基于流形學習的高分SAR圖像建筑區提取方法

崔師愛， 程 博， 劉岳明

(1.中國科學院遙感與數字地球研究所,北京 100094； 2.中國科學院大學,北京 100094)

基于流形學習的高分SAR圖像建筑區提取方法

崔師愛1,2， 程 博1， 劉岳明1,2

(1.中國科學院遙感與數字地球研究所,北京 100094； 2.中國科學院大學,北京 100094)

高空間分辨率(簡稱“高分”)SAR圖像具有高維非線性特點，以高維空間蘊含的低維流形描述SAR圖像，會更有利于目標識別。將流形學習應用到高維SAR目標識別的特征表達中，提出一種新的高分SAR圖像建筑區提取方法。首先，對高分SAR圖像進行預處理； 然后，采用灰度共生矩陣(gray level co-occurrence matrix,GLCM)提取8種紋理特征，與灰度圖像共同構建SAR圖像的高維特征集； 利用自適應鄰域選擇的鄰域保持嵌入(adaptive neighborhood selection neighborhoods preserving embedding, ANSNPE)算法對高維特征集進行特征提取，提取出新的特征； 最后，通過閾值分割及后處理提取建筑區，并進行精度評價。選擇TerraSAR-X數據進行實驗研究，結果表明，ANSNPE算法能夠從高分SAR圖像中有效提取建筑區，并具有較強的泛化能力； 通過訓練數據獲得的投影矩陣可直接應用到新樣本中，建筑區提取精度達85%以上。

高分SAR圖像； 流形學習； 自適應鄰域選擇的鄰域保持嵌入(ANSNPE)； 建筑區提取

0 引言

合成孔徑雷達(synthetic aperture Radar,SAR)依賴于對地發射微波的回波成像技術，能夠穿云透霧，不受天氣、光照等自然條件影響，對感興趣區域進行全天時、全天候的探測。因擁有這樣獨特的優勢，SAR已成為遙感信息獲取的重要手段，在對地觀測領域起著不可替代的作用。隨著SAR技術的不斷發展，2007年以來，COSMO-SkyMed,TerraSAR-X和RADARSAT-2等高空間分辨率(簡稱“高分”)衛星相繼發射[1]，城市SAR圖像的獲取能力大大提升，極大地促進了其在多云、多霧及多雨地區中建筑區提取的應用。傳統的SAR圖像信息提取是利用目標的后向散射強度的差別[2]，但對“同譜異物”及“同物異譜”的問題很難解決。隨著SAR圖像空間分辨率的提高，圖像的細節信息明顯，建筑區的紋理特征更加豐富，研究者將紋理分析應用到高分SAR圖像的信息提取中。如趙凌君等[3]利用變差函數計算SAR圖像的紋理特征，采用非監督模糊均值分類方法提取建筑區； 朱俊杰等[4]將利用小波變換獲得的紋理特征圖像和濾波圖像作為反向傳播(back propagation, BP)神經網絡的輸入層，完成了高分SAR圖像的紋理分類； 徐佳等[5]提取8個紋理特征，采用基于巴氏距離(Bhattacharyya)的特征選擇和主成分分析(principal component analysis,PCA)的去相關分析，選出2個最佳分量，與濾波圖像共同組成三維特征組合，并利用K均值聚類方法有效提取了建筑區。

高分SAR圖像具有散射、紋理和幾何等多種特征，容易形成高維的特征集合，使得后續對SAR圖像進行的信息提取存在困難。研究適用于高分SAR圖像的特征提取方法，降低空間維數，去除冗余信息，對快速、準確地自動提取建筑區具有重要意義。傳統的特征提取方法都是在假設SAR圖像的特征集以全局線性結構存在的前提下提出的，雖可達到降低維數的目的，但提取的新特征無法真實描述高維SAR數據的內蘊結構，可能會影響信息提取的精度。SAR圖像中的目標特征是由雷達波長、入射角、極化方式、觀測方向和地物表面粗糙度等因素共同作用的結果[6]，而這些因素之間并不是相互獨立存在的(實際上，SAR圖像目標特征之間的關系是非線性的)。因此，只有能夠對非線性數據結構進行特征提取的算法才能更適合高分SAR圖像。

