基于纹理分割融合的雷达遥感影像人工建筑识别算法

摘要

本发明公开了一种基于纹理分割融合的雷达遥感影像人工建筑识别算法。其算法步骤为：根据传感器类型确定影像分割比例因子和逻辑掩膜分割尺度；寻找并计算、筛选空间自相关结构指数特征和灰度共生矩阵纹理特征；根据掩膜尺度对空间特征指数和纹理信息进行逻辑掩膜；利用数学形态学操作过滤掩膜结果；将过滤的结果进行初步逻辑聚类，并寻找明显建筑区域；根据初步寻找的结果，再次逻辑聚类并结合数学形态学重建算法，更新完善明显建筑区域，并通过数学形态学剖面重建，最终精确获取建筑信息识别结果。本发明最大化挖掘数学形态学与逻辑聚类对SAR影像建筑识别的能力，能够提高建筑信息的最终识别精度。

说明书

技术领域

本发明涉及的是遥感模式识别技术领域，具体涉及一种基于纹理分割融合的雷达遥感影像人工建筑识别算法。

背景技术

生态环境是一个最为复杂的结构体，是不断创造人类社会文明的基础，它最主要的两个特征是：增长性和动态性。这增加了利用遥感数据进行分析和认知的复杂度。随着社会经济发展和科技的进步,社会化进程不断加快,人造地表(尤其是建筑物、道路等为主的不透水层)逐渐取代以植被等为主的自然景观,引起城市土地利用/覆盖的根本变化。SAR 卫星图像与光学卫星图像相比具有全天时、全天候的特点，1997 年 Henderson 首次综述了 SAR 卫星数据应用于城市环境监测的现状和前景。特别是SAR 图像最显著的优点在于其能提供的复杂纹理信息，信号相位负载能比空间域强度信号提供更多的信息，因此纹理信息在雷达影像提取城市建筑信息中起到的作用得到越来越多学者的赞同和支持。

由于在城市区域环境中把地物类别看做块状聚集物要比单独的建筑单元更科学也更有利于分类信息的提取，因此我们采用数学形态对空间纹理进行分割聚类，而非单像素的方法进行人工建筑物识别。在高分辨率SAR数据中，特别是像低空无人机载/星载雷达传感器获取的高分辨率SAR 数据中，对同质性信息进行统计分割很有意义。分割的过程可以看做根据某种准则把每个对象最终被确定为某种特定的城市土地覆盖类型。理想情况下，如果一块区域能够被充分分割，那么这些分割结果或许可以利用一些空间特征，比如说我们前面选择的空间特征，并根据一定的判断准则重新组合成为有意义的景观格局类别（如建筑体），也就是实现了典型目标识别目的。

本发明提出的一种基于纹理分割融合的无人机载/星载雷达遥感影像人工建筑识别算法，针对高分辨率SAR数据的特点，通过空间纹理分割和数学形态学的方法进行人工建筑地类的提取。利用MORAN空间自相关指数评估每个目标值和其相邻元素的均值的相似性度量来衡量局部同质化；利用GEARY空间指数识别像元和其相邻元素的高变异区域来衡量局部相异性；利用GETIS空间指数识别聚集成块的很高或很低值的区域。寻找高相关区域是非常有用的，特别是对于 SAR 数据，高相关区域表示区域的独特特征。因此基于空间相关特征指数的人工建筑地类识别的主要思想就是，通过对SAR影像分割寻找识别可靠的高亮目标区域，并利用这些高亮目标区域重建区域完整建筑群体。

发明内容

针对现有技术上存在的不足，本发明目的是在于提供一种基于纹理分割融合的雷达遥感影像人工建筑识别算法，解决了有效利用合成孔径雷达（SAR）遥感数据空间纹理特征高精度提取建筑信息的问题。

