基于極化SAR圖像的建筑區(qū)提取方法研究

江暢 何秀鳳 嚴(yán)汝琳 孫喆 牛雨 李帥

?

基于極化SAR圖像的建筑區(qū)提取方法研究

江暢1,2何秀鳳2嚴(yán)汝琳1孫喆1牛雨1李帥3

（1南京郵電大學(xué)地理與生物信息學(xué)院，南京 210023）（2河海大學(xué)地球科學(xué)與工程學(xué)院，南京 210098）（3南京烽火軟件科技有限公司，南京 210023）

建筑區(qū)提取對于城市規(guī)劃和災(zāi)害評估具有重要的作用。文章提出融合極化方位角補償?shù)纳⑸淠Ｐ吞崛〗ㄖ^(qū)。首先對極化SAR圖像進(jìn)行極化補償處理，使得建筑物的散射成分增強，然后融合極化分解得到的散射分量和紋理特征參數(shù)作為建筑區(qū)提取依據(jù)，最后使用面向?qū)ο蟮奶崛》椒ㄟM(jìn)行建筑區(qū)提取。采用美國San Francisco地區(qū)L波段星載AIRSAR數(shù)據(jù)和德國Oberpfaffenhofen地區(qū)L波段機(jī)載ESAR數(shù)據(jù)分別進(jìn)行實驗驗證。結(jié)果表明，文中方法較好地識別并提取了建筑區(qū)，提高了建筑區(qū)的提取精度，可用于受災(zāi)建筑區(qū)提取以及城市建筑區(qū)信息獲取。

極化合成孔徑雷達(dá) 建筑區(qū)提取 極化方位角補償 紋理特征

0 引言

在進(jìn)行社會建設(shè)、地震監(jiān)測和災(zāi)害救援中，建筑物是主要研究對象[1-2]。合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）具有全天時、全天候、多極化等顯著優(yōu)勢能力[3]，能夠有效提取建筑物區(qū)域。如文獻(xiàn)[4]利用Terra-SAR-X數(shù)據(jù)和COSMO-SkyMed數(shù)據(jù)目視解譯了地震災(zāi)害發(fā)生后城鎮(zhèn)建筑物遭受的震害，根據(jù)建筑物排列關(guān)系、建筑物的紋理等方面來識別建筑物倒塌信息。除了紋理特征以外，極化特征也是極化SAR數(shù)據(jù)的主要特征。

近年來，國內(nèi)外學(xué)者對極化SAR數(shù)據(jù)提取建筑物區(qū)域做了大量的研究。目前基于極化SAR圖像數(shù)據(jù)處理的技術(shù)主要是Lee等人發(fā)展的目標(biāo)解析與Wishart分類器結(jié)合的非監(jiān)督分類方法[1]、Yamaguchi等人發(fā)展了四分量分解的非監(jiān)督分類方法[5]等。在此基礎(chǔ)上，文獻(xiàn)[6]通過對目標(biāo)對象做分割處理，然后利用特殊的紋理特征將影像中的建筑物與其他地物分離出來，實現(xiàn)了建筑物的半自動提??；文獻(xiàn)[7]提出一種基于極化分解分類與結(jié)構(gòu)特征相結(jié)合的復(fù)雜場景全極化SAR圖像機(jī)場跑道檢測方法；文獻(xiàn)[8]利用H/ɑ/A特征平面的8個有效區(qū)域，引入反熵A將數(shù)據(jù)分成16個區(qū)域，最后利用Wishart進(jìn)行聚類處理，將建筑物提取出來。文獻(xiàn)[9]基于圓極化相關(guān)系數(shù)的選擇性去取向，根據(jù)目標(biāo)反射對稱特性的差異更準(zhǔn)確地區(qū)分建筑和植被，發(fā)展了一種綜合利用三分量模型和Wishart分類的建筑提取方法。區(qū)別于利用極化信息的方法，文獻(xiàn)[10]利用時頻分析的方法進(jìn)行提取建筑物；文獻(xiàn)[11]提出了運用歸一化相關(guān)系數(shù)進(jìn)行人造目標(biāo)的提取，取得了良好的效果。

