基于相关变化检测与面向对象分类技术的多源遥感图像震害信息提取*

薛腾飞 张景发 李 强

1) 中国哈尔滨150090中国地震局工程力学研究所 2) 中国北京100085中国地震局地壳应力研究所地壳动力学重点实验室



基于相关变化检测与面向对象分类技术的多源遥感图像震害信息提取*

1) 中国哈尔滨150090中国地震局工程力学研究所 2) 中国北京100085中国地震局地壳应力研究所地壳动力学重点实验室

遥感图像面向对象分类作为空间信息提取的关键技术， 在震害信息提取方面发挥着非常重要的作用， 然而由于光学遥感影像是正射图像， 只能提取建筑物屋顶信息， 这使得单一利用震后光学影像进行震害信息提取存在一定的局限性． 针对该问题， 本文提出了一种基于合成孔径雷达(SAR)相关变化检测的光学影像震害建筑物面向对象提取方法， 即在光学影像面向对象提取的数据中融合SAR相关性， 对光学影像进行面向对象提取震害建筑物时不仅考虑建筑物的几何、 光谱等特征， 还加入震前震后变化信息即SAR相关性进行分类． 在此基础上， 选取2008年汶川MS8.0地震震区都江堰地区作为研究区进行试验. 结果表明， 本文提出的方法相对于单一使用光学影像进行震害建筑物提取, 其准确度有较明显的提高．

震害信息提取 面向对象分类 SAR 图像相关性 变化检测

引言

地震由于具有突发性、 破坏性强、 防御难度大等特点， 给人类带来巨大的人员伤亡和经济损失． 近几年的地震救灾经验表明， 震后及时准确地获取地震灾情信息， 开展应急响应, 能够有效减轻地震灾害带来的损失． 而遥感信息具有覆盖范围广、 图像获取方便等特点， 能够全面地反映震后灾区的破坏情况， 是获取灾情信息的主要数据来源(张景发等， 2001； 李强等， 2015)． 国内外研究人员针对基于遥感图像的震害信息提取开展了持续研究， 目前在震区建筑物和道路自动识别方面已经取得许多进展， 包括面向对象信息提取、 变化检测等方面的研究(Dong, Shan, 2013)． 王晓青等(2003)提出了基于地理信息系统(geographic information system, 简写为GIS)和数字图像处理的震害遥感快速提取技术， 并以2003年巴楚—伽师MS8.0地震震害遥感影像信息提取为例介绍了该技术的实现过程； 龚丽霞等(2013)阐述了基于面向对象的变化检测方法在震害信息提取中的应用， 并以2010年玉树MS7.1地震前后的高分辨率遥感影像为例进行了试验， 结果显示该检测方法的提取准确度相较基于像元和基于主成分分析的变化检测方法有较大的提高． Chesnel等(2007)比较了利用不同配准方式和配准精度控制下的光学影像变化检测方法提取震害建筑物的准确度， 结果表明影像精确配准对于提高高分辨率光学图像变化检测的准确度十分重要． 但是, 光学影像的成像容易受到云雨等恶劣天气的影响， 会导致图像效果不佳以及地表信息难以识别的问题． 合成孔径雷达(synthetic aperture radar, 简写为SAR)具有全天时全天候的特点， 受恶劣天气影响很小， 该技术的发展为我们解决这些问题提供了有力的支持． Stramondo等(2006)以1999年伊兹米特(Izmit)MS7.4地震和2003年巴姆(Bam)MS6.3地震为例， 比较了SAR强度相关、 干涉相干以及光学影像这3种图像在震害信息提取中的准确度， 证实了融合多源遥感数据进行联合分析的提取准确度更高; 张景发等(2002)利用1998年张北MS6.2地震前后SAR图像进行了变化检测处理， 提取了建筑物震害程度信息, 与野外考察数据对比显示其结果准确度较高， 且误差在允许范围内； 刘云华等(2010)结合2008年汶川MS8.0地震前后SAR幅度影像和干涉相干影像对灾害进行自动识别， 在地震灾害评估中取得了很好的效果.