为了实现上述目的，本发明是通过如下的技术方案来实现：基于纹理分割融合的雷达遥感影像人工建筑识别算法，其具体步骤为：

(1)输入SAR遥感影像数据；

(2)根据传感器类型确定影像分割比例因子和逻辑掩膜分割尺度；

(3)寻找并计算、筛选空间自相关结构指数特征和灰度共生矩阵纹理特征；

(4)根据掩膜尺度对空间特征指数和纹理信息进行逻辑掩膜，并利用数学形态学操作过滤掩膜结果；

(5)将过滤的结果进行初步逻辑聚类，并寻找明显建筑区域；

(6)根据初步寻找的结果，再次逻辑聚类并结合数学形态学重建算法，更新完善明显建筑区域；

(7)计算研究区域的空间纹理特征，对空间纹理信息进行逻辑掩膜和数学形态学滤波，并将滤波结果与第（5）步获取的初步信息进行逻辑与或融合；

(8)对逻辑与或结果进行密度分割；

(9)对密度分割结果进行数学形态学连通操作，并进行逻辑与或融合，更新明显建筑区域结果；

(10)对两次提取的建筑信息进行逻辑聚类和融合，并通过数学形态学剖面重建，获取最终建筑信息识别结果。

作为优选，所述步骤(1)中，算法支持输入合成孔径雷达遥感影像类型多样，星载SAR传感器获取的遥感影像和无人机载SAR传感器获取的遥感影像均可。

作为优选，所述步骤(2)中输入的空间自相关特征是针对步骤(1)所输入的高分辨率SAR遥感影像，经过局部空间自相关统计计算获得的局部空间特征因子，能够初步识别建筑区域。

作为优选，所述步骤（3）中输入的地物纹理信息是基于灰度共生矩阵GLCM统计计算得到，GLCM纹理是对空间关联特征的有效补充，算法中能够对初步识别的建筑区域进一步优化，提高识别精度。

作为优选，所述步骤（4）中分别提取与建筑类型高度正的自相关区域和负的自相关区域方法。提取过程中用到的数学模型可表述为如下公式：

                                                                     （1）

          （2）

                            （3）

公式（1）中，x_i是空间单元i的属性值，w_ij为空间权矩阵，代表空间单元i和j之间的影响程度。I_i是MORAN指数，取值范围为[-1，1]，正值表示该空间单元与邻近单元的属性值相似，空间自相关性是正相关；负值表示该空间单元与邻近单元的属性值不相似，空间自相关性是负相关；0表示没有空间相关属性。

公式（2）中，C_i是GEARY指数，取值范围一般为[0，2]，GEARY=1代表空间无关，小于1为空间正相关，大于1时为空间负相关，当GEARY=2时有很强的空间负相关。因此可以用来鉴定像元与邻近像元空间相似度。

公式（3）中，G_i表示GETIS空间指数，是基于距离权矩阵的局部空间自相关指标，能探测高值聚集和低值聚集，w_ij是单元i和单元j之间的距离权，正的GETIS表示单元邻居的观测值高，负的GETIS表示单元邻居的观测值低。

移除孤立小面积对象，并使用数学形态学填充对有意义的对象进行增长计算。算法中阈值分割和数学形态学填充用到数学模型为：

                           （4）

                        （5）

    （6）

    （7）

公式（4）、（5）表示B对A的腐蚀和膨胀操作用集合论的表述，是数学形态学滤波填充操作的基础，对于测量腐蚀和膨胀的数学模型如公式（6）和（7）所示，公式中S为标记图像，T为模板图像。当n=0时，D(S)=S,E(S)=S，因此通过迭代可以实现测量腐蚀和膨胀的数学形态学重建。由于雷达图像中人工建筑具有聚集性和不连贯性，利用图像交集运算提取的特征区域更有利于建筑区的识别。

所述步骤（5）和（6）中得到的GETIS-ORD特征作为模板，进行数学形态学重建开闭所用到数学模型为：

，       （8）

通过迭代来完成数学形态学填充、掩膜提取建筑区域。

所述步骤（7）和（8）中将SAR影像中利用灰度共生矩阵提取的纹理特征进行交集运算，并与空间相关特征提取的正、负相关区域交集，充分利用灰度共生矩阵纹理和空间自相关特征纹理各自的优势，提高地类识别精度。

作为优选，所述步骤（9）和（10）将不同纹理提取的建筑区域进行融合，并进行迭代筛选，获取最终建筑识别结果。

本发明解决有效利用合成孔径雷达（SAR）遥感数据空间纹理特征高精度提取建筑信息的问题。首先对空间自相关纹理特征进行分割和数学形态学重建，预测出初级分类结果，然后利用灰度共生矩阵纹理进行优化和融合，并再进行预测分类，最终实现SAR遥感影像准确人工建筑地类高精度识别的目的。

本发明充分利用SAR遥感影像中丰富在的空间纹理信息和人工建筑在雷达影像中独特的成像特征，最大化挖掘数学形态学与逻辑聚类对SAR影像建筑识别的能力，能够提高建筑信息的最终识别精度，同时具有易于实现、计算复杂度低等优点，可用于无人机载或星载SAR遥感影像城区人工建筑信息提取、城区动态扩展监测，以及市区违规建筑排查等相关的多种应用中。

附图说明

下面结合附图和具体实施方式来详细说明本发明；

 图1为本发明的步骤流程图。

图2为本发明的星载PALSAR数据煤矿区人工建筑提取结果图。

图3为本发明的星载PALSAR数据城区人工建筑提取结果图。

图4为本发明的无人机载MINI SAR数据城区人工建筑提取结果图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参照图1，本具体实施方式采用以下技术方案：基于纹理分割融合的雷达遥感影像人工建筑识别算法，其具体步骤为：

