基于单时相全极化SAR影像的建筑物震害信息提取

翟　玮

(1.甘肃省地震局，甘肃　兰州　730000；2.中科院寒旱所，甘肃　兰州　730000)



基于单时相全极化SAR影像的建筑物震害信息提取

翟玮1，2

(1.甘肃省地震局，甘肃兰州730000；2.中科院寒旱所，甘肃兰州730000)

摘要：建筑物震害信息提取不仅是震害评估的主要工作，同时对应急救援的快速有效实施也有一定的指导意义。利用震后一景全极化SAR影像提取建筑物震害信息，既可提高信息提取的速度，也可保证提取的精度。文章利用H/α/A-Wishart非监督极化分类方法，结合基于最小异质性准则聚合的层次聚类算法，对建筑物震害信息进行提取。以2010年4月14日青海玉树地震震后一景全极化SAR影像为例进行实验，实验结果表明该文研究的方法在建筑物震害信息提取应用中是有效可行的。

关键词：全极化SAR；建筑物震害信息；极化分解；非监督分类

0引言

地震对人类的生命财产安全造成极大的破坏，研究表明，地震中95%的人员伤亡是由建筑物倒塌引起的，因此，建筑物震害信息调查是震后灾害信息调查的主要工作[1]。目前，遥感技术已被广泛应用到震害信息调查中[2]，从遥感影像获取灾情信息不仅宏观、快速，而且能够覆盖人员无法到达的区域。地震发生后，及时获取的建筑物倒塌信息，能够指导应急救援行动的有效实施，对减少人员伤亡至关重要[3]。光学遥感虽然直观易懂，但是直接受太阳光照的限制，在云雾雨雪等恶劣天气下无法成像[4]。而雷达的穿透力强，可以不受天时、天候的影响，在夜晚或天气不佳时，都能够对地成像，从而成为震后可靠的遥感数据源保障[5]。相比传统的单极化合成孔径雷达(synthetic aperture radar，SAR)，全极化合成孔径雷达(PolSAR)能够记录4种不同极化组合方式下的后向散射信息，包含更丰富的对地观测内容，有助于人们更好地理解地物特征[4]。

2011年东日本大地震发生后，诸多日本学者使用相控阵型L波段合成孔径雷达(phased arraytype L-band synthetic aperture radar，PALSAR)和日本机载Pi-SAR极化数据，对震害特征及震害信息调查进行大量的分析研究，这些研究主要基于震前震后极化特征的变化而开展[6-13]。但由于存在与震后相匹配的震前存档影像难以获取，或震前震后影像配准费时费力等问题，基于震后单时相PolSAR数据的震害评估研究逐渐得到人们的重视。

为快速方便地提取建筑物震害信息，并保证一定的提取精度，本文基于PolSAR影像，利用H/α/A-Wishart非监督极化分类方法对建筑物震害信息进行提取。该方法是在提取PolSAR影像中地物的H、α、A三种极化特征后，进行初始分类，然后利用Wishart分类器聚类，再将聚类结果合并到所需要的类别，并从分类结果中提取出未倒塌建筑物和倒塌建筑，从而获得建筑物的倒塌信息。

1极化特征提取与分类

1.1H、α、A极化特征提取

Cloude-Pottier目标分解方法是基于相干矩阵[T3]的特征值与特征向量分解的极化分解方法，经过Cloude-Pottier极化分解得到极化熵H，平均散射角α和极化各项异性度A三个极化特征参数[14-15]，其表达式如下：

(1)

(2)

(3)

(4)

式中：λi是相干矩阵[T3]的特征值。

极化熵H表示极化散射过程的随机性，熵值越大表示随机性越强，极化熵H的取值范围为[0，1]。当H=0时，目标散射只有一种确定性的散射机制；当H=1时，目标散射退化为一个随机噪声过程[16]。平均散射角α的取值范围在[0°，90°]，表示目标散射的平均散射机制。当α=0°时，散射机制类型为各向同性的表面散射；当α=45°时，散射机制类型为偶极子散射；当α=90°时，散射机制类型为各向同性的二面角散射[17]。极化熵H和散射角α组成的H-α二维特征平面分为9个区域，其中8个有效区域都对应某种类型的散射机制，根据这8个有效区域可以将极化SAR数据划分为8个类别。