综上可知， 光学影像和SAR影像在震害信息提取中各有优势， 如何将两者有机结合起来， 融合多源遥感数据， 提高单一遥感数据源的提取效果是目前遥感震害评估中的挑战． 本文拟结合SAR相关变化检测的结果， 将震前震后SAR相关图和震后光学图像进行波段组合， 并对融合后的图像进行面向对象分类， 以提取不同震害等级建筑物的分布．

1 研究区与数据源

都江堰市是四川省成都市下辖县级市， 位于成都平原西北边缘， 地处岷江出山口． 该市地跨龙门山地带和成都岷江冲积扇扇顶部位， 是一座历史文化古城， 人口约70万． 2008年5月12日14时28分， 四川省汶川县(103.4°E， 31.0°N)发生MS8.0地震， 这是新中国成立以来发生的一次破坏性最强、 波及范围最广的地震． 都江堰市距震中仅约21 km， 是地震重灾区， 其抗震设防烈度为Ⅶ度， 此次MS8.0地震对该市及其附近地区产生了高于Ⅶ度的地震影响， 房屋建筑遭受了严重破坏． 震后相关单位快速获取了雷达及可见光图像， 中国地震局工程力学研究所开展了实地调查， 在对主城区所有建筑物进行逐一调研的基础上判断其破坏状态， 并采集现场照片记录， 为后续研究提供丰富而宝贵的资料．

综合考虑震区建筑物的结构抗震能力和遥感可判读性， 按照各类建筑物单体受损程度及其在遥感图像上的特征表现， 结合数据和试验的实际情况， 本文将建筑物震害程度划分为3个类别， 即基本完好、 中等破坏和损毁． 与实地调查资料相对比， 基本完好建筑物对应基本完好和轻微破坏类别， 中等破坏建筑物对应中等破坏类别， 损毁建筑物对应严重破坏和毁坏类别．

本文试验所用光学影像数据为震后IKONOS数据， 空间分辨率为1 m； 震前震后SAR数据为ENVISATA ASAR数据． 首先对研究区影像进行掩膜裁剪， 将现场调查矢量(钟江荣等， 2010)与影像进行裁剪叠加， 得到图像如图1所示； 然后对SAR数据进行聚焦成像、 多视滤波和地理编码之后生成强度图， 数据基本情况列于表1， 震前震后图像如图2所示．

图1 研究区IKONOS卫星光学影像图(a)和现场调查矢量图(叠加光学影像)(b)

编号传感器波段成像时间备注1ENVISATASARC2008-03-03地震前2ENVISATASARC2008-07-21地震后

图2 研究区震前(a)、 震后(b)SAR影像． 红色实线范围表示本文研究区

2 高分辨率光学影像面向对象分类提取方法

利用遥感图像分类技术能够得出不同震害程度建筑物的空间分布， 而震害信息的提取准确度会对震害评估结果产生直接影响(柳稼航等， 2004)． 最初的分类方法主要基于像元进行分类， 每个像元代表地物的光谱反射值； 进而发展为基于纹理的分类方法， 即分析每个像元与其邻域像元之间的关系， 并以此为分类依据进行图像分类(Vuetal, 2005)． 这两种分类方法均被用于提取地震等自然灾害所造成的建筑物破坏信息(Al-Khudhairy

图3 面向对象影像分类流程Fig.3 Flow chart of object-orientedimage classification

etal, 2005; Gusellaetal, 2005; Stumpf, Kerle, 2011; 窦爱霞等， 2013； Moosavietal, 2014)． 随着遥感科学的发展， 遥感图像的空间分辨率越来越高， 高分辨率遥感数据能够提供详细的空间信息， 这就需要更为复杂的处理方法； 而面向对象分类方法即针对高分辨率遥感影像， 最小处理单元是由多个相邻像素组合且包含多重语义的影像对象(甘甜等， 2015)， 正好可以满足这一需求．