上述方法對于提取建筑物都有很好的效果，但在提取精度上還有待提高。因此，本文在之前提取方法的基礎(chǔ)上加入極化方位角補償處理，以提高建筑物提取精度；并選取對建筑物表征顯著的極化特征、紋理特征，對建筑物進(jìn)行面向?qū)ο蟮淖R別和提取。AIRSAR數(shù)據(jù)與ESAR數(shù)據(jù)進(jìn)行方法的驗證結(jié)果表明，本文的方法在精度與技術(shù)實施的便捷性方面具有一定的優(yōu)越性。

1 極化特征

1.1 極化分解

Freeman分解和Yamaguchi分解都是利用散射模型進(jìn)行分解的極化分解方法。Freeman分解主要用表面散射、偶次散射和體散射三種散射成分表示散射目標(biāo)[12]，使得每一種地物都具有自己特有的散射表達(dá)。Freeman模型是基于散射對稱性的，針對于大多數(shù)自然地物都具備散射對稱性的屬性，是可以準(zhǔn)確描述的。但只要對象是非對稱地物，該模型就會失準(zhǔn)，這也是它最大的局限性。Freeman模型可表述為

式中為該像元的協(xié)方差矩陣；s、d、v分別為表面散射、偶次散射和體散射協(xié)方差矩陣；s為表面散射分解系數(shù)；d為偶次散射分解系數(shù)；v為體散射分解系數(shù)；表示水平發(fā)射水平接收后向散射反射系數(shù)與垂直發(fā)射垂直接收后向散射反射系數(shù)的比值；=，其中g(shù)h、vh表示地表的水平及垂直反射系數(shù)，gv、vv表示豎直墻體的水平及垂直反射系數(shù)，**分別表示、的共軛。

在Freeman分解的基礎(chǔ)上，Yamaguchi分解針對于前者只適用于散射對稱的情況，將互相對稱這一條件無法滿足的部分分解為一種新的散射成分——螺旋體散射[13]，在城市地區(qū)地物識別方面取得了很好的效果。Yamaguchi分解模型為

式中h表示Yamaguchi新增加的螺旋散射分量的加權(quán)系數(shù)；h表示螺旋散射協(xié)方差矩陣。

本文應(yīng)用Yamaguchi分解獲取各散射成分的功率以及總功率[14]，計算結(jié)果分別為

式中代表總功率；s，d，v，h分別代表表面散射、偶次散射、體散射和螺旋散射功率。

1.2 極化方位角補償

在極化SAR圖像中，極化方位角隨機(jī)分布于每個像素點的目標(biāo)中，使得后續(xù)所獲得數(shù)據(jù)都含有一些觀測誤差[15]。正如Lee推導(dǎo)結(jié)論，可以利用極化方位角對散射矩陣進(jìn)行地形影響補償，本文中極化方位角對于極化相干矩陣的影響可表示為

式中′表示經(jīng)過極化方位角旋轉(zhuǎn)后的極化相干矩陣；表示關(guān)于極化方位角的旋轉(zhuǎn)矩陣；T表示旋轉(zhuǎn)矩陣的共軛轉(zhuǎn)置矩陣；表示原始的極化相干矩陣。極化方位角補償操作就是去除極化方位角的影響，相應(yīng)的操作方法就是對每個目標(biāo)都進(jìn)行一個角度的逆向旋轉(zhuǎn)，在數(shù)學(xué)意義上就是將得到′旋轉(zhuǎn)一個反向的角，求出經(jīng)過極化方位角補償后的，這樣使得每個像素點都處于一個類似于0°定向角的標(biāo)準(zhǔn)位置[16]。

為了更好的描述極化方位角補償對于不同分解模型的影響，本文選取Yamaguchi四分量分解模型和Freeman三分量分解模型對典型的建筑物區(qū)域進(jìn)行補償差剖面分析（如圖1所示）。

