1、极化分解后多纹理特征的建筑物损毁评估 陈启浩 聂宇靓 李林林 刘修国 中国地质大学(武汉)信息工程学院 北京大学遥感与地理信息系统研究所 摘 要： 准确地获知灾区的建筑物损毁程度能为抗震救灾和灾后重建提供决策依据。利用震后极化合成孔径雷达 (SAR) 数据, 该文提出了一种综合利用极化分解后多纹理特征的震后建筑物损毁评估方法。首先, 用 Pauli 分解的 /4 偶次散射分量剔除非建筑区;其次, 用 Pauli 分解的 /4 偶次散射分量的方差特征、对比度特征和 Pauli 分解的奇次散射分量的对比度特征识别倒塌建筑物, 并分别基于区块计算建筑物损毁指数;最后, 综合 3 个纹理特征完成建筑物
2、的损毁评估。采用玉树震后 RADARSAT-2 数据和东日本大地震后 ALOS-1 数据的实验验证了所提方法对建筑物损毁评估的有效性, 该方法对玉树城区和日本石卷城区的重度、中度和轻度损毁建筑评估的总体精度分别为 74.39%和 80.26%。与其他方法的对比实验表明, 该方法能减少取向角的影响, 对存留有少数与方位向平行的完好建筑物的倒塌区、大取向角的完好建筑区的评估更为准确。关键词： 极化 SAR; 震害评估; 建筑物; Pauli 分解; 灰度共生矩阵; 作者简介：陈启浩 (1982) , 男, 讲师, 研究方向为极化 SAR 信息提取。E-mail:作者简介：聂宇靓 (1993) ,
3、女, 博士研究生, 研究方向为极化 SAR 灾害评估。E-mail:收稿日期：2016-11-10基金：国家自然科学基金 (编号:41301477, 41471355) Buildings damage assessment using texture features of polarization decomposition componentsCHEN Qihao NIE Yuliang LI Linlin LIU Xiuguo Faculty of Information Engineering, China University of Geosciences; Abstract： A
4、ccurately obtaining building damage situation in disaster areas provides decision-making support for disaster relief and post-disaster reconstruction. The existing evaluation methods using polarization featuresare greatly influenced by the orientation angle of buildings, and the intact buildings wit
5、h large orientation anglesare easily misclassified for the collapsed buildings. The combination of multiple features is an effective way to improve the accuracy of building damage assessment, in which the texture features play an important role. This paper proposed a new building damage assessment m
6、ethod which applies the texture features of polarization decomposition components. There are three key procedures in this method. Firstly, the non-building areasare removed by thefiltered /4 double-bounce scattering component of Pauli decomposition. Secondly, thestrategy of extracting collapsed buil
7、dings is built.For building areas, the Variance and Contrast features of Gray-Level Co-occurrence Matrix (GLCM) are calculated on the Pauli decomposition parameters. Specifically, the Variance and Contrast textures are obtained by the /4 double-bounce scattering component of Pauli decomposition; the
8、 Variance texture is given by the odd scattering component of Pauli decomposition. Then, the appropriatethresholds for distinguishing collapsed buildings from intact buildings are determined by these texture features.When the texture feature value of the pixel is smaller than the threshold, then the
9、 pixel is classified as collapsed building, otherwise, the pixel is identified as intact building. At last, building damage assessment is implemented.The building damage indexes computed by the three texture features are averaged to get the final building damage index, and then the result of buildin