2.1 方法流程

面向对象分类的主要流程为： 首先对影像进行多尺度分割， 然后通过波段权重、 光谱因子、 空间因子、 紧致度和光滑度等参数建立规则集， 对多尺度分割后的影像进行分类， 最后导出分类要素并生成矢量文件． 本文采用ENVI遥感图像处理平台软件基于规则的面向对象分类模块对IKONOS影像进行分类， 其主要流程如图3所示．

2.2 影像分割

影像分割是面向对象图像分类的一个基础过程， 其目的是通过影像分割将像元及其邻域像元进行归类， 使之成为多个“同质”对象， 再基于对象进行分类(刘明众等， 2013)． 本文使用基于边缘的图像分割算法， 其优点是计算效率高、 输入参数少且能达到多尺度分割的效果． 通过不同尺度上边界的差异控制实现由细到粗的多尺度分割， 经过多次试验确定最优的分割参数， 即基于边缘检测的分割阈值为46.7， 合并阈值为97.0， 之后利用该参数对图像进行分割．

2.3 基于规则集的建筑物震害信息特征提取

针对分割后的影像进行分类， 首先需要建立规则集， 根据待提取要素的光谱、 几何等特征进行构建． 本文的研究对象为建筑物， 建筑物目标大致可以总结为以下几类特征(孙显等， 2011)：

1) 几何特征． 高分辨率遥感影像上建筑物表现为面状目标， 且只能记录到建筑物屋顶的信息． 典型建筑物的几何形状规整， 屋顶投影几何形状呈现矩形、 “工”(“H”)字型、 “T” 字型、 “L”型、 “U”型等， 且排列比较规整．

2) 灰度特征． 灰度特征也可称为光谱特征， 完好建筑物屋顶表面灰度分布比较均匀， 反映在影像特征参数上， 标准差较小， 与周围环境的对比度较大； 屋顶与道路等目标的光谱值比较接近， 但其纹理具有较大差异．

3) 拓扑和上下文特征． 建筑物屋顶形状规则， 具有多边形的拓扑特征， 且与道路、 铁路和水系等线性地物不相交； 建筑物边缘附近一般存在阴影， 周围通常是道路、 水泥地或植被等地物．

结合上述分析， 选取与建筑物相关的属性， 并通过试验选择表征不同震害等级的建筑物属性参数阈值， 主要选取红、 绿、 蓝等3个波段的光谱均值、 形状延伸率、 矩形拟合度和对象面积作为分类依据， 所选属性参数及阈值如表2所示．

图4 震后光学影像面向对象震害建筑物分类图Fig.4 Object-oriented classification imageof earthquake damaged buildings based on post-seismic IKONOS image

通过表2中各属性参数不同的阈值， 控制不同震害建筑物类型的分类， 并通过试验设定权重， 避免各类型之间的重合． 根据表2所选阈值对震后IKONOS光学影像进行分类， 得到不同震害程度建筑物的分布， 如图4所示．

以每种震害类型实地调查的面积结果(简称为“实地调查面积”)作为基准， 通过叠加分析计算利用本文方法提取的各类建筑物总面积(简称为“本文方法提取面积”)、 本为某种震害类型建筑物却被错分为其它震害类型建筑物或非建筑物区域的面积(简称为“错检面积”)以及本为该种震害类型建筑物却未被提取为任意一种震害类型建筑物的面积(简称为“漏检面积”). 对比图4与图1b可以得出， 本文方法提取面积-错检面积+漏检面积=实地调查面积. 基于此计算不同建筑物震害程度类型的提取准确率、 漏检率及错检率， 其中提取准确率的计算公式

表2 面向对象分类参数及阈值

表3 震后光学影像面向对象震害建筑物分类准确度

为(本文方法提取面积-错检面积)/实地调查面积， 漏检率计算公式为漏检面积/实地调查面积， 错检率计算公式为错检面积/本文方法提取面积， 对震后IKONOS影像进行面向对象分类结果的准确度如表3所示．

