基于高分三號(hào)衛(wèi)星SAR影像的城市建筑區(qū)提取

鄧?guó)櫲?，崔宸洋，單文龍，徐?mèng)竹

（1. 河海大學(xué) 地球科學(xué)與工程學(xué)院，江蘇 南京 211100；2. 南京林業(yè)大學(xué) 土木工程學(xué)院，江蘇 南京 210037）

0 引 言

建筑區(qū)是人類進(jìn)行土地規(guī)劃、城區(qū)擴(kuò)張、城市監(jiān)測(cè)、災(zāi)后評(píng)估等研究分析的必要信息，為提高研究效率并降低成本，利用遙感影像自動(dòng)或半自動(dòng)提取建筑區(qū)已經(jīng)成為城市研究的重要技術(shù)手段。合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）由于其全天時(shí)、全天候、高分辨率等特點(diǎn)，能夠有效監(jiān)測(cè)提取建筑區(qū)。近年來(lái)，隨著SAR影像分辨率不斷提高，數(shù)據(jù)資源不斷豐富，使其成為城市研究的重要數(shù)據(jù)源之一。目前，國(guó)內(nèi)外學(xué)者利用SAR影像開(kāi)展了有關(guān)城市區(qū)域提取的很多研究。如Ban等人在Radarsat影像上對(duì)城市目標(biāo)進(jìn)行了有效分類[1]，吳樊等從分辨率為3 m的機(jī)載SAR影像中利用灰度特征提取出近80%的居民區(qū)[2]，趙凌君等利用分辨率為1 m的機(jī)載SAR影像采用變差函數(shù)的方法得到精度為78%的建筑區(qū)[3]，張舞燕等通過(guò)相干系數(shù)利用ENVISAT ASAR的兩景影像，提取出城市建筑區(qū)邊界與光學(xué)影像吻合度達(dá)到817%[4]，孫萍[5]等通過(guò)NASA/JPL AIRSAR的L波段數(shù)據(jù)提取出82%的建筑物。

但對(duì)于我國(guó)最新發(fā)射升空的高分三號(hào)衛(wèi)星，由于剛發(fā)射不久，國(guó)內(nèi)利用其進(jìn)行相關(guān)應(yīng)用研究還很少，在建筑區(qū)提取方面研究更少，僅有少量關(guān)于海浪定量遙感[6]、土壤水分反演的研究。鹽城主要以平原為主，地區(qū)平均海拔不足5 m，地表起伏比較平緩，其城區(qū)比較適合進(jìn)行建筑區(qū)提取的研究。因此，本文以鹽城地區(qū)為例，開(kāi)展基于高分三號(hào)SAR影像的城市建筑區(qū)提取研究。首先對(duì)建筑區(qū)的散射機(jī)制和其SAR影像特征進(jìn)行分析，然后基于灰度共生矩陣提取紋理特征，針對(duì)高分三號(hào)SAR影像，確定灰度共生矩陣參數(shù)，并篩選最優(yōu)紋理特征組合，最后綜合利用灰度和紋理特征，從高分三號(hào)SAR影像中有效提取出建筑區(qū)范圍，為高分三號(hào)衛(wèi)星數(shù)據(jù)在城市研究中的應(yīng)用提供參考。

表1 不同成像模式參數(shù)[7]Tab.1 Parameters of different imaging modes

1 高分三號(hào)衛(wèi)星及其影像特征分析

1.1 高分三號(hào)衛(wèi)星簡(jiǎn)介

高分三號(hào)衛(wèi)星是我國(guó)在2016年發(fā)射的C波段多極化合成孔徑雷達(dá)成像衛(wèi)星，其分辨率可達(dá)1 m，能夠全天候不間斷獲取全球海洋和陸表信息，能長(zhǎng)期提供高質(zhì)量高精度觀測(cè)數(shù)據(jù)用于監(jiān)測(cè)國(guó)土資源、維護(hù)海洋權(quán)益以及災(zāi)害天氣預(yù)警等，對(duì)國(guó)家經(jīng)濟(jì)建設(shè)和國(guó)際區(qū)域合作都有促進(jìn)作用。

