不同特征融合的震后損毀建筑物識別研究

李強　張景發(fā)

摘要：

采用玉樹地震QuickBird影像，對不同損毀級別的建筑物進行采樣分析，提取不同損毀情況表征紋理特征的灰度共生矩陣中區(qū)分度較好的特征參數(shù)。比較不同特征融合之后損毀建筑物提取精度。結(jié)果表明，灰度共生矩陣中紋理特征參數(shù)對不同損毀程度的建筑物具有不同的區(qū)分度，光譜特征與紋理特征結(jié)合，損毀建筑物識別精度最高，不同的特征參數(shù)混淆使用會造成信息冗余，從而降低信息提取精度。在實際工作中，要根據(jù)遙感震害機理選取合適的特征組合，提高損毀建筑物的提取精度。

關(guān)鍵詞：遙感影像；多特征融合；紋理特征；損毀建筑物

中圖分類號：P315-39文獻標(biāo)識碼：A文章編號：1000-0666（2016）03-0486-08

0引言

地震具有突發(fā)性強、破壞性大的特點，會對人民的生命財產(chǎn)安全造成不可彌補的損失。地震發(fā)生后，進行震區(qū)破壞程度快速準(zhǔn)確的評估，特別是損毀建筑物的快速提取，對震后緊急救援及災(zāi)情評估有重要的意義。遙感具有綜合、宏觀、快速、動態(tài)的特點，是震害災(zāi)情信息快速獲取的重要數(shù)據(jù)源（趙福軍，張磊，2009）。隨著遙感技術(shù)及影像分辨率的不斷提高，遙感影像能夠反映更加豐富的空間結(jié)構(gòu)信息和紋理信息，可有效地提取損毀建筑物信息，使得融合影像的不同特征對遙感影像進行精確識別分類成為研究趨勢。

損毀建筑物信息的提取方法主要有遙感影像的變化檢測和分類技術(shù)，包括震前、震后影像對比分析和直接從遙感影像中提取建筑物損毀信息（趙福軍，張磊，2009）。國內(nèi)外學(xué)者在此理論基礎(chǔ)上展開了一系列的研究，Masashi和Fumio（1998）利用神戶地區(qū)地震后的TM影像和SPOT影像，采用判別式從遙感影像中提取了損毀建筑物、震后火災(zāi)分布及土壤液化等信息；Hajime和Fumio（2000）根據(jù)土耳其Kocaeli地震和我國臺灣震后影像特征的分布，利用多尺度分割的方法提取震害信息，其參與的特征主要有色調(diào)、飽和度、亮度和邊緣特征。隨著多特征及多源遙感數(shù)據(jù)的發(fā)展，越來越多的研究者將影像的紋理特征、幾何形狀特征等信息融合進來，提高信息提取的精度；李祖?zhèn)鞯龋?010）利用高分辨率影像的紋理與形態(tài)特征實現(xiàn)對汶川地震倒塌房屋信息的自動提??；吳煒等（2012）將建筑物的光譜特征和形狀特征相結(jié)合對建筑物進行提取，與單獨用光譜特征相比，提取精度較高；徐佳等（2012）綜合灰度與紋理特征對高分辨率星載SAR圖像進行建筑物提取，提取效果良好；曹代勇等（2001）對遙感影像中建筑物灰度特征和紋理特征進行統(tǒng)計，統(tǒng)計結(jié)果表明灰度平均值、灰度標(biāo)準(zhǔn)差和灰度方差3種特征參數(shù)是建筑物震害識別和分級的良好指標(biāo)，同時將震害建筑物遙感評估類型概括為三種；

