基于極化SAR的城市建筑物提取*

翟　瑋，趙　斐（.甘肅省地震局，甘肅蘭州730000；.甘肅省地震平涼中心地震臺，甘肅平涼744000）

?

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.甘肅省地震平涼中心地震臺，甘肅平涼744000）

摘要：城市建筑物信息與人類的生存息息相關，建筑物信息的提取在很多社會領域和科學領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影像進行實驗，由于實驗數據自身的質量以及研究區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。

關鍵詞：雷達遙感；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，是城市建設中最重要的組成部分。建筑物的識別和提取在城市規劃、道路建設、土地利用調查等方面都具有非常重要的應用價值與指導作用，同時建筑物信息提取也是很多學者致力于研究的學術問題[1]。

從高分辨率的光學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（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據源。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]，使用光學影像和雷達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，對數據要求較低，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，包含的目標信息量遠遠多于單極化SAR。因此，為了降低數據要求，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分類器進行聚類，然后將聚類結果合并到所需要的類別數，從分類結果中分離出建筑物。

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形成的初始分類結果進行Wishart聚類；然后對聚類結果進行合并，根據本文所采用的實驗數據，將典型地物分為三類，因此，將類別合并到三類；最后，從典型地物分類結果中分離出建筑物，從而實現建筑物的提取。

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分類過程中為了進一步改善極化非監督分類結果而引入反熵A形成的非監督分類方法。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，在由H和α兩個極化特征形成的特征平面中，有8個有效區域，每個區域對應一種地物類別，反映不同的地物散射特性，利用H-α平面能夠將地物分為8種類別。加入反熵A對這8種類別進一步劃分為16種類別，但這些類別只是初始分類結果，還需要利用Wishart分類器對這16個初始劃分類別進行Wishart聚類，以使分類結果更精確。在極化SAR分類應用中，Wishart分類器是應用最普遍、最適用的分類器之一。H/α/A-Wishart的詳細計算可參考文獻[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產生16個類別合并為三個類別，即建筑物、裸地和植被。與文獻[9]不同的是，本文采用的類別合并準則不是兩個類的類中心距離最小，而是兩個類之間的異質性最小，即依據異質性最小準則進行類別合并。聚合的層次聚類算法是一個循環遞減分類類別數的聚類算法。在每一次迭代過程中,計算出每兩個類別間的異質性,如果某兩個類之間的異質性最小，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性,下面給出計算類別間異質性的表達式：

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類的像元數目，Σi和Σj別是第i類與第j類的類中心協方差矩陣，Σ是合并后的類中心協方差矩陣。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行第m+1次迭代。

2　結果與分析

2.1實驗數據

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

圖2　實驗數據及實驗結果

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

2.2實驗結果

根據圖1所示的流程對實驗數據進行建筑物提取，提取結果如圖2(c)所示，白色區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，進行精度評價，在圖2(b)中分別以紅色和黃色標注。評價結果見表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狀，易被誤分成建筑。研究區域建筑分布稀疏雜亂，存在較多目標微弱的低矮建筑，有些還被濃密植被包圍、遮掩，受植被干擾較大，加之原始數據的自身屬性，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，利用經典的H/α/A-Wishart極化分類方法對實驗數據進行建筑物提取。由于研究區域的建筑物分布稀疏雜亂，目標微弱，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）經過多視處理的原始數據，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：

[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展基金項目（2015M02）。

中圖分類號：P237