结合图4、 图1b与表3可以看出， 不同震害类型的建筑物均被较好地提取出来， 总体准确度良好， 但中等破坏建筑物和损毁建筑物的漏检率和错检率较高． 深入对比分析可知， 中等破坏和损毁建筑物被错检为完好的较多， 主要是由于光学遥感图像相对于现场调查遥感震害评估的局限性， 只能识别屋顶的特征， 导致一些细微的变化信息不易从单一震后遥感数据源中提取出来．

3 结合SAR相关图的震后光学影像面向对象分类方法

针对基于单一震后遥感数据提取错检率较高的问题， 本文提出结合SAR相关图的震后光学影像面向对象分类方法. 该方法不仅融合了多源遥感数据， 还结合了变化信息， 旨在提高利用震后单一遥感数据源的震害信息识别准确度．

从图2可以看出， ENVISAT ASAR图像的空间分辨率不高， 且图像不直观， 通过传统的差值或比值变化检测方法容易受到斑点噪声的影响， 变化信息较难提取． 针对此， 本文引入基于图像相关性的变化检测方法， 通过滑动窗口计算两幅图像的相关性. 图像相关性表示为

(1)

式中，E〈*〉表示数学期望，I1表示图像1，I2表示图像2，r表示图像相关性或相关值， 在实际计算中，

(2)

图5 SAR图像相关图Fig.5 Correlation image calculated frompre- and post-seismic SAR images

或变化较小； 反之，r的绝对值越接近0， 两幅图像的线性关系越差， 即差异性越大， 可以认为对应地物地震前、 后发生了较大变化(赵福军， 2010)． 为了便于计算分析， 下文相关性全部采用r的绝对值．

对震前震后的SAR图像进行精确配准， 进而采用交互式数据语言(interactive data language， 简写为IDL)代码计算两幅图像的相关性， 选取窗口大小为3像元×3像元， 所得相关图如图5所示． 可以看出， 相干性值分布较为杂乱， 仅可辨别出都江堰城区位置及市内主干道. 如果对相关图直接进行分类提取， 则容易受到斑点噪声的影响， 分类出多个碎斑， 效果较差． 因此， 本文拟利用相关图与震后高分辨率光学影像进行波段组合， 对组合后的图像进行面向对象分类提取， 具体流程如图6所示．

图6 结合SAR相关性变化检测的光学影像面向对象震害信息提取流程图

震害类型提取准确率漏检率错检率基本完好建筑物82.1%17.9%12.2%中等破坏建筑物77.3%22.7%43.6%损毁建筑物 79.2%20.8%21.9%总体 81.3%

首先以实地调查矢量(道路、 河流)为基准， 对震前震后SAR影像、 震后光学影像进行精确配准， 计算震前震后SAR图像的相关性图； 然后将相关性图进行过采样， 并与震后光学影像(红、 绿、 蓝共3个波段)进行波段组合， 得到4个波段的合成图像(红、 绿、 蓝、 相关性共4个波段)； 最后对波段组合后的图像进行分割， 选择表2所列规则集并在此基础上将第四波段(相关性波段)分类， 通过试验选取的相关性阈值结果为： 完好建筑物相关值|r|>0.72， 中等破坏建筑物0.38<|r|<0.72， 损毁建筑物|r|<0.38． 根据新的组合阈值及权重对图像进行分类， 得到不同震害等级的建筑物分布， 如图7所示．

图7 结合SAR相关性变化检测的光学影像面向对象震害建筑物分类图Fig.7 Extraction of earthquake damaged buildings based on object-oriented classification map of IKONOS and SAR correlation fusion image