翟永梅等（2011）提出了一種基于區(qū)域的遙感影像差值分割提取技術(shù)來快速地對震害信息進行評估，應(yīng)用效果良好。

近年來，隨著高分辨率遙感技術(shù)的快速發(fā)展，面向?qū)ο蟮姆椒ㄓ捎诳朔顺Ｒ?guī)的僅依靠像元的光譜統(tǒng)計特征提取相關(guān)信息的不足，從而受到廣大研究者的青睞。Hofmaane（2001）利用面向?qū)ο蟮姆椒?，以DEM作為一個專題層參與遙感影像的分割，實現(xiàn)了對IKONOS影像中建筑物與道路的提?。悔w福軍和張磊（2009）利用面向?qū)ο蟮姆椒▽︺氪ǖ卣鹫鸷π畔⑦M行提取，取得了較好的結(jié)果；王慧敏和李艷（2011）利用面向?qū)ο蟮姆椒▽５氐卣馂?zāi)害造成的損毀建筑物進行提?。积忹愊嫉龋?013）利用面向?qū)ο笞兓瘷z測的方法提取玉樹地震造成的房屋倒塌，同時與主成分分析、直接變化檢測方法相比，提取精度較高；范開紅等（2014）利用面向分類技術(shù)對應(yīng)急指揮技術(shù)系統(tǒng)信息進行產(chǎn)出與模塊化，從而更及時地掌握震情、災(zāi)情，使得面向?qū)ο笏枷脒m用于地震應(yīng)急。上述的研究取得了一定的成果，將建筑物的光譜特征、形狀特征、紋理等特征結(jié)合起來，提高了建筑物信息提取精度，同樣也存在著不足，建筑物的紋理特征、形狀特征、光譜特征的結(jié)合主要依靠人為經(jīng)驗進行選取，沒有一定的規(guī)律可循。建筑物的紋理特征、形狀特征包含的特征參數(shù)繁多，特征參數(shù)的選取依靠人為主觀經(jīng)驗，要依靠不斷的試驗進行選取，耗費大量的時間。

如何有效地對損毀建筑物的紋理特征、形狀特征、光譜特征等多特征進行融合，快速從繁多特征參數(shù)中選取最優(yōu)參數(shù)組合，是震害信息快速準(zhǔn)確提取的重點。本文從高分辨率遙感影像中選取不同震害程度的建筑物樣本，對其各種特征信息進行統(tǒng)計分析，獲取多特征信息的最優(yōu)組合，快速準(zhǔn)確地提取震后損毀建筑物信息。

1建筑物震害圖像特征

11建筑物震害分級

不同烈度及破壞強度的地震對建筑物的損毀情況不同。根據(jù)《震害調(diào)查及地震損失評定工作指南》國家地震局.1993.震害調(diào)查及地震損失評定工作指南.和《建（構(gòu)）筑物地震破壞等級劃分》（GB/T24335—2009），建筑物震害等級分為5個級別，分別為基本完好、輕微破壞、中等破壞、嚴(yán)重破壞和損毀。遙感圖像提供的是建筑物外形的中心投影信息，遙感圖像分級主要依據(jù)震后建筑物的整體和細(xì)部圖像特征，包括圖像的幾何信息、色調(diào)信息和相關(guān)信息（陳鑫連，1992）。因光學(xué)遙感成像方式的局限性，遙感影像中不能獲取建筑物墻體或內(nèi)部的損毀信息，因此，本文將震害建筑物損毀級別分為3級，輕微損毀、中等損毀和嚴(yán)重?fù)p毀。輕微損毀是指采集樣本影像中房屋基本完好或少量破壞；中等損毀是指采集樣本影像中一半數(shù)量的房屋倒塌或破壞；嚴(yán)重?fù)p毀是指采集樣本影像中絕大部分房屋倒塌或全部倒塌破壞。

12建筑物特征

（1）光譜特征

光譜特征是指不同波段、不同傳感器、不同時相遙感影像上地物光譜特征的空間集合，主要包括灰度、色調(diào)及顏色等。反映建筑物震害光譜特征的特征參數(shù)主要有灰度均值、灰度方差、灰度標(biāo)準(zhǔn)差、最大值和最小值。一般而言，建筑物損毀之后，建筑物的鏡面反射變?nèi)?、漫反射加強，其灰度均值較大。建筑物損毀程度越嚴(yán)重，其灰度均值越大，而其方差及標(biāo)準(zhǔn)差越小。