10、g damage assessment is obtained.This method was validated on RADARSAT-2 fine-mode polarimetric SAR imagery from the Yushu earthquakeacquired on April 21, 2010. The ground-truth map of the buildings in Yushu city, interpreted on high-resolution optical data, was used as a reference for comparison. Co
11、mpared with the H- method, the method with homogeneous texture of span image and the method with integrated Normalized Circular-pol Correlation Coefficient (NCCC) and homogeneous texture feature, the building damage assessment accuracy of the proposed method was the highest, and its overall accuracy
12、 was improved to 74.39%.Particularly, the detection rate for serious damage buildings is 100%, and the false alarm rate is 15.62%. In addition, the intact buildings with large orientation angles in northeastern corner of the city were also extracted correctly. Based on the experimental analysis, the
13、 main factor of affecting the accuracy is the similarity of Pauli polarization features, the Variance and Contrast texture features betweenthe flat and dense intact building areas and serious damaged building areas. In addition, the effectiveness of the proposed method was verified by the ALOS-1 dat
14、a after the 2011 east Japan earthquake and tsunami, and its overall accuracy was improved to 80.26%. A damage assessment method based on texture features from GLCM of Pauli decomposition components is proposed in this paper. In this method, Pauli decomposition parameter was utilized to remove non-bu
15、ilding areas, which was capable of removing the non-building areaseffectively, such as rivers, roads, bare ground and so on. By the comprehensiveutilization of the GLCM texture features of three Pauli decomposition components, the collapsed buildings can be extracted more accurately. By comparison w
16、ith other methods, the results confirm the validity of the proposed method.Keyword： polarimetric SAR; earthquake damage assessment; building; pauli decomposition; gray-level co-occurrence matrix; Received： 2016-11-101 引言地震是破坏性最强的自然灾害之一, 经常造成严重的人员伤亡和经济损失。快速、准确地获知震后建筑物损毁情况能及时为抗震救灾提供决策依据。遥感技术具有快速、综合、宏观
17、等优点, 在获知震区损毁情况方面具有很大优势 (范一大等, 2016) 。合成孔径雷达 (SAR) 以其全天时、全天候、穿透性强、大区域等对地观测特点 (郝洪美等, 2012) , 成为获取震害信息的一种实用选择。特别是地震发生后经常伴随恶劣的天气条件, 因此研究基于 SAR 数据的地震灾区建筑物损毁评估具有十分重要的意义。近年来, 国内外学者在 SAR 数据震区建筑物损毁评估方面进行了研究。Yonezawa 和 Takeuchi (2001) 指出地震前后 SAR 影像的强度相关性和干涉相干特征能一定程度地反映建筑物的损毁程度, 并提出了归一化相干系数差的倒塌建筑物探测方法。张景发等人 (2
18、002) 通过分析张北地震前后倒塌建筑物的相关性、平均灰度差异性和灰度方差差异性, 定量提取了建筑物损毁信息。Matsuoka 和 Yamazaki (2004) 以日本神户地震为例, 利用震前震后强度影像的相关系数和后向散射系数差构造了一个新的判别指数, 并提取倒塌建筑物。Gamba 等人 (2006) 提出了基于边缘特征变化检测和基于像素变化检测的震害信息提取方法。Dekker (2011) 用 COSMO-Sky Med 和 Terra SAR-X 数据对海地地震进行分析, 利用 SAR 数据归一化强度差和相关系数分别进行了基于网格的平均震害检测和单栋建筑的详细震害检测。Chen 和 S
19、ato (2013) 利用 ALOS 极化 SAR 数据分析了 2011 年东日本大地震和海啸的损毁情况, 提出了两个确定损毁等级的指标:震后与震前模型分解的偶次散射分量之比, 震后与震前取向角差值的标准差。上述方法取得了较好的应用效果, 但是对数据要求较高, 需要同时获取震前震后多时相 SAR 数据。由于合适的震前数据不易获得, 针对震后单时相 SAR 数据的建筑物损毁评估方法被提出。Guo 等人 (2009) 针对汶川震后的极化 SAR 数据利用圆极化相关系数 RRLL、偶次散射分量 Pd 和各向异性度 A 提取倒塌建筑物。郭华东等人 (2010) 针对玉树震区 RADARSAT-2 极化