高分三號(hào)衛(wèi)星是目前世界上成像模式最多的合成孔徑雷達(dá)衛(wèi)星[7]，包含了聚束、條帶、掃描等12種成像模式，空間分辨率在1 m到500 m之間，幅寬可從10 km調(diào)整到650 km。因此，其應(yīng)用范圍較廣，既可用于海面船只和陸地建筑物等精細(xì)目標(biāo)的分辨，也可用于資源環(huán)境及生態(tài)狀況的大范圍普查。

高分三號(hào)對(duì)地觀測(cè)所有成像模式見(jiàn)表1。

1.2 建筑區(qū)的SAR影像特征分析

與可見(jiàn)光或紅外遙感相比，微波遙感具有一定的穿透性，能夠獲取更多的目標(biāo)信息。通常來(lái)說(shuō)，可見(jiàn)光和近紅外遙感通過(guò)地物反射率獲取地物信息，熱紅外遙感通過(guò)地物熱輻射獲取地物信息，而合成孔徑雷達(dá)中的主動(dòng)微波遙感是通過(guò)后向散射回波獲取地物信息[8]。由于自然地表幾何特征復(fù)雜且分布隨機(jī)，因此雷達(dá)入射微波與地表之間的散射作用比較復(fù)雜。建筑區(qū)包括建筑物、道路、公共設(shè)施、綠地等，SAR影像上建筑區(qū)的表現(xiàn)是各種地物綜合反映的結(jié)果[9]。建筑區(qū)不同地物由于其表面粗糙程度不同，在微波的照射下會(huì)發(fā)生不同的散射，產(chǎn)生的回波強(qiáng)度也會(huì)有差異。根據(jù)建筑物表面粗糙程度以及立體結(jié)構(gòu)，建筑區(qū)可能發(fā)生的散射情況有以下5種[10]：①由建筑物屋頂引起的鏡面反射，如圖1中a所示；②由光滑地面與建筑物墻面引起的二次散射，如圖1中b所示；③在相鄰建筑物墻面及建筑物之間的地面發(fā)生的多次散射，如圖1中c所示；④由粗糙地表引起的表面散射，如圖1中d所示；⑤由粗糙地表與建筑物墻面引起的二次散射，如圖1中e所示。

圖1 建筑區(qū)散射機(jī)制示意圖Fig.1 The scattering mechanism diagram in building area

一般來(lái)說(shuō)，屋頂表面可以被認(rèn)為是光滑的，會(huì)發(fā)生很強(qiáng)的鏡面反射，其回波受到建筑屋頂和墻面朝向的影響。如圖1所示，對(duì)于斜頂建筑物，垂直于雷達(dá)觀測(cè)角的傾斜屋頂產(chǎn)生的鏡面反射本身是強(qiáng)反射；而無(wú)論斜頂還是平頂建筑物，當(dāng)其墻面朝向雷達(dá)入射波方向時(shí)，墻面和地面形成的各向同性二次散射會(huì)產(chǎn)生較強(qiáng)的回波；此外，在密集建筑區(qū)，建筑墻面還會(huì)與地面之間發(fā)生多次散射[11]。因此建筑區(qū)在SAR影像上呈現(xiàn)出的整體亮度一般要高于周邊地物，如圖2a所示。在建筑區(qū)內(nèi)，建筑物會(huì)引起亮斑或亮線，粗糙植被會(huì)引起淺灰色斑塊，再加上黑色的道路、陰影等，整體就會(huì)形成較明顯的區(qū)域邊界，同時(shí)建筑區(qū)內(nèi)建筑往往排列較為整齊，因此建筑區(qū)在SAR影像中會(huì)呈現(xiàn)出明暗相間的豐富紋理，如圖2b所示。