從圖1中可以看到，利用不同分解模型得到的散射量中，進(jìn)行過極化方位角補償?shù)穆菪w散射量變化幅度在10–8以內(nèi)，故可認(rèn)為螺旋體分量是經(jīng)方位角旋轉(zhuǎn)不變量。其中體散射分量比未補償之前有所減小，偶次散射和表面散射分量雖有相應(yīng)增加，但總散射量不變。由圖1可知，經(jīng)補償后，建筑物的散射特征更為明顯，尤其表現(xiàn)在偶次散射量上，其輻射量明顯增多，這就為建筑物的提取提供了依據(jù)。

1.3 紋理特征

紋理是灰度隨空間位置的不同導(dǎo)致分布不斷交替變化而形成，具有空間相關(guān)特性[17]。紋理特征是自然界中普遍存在的一種不依靠于圖像的顏色、大小、形狀等屬性的視覺特征。本文選用灰度共生矩陣來描述極化SAR圖像。由于灰度共生矩陣是個復(fù)雜模型，在計算過程中的計算量較大。為便于實驗研究，提高提取方法的效率，本文采用以下兩種較為常用的特征參數(shù)來提取影像的特征。

式中代表對象中像元的個數(shù)；v代表單個像元的灰度值。

2）亮度：影像的亮度平均值。

式中μ代表這個多邊形對象的平均灰度值。

（a）Yamaguchi四分量模型補償差影像剖面圖

（a）The compensation difference transect-analyze results on Yamaguchi four-component model

（b）Freeman三分量模型補償差影像剖面圖

2 建筑物區(qū)域提取流程

綜合極化方位角補償和紋理特征，本文提出建筑物區(qū)域提取流程（見圖2）為：

1）對極化SAR圖像進(jìn)行濾波預(yù)處理，其中多視處理不僅可抑制斑點噪聲，同時也滿足空間數(shù)據(jù)壓縮的需求[18]，以減少噪聲對建筑物提取的影響，降低建筑物提取的誤差；

2）對極化相干矩陣（3）進(jìn)行極化方位角補償；

3）對極化方位角補償后的3分別進(jìn)行Yamaguchi分解和Freeman分解，將相關(guān)散射分量進(jìn)行波段運算組合成新圖像；

4）提取新圖像的紋理特征（包括均值和亮度），依據(jù)分割參數(shù)（形狀因子、緊密度因子和分割閾值）將其分割成單元對象；

5）面向單元對象，依據(jù)先驗樣本提取建筑物區(qū)域；

6）對所提取的結(jié)果進(jìn)行精度評價，計算其總體精度和Kappa系數(shù)。

圖2 新方法流程

3 實驗與分析

3.1 實驗數(shù)據(jù)

本研究分別以美國NASA/JPL的全極化AIRSAR系統(tǒng)和德國ESAR系統(tǒng)的兩幅極化SAR數(shù)據(jù)為例，提取建筑物區(qū)域。實驗一數(shù)據(jù)為AIRSAR系統(tǒng)在美國San Francisco地區(qū)獲取的L波段數(shù)據(jù)（如圖3所示），原數(shù)據(jù)以Stokes矩陣的形式保存，空間分辨率為10m。該區(qū)域主要地物類型有建筑物、植被、水體。實驗二數(shù)據(jù)為德國Oberpfaffenhofen區(qū)域的ESAR高分辨率單視數(shù)據(jù)（圖4所示），空間分辨率為3m，該區(qū)域主要包括建筑物和植被兩種地物。

（a）衛(wèi)星圖

（a）Satellite map

（b）偽彩色合成圖

（a）衛(wèi)星圖

（a）Satellite map

（b）偽彩色合成圖

3.2 基于極化補償?shù)慕ㄖ锛y理特征提取

為了更加直觀地分辨建筑區(qū)域的散射量主要集中于何種散射成分中，本文選擇GoogleEarth高清衛(wèi)星圖中一處特征鮮明的建筑物進(jìn)行剖面分析，分別對該數(shù)據(jù)進(jìn)行Freeman和Yamaguchi分解，如圖5所示。