（2）紋理特征

本文采用共生概率紋理特征來提取紋理特征，共生概率紋理特征是一種基于統(tǒng)計的紋理描述方法，利用灰度共生矩陣（grey-level co-occurrence matrix，簡稱GLCM）描述紋理特征。共生概率紋理特征最早由Haralick等用灰度共生矩陣的方法提出（Pesar，Benediktsso，2001）?；叶裙采仃囀窍袼鼐嚯x和角度的矩陣函數(shù)，它通過計算圖像中一定距離和方向的兩點灰度之間的相關(guān)性，來反映圖像在方向、間隔、變化幅度及快慢上的綜合信息。反映建筑物震害紋理特征的特征參數(shù)主要有均值（ME）、方差（VA）、反差（CON）、熵（ENT）、均質(zhì)度（HOM）、相異度（DI）、相關(guān)性（COR）、角二階矩（ASM）。

ASM是灰度共生矩陣元素值的平方和，反映了圖像灰度分布均勻程度和紋理粗細(xì)度。

以上各式中，i，j=0，1，2，3……（N-1），N為圖像灰度級數(shù)，μ代表均值，σ代表方差，Pi，j代表從圖像灰度為i的像素出發(fā)，統(tǒng)計與距離為δ，灰度為j的像素出現(xiàn)的概率。

（3）幾何形狀特征

建筑物的幾何特征主要指建筑物的形狀以及以幾何關(guān)系為基礎(chǔ)的特征，通常包括建筑物屋頂形狀的輪廓線、屋頂輪廓邊緣相互之間的夾角、屋頂面積、側(cè)墻棱線等（張明媚，2012）。反映震害建筑物幾何形狀特征的特征參數(shù)主要有面積（Area）、長度（Length）、寬度（Width）、長寬比（Aspect-ratio）、形狀指數(shù)（Shape-index）、緊致度（Compactness）、矩形度（Rectangular-degree）等。

22最優(yōu)窗口選擇

紋理特征采用灰度共生矩陣來描述。灰度共生矩陣與所選的方向、步長、窗口大小及圖像的量化等級有關(guān)，因此要根據(jù)具體的影像紋理特征來選擇生成灰度共生矩陣的參數(shù)。根據(jù)經(jīng)驗，取0°、45°、90°和135°這4個方向灰度共生矩陣的平均值作為局部圖像中心像元位置的灰度共生矩陣。圖像的量化等級變化對影像的灰度共生矩陣影響不大，本研究中設(shè)定圖像量化等級為64。在灰度共生矩陣分析過程中，步長越小越能細(xì)致地反映紋理特征，因此本文選取步長為1。對其影響最大的為窗口大小，本文將建筑物震害類型分為3種：輕微損毀、中等損毀和嚴(yán)重?fù)p毀，分別統(tǒng)計3種樣本在不同窗口大小下的參數(shù)特征值，從而選取樣本特征參數(shù)區(qū)分度較好的窗口大小，以標(biāo)準(zhǔn)差、熵為例說明選取最優(yōu)窗口大小。以4為間隔依次采用3×3到51×51之間的窗口大小，統(tǒng)計計算不同窗口大小的標(biāo)準(zhǔn)差和熵，研究建筑物震害的不同特征值隨窗口大小變化的趨勢，趨勢變化圖見圖3。由圖可知，當(dāng)窗口大小為11×11時，不同級別損毀建筑物的特征值達到最大，標(biāo)準(zhǔn)差的區(qū)分度較好，而熵值特征中，輕微損毀和中等損毀情況混在一起，但兩者與嚴(yán)重?fù)p毀的區(qū)分度較好，有利于提取嚴(yán)重?fù)p毀建筑物信息。因此本研究中，灰度共生矩陣計算的窗口大小尺寸選擇11×11。