近年來，流形學習作為非線性降維方法的一個分支，已被廣泛應用于人臉識別和文本分類等領域[7-8]。流形學習假設所處理的數據采樣于一個潛在的流形上，目標是發現嵌入在高維空間中的低維流形結構時，則給出一個有效的低維流形表示，達到降維目的。將既可處理高維空間數據，又能很好地表示數據內在幾何結構的流形學習應用到SAR圖像中，能夠提高目標識別的精度。經典的流形學習方法有等距映射(isometric mapping, ISOMAP)[9]、局部線性嵌入(locally linear embedding, LLE)[10]、拉普拉斯特征映射(Laplacian eigenmaps,LE)[11]和局部切空間排列(local tangent space alignment,LTSA)[12]等。針對經典流形學習樣本外的問題，局部保持投影法(locally preserving projections,LPP)[13]和鄰域保持嵌入法(neighborhoods preserving embedding，NPE)[14]等被相繼提出。李婷[15]研究了LPP算法在SAR圖像建筑區提取中的應用，研究結果表明LPP算法以及張量形式下的LPP算法可以有效提取城市建筑區； NPE是由He等[14]提出的一種LLE的線性化算法，與LPP算法有一些相似，目的都是保持數據流形的局部結構，只是優化目標函數不同。因為在數據分布不均勻的情況下，樣本點的鄰域是變化的，固定k值的NPE算法會出現局限性。為解決上述問題，本文在NPE算法中引入自適應鄰域選擇方法，提出了基于自適應鄰域保持嵌入(adaptive neighborhood selection neighborhood preserving embedding,ANSNPE)的建筑物提取方法。

1 建筑區提取方法

以高分SAR圖像中的城市建筑區為研究對象，提出一種基于流形學習的高分SAR圖像信息提取方法。該方法的技術流程如圖1所示，主要包括： ①對圖像進行預處理，獲得圖像灰度特征； ②采用灰度共生矩陣(gray level co-occurrence matrix, GLCM)對濾波后的圖像進行紋理特征提取和分析，選擇最佳參數； ③利用ANSNPE算法從由①和②得到的特征所構成特征集合中，提取出訓練數據的新特征和投影矩陣； ④對新特征進行閾值分割和后處理，提取建筑區，投影矩陣用于提取測試數據的新特征； ⑤將提取結果與通過光學圖像目視解譯得到的真值作對比，進行精度評價。

圖1高分SAR城市圖像建筑區提取流程

Fig.1FlowchartofbuildingareaextractionfromhighresolutionSARurbanimage

2 NPE和ANSNPE算法

2.1 NPE算法

NPE算法是一種線性近似的LLE算法，其目的是保持數據的局部流形結構。該算法的前提是假設在局部領域上，一個點可以用周圍的點線性表示，其目標是使在原始數據空間上相鄰樣本點線性表示的權重系數在投影后的空間仍保持一致[14,16-17]。假設一個訓練樣本的高維特征集表示為

X=[xi,…,xn]∈Rm×n,

(1)

式中：m為特征數(即空間維數)；n為樣本數。樣本的本征特征是嵌入在m維空間的低維流形結構，輸出的低維特征表示為

Y=[yi,…,yn]∈Rd×n(d

(2)

NPE算法能夠發現嵌入在m維空間的d維流形結構，求出低維特征Y和投影矩陣A，使得Y=ATX，A∈Rm×d。主要步驟： ①尋找樣本xi的k個近鄰點，由這些近鄰點對xi進行仿射重構，為使重構誤差最小，設計優化的目標函數為

(3)

(4)