圖5 建筑區(qū)散射成分分析

從圖5中可以看出來建筑物區(qū)域的主要散射分量為偶次散射量和體散射量。因此，為了便于利用紋理特征提取建筑區(qū)域，本文分別將Freeman分解和Yamaguchi分解得到的偶次散射量和體散射量合成為一幅圖像，對兩組數(shù)據(jù)分別進(jìn)行波段運算得到散射成分合成圖，如圖6、圖7所示。

影像目標(biāo)地物分割時，為了能夠用一個或幾個多邊形對象精確表示出目標(biāo)地物，同時，又為了避免發(fā)生和其他影像地物融合為一類的現(xiàn)象，需要選用最適宜的一個分割尺度。因多尺度分割結(jié)果有利于面向?qū)ο蠓诸惤Y(jié)果的融合[19]，故本文選擇均值、亮度作為衡量紋理特征因子。經(jīng)過實驗驗證后確定最適宜分割參數(shù)如下：分割閾值為50，形狀因子為0.2，緊密度因子為0.6。分割后圖像如圖8所示，可以看出對于建筑區(qū)域來說，將相同的區(qū)域合并為一塊，可以節(jié)省運算的時間，提高運算的效率；對于建筑群之間細(xì)小的間隙，都能夠很清晰的分離出來，而不會和其他類別相混淆，建筑物提取的精度和效果得到提升。

（a）Freeman模型的散射分量合成圖

（a）Freeman model for Scattering component composite graph

（b）Yamaguchi模型的散射分量合成圖

（a）Freeman模型的散射分量合成圖

（a）Freeman model for Scattering component composite graph

（b）Yamaguchi模型的散射分量合成圖

（a）San Francisco分割結(jié)果

（a）The result of San Francisco segmentation

（b）Oberpfaffenhofen分割結(jié)果

針對植被區(qū)域和建筑區(qū)域易混淆這一問題，本文方法在一定程度上篩選出被錯誤提取的植被區(qū)域，提高了建筑物提取的精確度，降低了混淆的概率。其中，相比Freeman分解模型，Yamaguchi分解模型分解得到的數(shù)據(jù)在進(jìn)行建筑區(qū)域提取后，其結(jié)果對建筑區(qū)域的描述更為細(xì)致且飽滿，尤其是將原本沒有識別的建筑區(qū)域很好的提取出來，降低了建筑物的錯分率。建筑物提取結(jié)果如圖9和圖10所示。在其他參數(shù)、特征參數(shù)設(shè)定相同的情況下，與未進(jìn)行極化補償?shù)姆椒ㄏ啾?，本文方法能夠更好的保留建筑物區(qū)域。

（a）無極化補償（Freeman）

（a）No polarization compensation（Freeman）

（b）無極化補償（Yamaguchi）

（b）No polarization compensation（Yamaguchi）

（c）本文方法（Freeman）

（c）Polarization compensation（Freeman）

（d）本文方法（Yamaguchi）

（a）無極化補償（Freeman）

（a）No polarization compensation （Freeman）

（b）無極化補償（Yamaguchi）

（b）No polarization compensation （Yamaguchi）

（c）極化補償（Freeman）

（c）Polarization compensation (Freeman)

（d）極化補償（Yamaguchi）

3.3 實驗結(jié)果與精度評價

地表各種地物類型間的特征直接影響到建筑物提取精度。一般來說，地物類型越簡單，建筑物的特征值區(qū)分度越高，越容易得到較高的提取精度，而擁有類別復(fù)雜、特征值相似地物類型的地表則容易產(chǎn)生較大的誤差。

混淆矩陣又稱誤差矩陣，是一個用于表示分為某一類別的像元個數(shù)與地面檢驗為該類別數(shù)的比較陣列。通常，陣列中的行代表參考數(shù)據(jù)，列代表由數(shù)據(jù)分類得到的類別數(shù)據(jù)。本文混淆矩陣的行向數(shù)據(jù)代表參考影像信息，列向數(shù)據(jù)代表被評價影像分類結(jié)果信息，行與列相交的部分概括了分類到與參考類別有關(guān)的某一特定類別中的樣本數(shù)目。