极化各项异性度A是Pottier在1998年对H-α平面补偿的一个新参数[17]，它表征目标散射的各向异性程度，当极化熵H>0.7时，表征两种不占主要地位的散射机制对散射结果的影响程度，较大的A值表示仅第二种散射机制对散射结果有较明显的影响，较小的A值表示第三种散射机制的影响也需考虑[18]。利用极化各项异性度A可以将由H-α划分的8个类别进一步细分为16个类别。

1.2Wishart监督分类

由H、α、A划分的16种类别，是由三种极化特征参数阈值确定的初始分类结果，还需利用Wishart分类器对初始分类结果进行聚类处理，以使分类结果更精确。Lee等[19-22]提出的复Wishart监督分类方法，是假设极化协方差矩阵的概率密度分布函数服从自由度为n的复Wishart分布WC(n，[C])[23-24]，利用基于统计特性的最大似然分类器进行监督分类的方法。在PolSAR影像监督分类应用中，Wishart分类器是应用最广、最适用的分类器之一，它能够充分利用PolSAR数据的强度信息和相位信息。在Wishart监督分类过程中，像元[C]到第i类的Wishart距离为：

d([C]|[∑i])=ln|[∑i]|+Tr([∑i]-1[C])，

(5)

式中：[∑i]是第i类的类中心协方差矩阵；Tr([∑i]-1[C])表示[∑i]-1[C]的迹，上角标“-1”表示矩阵的逆。

在每次迭代过程中，对每个像元计算其与每个类别的Wishart距离d([C]|[∑i])，然后将该像元归入与之具有最小Wishart距离的类别中。经过Wishart迭代聚类后，由H-α-A估计出的初始类中心将会得到更新，使得分类结果更精确。

1.3类别合并

上述H、α、A-Wishart极化非监督分类[25-26]方法产生了16个类别，但我们所要分的地物类别数远小于16类，因此要将这16类合并为我们的目标类别。本文采用聚合的层次聚类算法[27]进行类别合并，但与文献[27]不同的是，本文采用的类别合并准则不是两个

类的类中心距离最小，而是两个类别之间的异质性最小，即在合并类别的过程中，将具有最小异质性的两个类别进行合并。

聚合的层次聚类算法是一个循环递减分类类别数的聚类算法。在每一次迭代过程中，计算出每两个类别间的异质性，如果某两个类之间的异质性最小，就将这两个类合并为一个新类，再将这个新类连同其他类代入下一次迭代。每一次迭代合并两个类形成一个新类，总类别数减少一类。为有效地计算各个类别之间的异质性，下面给出计算类别间异质性的表达式。

DS(Si,Sj)=(Ni+Nj)ln|∑|-

(Niln|∑i|+Njln|∑j|)，

(6)

式中：Si和Sj分别代表第i类与第j类；Ni和Nj分别是第i类与第j类的像元数目；∑i和∑j分别是第i类与第j类的类中心协方差矩阵；∑是合并后的类中心协方差矩阵。在第m次迭代过程中，计算所有满足i≠j条件下的DS(Si,Sj)，找到最小的DS(Si,Sj)，若最小的DS(Si,Sj)对应的两个类别是a类和b类，即：

DS(Sa，Sb)=min(DS(Si,Sj))。

(7)

则将a类和b类合并成一个新类c，c类与剩下的类别组成新的序列进行第m+1次迭代。

2倒塌建筑物提取流程

提取建筑物震害信息的流程如图1所示。首先，提取极化SAR影像中的H、α、A三种极化特征；其次，对H、α、A形成的初始分类结果进行Wishart聚类；最后，根据最小异质性准则，利用聚合的层次聚类算法对H、α、A-Wishart分类结果进行合并，合并到所需的类别。根据本文所采用的实验数据，将地物分为裸地、倒塌建筑物和未倒塌建筑物三种类别，因此将H、α、A-Wishart产生的16种类别合并到三类，再从这三种类别中提取出倒塌建筑物，将其余部分归为未倒塌建筑物。

图1　建筑物震害信息提取流程Fig.1　Acquisition process of building seismic disaster information

3实验与分析

3.1实验数据

选择2010年4月14日青海玉树7.1级地震发生后一天获取的P波段极化SAR影像作为实验数据，数据大小为208×182像素。实验数据由中国测绘科学研究院使用我国SARMapper系统获取，距离向和方位向分辨率都接近1 m，沿东西向水平飞行。实验数据所示区域位于玉树县城，几乎没有植被，可以忽略，建筑物主要是低矮的农居住宅。其Pauli RGB彩色合成图(由|HH-VV|、|HH+VV|、2|HV|合成)如图2所示，光学地面参考影像如图3所示。

