基于面向对象的高分辨率遥感建筑物震害信息提取与评估*

赵 妍 张景发 姚磊华

1) 中国北京100083中国地质大学(北京)工程技术学院2) 中国北京100085中国地震局地壳应力研究所



基于面向对象的高分辨率遥感建筑物震害信息提取与评估*

赵 妍1,2)张景发2),*姚磊华1)

1) 中国北京100083中国地质大学(北京)工程技术学院2) 中国北京100085中国地震局地壳应力研究所

为了快速地确定地震等自然灾害引起的受灾区域范围， 并对其受灾程度进行及时评估， 本文采用面向对象的建筑物检测方法， 基于高分辨率遥感影像所包含的地物几何结构和纹理特征信息， 提出了一种建筑物震害信息提取与评估的方法和技术流程． 在此基础上， 以2010年玉树MS7.1地震部分地区地震前后的QuickBird影像为例， 对受灾区域震前、 震后建筑物的形状、 面积等信息进行提取， 提取精度分别为88.53%和90.21%， 对该区域建筑物变化信息进行提取所获取的建筑物变化信息精度为79.68%， 统计变化区域像素个数， 确定变化面积为15923.52 m2， 占研究区域总面积的68.16%， 因此评估其为中重度受灾区域． 本文结果与实地考察结果一致， 证实了这种快速的震害信息提取与评估流程切实有效， 能够快速评估受灾区， 为灾后第一时间抢险及救援提供重要参考．

高分辨率遥感 震害信息提取与评估 面向对象变化检测

引言

卫星遥感技术以其数据覆盖范围广、 数据处理速度快、 数据检测动态性好和输出结果精度高等技术优势在地震灾害调查和评估中发挥着越来越重要的作用(张景发等， 2001)． 随着传感器技术的发展， 遥感影像空间分辨率也在不断提高， 影像信息更加丰富， 且能更好地反映地物的纹理信息与几何结构， 更易于识别地物类型的属性特征， 如形状、 纹理、 层次和拓扑关系等(杜凤兰等， 2004； 闻春晶等， 2010; 颜洁等， 2010)． 对于影像的操作， 不再单纯地依靠像素， 而是利用地物对象， 这样能更好地保留地物的连续性， 也可以更加凸显地物间的差异性． 黎小东(2009)研究了遥感影像面向对象分类方法在城市建筑物震害信息提取中的应用． 龚丽霞等(2013)阐述了面向对象的变化检测方法的原理和数据处理流程， 并以2010年玉树MS7.1地震前后的高分辨率遥感影像为例， 提取房屋变化信息精度可达86%． 李小强(2014)使用QuickBird遥感影像对玉树地区结古镇震后典型建筑区进行了建筑物震害信息提取试验， 采用面向对象的方法提取了不同震害等级的建筑物信息， 并从模糊概念的隶属度角度进行了分类稳定性和最优分类结果的评估与分析． Turker和San(2004)采用高斯(Gaussian)算子和普鲁伊特(Priwitt)算子对1999年土耳其地震的航片影像进行滤波处理并提取建筑物边界信息， 通过对建筑物阴影特征值的统计， 设定一定的图像分割阈值提取建筑物阴影信息， 然后根据地震前后遥感影像中阴影的变化提取建筑物破坏信息． Huyck等(2005)利用2003年伊朗巴姆地区地震前后的QuickBird卫星影像， 根据地震前后建筑物的邻域变化， 用拉普拉斯(Laplacian)算子进行图像滤波处理并提取邻域边界地震前后建筑物变化情况的信息． Liu等(2015)利用变化向量分析(change vector analysis， 简写为CVA)法对多时相高分辨率影像进行变化信息提取． 对比以上国内外研究人员所使用的面向对象等变化检测方法可见， 这些方法均需前期地面数据的支持， 且未对受灾区域震害程度进行评估， 无法在灾害突发后快速地确定受灾地区以及把控重灾区．