以实地调查的面积结果为基准， 利用本文提出的方法计算不同震害程度建筑物类型的提取准确率、 漏检率及错检率， 结果列于表4．

对比表4与表3可以看出， 不同震害类型建筑物的提取准确度均有所提高， 错检率也有较大幅度的降低. 对比图7与图4可知， 原先被错检为完好建筑物的中等破坏和损毁的建筑物利用本文方法后被正确地分类， 降低了错检率， 同时也提高了提取准确率． 试验证明， 本文所提出的方法相对于利用震后单一遥感数据源进行震害建筑物面向对象分类提取， 能够较好地提高准确度．

4 讨论与结论

利用遥感图像的变化检测和面向对象方法均可以快速地获取震区建筑物的震害信息， 光学遥感影像直观， 光谱信息丰富， 有利于面向对象分类提取； SAR遥感影像不受震后云雨等恶劣天气的影响， 且对建筑物的二次反射敏感． 如何结合面向对象与变化检测的结果， 实现光学遥感影像与雷达遥感影像的优势互补是目前关注的问题．

本文首先利用面向对象方法对震后光学影像进行了震害建筑物分类提取， 较好地提取出完好、 中等破坏和损毁建筑物， 对准确率、 错检率和漏检率进行计算和分析， 得出提取总体准确率为72.34%， 但中等破坏和损毁建筑物的错检率和漏检率较高， 主要是由于遥感影像的局限性， 利用震后单一遥感数据源进行震害建筑物提取容易造成错分现象所致．

在系统梳理和分析基于面向对象的光学影像、 基于相关性变化检测的SAR影像建筑物震害信息提取的理论和方法基础上， 将震前震后SAR影像的相关性计算结果与震后光学影像相结合， 把相关性作为面向对象的分类依据之一， 不仅融合了多源遥感数据， 还引入了震前震后的变化信息． 对波段组合后的数据进行面向对象分类提取， 得到总体提取准确度为81.3%， 提高了单一利用光学遥感影像进行面向对象提取的准确度．

本文选取的SAR数据为ENVISAT ASAR数据， 分辨率较低， 面对目前遥感数据， 尤其是SAR数据向高分辨率、 多极化发展的趋势， 仍需从以下几个方面加强研究： ① 在有数据积累的情况下， 研究高分辨率SAR影像相关性对变化检测、 面向对象提取准确度的影响， 进一步提高分类精度； ② 进一步引入SAR干涉相干变化检测， 融合多源数据和多种方法进行提取； ③ 开展基于高分辨率SAR影像的面向对象变化检测分析， 基于成像机理及建筑物震害特征分析最优分类特征与尺度； ④ 研究不同极化方式组合与定量参数的SAR震害评估方法， 充分利用SAR多极化、 全极化特征．

中国地震局工程力学研究所钟江荣副研究员提供了都江堰地区现场调查矢量数据， 为本研究提供了参考和验证资料， 作者在此表示感谢．

窦爱霞, 马宗晋, 黄文丽, 王晓青, 袁小祥. 2013. 基于机载LiDAR和多光谱图像的建筑物震害自动识别方法[J]. 遥感信息, 28(4): 103--109.

Dou A X, Ma Z J, Huang W L, Wang X Q, Yuan X X. 2013. Automatic identification approach of building damages caused by earthquake based on airborne LiDAR and multispectral imagery[J].RemoteSensingInformation, 28(4): 103--109 (in Chinese).

甘甜, 李金平, 李小强, 王刘伟. 2015. 面向对象的高分辨率遥感影像建筑物震害信息提取[J]. 测绘工程, 24(4): 11--15.

Gan T, Li J P, Li X Q, Wang L W. 2015. Object-oriented method of building damage extraction from high-resolution images[J].EngineeringofSurveyingandMapping, 24(4): 11--15 (in Chinese).

龚丽霞, 李强, 张景发, 曾琪明, 刘明众, 李成龙. 2013. 面向对象的房屋震害变化检测方法[J]. 地震, 33(2): 109--114.

Gong L X, Li Q, Zhang J F, Zeng Q M, Liu M Z, Li C L. 2013. Object-oriented detection of earthquake building damages[J].Earthquake, 33(2): 109--114 (in Chinese).