23紋理特征分析

遙感影像不同的紋理特征反映不同的建筑物損毀信息。前人研究表明，將紋理信息與光譜信息結(jié)合提取損毀建筑物信息能提高提取精度。通常反映影像紋理特征參數(shù)有8個，其全部參與運算必然會造成信息冗余，如何從這8個參數(shù)中選取最優(yōu)的特征參數(shù)組合計算，成為研究的重點。本文首先計算不同樣本的紋理特征參數(shù)，窗口大小取11×11，然后對其進行統(tǒng)計分析，提取出最能反映建筑物損毀信息的特征參數(shù)組合。圖4為不同級別損毀建筑物樣本不同紋理特征參數(shù)值的趨勢變化曲線，由圖可知，建筑物在不同損毀情況下，均值、標(biāo)準(zhǔn)差、均質(zhì)度、反差、角二階矩的區(qū)分度明顯，能很好的區(qū)分輕微、中等和嚴(yán)重?fù)p毀建筑物信息，可損毀建筑物的提取，而熵的區(qū)分度并不特別明顯，其值分布在一個比較集中的值范圍內(nèi)，不同損毀程度的建筑物特征混淆在一起，未能較好地區(qū)分。因此在本文研究中，紋理特征參數(shù)選擇均值、標(biāo)準(zhǔn)差、均質(zhì)度、反差、角二階矩、熵。

24建筑物震害提取

不同類型或損毀程度的建筑物光譜差異很大，單純依靠基于光譜的遙感圖像分類方法難以將其區(qū)分開，面向?qū)ο蟮姆椒ㄊ紫葘⒂跋癜凑找欢ǖ拈撝党叨确指顬楹芏嘈〉膶ο?，然后綜合其光譜統(tǒng)計特征、紋理特征、形狀特征、相鄰關(guān)系等因素，將具有相同特征的小的對象構(gòu)成一個影像對象，最后根據(jù)影像對象的不同特征進行分類，打破了僅依靠光譜特征進行分類的局限性。在信息提取的過程中，不同的特征因子對信息提取的貢獻不同（Du， Liu，2012），并不是越多的特征融合在一起，其信息提取精度就越高。本文研究中對多特征的不同組合情況進行實驗比較，主要包括光譜特征、光譜特征+紋理特征、光譜特征+幾何形狀特征、光譜特征+紋理特征+幾何形狀特征。

根據(jù)上面的研究，本文紋理特征參數(shù)選擇均值、標(biāo)準(zhǔn)差、均質(zhì)度、反差、角二階矩和熵。幾何形狀特征的特征參數(shù)主要有面積、長度、長寬比、緊致度、矩形度。光譜特征采用原始的四個波段。本文采用相同的分割尺度，融合不同的特征，對其提取精度進行對比。

圖5為4種不同特征融合之后損毀建筑物提取結(jié)果，在相同的分割尺度下，統(tǒng)計嚴(yán)重?fù)p毀與中等損毀建筑物面積，與目視解譯的結(jié)果進行對比，分析其提取精度，結(jié)果見表1

由表1可以看出，光譜與紋理特征相融合之后提取損毀建筑物的Kappa系數(shù)最大，同時完好錯分為損毀的百分比最低，說明其信息提取效果最好。分析其原因，建筑物在損毀之后，其紋理特征發(fā)生了明顯的變化，與周圍地物的紋理特征具有明顯差別，這可從圖4中紋理特征變化趨勢曲線的區(qū)分度得出。而僅僅依靠光譜特征提取建筑物損毀信息，由于存在異物同譜的現(xiàn)象，其信息提取精度最低。建筑物在破壞或倒塌之后，其幾何形狀特征中的面積、長度、形狀指數(shù)和矩形度等特征都受到不同程度的影響，建筑物面積變大或者與周圍空地（道路）融合一體，建筑物形狀受到破壞，很難用具體的參數(shù)來表示，同時由于影像分辨率的影響，損毀建筑物易與周圍裸地或崩落的碎屑混為一體，同樣也會影響提取精度，因此，融合幾何形狀特征不但沒有提高提取精度，反而會降低提取精度。而融合光譜特征、紋理特征和幾何形狀特征融合之后，損毀建筑物的漏檢率最低，同時其完好建筑物錯分為損毀的百分比最高。

