屋為主的建筑區(qū)進(jìn)行了提取，對于更加復(fù)雜的建筑區(qū)的提取方法還有待完善，同時(shí)多極化的TerraSAR-X影像進(jìn)行建筑區(qū)提取還有待進(jìn)一步研究。

致謝：江蘇省測繪工程院提供了實(shí)驗(yàn)數(shù)據(jù)，此致謝忱！

[1] FENG T,ZHAO J.Review and comparison:Building extraction methods using high-resolution images[A].Information Science and Engineering (ISISE),2009 Second International Symposium onIEEE[C]2009.419-422.

[2] 溫禮，程博，柴淵，等.SAR遙感數(shù)據(jù)監(jiān)測土地利用變化的研究[J].測繪科學(xué)，2014(6)：65-69.

[3] BAN Y,WU Q.Radarsat SAR data for land-use/land-cover classification in the rural-urban fringe of the Greater Toronto area[A].8th Conference on Geographic Information Science[C].Estoril,2005.43-50.

[4] 吳樊，王超，張紅.基于紋理特征的高分辨率SAR影像居民區(qū)提取[J].遙感技術(shù)與應(yīng)用，2005，20(1)：148-152.

[5] 趙凌君，高貴，匡綱要.基于變差函數(shù)紋理特征的高分辨率SAR圖像建筑區(qū)提取[J].信號處理，2009，25(9):1433-1442.

[6] 徐佳，陳媛媛，黃其歡，等.綜合灰度與紋理特征的高分辨率星載SAR圖像建筑區(qū)提取方法研究[J].遙感技術(shù)與應(yīng)用，2012，27(5)：692-698.

[7] 張舞燕，劉清臣，孟秀軍.基于SAR相干系數(shù)圖像的城市邊界提取[J].測繪與空間地理信息，2014，37(5)：56-59.

[8] 王燕紅，程博，尤淑撐，等.基于改進(jìn)變差函數(shù)的高分辨率SAR圖像建筑區(qū)提取[J].遙感信息，2014，29(2):1-6.

[9] 舒寧.微波遙感原理(修訂版)[M].武漢：武漢測繪科技大學(xué)出版社，2003.

[10] 王超，張紅，劉智.星載合成孔徑雷達(dá)干涉測量[M].北京：科學(xué)出版社，2002.

[12] 陳鐵橋，陳杰，梅小明，等.基于多層次場聚類的高分辨率遙感影像分割方法[J].地理與地理信息科學(xué)，2013，29(6)：10-13.

[13] 余曉敏，湛飛并，廖明生，等.利用改進(jìn)SEaTH算法的面向?qū)ο蠓诸愄卣鬟x擇方法[J].武漢大學(xué)(信息科學(xué)版)，2012，37(8)：921-924.

[14] 張秀英，馮學(xué)智，江洪.面向?qū)ο蠓诸惖奶卣骺臻g優(yōu)化[J].遙感學(xué)報(bào)，2009，13(4)：664-669.

[15] 王賀，陳勁松，余曉敏.面向?qū)ο蠓诸愄卣鲀?yōu)化選取方法及其應(yīng)用[J].遙感學(xué)報(bào)，2013，17(4)：822-829.

Built-up Areas Extraction Based on Single Polarization TerraSAR-X Images

JIANG Dan-dan1,LU Gang2,CHEN Cheng2

(1.School of Environment Science and Spatial Informatics,China University of Mining and Technology,Xuzhou 221116;2.Jiangsu Province Surveying & Mapping Engineering Institute,Nanjing 210013,China)

This paper shows a object-oriented method that the extraction of urban built-up areas based on multi-temporal single polarization TerraSAR-X images.Firstly,the backscattering coefficient images,variogram texture image and interferometric coherent image were combined,and the combined image was segmented with a multiresolution segmentation algorithm based on eCognition software.And then choosing the train samples,extracting the spectral and textural features of sample objects,sample objects separability index was established in order to reduce feature dimensions.Finally,the built-up areas were extracted automatically with a object-oriented classification approach,and total accuracy is up to 93.50%.The results indicates that combined image has great advantage of segmentation,optimal selection of features reduces redundant features,maintains the high accuracy of information extraction,and makes up for the inadequacy that texture characteristics calculation is slow based on eCognition software.

TerraSAR-X images;built-up areas extraction;image segmentation;reduce feature dimensions;object-oriented classification

2015-05-25；

2015-08-24

國家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)項(xiàng)目(2013AA122003)

蔣丹丹(1990-)，女，碩士研究生，研究方向?yàn)檫b感數(shù)據(jù)處理。E-mail：jddcumt@163.com

10.3969/j.issn.1672-0504.2016.01.012

P237

A

1672-0504(2016)01-0060-06