圖2 NPE算法流程Fig.2 Flow chart of NPE algorithm

2.2 ANSNPE算法

在NPE算法中，任意樣本點xi是由其k近鄰點線性重構表示的，于是k近鄰點中其他點都可以由xi和剩余的(k-1)個點線性重構。若k值選擇合理，線性重構誤差會非常接近[18]； 若k值選擇不合理，則線性重構誤差變化會較大。在實際應用中，數據的分布密度一般是不同的，相應的近鄰點的數目也應該是變化的[19]。由于NPE算法中，設置固定的k值很容易出現重構誤差大的情況。為此，引入自適應鄰域選擇的方法，本文提出了一種ANSNPE算法。主要步驟如圖3： ①設置初始近鄰點參數k，最小近鄰點參數kmin，最大近鄰點參數kmax和小事件選擇概率p。尋找樣本點xi初始的k近鄰域，即Pi=[xij],j=1,…,k。 ②自適應選擇鄰域k。計算樣本點xi的平均歐式距離Di和流形的平均距離Dm，由Di和Dm得到樣本點xi的自適應參數ki，即

(5)

(6)

ki=kDm/Di。

(7)

圖3 ANSNPE算法流程Fig.3 Flow chart of ANSNPE algorithm

如果ki

3 實驗結果與分析

3.1 數據與預處理

實驗數據選擇2007年8月19日獲取的覆蓋北京市的TerraSAR-X圖像，極化方式為HH，空間分辨率為1.25 m。從中選擇4景大小為1 000像元×1 000像元的子圖像，首先進行窗口為5×5的LEE濾波預處理(圖4)。圖4(a)和(b)是城鎮建筑區，建筑物的高度較高，間隔較大，具有較為規則的明暗相間的圖像特征； 圖4(d)是農村建筑區，建筑物的高度較低，圖中亮斑分布不規則； 圖4(c)是城鄉結合部的建筑區，同時具備城鎮建筑區和農村建筑區的特征。其中圖4(a)為訓練圖像，圖4(b)，(c)和(d)為測試圖像。

(a) 訓練圖像 (b) 測試圖像1 (c) 測試圖像2(d) 測試圖像3

圖4濾波后的數據

Fig.4Dataafterfiltering

3.2 紋理特征分析

隨著SAR圖像空間分辨率的提高，城市地區SAR圖像的結構紋理信息更加豐富。GLCM由Haralick等[21]于1973年提出，其原理是統計一定窗口內滿足某一方向上距離為D的像素對的概率，生成共生矩陣。典型的紋理特征參數如表1所示。

表1 基于GLCM的紋理特征參數公式Tab.1 Parameter formulas of texture features based on GLCM

①式中：K為鄰域大小；d為步長；θ為方向；μ1,μ2和σ1,σ2分別為像素點(i,j)鄰域內的均值和方差。

GLCM涉及滑動窗口大小、步長、方向和灰度級L等4個參數，其中，L的選擇對紋理特征計算結果影響不大[22]，本文選擇L=16； 為消除方向對地物紋理特征提取的影響，本文選擇0°,45°,90°和135°這4個方向，計算4個方向的角度平均值作為特征值； 由于較小的步長能夠得到較好的分析結果，因此取步長為1； 而滑動窗口大小對GLCM的影響最大，窗口過大會使紋理特征過于模糊，窗口太小則不能很好反映圖像的紋理特征，因此本文根據城市SAR圖像本身的特點，對提取的對比度、均值、相關性、熵、角二階距、方差、相異性和均質性等8個常用紋理特征統計量隨窗口大小變化的情況進行了分析，并在保持紋理特征規律的前提下對其進行了歸一化處理。

圖5是城市中3類主要地物的紋理特征值隨著窗口大小的變化曲線(紅色為建筑區，藍色為水體，綠色為植被)。

分析圖5中的曲線可以看出，當窗口大小為23時，不同紋理特征可以達到最大，之后稍有降低； 當窗口大小為31時，趨于平緩。其中，相關性紋理特征中建筑物和植被出現重疊現象，但與水體差別很大，予以保留。因此，本文的紋理特征的窗口參數選定為31。