圖2 建筑區(qū)SAR影像特征Fig.2 SAR image features in building areas

2 建筑區(qū)提取方法

根據(jù)上一節(jié)的分析，若僅僅利用SAR影像的灰度特征來(lái)提取建筑區(qū)，難以取得較好的效果，可以綜合利用灰度和紋理特征來(lái)提高信息提取精度。通過(guò)紋理特征進(jìn)行影像分析的方法有很多，而本文采用通過(guò)研究灰度的空間相關(guān)特性來(lái)描述紋理的灰度共生矩陣（Gray Level Co-occurrence Matrix，GLCM）的方法，是因?yàn)樵摲椒ū徽J(rèn)為是描述影像紋理特征最有效的方法之一。

2.1 基于灰度共生矩陣的紋理特征提取

灰度共生矩陣是用來(lái)統(tǒng)計(jì)影像灰度變化的數(shù)學(xué)度量，它從影像(x,y)灰度為i的像元出發(fā)，統(tǒng)計(jì)與其灰度為j、距離為d的像元 (x+Δx,y+Δy)出現(xiàn)的概率P(i,j,d,θ)。用數(shù)學(xué)表達(dá)則為：

式中，i、j分別表示灰度共生矩陣的行列號(hào)；x、y表示影像中的像元坐標(biāo)；Nx、Ny表示影像的行列數(shù)；θ表示兩像素連線向量的角度，一般有0o，45o，90o和135o4個(gè)角度；d表示兩像元之間的距離，為較好地分析結(jié)果，d取為1。

在實(shí)際應(yīng)用中，通常需要根據(jù)灰度共生矩陣計(jì)算出的一系列特征量來(lái)表達(dá)紋理特征。在本文中，主要采用均勻性、對(duì)比度、方差、均值、差異性、熵、能量、相關(guān)度8種特征，其計(jì)算方法可參見(jiàn)文獻(xiàn)[2]，本文不逐一列出。

2.1.1 灰度共生矩陣參數(shù)確定

灰度共生矩陣主要受影像的量化級(jí)、方向、步長(zhǎng)以及窗口大小等因素的影響，需要首先根據(jù)影像紋理特點(diǎn)選擇合適的參數(shù)[12]。以往的研究表明，過(guò)多的影像灰度級(jí)數(shù)會(huì)導(dǎo)致計(jì)算量大大增加，然而灰度級(jí)數(shù)對(duì)紋理特征計(jì)算影響不大，因此本文選擇把影像灰度級(jí)數(shù)壓縮為16級(jí)；為了考慮更加全面，我們?nèi)?°，45°，90°和135°共4個(gè)角度方向計(jì)算，最后計(jì)算4個(gè)方向的平均值作為特征值；步長(zhǎng)取值一般較小，根據(jù)經(jīng)驗(yàn)本文取為1。通常來(lái)說(shuō)，窗口大小對(duì)灰度共生矩陣有較大的影響，窗口過(guò)大，紋理特征會(huì)變模糊，窗口太小，又不能很好地反映影像的紋理特征，而且對(duì)于不同影像，適用的窗口大小也不同。因此，本文重點(diǎn)探討窗口大小的確定。

由于本文的目標(biāo)是從SAR影像中提取出建筑區(qū)，對(duì)于城市區(qū)域而言，非建筑區(qū)主要有植被、水體等典型地物，因此截取多個(gè)包含典型地物的非建筑區(qū)樣本以及建筑區(qū)樣本開(kāi)展實(shí)驗(yàn)。以4為間隔依次采用從5×5到49×49之間不同的窗口大小進(jìn)行紋理特征提取實(shí)驗(yàn)，針對(duì)建筑區(qū)、非建筑區(qū)兩類地物，分別計(jì)算不同窗口大小下的8種紋理特征統(tǒng)計(jì)量，并畫(huà)出每一種紋理特征統(tǒng)計(jì)量隨窗口大小變化的曲線，據(jù)此分析出這種統(tǒng)計(jì)量用于提取建筑區(qū)的最佳窗口尺寸。下面以能量和熵為例進(jìn)行說(shuō)明，如圖3所示，帶方框的曲線代表非建筑區(qū)，帶三角形的曲線代表建筑區(qū)，在窗口尺寸接近41時(shí)，如圖3黃色橢圓內(nèi)，非建筑區(qū)和建筑區(qū)特征值相差較明顯，大于41時(shí)，特征值又再次接近甚至交叉。