基于混淆矩陣，統(tǒng)計一系列評價指標(biāo)如總體精度、Kappa系數(shù)等。Kappa系數(shù)是采取整個影像混淆矩陣信息的一個精度指標(biāo)，因其所包含的數(shù)據(jù)的整體性、全面性，所以被普遍認(rèn)為是能夠更加精確的反映圖像精度的一個度量工具[20]。在數(shù)據(jù)處理方面，一般認(rèn)為Kappa系數(shù)在[0.4,0.6)之間圖像提取質(zhì)量可被認(rèn)為“好”，在[0.6,0.8)之間可被認(rèn)為“很好”，在[0.8,1.0)之間可被認(rèn)為“極好”。總體精度從定義上嚴(yán)格來講就是正確提取的對象數(shù)與總體對象數(shù)的比值。地表真實圖像或地表真實感興趣區(qū)限定了目標(biāo)對象的真實分類。

本次實驗通過對比衛(wèi)星影像圖，在兩組數(shù)據(jù)上分別選取了不同區(qū)域的典型樣本點，建立精度評價樣本，并對圖像利用兩個精度指標(biāo)進(jìn)行評價，精度評價結(jié)果如表1和表2所示。表1~2中樣本總像元數(shù)代表樣本區(qū)域中實際該類別的像元數(shù)目。

表1 San Francisco地區(qū)建筑物提取混淆矩陣及精度評價

Tab.1 Confusion matrix and accuracy assessment of San Francisco built-up areas extraction

從表1的數(shù)據(jù)可以看到，本文方法相對于無極化補償?shù)姆椒?，被錯分的建筑區(qū)域和非建筑區(qū)域所占總體比例是降低的，這就說明更多的建筑區(qū)域被正確識別、提取出來，使得提取結(jié)果的總體精度有很大程度的提高。

表2 Oberpfaffenhofen地區(qū)建筑物提取混淆矩陣及精度評價

Tab.2 Confusion matrix and accuracy assessment of Oberpfaffenhofen built-up areas extraction

根據(jù)實驗二的精度評價結(jié)果可以對實驗一的結(jié)論進(jìn)行一個驗證，表明該方法對于不同的數(shù)據(jù)源都具有可行性，并且在總體提取精度方面有顯著提升。其次，在模型的選擇上，針對非對稱建筑物所建立的Yamaguchi模型，能將不同幾何形狀的建筑物提取出來，對于建筑物提取更具有優(yōu)勢。

綜上分析，可以看出對不同的地區(qū)、不同的數(shù)據(jù)類型，本文提出的方法在建筑物提取精度上都具有一定程度的提高。相比無極化補償?shù)慕ㄖ锾崛》椒?，本文方法提取的總體精度和Kappa系數(shù)都具有相應(yīng)的提升。其中，建筑物提取的總體精度都大于80%，Kappa系數(shù)大于0.6。

4 結(jié)束語

本文結(jié)合極化方位角補償和紋理特征提出了一種基于極化SAR圖像的建筑物區(qū)域提取方法。通過對比實驗發(fā)現(xiàn)，本文方法的總體精度和Kappa系數(shù)高于無極化補償?shù)姆椒?，且所提取的建筑區(qū)域邊界較為清晰、明顯。實驗結(jié)果驗證了該方法的優(yōu)越性，下一步將考慮從極化特征和紋理特征融合以及分割參數(shù)設(shè)定方面提高建筑物的提取精度。

(References)

[1] LEE J S, POTTIER E. Polarimetric Radar Imaging: From Basics to Applications[M]. BocaRaton, Florida: CRC Press, 2009.

[2] 楊萍, 姜志國, 劉濱濤. 一種遙感圖像建筑物檢測新方法[J]. 航天返回與遙感, 2013, 34(5): 70-77.YANG Ping, JIANG Zhiguo, LIU Bintao. A New Approach to Building Detection in Remote Sensing Images[J]. Spacecraft Recovery & Remote Sensing, 2013, 34(5): 70-77. (in Chinese)

[3] TOUZI R, BOEMER W M, LEE J S, et al. A Review of Polarimetry in the Context of Synthetic Aperture Radar: Concepts and Information Extraction[J]. Canadian Journal of Remote Sensing, 2004, 30(3): 380-407.