步骤1：输入SAR遥感影像数据

输入SAR遥感影像类型不特定，星载微波辐射计传感器获取的SAR遥感影像和无人机机载微波辐射计传感器获取的SAR遥感影像均可。

步骤2：提取空间关联度纹理

利用Rook's case临近规则统计计算研究区MORAN,GEARY和GETIS-ORD空间关联度指数，并转化为G=256灰度等级。

步骤3：提取灰度共生矩阵纹理

利用移动窗口计算提取研究区灰度共生矩阵（GLCM）纹理信息，并转化为G=256灰度等级。

步骤4：提取并优化空间相关区域。

对空间指数进行分割并利用形态学做空间分析，分别计算提取与建筑类型高度正的自相关区域和负的自相关区域。移除孤立小面积对象，并使用数学形态学填充对有意义的对象进行增长计算。对优化后的对象图形进行交集运算，识别提取同时具有正的自相关和负的自相关区域。

步骤5：重建明显建筑区域

将提取的自相关区域特征作为标记，将第2步计算得到的GETIS-ORD特征作为模板，进行数学形态学重建，并对重建的结果进行形态学滤波删除过小的误判区域。

步骤6：分析评价初步获取建筑区

计算每一个分割区域象元数和面积，对第5步的重建的明显建筑区域进行分析验证，获取能够判断为建筑区域概率最大的分割单元BML

步骤7：纹理特征提取与分析

对获取的VARIANCE和CORRELATION纹理信息，进行二值化和图像交集运算产生CVB，将交集运算产生的结果与第4步的结果进行交集运算产生CVS，以CVS为标记CVB为模板进行数学形态学重建，并对重建的结果进行形态学滤波删除过小的误判区域获取MCV。

步骤8：纹理特征对MORAN和GEARY的优化

再次计算每一个分割区域象元数和面积，对第7步的结果进行分析验证，获取能够判断为建筑区域概率最大的分割单元BMT。

步骤9：纹理特征对GETIS-ORD的优化

将第6步和第8步利用空间特征和纹理特征提取的建筑区（BML和BMT）进行融合，分别对BML和BMT做形态学交集和并集运算得到BALT和BULT

步骤10：分析评价提取最终建筑区域

对获取的BALT和BULT进行分析，以BALT作为标记BULT作为模板进行数学形态学重建，并结合提取的所有建筑区域斑块及第6步和第8步分析设定TH5，对满足条件的斑块利用形态学滤波进行优化获取最终建筑区域识别结果。

实施例1：基于纹理分割融合的无人机载/星载雷达遥感影像人工建筑识别算法同具体实施方式，图2(a)和图3(a)是本发明使用的星载SAR遥感原图像，它是日本的对地观测卫星ALOS的相控阵型L波段合成孔径雷达（PALSAR）传感器数据，不受云层、天气和昼夜影响，可用于全天时全天候陆地观测，获取时间为2008年11月12日，极化方式为HH，空间分辨率为10m，覆盖区域为江苏省徐州市贾汪区以东铜山县以西的煤矿区域以及徐州市区区域。为了验证本发明方法的有效性，同时利用无人机载SAR数据进行验证。无人机载MINI SAR传感器为条带式SAR数据获取方式，成像带宽，300～2000m，空间分辨率0.3m。成像频率为ku波段，如图4(a)所示。本发明方法不需要调节参数，使用方便。表1列出了各种不同SAR数据通过本方法人工建筑识别的精度。图2是星载PALSAR数据煤矿区人工建筑提取结果图，图3是星载PALSAR数据城区人工建筑提取结果图，图4是无人机载MINI SAR数据城区人工建筑提取结果图。表2、表3和表4列出了针对不同区域和传感器本发明算法与现有算法识别对别结果。

表1  星载SAR数据和无人机载SAR数据建筑识别精度：

表2发明算法与现有算法识别结果对比（矿区实验结果）：

表3 发明算法与现有算法识别结果对比（城区实验结果）：

 表4 发明算法与现有算法识别结果对比（无人机载数据实验结果）：

本实施例的人工建筑识别方法能够充分利用雷达数据特征信息，根据空间相关性理论和纹理分割算法，能够得到的高精度的地类识别结果。

随着高分辨率SAR技术的不断发展，获取无人机载或星载遥感影像的途径大大增加，而且会越来越容易，随之而来的应用也会越来越多，必将涉及到众多的领域。因此研究SAR遥感影像人工建筑识别方法有着重要的现实意义，本发明为SAR遥感影像分类方法的发展提供了一种新的思路。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。