鉴于此， 本文拟采用面向对象的方法， 对玉树县部分受灾区域进行建筑物信息提取， 以控制变量的方式， 确定最佳分割尺度， 从而满足建筑物信息提取的精度， 并由此提出一种切实有效的快速提取变化区域并对建筑物破坏程度进行初步评估的方法．

1 研究区域概况与技术流程

1.1 研究区域概况

据中国地震台网测定， 北京时间2010年4月14日7时49分青海省玉树州玉树县(33.2°N， 96.6°E)发生MS7.1地震， 震源深度为33 km． 该地震主要具有如下特点： ① 灾区设防薄弱， 土木结构房屋破坏严重； ② 地形效应和地震构造效应明显， 造成的破坏较大； ③ 灾区环境恶劣， 救灾难度较大．

玉树地区经济不发达， 灾区房屋结构类型复杂． 王晓青等(2013)对玉树地震进行实地调查的结果显示， 该地区建筑结构大体可分为土木结构、 砖混结构和钢筋混凝土框架结构等3类， 其中， 70%以上的城镇房屋为土木结构， 20%左右为砖木结构和砖混结构， 仅有约10%为钢筋混凝土框架结构． 由于大部分房屋为土木结构， 该地区抗震强度低， 建筑物损毁状况严重． 结合玉树地区建筑物的特点， 对建筑物抗震等级较低且建筑物分布较密集的地区， 应用基于面向对象建筑物变化信息提取的方法进行变化检测和震害评估， 具有较高的可行性和普适性．

1.2 技术流程

为了在最短时间内确定受灾区域， 并作出初步震害评估， 为灾后抢险、 救援提供依据， 本文提出一套快速应对地震受灾区域进行提取及评估的技术流程， 主要分为3个阶段， 如图1所示．

图1 震害信息提取技术流程图

第一阶段为数据预处理阶段， 主要是对震前、 震后影像进行几何校正、 辐射增强和波段选取． 几何校正是影像预处理阶段的重要环节, 其精度的高低直接影响着变化检测的结果， 影像的变化检测本质上还是一种代数运算过程． 影像的辐射增强和波段选择， 不仅可以使影像的颜色更好地反映地物信息， 而且可以避免影像波段冗余， 减少计算量， 提高工作效率．

第二阶段为建筑物信息提取阶段， 该阶段是本研究的核心． 首先， 通过控制变量的方法确定最佳的影像分割尺度， 运用选取边缘检测方法对影像进行分割； 然后， 利用面向对象的方法对研究区域建筑物信息进行提取； 最后， 通过真实训练样本建立混淆矩阵并计算卡帕(Kappa)系数对建筑物变化信息的提取精度进行检验．

第三阶段为变化检测与评估阶段． 该阶段先对震前、 震后所提取出的建筑物信息进行变化检测， 并确定其变化区域； 再根据变化区域所占影像的百分比， 对该区域的受灾情况进行快速评估．

2 数据处理

2.1 数据资料

研究区内建筑物分布广泛、 密集， 对建筑物震害信息的提取不仅要考虑建筑物本身的光谱信息， 还要考虑建筑物的形状、 几何结构等纹理信息． 为了充分利用这两种信息， 本研究选取2010年玉树MS7.1地震发生前后的QuickBird遥感影像作为研究数据对建筑物密集区域的震害信息进行提取， 地震发生前后的数据获取时间分别为2010年3月和2010年10月． 为了加快运算速度， 提高工作效率， 在影像中选取了一个550像素×450像素的区域作为研究区域， 如图2所示．

图2 玉树震前(a)和震后(b)研究区的QuickBird影像

2.2 数据预处理

由于震前、 震后影像的采集时间不同， 影像存在不同程度的几何畸变． 为了确保地物在地理位置上的一一对应， 对影像数据进行几何校正． 在几何校正过程中， 手动选取地面控制点， 使其均匀地分布在影像上， 控制点为12个， 并确保影像精度误差为0.89像素， 以避免影像地物偏移对变化检测产生影响．