實驗證明，在影像分辨率一定時，影像多特征融合提取損毀建筑物精度與融合信息量并不成正比關(guān)系。在提取完好建筑物信息時，其幾何形狀特征規(guī)整，幾何形狀特征參數(shù)能較好地表述建筑物的幾何形態(tài)分布，融合幾何形狀特征會提高建筑物信息提取的精度。而在地震發(fā)生之后受到嚴(yán)重?fù)p毀的建筑物，其形狀受到破壞，幾何形狀特征參數(shù)不能很好地賦予其一定的特征值范圍，融合幾何形狀特征并不能提高其提取精度。因此，建筑物信息提取要充分考慮影像分辨率、建筑物分布形態(tài)及其內(nèi)部紋理變化，從而選擇最優(yōu)融合特征。

3結(jié)論

本文以玉樹地震遙感影像為例，針對遙感影像中建筑物損毀情況，總結(jié)分析了不同損毀等級建筑物在遙感影像中表現(xiàn)出的紋理特征、幾何形狀特征等參數(shù)因子。選取不同等級損毀程度的建筑物樣本，統(tǒng)計分析其紋理特征參數(shù)在不同損毀等級下的變化趨勢曲線，同時比較了多種特征融合提取損毀建筑物的提取精度。通過實驗與分析，得出以下結(jié)論：

（1）表征紋理特征的灰度共生矩陣的8個特征因子，并不是每一個特征因子都對不同損毀程度的建筑物具有很好的區(qū)分度，本文通過采樣統(tǒng)計分析表明，灰度共生矩陣中均值、標(biāo)準(zhǔn)差、均質(zhì)度、反差、角二階矩特征因子對損毀建筑物區(qū)分度較好。

（2）并不是特征信息融合越多，損毀建筑物提取精度越高，比較幾種特征融合提取損毀建筑物的精度，發(fā)現(xiàn)光譜信息與紋理信息融合對損毀建筑物的提取精度最高。地震發(fā)生之后，精確地提取損毀建筑物信息，需要全面地考慮其分布形態(tài)及紋理變化，有選擇性地進行特征融合，常規(guī)的將所有信息進行融合的方法可能會降低提取精度。

參考文獻：

曹代勇，施先忠，張景發(fā). 2001.遙感圖像中建筑物震害信息統(tǒng)計特征研究[J].國土資源遙感，13（1）：42-46.

陳鑫連. 1992.地震災(zāi)害的航空遙感信息快建評估與救災(zāi)決策[M].北京：地震出版社.

范開紅，林洋，申源.2014.地震應(yīng)急指揮技術(shù)系統(tǒng)產(chǎn)出信息面向?qū)ο蠓诸惻c應(yīng)用[J].地震研究，37（2）：317-322

龔麗霞，李強，張景發(fā)等. 2013. 面向?qū)ο蟮姆课菡鸷ψ兓瘷z測方法[J].地震，33（2）：109-114.

李祖?zhèn)?，馬建文，張睿等. 2010.利用融合紋路與形態(tài)特征進行地震倒塌房屋信息自動提取[J].武漢大學(xué)學(xué)報，35（4）：446-450.

王慧敏，李艷. 2011.面向?qū)ο蟮膿p毀建筑物提取[J].遙感信息，26（5）：81-85.

吳煒，駱劍承，沈占峰等. 2012.光譜和形狀特征相結(jié)合的高分辨率遙感圖像的建筑物提取方法[J].武漢大學(xué)學(xué)報，37（7）：800-805.

徐佳，陳媛媛，黃其歡等.2012.綜合灰度與紋理特征的高分辨率星載SAR圖像建筑區(qū)提取方法研究[J].遙感技術(shù)與應(yīng)用， 27（5）：692-698.

趙福軍，張磊. 2009.面向?qū)ο蟮倪b感震害信息提取方法——以汶川地震為例[J].地震， 29 （增刊）：130-138.

張明媚. 2012.面向?qū)ο蟮母叻直媛蔬b感影像建筑物特征提取方法研究[D].太原：太原理工大學(xué).

翟永梅，王森，沈祖炎等.2011.一種快速的震害評估方法——基于區(qū)域的遙感影像差值分割提取技術(shù)研究[J].地震研究，34（2）：227-232.