(a) 對比度 (b) 均值 (c) 相關性 (d) 熵

(e) 角二階距(f) 方差 (g) 相異性(h) 均質性

圖5典型地物紋理特征隨窗口變化曲線

Fig.5Curvesoftexturefeaturesoftypicalfeatureschangedwithwindowsizes

圖6為將計算得到的紋理特征和灰度圖像構成的特征集合。

(a) 相異性 (b) 對比度 (c) 熵

(d) 均值(e) 方差 (f) 均質性

(g) 角二階距(h) 相關性 (i) 濾波圖像

圖6訓練圖像的特征集合

Fig.6Featuresetoftrainingimages

3.3 特征提取

利用本文提出的ANSNPE算法，對訓練圖像的特征集合進行特征提取，提取出新特征和投影矩陣。其中，設參數k=15,kmin=1,kmax=30,p=0.3,d=1。新特征用于后續分類處理提取建筑區，投影矩陣直接用于提取測試圖像的新特征。圖7為用ANSNPE算法提取出的新特征，圖8為用NPE算法提取出的新特征。

(a) 訓練圖像 (b) 測試圖像1 (c) 測試圖像2(d) 測試圖像3

圖7利用ANSNPE算法提取的新特征

Fig.7NewfeaturesextractedbyusingANSNPEalgorithm

(a) 訓練圖像 (b) 測試圖像1 (c) 測試圖像2(d) 測試圖像3

圖8利用NPE算法提取的新特征

Fig.8NewfeaturesextractedbyusingNPEalgorithm

3.4 提取后處理及精度評價

對所提取的新特征進行閾值分割，初步提取建筑區； 然后進行補洞、腐蝕等后處理，得到最終建筑區提取結果。將提取結果與通過光學圖像目視解譯得到的真值進行比較，計算其檢測率、虛警率和漏警率，對實驗結果進行定量評價。圖9和圖10分別為采用ANSNPE和NPE算法提取結果與真值的對比結果。

(a) 訓練圖像 (b) 測試圖像1 (c) 測試圖像2(d) 測試圖像3

圖9利用ANSNPE算法提取的建筑區

Fig.9BuildingareasextractedbyusingANSNPEalgorithm

(a) 訓練圖像 (b) 測試圖像1 (c) 測試圖像2(d) 測試圖像3

圖10利用NPE算法提取的建筑區

Fig.10BuildingareasextractedbyusingNPEalgorithm

表2列出上述ANSNPE和NPE2種算法的精度評價指標值。

表2 ANSNPE和NPE算法精度評價指標Tab.2 Accuracy evaluation indexes of ANSNPE and NPE algorithms (%)

3.5 結果分析

由圖7和圖8可以看出，NPE算法提取的新特征中的類間差距變小，不同地物的特征對比不明顯； 而ANSNPE算法提取的新特征中，不同地物的特征對比明顯。從圖9和圖10中可直觀地看到訓練圖像和測試圖像的提取結果，很明顯ANSNPE算法更能區分建筑區與非建筑區，并較準確地提取出建筑區。為了定量評價建筑區提取結果，與建筑區真值進行逐像素對比，計算出檢測率、虛警率和漏警率(表2)。從表2可以看出，基于NPE算法的訓練圖像、測試圖像1和測試圖像3的檢測率為100%，測試圖像2的檢測率為99.97%，表明NPE算法沒有完全區分出建筑區與非建筑區，固定k近鄰的NPE算法并不適用SAR圖像建筑區提取。采用ANSNPE算法提取的訓練圖像和測試圖像的檢測率均在89%以上，因此，ANSNPE算法更適合于高分SAR圖像建筑區提取。ANSNPE算法具有較強的泛化能力，將通過訓練圖像獲取的投影矩陣直接應用于測試圖像，對具有不同建筑區類型的測試圖像均能夠得到鑒別性好的新特征，提取精度達到90%以上。測試圖像3的虛警率較高，其原因可能是農村建筑物與城鎮建筑物特征的差異較大。