为了突出专题信息的视觉效果， 分类之前对影像作适当增强， 即通过把目标地物的光谱特征在额定范围内放大而使之更加突出． 图3给出了研究区域震后的原始影像和增强影像， 可以看出： 未经过增强的遥感影像， 影像信息模糊， 对比度低， 色彩昏暗， 建筑物信息与背景地物之间色差不明显； 而经过增强的影像， 图像颜色表现丰富、 清晰， 能很好地反映地物间的差异, 特别是损毁建筑物与完好建筑物间色彩差异明显， 从而达到区分二者的目的．

图3 玉树震后研究区的原始影像(a)和增强影像(b)

为了避免影像信息冗余， 减少运算时间， 提高工作效率， 选取对建筑物信息敏感的波段参与影像分割． 波段数据的标准差越大， 所包含的信息量也越大； 波段间的相关系数越小， 则表明各波段数据的独立性越高， 信息的冗余度越小． 研究区域遥感影像各波段光谱值的均值和标准差以及相关性列于表1和表2． 可以看出， 影像1波段包含的信息量最小， 2波段包含的信息量最大， 4波段的独立性最高．

表1 遥感影像各波段光谱值的均值和标准差

表2 遥感影像各波段光谱值相关性

根据影像各波段的标准差及相关性， 利用波段最佳指数(optimum index factor， 简写为OIF)法对研究区域遥感影像各波段的标准差和波段间的相关系数进行计算． OIF法是由美国查维茨提出， 该方法将标准差和相关系数有效地统一起来， 使各波段间灰度值相关性最小的同时又包含了最多的信息， 其表达式为

表3 遥感影像各波段组合OIF指数值

(1)

式中，Si为第i个波段灰度值的标准差，Rij为两个波段灰度值的相关系数． OIF指数越大， 说明3个波段所包含的信息量越大， 且波段间的相关性越小． 研究区域影像各波段组合的OIF值结果列于表3， 可以看出， 当影像波段为2-3-4组合时， 其包含的信息量最大， 地物间差异最明显．

2.3 影像分割

面向对象提取变化信息的方法以对象为基本单位， 影像对象的获取是面向对象提取变化信息的基础． 因此， 合理的影像分割可以获得有利于变化信息提取的对象， 这是提高变化信息提取精度的关键．

遥感影像分割是指根据影像的灰度、 颜色和几何性质等， 将一幅影像划分为互不重叠且具有不同意义的一组区域的过程， 划分所得到的每个区域内部均具有某种一致性或相似性， 而任意两个相邻的区域则不具有此种相似性(章毓晋， 2000)． 由于基于边缘检测的分割方法符合认知习惯， 当图像各区域之间的差异明显时， 该方法经常能取得较好的效果， 且运算速度较快． 因此， 本文采用该方法进行影像分割， 利用不同区域间边界像素灰度不连续的特点检测出区域间的边缘， 从而达到影像分割的目的． 分割时， 首先检测图像中的边缘像素， 再利用微分算子、 边缘拟合和Hough变换等边缘检测方法将边缘点组成目标边界．

为了确定合适的分割尺度， 本研究选取控制变量的方法， 分别确定分割窗口大小和分割尺度． 首先， 将分割尺度设为50， 分别采用3像素×3像素、 5像素×5像素、 7像素×7像素和9像素×9像素作为窗口大小对影像进行分割， 结果如图4所示． 可以看出： 分割窗口越小， 影像的分割越细， 各对象间差异性越显著， 但影像的延续性遭到破坏， 地物的完整性也得不到很好的表现； 由于建筑物密集， 受损房屋与完好房屋间边界不明显， 且理纹结构信息、 颜色相似， 仅能从阴影大小加以区别， 当分割窗口过大时， 影像分割模糊， 易将一部分倒塌房屋错分为完好房屋； 当分割窗口为5像素×5像素时(图4b)， 分割结果可以将建筑物信息与道路、 河流和空地等非建筑物信息进行有效的区分， 并且建筑物之间的空间结构信息， 如建筑物形状、 大小等信息也得到了很好的展现， 从而达到区分受损建筑物与完好建筑物的目的．