图2　实验区PauliRGB彩色合成图像Fig.2　PauliRGB color synthesis images in experimental area

图3　Google Earth光学参考影像Fig.3　Optical reference images by Google Earth

3.2实验结果

根据图1所示的流程提取实验数据中的倒塌建筑物，结果如图4所示。在参考影像中选择2 026个倒塌建筑物样本和3 467个非倒塌建筑物样本作为验证样本，进行精度评价。在图3(b)中，2 026个倒塌建筑物样本中有1 747个样本被正确分类，279个样本被误分成非倒塌建筑物；3 467个非倒塌建筑物样本中有2 230个样本被正确分类，1 237个样本被误分成倒塌建筑物，评价结果如表1所示。从表1看出，总体分类精度(即所有样本正确提取的精度)为72.4%；倒塌建筑物正确提取精度为86.2%，误分率为13.8%；非倒塌建筑正确提取精度是64.3%，误分率为35.7%。

图4　倒塌建筑物提取结果Fig.4　Acquisition results of collapsed buildings

正确分类错误分类倒塌建筑物非倒塌建筑物倒塌建筑物非倒塌建筑物86.2%64.3%13.8%35.7%总体分类精度:72.4%

4结论

由于极化SAR影像的信息量丰富，仅使用震后一景极化SAR影像提取建筑物震害信息不仅对数据的要求较低，方便快速，而且能够保证震害信息提取精度。研究选择4月14日玉树地震震后一景极化SAR影像，利用H、α、A-Wishart非监督极化分类方法和基于最小异质性聚合层次聚类的类别合并算法，对实验数据中的建筑物震害信息进行提取。实验结果表明，本研究所用的方法能够保证震害信息提取精度，而且速度较快，对震后提取建筑物倒塌信息是有效可行的，但仍需进一步深入研究对倒塌建筑物敏感的极化特征及其适用的分类方法，改进现有的倒塌建筑物提取方法。

研究所用数据由国家863主题项目“面向对象的高可信SAR处理系统”和国家重大测绘科技专项“机载多波段多极化干涉SAR测图系统”提供支持，在此深表感谢。

参考文献：

[1]翟玮，黄春林，裴万胜，等.PolSAR影像中应用One-Class分类器提取倒塌建筑物的研究[C].北京:中国地球科学联合学术年会，2015:2634-2635.

[2]王晓青，王龙，章熙海，等.汶川8.0级地震震害遥感定量化初步研究——以都江堰城区破坏为例[J].地震,2009,29(1):174-181.

[3]张景发，谢礼立，陶夏新.典型震害遥感图像的模型分析[J].自然灾害学报,2001,10(2):89-95.

[4]Zhai Wei,Shen Huanfeng,Huang Chunlin,et al.Fusion of polarimetric and texture information for urban building extraction from fully polarimetric SAR imagery[J].Remote Sensing Letters,2016,7(1):31-40.

[5]翟玮，裴万胜，赵斐，等.PolSAR影像纹理特征在倒塌建筑物提取中的应用分析[J].国际地震动态,2015(9):127-127.

[6]Chen S W,Li Y Z,Wang X S,et al.Natural disaster damage evaluation using fully polarimetric techniques with spaceborne SAR data[C]//General Assembly and Scientific Symposium (URSI GASS),2014 XXXIth URSI.IEEE,2014:1-4.

[7]Chen S W,Li Y Z,Xing S Q,et al.Urban damage evaluation using polarimetric SAR data[C]//Geoscience and Remote Sensing Symposium (IGARSS),2014 IEEE International.IEEE,2014:2754-2757.

[8]Chen S W,Sato M.Tsunami damage investigation of built-up areas using multitemporalspaceborne full polarimetric SAR images[J].Geoscience and Remote Sensing,IEEE Transactions on,2013,51(4):1985-1997.

[9]Park S E,Yamaguchi Y,Singh G,et al.Polarimetric SAR remote sensing of earthquake/tsunami disaster[C]//Geoscience and Remote Sensing Symposium (IGARSS),2012 IEEE International.IEEE,2012:1170-1173.

[10]Park S E,Yamaguchi Y,Kim D.Polarimetric SAR remote sensing of the 2011 Tohoku earthquake using ALOS/PALSAR[J].Remote Sensing of Environment,2013,132:212-220.