圖3 不同窗口建筑區(qū)與非建筑區(qū)紋理特征比較Fig.3 Comparison of texture features of different windows in building area and non - building area

由于本實(shí)驗(yàn)是為了區(qū)分大塊的建筑區(qū)和非建筑區(qū)，無(wú)需內(nèi)部細(xì)節(jié)，所以由實(shí)驗(yàn)的特征隨窗口大小變化的曲線直接獲得，窗口取為41×41較合適。

2.1.2 紋理特征選擇

不同的特征值反映了影像不同的紋理特性，參與分類的特征過(guò)多，不利于得到好的分類效果，所以需要進(jìn)行特征選擇，根據(jù)前人研究，利用巴氏距離可以較好地對(duì)紋理特征進(jìn)行選擇[13]。巴氏距離定義為：

式中，μ1,σ1和μ2,σ2分別表示兩個(gè)不同類別在某一特征影像上的均值和標(biāo)準(zhǔn)差。BD值越大表明該特征區(qū)分類別的能力越強(qiáng)。將每種特征的BD值除以最大值得到歸一化后的BD值見(jiàn)表2。根據(jù)得到的BD值大小，可知均勻性、相關(guān)性、慣性矩區(qū)分類別能力最強(qiáng)。

表2 歸一化BD值Tab.2 Normalized the BD value

2.2 綜合灰度和紋理特征的建筑區(qū)提取

根據(jù)上一節(jié)的分析，本文利用慣性矩、能量、相關(guān)性、差異性來(lái)描述紋理特征，并與灰度特征一起組合成一幅新影像，從中提取建筑區(qū)。該方法主要實(shí)現(xiàn)過(guò)程如下：

1）先用窗口大小為3×3的LEE濾波方法對(duì)影像進(jìn)行斑點(diǎn)噪聲抑制處理；

2）對(duì)濾波后的影像進(jìn)行基于灰度共生矩陣的紋理分析，采用上一節(jié)確定的參數(shù)計(jì)算得到8個(gè)常用的紋理統(tǒng)計(jì)特征；

3）按巴氏距離最大原則挑選出3個(gè)最優(yōu)的紋理特征,采用主成分分析方法去除相關(guān)性，并將信息量最大的前兩個(gè)主成分與灰度影像進(jìn)行波段組合；

4）利用K均值聚類分析的方法對(duì)波段組合后的影像分類；

5）最后對(duì)分類后的影像進(jìn)行形態(tài)學(xué)濾波，去除單個(gè)孤立的面積小的點(diǎn)，得到建筑區(qū)。

3 實(shí)驗(yàn)與分析

3.1 研究區(qū)及數(shù)據(jù)概況

研究區(qū)位于江蘇省鹽城市，地形主要以平原為主，本次實(shí)驗(yàn)數(shù)據(jù)是選取2017年4月20日精細(xì)條帶1模式下的高分三號(hào)影像，極化方式為HH，標(biāo)稱分辨率為5 m，選取一幅大小500×500和一幅大小為700×700的子影像作為測(cè)試影像，如圖4所示，同時(shí)選擇同一地區(qū)對(duì)應(yīng)的Landsat8影像作為參考影像，如圖5所示。

圖4 研究區(qū)高分三號(hào)影像Fig.4 GF-3 Satellite SAR image of study area

圖5 研究區(qū)Landsat8影像Fig.5 Landsat8 image of study area

3.2 數(shù)據(jù)處理與結(jié)果分析

對(duì)濾波后的整幅影像進(jìn)行紋理分析，得到均勻性、相關(guān)性、慣性矩三幅特征影像，再使用主成分分析法去除它們之間的相關(guān)性，選取前兩幅信息量最大的波段，再與原灰度影像進(jìn)行波段組合。利用K均值聚類分析方法，對(duì)組合后的影像進(jìn)行分類，得到分類影像，通過(guò)一定的形態(tài)學(xué)處理，將孤立的點(diǎn)去掉，填充面積較小的孔洞，最后得到分類結(jié)果[14]。如圖6是結(jié)合灰度紋理的非監(jiān)督分類及后處理結(jié)果，a和b分別是實(shí)驗(yàn)區(qū)Ⅰ分類結(jié)果和與光學(xué)影像疊加后的結(jié)果，c、d是實(shí)驗(yàn)區(qū)Ⅱ分類結(jié)果和與光學(xué)影像疊加后的結(jié)果；圖7則是對(duì)應(yīng)的無(wú)紋理的分類結(jié)果。