图4 分割尺度为50时不同窗口的影像分割结果

在确定分割窗口为5像素×5像素后， 对分割尺度进行试验， 分别选取尺度为10， 20， 30， 40， 50， 60， 70， 80和90等9个尺度对影像进行分割， 结果如图5所示． 可以看出： 当影像分割尺度为10， 20和30时(图5a--c)， 影像分割十分零散， 地物的整体性遭到严重破坏， 且分割尺度越小， 影像越零散； 当影像分割尺度为70， 80和90时(图5g--j)， 影像分割十分模糊， 不同地物间的差异无法表达， 且分割尺度越大， 错分现象越明显； 当影像分割尺度为50和60时(图5e, f)， 尽管可以将部分建筑物信息有效地提取出来， 但并不能将倒塌建筑物与河流、 道路等背景信息很好地区分开来； 当影像分割尺度为40时(图5d)， 既保持了地物的整体性， 又能很好地反映出地物间的差异， 可以准确地区分建筑物与非建筑物， 所以本研究选取分割尺度为40进行影像分割．

图5 5像素×5像素窗口下不同分割尺度Ω的分割影像结果

3 结果分析

3.1 面向对象的建筑物信息提取

建筑物信息提取之前， 在研究区内随机选取建筑物和非建筑物区域各50处， 从中各抽取15处作为训练样本， 其余则作为检验样本建立混淆矩阵， 并计算卡帕(Kappa)系数对建筑物信息的提取精度进行验证． 然后， 选取分割窗口为5像素×5像素以及分割尺度为40对影像分类， 进而采用K邻近法对影像进行建筑物信息提取， 得到震前、 震后的建筑物信息结果如图6所示． 从图6a可以看出， 有少数非建筑物地物(如河堤、 街道等)被错分为建筑物， 造成该错分现象主要是由于研究区内大部分房屋为土木结构的平房， 在房屋周围的院落与房屋间影像光谱值相近且纹理形状间隔模糊． 震前建筑物信息提取的总体精度可达88.53%， 卡帕系数为0.707， 可以满足快速提取建筑物的整体要求． 从图6b可以看出， 震后建筑物信息提取精度较高， 但也出现少数错分现象， 主要是由于局部地区房屋受损严重， 多数房屋倒塌， 个别未损毁建筑物的光谱信息与周围地物相似， 且地物边缘不明显所致， 尽管该房屋未倒塌， 也无法正常使用， 对变化检测的结果影响并不大． 震后建筑物信息提取的精度为90.21%， 卡帕系数为0.779．

图6 玉树震前(a)和震后(b)建筑物面向对象信息提取结果图

3.2 变化检测与评估

通过对比玉树地震前后影像的建筑物信息， 将两期数据进行绝对差值处理得到的变化区域即为地震前后建筑物的变化区域． 由于几何校正仍存在微小误差， 本研究提取的变化信息出现了个别的“孤岛”现象， 但并不影响建筑物的识别， 最终共提取建筑物变化信息51处， 包括地震损毁建筑物信息以及灾后增建的建筑物信息， 如图7a所示； 通过目视解译震前、 震后影像变化区域建筑物变化信息64处， 如图7b所示； 该变化检测方法的精度为79.68%．

由于本研究提出的评估方法是一种区域性震害评估方法， 并未对房屋的受损程度进行评估分析， 震前为建筑物而震后为非建筑物区域则认为该建筑物损毁． 本研究根据影像变化信息在影像中所占的百分比， 将研究区域的受灾程度分成未受损或轻度受损、 轻中度受损、 中度受损、 中重度受损和重度受损或损毁等5个等级， 其具体划分标准列于表4．

图7 玉树地震前后建筑物变化区域(a)及目视解译研究区域建筑物实际变化区域(b)