[4] 邵蕓, 宮華澤, 王世昂, 等. 多源雷達(dá)遙感數(shù)據(jù)汶川地震災(zāi)情應(yīng)急監(jiān)測與評價[J]. 遙感學(xué)報, 2008, 12(6): 865-870. SHAO Yun, GONG Huaze, WANG Shi’ang, et al. Mulit-source SAR Remote Sensing Data for Rapid Response to Wenchuan Earthquake Damage Assessment[J]. Journal of Remote Sensing, 2008, 12(6): 865-870. (in Chinese)

[5] YAMAGUCHI Y, SATO A, SATO R, et al. Four-component Scattering Power Decomposition with Rotation of Coherency Matrix[J]. IEEE Transactions on Geoscience & Remote Sensing, 2011, 49(6): 2251-2258.

[6] CHAABOUNI-CHOUAYAKHD H, DATCU M. Coarse-to-Fine Approach for Urban Area Interpretation Using TerraSAR-X Data[J]. IEEE Geoscience & Remote Sensing Letters, 2010, 7(1): 78-82.

[7] 韓萍, 徐建颯, 趙愛軍. 基于多級分類的PolSAR圖像機(jī)場跑道檢測[J]. 系統(tǒng)工程與電子技術(shù), 2014, 36(5): 866-871.HAN Ping, XU Jiansa, ZHAO Aijun. PolSAR Image Runways Detection Based on Multi-stage Classification[J]. Systems Engineering & Electronics, 2014, 36(5): 866-871. (in Chinese)

[8] 劉修國, 姜萍, 陳啟浩, 等. 利用改進(jìn)三分量分解與Wishart分類的極化SAR圖像建筑提取方法[J]. 測繪學(xué)報, 2015, 44(2): 206-213.LIU Xiuguo, JIANG Ping, CHEN Qihao, et al. Buildings Extraction from Polarimetric SAR Image Using Improved Three-component Decomposition and Wishart Classification[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(2): 206-213. (in Chinese)

[9] 翟瑋, 趙斐. 基于極化SAR的城市建筑物提取[J]. 甘肅科技, 2016, 32(2): 46-48.ZHAI Wei, ZHAO Fei. Urban Building Extraction Based on Polarization SAR[J]. Gansu Science and Technology, 2016, 32(2): 46-48. (in Chinese)

[10] FERRO-FAMIL L, POTTIER E. Urban Area Remote Sensing from L-band PolSAR Data Using Time-frequency Techniques[C]. Urban Remote Sensing Joint Event, IEEE, 2007.

[11] SCHULER D L, LEE J S, AINSWORTH T L. Polarimetric SAR Detection of Man-made Structures Using Normalized Circular-pol Correlation Coefficients[C]. IEEE 2006 International Geoscience and Remote Sensing Symposium (IGARSS 2006), IEEE, 2006.

[12] 劉高峰. 極化SAR圖像特征提取與分類方法研究[D]. 西安: 西安電子科技大學(xué), 2014. LIU Gaofeng. Feature Extraction and Classification of PolSAR Image[D]. Xi’an: Xidian University, 2014. ( in Chinese)

[13] SATO A, YAMAGUCHI Y, SINGH G, et al. Four-component Scattering Power Decomposition With Extended Volume Scattering Model[J]. IEEE Geoscience & Remote Sensing Letters, 2012, 9(2): 166-170.

[14] 張臘梅. 極化SAR圖像人造目標(biāo)特征提取與檢測方法研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2010.ZHANG Lamei. Research on the Feature Extraction and Detection of Man-made Target using Polarimetric SAR Images[D]. Harbin: Harbin Institute of Technology, 2010. (in Chinese)

[15] 徐牧, 王雪松, 肖順平, 等. 基于散射機(jī)理分類與方位對稱性判決的極化SAR人造目標(biāo)提取[J]. 國防科技大學(xué)學(xué)報, 2008, 30(5): 68-72.XU Mu, WANG Xuesong, XIAO Shunping, et al. Man-made Target Extraction Based on Scattering Mechanism Identification and Azimuthal Symmetry Decision of POLSAR Images[J]. Journal of National University of Defense Technology, 2008, 30(5): 68-72. (in Chinese)