3.6 應用分析

為驗證ANPE算法的應用價值，選擇3 000像元×3 000像元和6 000像元×6 000像元的TerraSAR-X圖像作為測試圖像(圖11)。

(a) 3 000像元×3 000像元(b) 6 000像元×6 000像元

圖11測試用TerraSAR-X圖像

Fig.11TerraSAR-Ximagesfortest

根據本文提出的基于ANSNPE算法的建筑區提取流程，利用3.3節中訓練圖像學習的投影矩陣，直接對測試圖像的特征集進行特征映射，得到新特征，最后提取的建筑區結果如圖12所示。

(a) 新特征1 (b) 建筑區1提取結果 (c) 新特征2(d) 建筑區2提取結果

圖12基于ANSNPE算法建筑區提取結果對比

Fig.12ComparisonofbuildingareaextractedresultsbyusingANSNPEalgorithm

與真值比較，計算測試圖像提取建筑區的檢測率、虛警率和漏警率。3 000像元×3 000像元的測試圖像的檢測率是94.16%，虛警率是34.27%，漏警率是5.84%。6 000像元×6 000像元測試圖像的檢測率是86.48%，虛警率是20.71%，漏警率是14.52%。2景測試圖像建筑區提取的檢測率均能夠達到85%以上，而虛警率較高的主要原因是大場景測試圖像中的地物比訓練圖像中的復雜且分布不同。被錯誤提取的建筑區多數是橋梁和高層建筑物的周圍地區。圖像上的橋梁一般呈亮色點，且在河流上方，與河流及周圍環境形成鮮明的對比，容易被分為建筑區。而高層建筑物是因為發生頂點位移，會將亮斑延伸至周圍，使被提取建筑區范圍偏大。

4 結論

1)高分SAR圖像的特征具有高維非線性的特點，以高維空間中嵌入低維流形描述高維SAR數據，提取SAR數據的內蘊幾何結構，能夠提高SAR信息提取的精度。因此，研究基于流形學習的高分SAR圖像建筑區提取方法具有重要的理論基礎和應用價值。

2)在研究分析NPE算法原理的基礎上，提出了一種基于ANSNPE算法的高分SAR圖像建筑區提取方法。ANSNPE算法能夠根據數據的分布情況，自適應地選擇鄰域大小，改善NPE算法中固定鄰域大小產生重構誤差大的問題。利用TerraSAR-X數據得到的實驗結果表明，與NPE算法相比，ANSNPE算法能夠更準確地提取城市建筑區。同時，該算法具有較強的泛化能力，通過訓練樣本學習得到的投影矩陣能夠直接應用到新樣本中，對具有不同建筑區類型的測試圖像，提取的建筑區精度可達到90%以上。為研究算法的應用價值，利用ANSNPE算法提取了大場景圖像的建筑區，精度可達到85%以上，虛警率稍高，分析原因是由于大場景圖像中地物比較復雜，錯誤提取的建筑區主要是橋梁和高層建筑物的周邊地區。

本文實驗僅從測試圖像角度分析了ANSNPE算法對不同類型建筑區的適用性，但該算法對包含不同地物類型的訓練圖像提取建筑區的影響還需深入研究。下一步將針對不同場景下的訓練數據進行研究，進一步探討ANPE算法的適用性。

[1] 邵 蕓,范湘濤,劉 浩.基于目標時域散射特性的土地覆蓋類型分類研究[J].國土資源遙感,2001,13(4):40-49,67.doi:10.6046/gtzyyg.2001.04.07.

Shao Y,Fan X T,Liu H.Land cover classification based on temporal backscatter signatures of the targets[J].Remote Sensing for Land and Resources,2001,13(4):40-49,67.doi:10.6046/gtzyyg.2001.04.07.

[2] 譚衢霖,邵 蕓.雷達遙感圖像分類新技術發展研究[J].國土資源遙感,2001,13(3):1-7.doi:10.6046/gtzyyg.2001.03.01.