李强, 张景发, 牛瑞卿. 2015. GIS与面向对象结合的遥感影像震后损毁道路快速提取[J]. 测绘通报, (4): 78--81.

Li Q, Zhang J F, Niu R Q. 2015. Damage road extraction from post-seismic remote sensing images based on GIS and objected-oriented method[J].BulletinofSurveyingandMapping, (4): 78--81 (in Chinese).

柳稼航, 杨建峰, 魏成阶, 关泽群. 2004. 震害信息遥感获取技术历史、 现状和趋势[J]. 自然灾害学报, 13(5): 46--52.

Liu J H, Yang J F, Wei C J, Guan Z Q. 2004. Acquisition of earthquake damage information based on remote sensing technology: History, current situation and trend[J].JournalofNaturalDisasters, 13(5): 46--52 (in Chinese).

刘明众, 张景发, 李成龙, 刘国林. 2013. 高分辨率遥感影像道路震害的快速提取[J]. 地震, 33(2): 79--86.

Liu M Z, Zhang J F, Li C L, Liu G L. 2013. Rapid extraction of road damages from high resolution remote sensing images[J].Earthquake, 33(2): 79--86 (in Chinese).

刘云华, 屈春燕, 单新建, 宋小刚, 张桂芳, 张国宏. 2010. SAR遥感图像在汶川地震灾害识别中的应用[J]. 地震学报, 32(2): 214--223.

Liu Y H, Qu C Y, Shan X J, Song X G, Zhang G F, Zhang G H. 2010. Application of SAR data to damage identification of the Wenchuan earthquake[J].ActaSeismologicaSinica, 32(2): 214--223 (in Chinese).

孙显, 付琨, 王宏琦. 2011. 高分辨率遥感图像理解[M]. 北京: 科学出版社: 317--318.

Sun X, Fu K, Wang H Q. 2011.HighResolutionRemoteSensingImageUnderstanding[M]. Beijing: Science Press: 317--318 (in Chinese).

王晓青, 魏成阶, 苗崇刚, 张景发, 单新建, 马庆尊. 2003. 震害遥感快速提取研究： 以2003年2月24日巴楚—伽师6.8级地震为例[J]. 地学前缘, 10(S1): 285--291.

Wang X Q, Wei C J, Miao C G, Zhang J F, Shan X J, Ma Q Z. 2003. The extraction of seismic damage from remote sensing images： A case study of Bachu-Jiashi earthquake withMS=6.8 occurred on Feb. 24, 2003[J].EarthScienceFrontiers, 10(S1): 285--291 (in Chinese).

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

Zhang J F, Xie L L, Tao X X. 2001. Pattern analysis of remote sensing imagery for some typical earthquake damages[J].JournalofNaturalDisasters, 10(2): 89--95 (in Chinese).

张景发, 谢礼立, 陶夏新. 2002. 建筑物震害遥感图像的变化检测与震害评估[J]. 自然灾害学报, 11(2): 59--64.

Zhang J F, Xie L L, Tao X X. 2002. Change detection of remote sensing image for earthquake-damaged buildings and its application in seismic disaster assessment[J].JournalofNaturalDisasters, 11(2): 59--64 (in Chinese).

赵福军. 2010. 遥感影像震害信息提取技术研究[D]. 哈尔滨: 中国地震局工程力学研究所: 113--114.

Zhao F J. 2010.SeismicDisasterInformationExtractionFromRemotelySensedImagery[D]. Harbin: Institute of Engineering Mechanics, China Earthquake Administration: 113--114 (in Chinese).

钟江荣, 林均岐, 丁世文. 2010. 都江堰市建筑震害调查及分析[J]. 土木建筑与环境工程, 32(S2): 19--20, 27.

Zhong J R, Lin J Q, Ding S W. 2010. Building damage survey and analysis of Dujiangyan[J].JournalofCivil,Architectural&EnvironmentalEngineering, 32(S2): 19--20, 27 (in Chinese).