[16] 史磊, 李平湘, 楊杰. 極化方位角對Yamaguchi參數(shù)分解的影響[J]. 中國圖象圖形學(xué)報, 2011, 16(11): 1989-1995.SHI Lei, LI Pingxiang, YANG Jie. Affection of Polarimetric Orientation Angle for Yamaguchi Model Decomposition[J]. Journal of Image & Graphics, 2011, 16(11): 1989-1995. (in Chinese)

[17] 高程程, 惠曉威. 基于灰度共生矩陣的紋理特征提取[J]. 計算機(jī)系統(tǒng)應(yīng)用, 2010, 19(6): 195-198.GAO Chengcheng, HUI Xiaowei. GLCM-based Texture Feature Extraction[J]. Computer Systems & Applications, 2010, 19(6): 195-198. (in Chinese)

[18] 李昕. 基于全極化SAR圖像的植被信息提取技術(shù)研究[D]. 成都: 電子科技大學(xué), 2015.LI Xin. Technology Research of Vegetation Information Extraction Based on Fully Polarimetric SAR Image[D]. Chengdu: University of Electronic Science and Technology of China, 2015. (in Chinese)

[19] 郎豐鎧. 極化SAR影像濾波及分割方法研究[D]. 武漢: 武漢大學(xué), 2014.LANG Fengkai. Research on Polarimetric SAR Imagery Filtering and Segmentation[D]. Wuhan: Wuhan University, 2014. ( in Chinese)

[20] 王榮, 王昭生, 劉曉曼. 多尺度多準(zhǔn)則的遙感影像線狀地物信息提取[J]. 測繪科學(xué), 2016, 41(11): 146-150.WANG Rong, WANG Zhaosheng, LIU Xiaoman. ZY-3 Linear Features Information Extraction Based on the Multi-scales and Multi-criterion[J]. Science of Surveying & Mapping, 2016, 41(11): 146-150. (in Chinese)

（編輯：夏淑密）

Built-up Areas Extraction Method Research Based on Polarization SAR Image

JIANG Chang1,2HE Xiufeng2YAN Rulin1SUN Zhe1NIU Yu1LI Shuai3

（1 College of Geographic and Biologic Information, Nanjing University of Posts and Telecommunications, Nanjing 210023, China）（2 School of Earth Sciences and Engineering, Hohai University, Nangjing 210098, China）（3Fiberhome Software Technology Co. Ltd, Nanjing 210023, China）

Built-up areas extraction plays an important role in urban planning and disaster assessment. In this paper, a fusion scattering model of polarization orientation angle compensation is proposed to extract built-up areas. First, the polarimetric SAR image is processed by polarimetric compensation to enhance the scattering components of the building. Then, the scattering components obtained by polarization decomposition and texture parameters are extracted as the basis of building extraction. Finally, use the object extraction method to extract the built-up areas. In this study, the method has been verified through the built-up areas extraction data from the L-band on-board AIRSAR data in San Francisco and the L-band ESAR data in the Oberpfaffenhofen. The results show that the method can identify and extract the building area, and improve the extraction precision of the construction area greatly, which can be used to obtain the damage of the building in disaster areas and the information of the urban construction areas.

polarimetric synthetic aperture radar; built-up extraction; polarization orientation angle compensation; texture feature

TP751.1

A

1009-8518(2017)02-0072-10

10.3969/j.issn.1009-8518.2017.02.010

2016-10-13

南京郵電大學(xué)校級科研基金（NY215181）；南京郵電大學(xué)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃STITP項目（XYB2016273）

江暢，女，1978年生，四川德陽人，河海大學(xué)地球科學(xué)與工程學(xué)院大地測量學(xué)與測量工程專業(yè)博士在讀?，F(xiàn)任南京郵電大學(xué)地理與生物信息學(xué)院講師。研究方向為極化SAR圖像的處理及其應(yīng)用。E-mail：jiangc@njupt.edu.cn。