[11]Sato M,Chen S W,Satake M.Polarimetric SAR analysis of tsunami damage following the March 11, 2011 East Japan earthquake[J].Proceedings of the IEEE,2012,100(10):2861-2875.

[12]Watanabe M,Motohka T,Miyagi Y,et al.Analysis of urban areas affected by the 2011 off the Pacific Coast of Tohoku earthquake and tsunami with L-band SAR full-polarimetric mode[J].Geoscience and Remote Sensing Letters,IEEE,2012,9(3):472-476.

[13]Yamaguchi Y.Disaster monitoring by fully polarimetric SAR data acquired with ALOS-PALSAR[J].Proceedings of the IEEE,2012,100(10):2851-2860.

[14]Cloude S R,Pottier E.A review of target decomposition theorems in radar polarimetry[J].Geoscience and Remote Sensing,IEEE Transactions on,1996,34(2):498-518.

[15]Cloude S R,Pottier E.An entropy based classification scheme for land applications of polarimetricSAR[J].Geoscience and Remote Sensing,IEEE Transactions on,1997,35(1):68-78.

[16]吴学睿.关于极化雷达溢油监测研究发展的现状分析[J].赤峰学院学报:自然科学版,2011(3):176-178.

[17]Pottier E.TheH/A/αpolarimetric decomposition approach applied to PolSAR data processing[C]//Proceedings of the PIERS Workshop on Advances in Radar Methods,Baveno,Italy，1998:120-122.

[18]曹芳.基于Cloude-Pottier分解的全极化SAR数据非监督分类的算法和实验研究[D].北京:中国科学院研究生院(电子学研究所),2007:39.

[19]Lee J S,Grunes M R,Ainsworth T L,et al.Unsupervised classification using polarimetric decomposition and complex Wishart classifier[C]//Geoscience and Remote Sensing Symposium Proceedings,1998.IGARSS'98.1998 IEEE International.IEEE,1998,4:2178-2180.

[20]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.

[21]Lee J S,Grunes M R.Classification of multi-look polarimetric SAR data based on complex Wishart distribution[C]//Telesystems Conference,1992.NTC-92,National.IEEE,1992:7/21-7/24.

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

[23]王超，张红，陈曦，等.全极化合成孔径雷达图像处理[M].北京：科学出版社,2008:98-111.

[24]王文光，王俊，毛士艺.一种基于差异度的极化SAR图像迭代分类方法[J].电子与信息学报,2006,28(11):2007-2010.

[25]Pottier E.Unsupervised Classification Scheme and Topography Derivation of PolSAR Data Based on theH/A/αPolarimetric Decomposition Theorem.In:Proc. of the 4th International Workshop on Radar Polarimetry,Nantes,France，1998.

[26]Pottier E,Lee J S.Application of the H/A/alpha Polarimetric Decomposition Theorem for Unsupervised Classification of Fully Polarimetric SAR Data Based on the WishartDistribution.In:Proc.Committee on Earth Observing Satellites SAR Workshop,Toulouse,France，1999.

[27]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.

(英文摘要

Acquisition of Building Seismic Disaster Information based on Single Phase Full Polarization SAR Image

ZHAI Wei1,2

(1.Earthquake Administration of Gansu Province, Lanzhou, Gansu 730000, China;2.Cold and Arid Regions Environmental and Engineering Research Institute, Chinese Academy of Sciences, Lanzhou, Gansu 730000, China)

Abstract:Acquisition of Building seismic disaster information is not only a major work of earthquake disaster assessment, but it also has certain guiding significance for effective implementation of emergency rescue. Building seismic disaster information extracted from a view of full polarization SAR images not only can improve the speed but also can ensure the accuracy. By using H/α/A-Wishart unsupervised polarization classification method, building seismic disaster information is extracted combining the hierarchical clustering algorithm based on minimum heterogeneity rule. Taking a view of full polarization SAR images after the Yushu earthquake on April 14, 2010 in Qinghai as an example, the experimental results show that the methods in this paper is feasible and effective in application in acquisition of building seismic disaster information.

Key words:Full polarization SAR; Building seismic disaster information; Polarization decomposition; Unsupervised classification

中图分类号：P315.99

文献标志码：A

作者简介：第一翟玮(1981—)，女，甘肃省兰州市人。北京科技大学硕士毕业，中科院寒旱所在读博士，助理研究员。

基金项目：甘肃省地震局、中国地震局兰州地震研究所地震科技发展基金项目(2015M02)。

收稿日期：2015-12-13

文章编号：1000-6265(2016)01-0019-04