面积变化受灾等级<20%未受损或轻度受损20%—40%轻中度受损40%—60%中度受损60%—80%中重度受损>80%重度受损或损毁

表5 震前、 震后建筑物变化量统计表

地震前后建筑物的变化量列于表5． 可以看出： 该研究区域地震前后建筑物的变化量为-57.286%， 表示建筑物数目减少； 非建筑物区域的变化量为10.874%， 表示非建筑物地区增加； 总变化量为68.16%． 根据整个区域建筑物的变化百分比， 将该研究区域受损等级确定为中重度受损．

4 讨论与结论

通过对玉树地震部分地区前后的QuickBird影像进行不同分割窗口以及不同分割尺度的对比分析， 确定在分割窗口为5像素×5像素、 分割尺度为40时， 影像的分割效果最好， 该分割尺度既体现了同种地物间的同质性， 又能很好地反映出不同地物间的异质性， 对震后建筑物信息的提取精度更是高达90.21%， 为建筑物变化信息的提取提供了有效的数据支持． 同时， 本文所提出的变化检测方法， 在灾害发生后灾区地面调查数据不完善或缺失的条件下， 通过该方法的整个技术流程能够快速提取地震造成的变化信息即震害信息， 且其精度可达79.68%． 根据影像面积的变化及其所占百分比， 对受灾区域迅速进行圈定及评估， 具有较强的实际意义．

需要说明的是， 本文所采用的是分类后比较的变化检测方法， 在对影像进行面向对象的分类过程中， 仅考虑了影像的光谱特征、 形状特征及纹理特征， 并未对全部的特征信息进行有效的选择， 所以一些特征信息甚至限制了影像分割的效果， 影响了影像特征提取的精度， 对特征信息的选择尚待进一步研究． 另外， 本研究提出的震害快速评估方法， 是根据影像变化面积所占的百分比进行评估的， 而影像的变化面积不仅包含了建筑物的变化信息， 也包含了其它地物信息(背景地物信息)的变化信息， 导致该方法在进行震害评估时精度不足， 但其为第一时间地震救援提供了有效的数据支持， 值得推广应用．

杜凤兰， 田庆久， 夏学齐， 惠凤鸣. 2004. 面向对象的地物分类法分析与评价[J]. 遥感技术与应用， 19(1): 20--23.

Du F L， Tian Q J， Xia X Q， Hui F M. 2004. Object-oriented image classification analysis and evaluation[J].RemoteSensingTechnologyandApplication， 19(1): 20--23 (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).

黎小东. 2009. 面向对象的高空间分辨率遥感影像城市建筑物震害信息提取： 以汶川县城为例[D]. 成都: 成都理工大学地球科学学院： 36--43.

Li X D. 2009.InformationExtractionofDamagedTownBuildingsCausedbyEarthquakeWiththeObject-OrientedMethodFromHighSpatialResolutionImage:ACaseStudyinWenchuanEarthquake[D]. Chengdu： College of Earth Sciences， Chengdu University of Technology： 36--43 (in Chinese).

李小强. 2014. 面向对象的高分辨率遥感影像建筑物震害信息提取研究[D]. 昆明: 云南师范大学旅游与地理科学学院： 10--24.

Li X Q. 2014.Object-OrientedMethodofBuildingDamageExtractionFromHigh-ResolutionImages[D]. Kunming: School of Tourism and Geographical Sciences， Yunnan Normal University： 10--24 (in Chinese).

王晓青， 窦爱霞， 孙国清， 丁香， 王龙， 袁小祥. 2013. 基于综合震害指数的玉树地震烈度遥感评估研究[J]. 地震， 33(2): 1--10.

Wang X Q， Dou A X， Sun G Q， Ding X， Wang L， Yuan X X. 2013. Intensity assessment of the 2010 YushuMS7.1 earthquake based on synthetic seismic damage index[J].Earthquake， 33(2): 1--10 (in Chinese).