從圖5和圖6可以看出，分類得到的影像與對(duì)應(yīng)的光學(xué)影像比較，無(wú)論是區(qū)域Ⅰ，還是區(qū)域Ⅱ，對(duì)于建筑比較密集或者SAR影像紋理比較明顯的區(qū)域，利用紋理和灰度特征能夠更加容易地提取出建筑區(qū)。從圖7看出沒(méi)有紋理信息的提取結(jié)果相對(duì)較差。

圖6 結(jié)合灰度紋理的非監(jiān)督分類及后處理結(jié)果Fig.6 Unsupervised classif i cation and post-processing results combined with grayscale texture

圖7 無(wú)紋理的非監(jiān)督分類及后處理結(jié)果Fig.7 Untextured unsupervised classif i cation and post-processing results

根據(jù)研究區(qū)的地理范圍，為了更精確的統(tǒng)計(jì)，均勻分布15行，15列，共225個(gè)檢驗(yàn)樣本點(diǎn)，檢驗(yàn)樣本點(diǎn)分布如圖8、圖9所示，以研究區(qū)的Landsat8 OLI影像為參考數(shù)據(jù)，對(duì)這些檢驗(yàn)樣本點(diǎn)逐一進(jìn)行人工目視解譯，確認(rèn)檢驗(yàn)點(diǎn)分類結(jié)果以及參考數(shù)據(jù)的類別屬性，本文采用檢測(cè)率，漏檢率和錯(cuò)檢率來(lái)進(jìn)行結(jié)果評(píng)價(jià)，精度評(píng)價(jià)見(jiàn)表3。

圖8 基于灰度紋理的精度評(píng)定Fig.8 Accuracy evaluation based on gray texture

圖9 無(wú)紋理的精度評(píng)定Fig.9 Non-textured accuracy assessment

表3 總體分類精度統(tǒng)計(jì)Tab.3 Overall classif i cation accuracy statistics

4 結(jié)束語(yǔ)

本文針對(duì)高分三號(hào)影像，基于灰度共生矩陣提取紋理特征，再進(jìn)行特征選擇，通過(guò)主成分分析消除特征間相關(guān)性，與原灰度影像疊加后，采用非監(jiān)督分類的方法，實(shí)現(xiàn)了高分三號(hào)研究區(qū)建筑區(qū)的自動(dòng)提取。實(shí)驗(yàn)結(jié)果表明，對(duì)于如區(qū)域Ⅰ和區(qū)域Ⅱ小范圍建筑區(qū)特征較為明顯的影像，綜合紋理灰度特征的分類方法精度較高，綜合紋理灰度特征分類的檢測(cè)率接近72%。而無(wú)紋理的分類方法檢測(cè)率相對(duì)較低、漏檢率和錯(cuò)檢率較高。

從精度評(píng)定的結(jié)果看，這種方法仍然存在一些錯(cuò)分的情況，由于特征區(qū)分不夠明顯，可利用特征數(shù)偏少，將一些平原錯(cuò)分為建筑區(qū)的情況較為頻繁，但總體提取效果較好，基本可以將大片的建筑區(qū)塊提取出來(lái)。實(shí)驗(yàn)證明，這種方法除了可以對(duì)高分辨率SAR影像適用外，對(duì)高分三號(hào)衛(wèi)星的影像同樣適用。考慮到SAR影像中建筑區(qū)的干涉相干特性與其他地物相比有較明顯的區(qū)別，后續(xù)研究將把相干性特征引入到SAR建筑區(qū)提取中，以期進(jìn)一步提高SAR影像建筑區(qū)提取的精度。