Tan Q L,Shao Y.A study on the development of new classification technology for redar remote sensing imagery[J].Remote Sensing for Land and Resources,2001,13(3):1-7.doi:10.6046/gtzyyg.2001.03.01.

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

Zhao L J,Gao G,Kuang G Y.Variogram-based built-up areas extraction from high-resolution SAR images[J].Signal Processing,2009,25(9):1433-1442.

[4] 朱俊杰,郭華東,范湘濤,等.單波段單極化高分辨率SAR圖像紋理分類研究[J].國土資源遙感,2005,17(2):36-39.doi:10.6046/gtzyyg.2005.02.09.

Zhu J J,Guo H D,Fan X T,et al.The application of the wavelet texture method to the classification of single-band,single-polarized and high-resolution SAR images[J].Remote Sensing for Land and Resources,2005,17(2):36-39.doi:10.6046/gtzyyg.2005.02.09.

[5] 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圖像建筑區提取方法研究[J].遙感技術與應用,2012,27(5):692-698.

Xu J,Chen Y Y,Huang Q H,et al.Built-up areas extraction in high resolution spaceborne SAR image based on the integration of grey and texture features[J].Remote Sensing Technology and Application,2012,27(5):692-698.

[6] 趙凌君,秦玉亮,高 貴,等.利用GLCM紋理分析的高分辨率SAR圖像建筑區檢測[J].遙感學報,2009,13(3):483-490.

Zhao L J,Qin Y L,Gao G,et al.Detection of built-up areas from high-resolution SAR images using the GLCM textural analysis[J].Journal of Remote Sensing,2009,13(3):483-490.

[7] Tu S T,Chen J Y,Yang W,et al.Laplacian eigenmaps-based polarimetric dimensionality reduction for SAR image classification[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(1):170-179.

[8] 黃啟宏,劉 釗.流形學習中非線性維數約簡方法概述[J].計算機應用研究,2007,24(11):19-25.

Huang Q H,Liu Z.Overview of nonlinear dimensionality reduction methods in manifold learning[J].Application Research of Computers,2007,24(11):19-25.

[9] Tenenbaum J B,de Silva V,Langford J C.A global geometric framework for nonlinear dimensionality reduction[J].Science,2000,290(5500):2319-2323.

[10] Roweis S T,Saul L K.Nonlinear dimensionality reduction by locally linear embedding[J].Science,2000,290(5500):2323-2326.

[11] Belkin M,Niyogi P.Laplacian eigenmaps for dimensionality reduction and data representation[J].Neural Computation,2003,15(6):1373-1396.

[12] Zhang Z Y,Zha H Y.Principal manifolds and nonlinear dimensionality reduction via tangent space alignment[J].SIAM Journal on Scientific Computing,2005,26(1):313-338.

[13] He X F,Niyogi P.Locality Preserving Projections[C]//Advances in neural information processing systems (NIPS).Cambridge:MIT Press,2003,16:153-160.

[14] He X F,Cai D,Yan S C,et al.Neighborhood preserving embedding[C]//Proceedings of the 10th IEEE international conference on computer vision.Beijing,China:2005,2:1208-1213.

[15] 李 婷.基于流形學習的高分辨率SAR圖像城市建筑區識別方法研究[D].北京:中國科學院大學,2015.

Li T.Method Research of Recognition of Urban Building Areas from High Resolution SAR Images Based on Manifold Learning[D].Beijing:University of Chinese Academy of Sciences,2015.

[16] 劉花麗.基于流形學習算法的人臉識別研究[D].蘭州:蘭州理工大學,2013.

Liu H L.Research on Face Recognition Based on Manifold Learning Algorithm[D].Lanzhou:Lanzhou University of Technology,2013.

[17] 左加闊.基于流形學習算法的新生兒疼痛表情識別[D].南京:南京郵電大學,2011.

Zuo J K.Manifold Learning Algorithm for Facial Expression Recognition of Pain in Neonates[D].Nanjing:Nanjing University of Posts and Telecommunications,2011.