闻春晶， 赵书河， 李晖. 2010. 面向对象的高分辨率遥感影像变化检测方法[J]. 山东师范大学学报: 自然科学版， 25(1): 126--129.

Wen C J， Zhao S H， Li H. 2010. Object-oriented change detection method using very high spatial resolution imagery[J].JournalofShandongNormalUniversity:NaturalScience， 25(1): 126--129 (in Chinese).

颜洁， 刘建坡， 唐伟广. 2010. 基于遥感图像变化检测的毁伤效果分析[J]. 信号与信息处理， 40(4): 30--31.

Yan J， Liu J P， Tang W G. 2010. The damage assessment based on remote sensing image change detection[J].JournalofSignalandInformationProcessing， 40(4): 30--31 (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).

章毓晋. 2000. 图像分割[M]. 北京: 科学出版社： 55--70.

Zhang Y J. 2000.ImageSegmentation[M]. Beijing: Science Press： 55--70 (in Chinese).

Huyck C K， Adams B J， Cho S， Chung H C， Eguchi R T. 2005. Towards rapid citywide damage mapping using neighborhood edge dissimilarities in very high-resolution optical satellite imagery： Application to the 2003 Bam， Iran， earthquake[J].EarthqSpectra， 21(S1): 255--266.

Liu S C， Bruzzone L， Bovolo F， Du P J. 2015. Hierarchical unsupervised change detection in multitemporal hyperspectral images[J].IEEETransGeosciRemoteSensing， 53(1): 244--260.

Turker M， San B T. 2004. Detection of collapsed buildings caused by the 1999 Izmit， Turkey earthquake through digital analysis of post-event aerial photographs[J].IntJRemoteSensing， 25(21): 4701--4714.

Seismic damage information extraction and evaluation of buildings with high resolution remote sensing based on object-oriented method

Zhao Yan1,2)Zhang Jingfa2),*Yao Leihua1)

1)CollegeofEngineeringandTechnology，ChinaUniversityofGeosciences(Beijing)，Beijing100083，China2)InstituteofCrustalDynamics，ChinaEarthquakeAdministration，Beijing100085，China

In order to rapidly determine the scope of stricken area and timely assess the extent of damages after an earthquake， this paper proposes a technical process of rapid extracting and evaluating building damage information by using the geometric structure and texture feature information of high resolution remote sensing images based on the object-oriented building detection method. The process can rapidly locate the disaster areas， which is of great significance to the post-disaster first opportunity rescue. Taking the Yushu area as an example， buildings of disaster area are extracted based on the QuickBird images before and after the Yushu earthquake， and the extraction precisions of buildings is 88.53% and 90.21%， respectively. The extraction accuracy of building changing information is 79.68%， and changing area reaches 15923.52 m2， which accounts for 68.16% of the entire studied area， therefore the area is evaluated as moderately-severe disaster area. The results of this paper are consistent with those of the field investigations， proving that the rapid seismic damage information extraction and evaluation process is effective. The presented method can quickly estimate the disaster areas, and provide an important reference for the first time rescue.

high resolution remote sensing； building damage extraction and evaluation； object-oriented change detection

国家自然科学基金(41374050)和高分遥感地震监测与应急应用示范系统(一期)项目(31-Y30B09-9001-13/15)共同资助.

2016-01-13收到初稿， 2016-05-24决定采用修改稿.

10.11939/jass.2016.06.014

P315.9

A

赵妍, 张景发, 姚磊华. 2016. 基于面向对象的高分辨率遥感建筑物震害信息提取与评估. 地震学报, 38(6): 942--951. doi:10.11939/jass.2016.06.014.

Zhao Y, Zhang J F, Yao L H. 2016. Seismic damage information extraction and evaluation of buildings with high resolution remote sensing based on object-oriented method.ActaSeismologicaSinica, 38(6): 942--951. doi:10.11939/jass.2016.06.014.

*通讯作者 e-mail: zhangjingfa@hotmail.com