Al-Khudhairy D H A, Caravaggi I, Giada S. 2005. Structural damage assessments from IKONOS data using change detection, object-oriented segmentation, and classification techniques[J].PhotogrEngRemoteSens, 71(7): 825--837.

Chesnel A L, Binet R, Wald L. 2007. Object oriented assessment of damage due to natural disaster using very high resolution images[C]∥IEEEInternationalGeoscienceandRemoteSensingSymposium,IGARSS2007. Barcelona: IEEE： 3736--3739.

Dong L G, Shan J. 2013. A comprehensive review of earthquake-induced building damage detection with remote sensing techniques[J].ISPRSJPhotogrRemoteSens, 84(7): 85--99.

Gusella L, Adams B, Bitelli G, Huyck C, Mognol A. 2005. Object-oriented image understanding and post-earthquake damage assessment for the 2003 Bam, Iran, earthquake[J].EarthqSpectra, 21(S1): S225--S238.

Moosavi V, Talebi A, Shirmohammadi B. 2014. Producing a landslide inventory map using pixel-based and object-oriented approaches optimized by Taguchi method[J].Geomorphology, 204(1): 646--656.

Stramondo S, Bignami C, Chini M, Pierdicca N, Tertulliani A. 2006. Satellite radar and optical remote sensing for earthquake damage detection: Results from different case studies[J].IntJRemoteSens, 27(20): 4433--4447.

Stumpf A, Kerle N. 2011. Object-oriented mapping of landslides using Random Forests[J].RemoteSensEnviron, 115(10): 2564--2577.

Vu T T, Matsuoka M, Yamazaki F. 2005. Preliminary results in development of an object-based image analysis method for earthquake damage assessment[C]∥ProceedingofInternationalWorkshoponRemoteSensingforPostdisasterResponse. Chiba： Chiba University: 1--8.

Extraction of earthquake damage buildings from multi-source remote sensing data based on correlation change detection and object-oriented classification techniques

1)InstituteofEngineeringMechanics,ChinaEarthquakeAdministration,Harbin150090,China2)KeyLaboratoryofCrustalDynamics,InstituteofCrustalDynamics,ChinaEarthquakeAdministration,Beijing100085,China

Object-oriented classification technology of remote sensing images, as a spatial information extraction method, plays a key role in earthquake damage information extraction. However, it has limitations in extracting buildings from optical remote sensing images due to the characteristic vulnerable to weather and other reasons. To solve this problem, this paper proposes a method for detecting building damage by optical image in combiniation with SAR correlation changes and object-oriented classification, which extracts buildings from fusion data including optical image and SAR correlation image. Not only the spatial and spectral features, but also the correlation of buildings is considered during the extraction. TheMS8.0 Wenchuan earthquake caused a wide range of building’s collapse and casualties. Taking Dujiangyan area near the source as an example, the method above is tested. The results show that the accuracy of building extraction is improved by using the proposed method compared with the method only from optical image.

earthquake damage information extraction; object-oriented classification; SAR image; image correlation； change detection

国家自然科学基金(41374050)、 中欧“龙计划”项目三期(10607)和高分辨率对地观测系统重大专项(31-Y30B09-9001-13/15)共同资助.

2016-01-08收到初稿， 2016-02-28决定采用修改稿.

e-mail: zhangjingfa@hotmail.com

10.11939/jass.2016.03.017

P315.9

A

薛腾飞， 张景发， 李强. 2016. 基于相关变化检测与面向对象分类技术的多源遥感图像震害信息提取. 地震学报, 38(3): 496--505. doi:10.11939/jass.2016.03.017.

Xue T F, Zhang J F, Li Q. 2016. Extraction of earthquake damage buildings from multi-source remote sensing data based on correlation change detection and object-oriented classification techniques.ActaSeismologicaSinica, 38(3): 496--505. doi:10.11939/jass.2016.03.017.