[18] 惠康華,肖柏華,王春恒.基于自適應近鄰參數的局部線性嵌入[J].模式識別與人工智能,2010,23(6):842-846.

Hui K H,Xiao B H,Wang C H.Self-regulation of neighborhood parameter for locally linear embedding[J].Pattern Recognition and Artificial Intelligence,2010,23(6):842-846.

[19] Huang L Z,Zheng L X,Chen C Y,et al.Locally linear embedding algorithm with adaptive neighbors[C]//Proceedings of international workshop on intelligent systems and applications.Wuhan,China:IEEE,2009:1-4.

[20] 張育林,莊 健,王 娜,等.一種自適應局部線性嵌入與譜聚類融合的故障診斷方法[J].西安交通大學學報,2010,44(1):77-82.

Zhang Y L,Zhuang J,Wang N,et al.Fusion of adaptive local linear embedding and spectral clustering algorithm with application to fault diagnosis[J].Journal of Xi’an Jiaotong University,2010,44(1):77-82.

[21] Haralick R M,Shanmugam K,Dinstein I H.Textural features for image classification[J].IEEE Transactions on Systems,Man,and Cybernetics,1973,SMC-3(6):610-621.

[22] 吳 樊,王 超,張 紅.基于紋理特征的高分辨率SAR影像居民區提取[J].遙感技術與應用,2005,20(1):148-152.

Wu F,Wang C,Zhang H.Residential areas extraction in high resolution SAR image based on texture features[J].Remote Sensing Technology and Application,2005,20(1):148-152.

ResearchonmethodsofbuildingareaextractionfromhighresolutionSARimagebasedonmanifoldlearning

CUI Shiai1,2， CHENG Bo1， LIU Yueming1,2

(1.InstituteofRemoteSensingandDigitalEarth，ChineseAcademyofSciences，Beijing100094，China；2.UniversityoftheChineseAcademyofSciences，Beijing100094，China)

The characteristics of high resolution SAR image is nonlinear and of high dimension. The description of SAR image in which a low dimensional manifold is embedded in high dimensional space is more useful for targets recognition. Therefore, a novel scheme of high resolution SAR image building area extraction is proposed by applying manifold learning to feature representation of a high dimensional SAR targets recognition. Firstly, the high resolution SAR image was preprocessed, and then eight texture features were extracted with gray level co-occurrence matrix (GLCM)so as to construct feature set with gray feature. Adaptive neighborhood selection neighborhood preserving embedding (ANSNPE)algorithm was used to extract the new features from the feature set. Finally, the building area was extracted by threshold segmentation with the new features and post processing, and the accuracy was evaluated. Selecting TerraSAR-X as test data, the authors carried out the experiments. The results show that ANSNPE algorithm can effectively extract the building area from high resolution SAR image, and has strong generalization capability. The projection matrix obtained through the training data can be directly applied to the new samples, and the accuracy of building area extraction could reach higher than 85%.

high-resolution SAR； manifold learning； adaptive neighborhood selection neighborhood preserving embedding(ANSNPE)； building extraction

10.6046/gtzyyg.2017.04.09

崔師愛,程博,劉岳明.基于流形學習的高分SAR圖像建筑區提取方法[J].國土資源遙感，2017，29(4)：48-56.(Cui S A,Cheng B,Liu Y M.Research on methods of building area extraction from high resolution SAR image based on manifold learning[J].Remote Sensing for Land and Resources,2017,29(4)：48-56.)

TP 751.1

A

1001-070X(2017)04-0048-09

2016-04-06；

2016-05-05

國家自然科學基金項目“高分辨率SAR圖像典型地物目標樣本特征提取和識別研究”(編號： 61372189)資助。

崔師愛(1990-)，女,碩士研究生,主要研究方向為遙感圖像處理。Email： cuisa@radi.ac.cn。

程 博(1974-)，男,博士,教授級高級工程師,主要從事遙感衛星信息處理與應用方面的研究。Email： chengbo@radi.ac.cn。

(責任編輯：李瑜)