20、数据, 提出利用 H和 参数去除非建筑物, 利用圆极化相关系数 RRLL 区分倒塌与完好建筑物的 H- 方法。Zhang 等人 (2015) 用最优极化对比度增强法检测玉树震后RADARSAT-2 极化数据中的损毁建筑物, 并证明对有一致取向角的建筑区的效果较好。Zhai 等人 (2016) 、Zhai 和 Huang (2016) 分别引入归一化的去取向前后偶次散射分量差、去取向前后偶次散射分量和体散射分量相对贡献变化率之差等参数, 修正 Wishart 监督分类结果, 以减少取向角建筑和损毁建筑的误分, 从而提高建筑物损毁评估的精度。基于震后 SAR 数据的建筑物损毁评估方法主要利用极化特
21、征, 其评估结果为地震灾后应急和重建提供了重要的科学依据和决策支持。但也存在一些不足:评估结果受建筑物取向角的影响较大, 容易将大取向角的完好建筑物误分为倒塌建筑物;对存留有少数与方位向平行的完好建筑物的倒塌区, 也易评估不准确。为解决这些问题, 震区建筑物损毁评估方法不再以单一的极化特征为主, 而是向多类特征相结合的方向发展。Zhao 等人 (2013) 用 H-Wishart 分类去除非建筑区, 综合规范化圆极化相关系数 (NCCC) 和总功率灰度共生矩阵 (GLCM) 的同质性纹理特征, 评估玉树地震后建筑物的损毁程度, 并用高分辨率机载极化 SAR 数据验证了其有效性。Shi 等人 (
22、2015) 利用极化、干涉和纹理等 181个特征, 用随机森林分类器对震后机载 SAR 数据进行分类和建筑物损毁评估, 指出纹理特征对倒塌建筑物提取及损毁评估最有效。由此可见, 多类特征结合是提高震后建筑物损毁评估精度的一个有效办法, 且纹理特征在其中能发挥重要作用。因此, 本文将目标分解的极化特征与灰度共生矩阵纹理相结合, 提出一种利用极化分解后多纹理特征的震区建筑物损毁评估方法。首先利用 Pauli 分解的极化特征剔除非建筑区;然后利用基于 Pauli 分解极化特征计算的 3 种 GLCM 纹理特征分别提取倒塌建筑物, 最后综合 3 种提取结果完成建筑物损毁评估;并利用玉树震后 RADAR
23、SAT-2 极化数据和东日本大地震后 ALOS-1 极化数据进行验证。2 本文方法描述建筑物倒塌前后其散射机制和纹理均会发生变化。考虑到建筑物密集的城区更多表现为低熵散射, 选用 Pauli 相干分解提取极化特征, 并结合经典的 GLCM 纹理描述方法, 综合利用震区目标散射机制和纹理特征的差异以准确评估震后建筑物损毁程度。利用极化分解后多纹理特征的建筑物损毁评估方法的流程图如图 1 所示。该方法的主要步骤如下:首先, 对震区极化 SAR 数据进行 Pauli 分解, 基于滤波去噪后的 /4 偶次散射功率 剔除非建筑区。其次, 基于 Pauli 分解的/4 偶次散射功率 提取灰度共生矩阵的方差
24、 (variance) 纹理和对比度 (contrast) 纹理, 基于 Pauli 分解的奇次散射功率 u 提取灰度共生矩阵的contrast 纹理。然后, 利用这 3 种纹理特征单独提取倒塌建筑物并计算区域建筑损毁指数。最后, 将基于 3 种纹理特征计算的区域损毁指数取平均值得到最终损毁评估结果。其中, , , 分别表示基于 3 个纹理特征区分完好建筑物和倒塌建筑物的阈值。2.1 Pauli 分解与非建筑区剔除Pauli 分解将散射矩阵 S 分解为多个 Pauli 基矩阵的复数形式的加权和, 每个Pauli 基矩阵对应一种基本散射机制 (Lee 和 Pottier, 2009) , 表示形
25、式如下式中, SHV 表示发射电磁波为垂直极化, 接收电磁波为水平极化;a, b, c, d 均为复数, 其值由下式给出图 1 利用极化分解后多纹理特征的建筑物损毁评估流程 Fig.1 The flow chart of building damage assessment using texture features of polarization decomposition components 下载原图Pauli 分解将目标的散射过程相干分解为 4 种散射机制:平坦表面的奇次散射, 方向角为 0的角反射器产生的二面角散射 (偶次散射) , 方向角为 45的角反射器产生的二面角散射 (/4
26、 偶次散射) , 以及散射矩阵的所有不对称分量。在满足互易定理的单站情况下, , 使得 d=0, 此时 Pauli 分解可简化为 3 个基矩阵。奇次散射、偶次散射和 /4 偶次散射分量的功率依次可描述为一般地, 非建筑区主要包括河流、道路及裸地等目标, 这些地物以奇次散射为主, 其他类型散射均较弱;而完好建筑物的屋顶及倒塌建筑物的奇次散射也较强。建筑物倒塌后偶次散射降低, 奇次散射增强;但完好建筑和倒塌建筑的 /4 偶次散射均明显强于非建筑物区。图 2 为玉树震后的 RADARSAT-2 极化 SAR 图像中完好建筑物、倒塌建筑物和非建筑物区样本 Pauli 分解后各分量的均值。可以看出, 非
27、建筑区和建筑区 (包括完好建筑物和倒塌建筑物) 在 /4 偶次散射分量的差异最大。因此, 根据震后灾区地物的散射机制, 本文利用 Pauli 分解的 /4 偶次散射分量功率 来区分非建筑区和建筑区。图 2 建筑区与非建筑区样本的 Pauli 分解后各分量的均值 Fig.2 The mean of samples calculated on the three components after Pauli decomposition 下载原图为了降低相干斑噪声的影响, 本文利用 33 窗口均值滤波后的 /4 偶次散射分量功率 剔除非建筑物。通过统计分析确定区分建筑区与非建筑区的阈值 t, 将 5
28、0%为重度损毁。3 实验与分析本文中的实验, 包括纹理特征的提取、建筑损毁程度的评估以及精度评价, 都是通过 IDL8.3 编程实现;纹理特征的样本统计分析利用 Matlab2012 实现。程序运行环境为 64 位 win7 操作系统。图 5 玉树城区实验数据 Fig.5 Experimental data of Yushu Country 下载原图3.1 RADARSAT-2 数据实验为了验证本文方法的有效性, 实验采用 2010 年玉树地震后的 RADARSAT-2 精细模式极化数据, 并与 H- 方法、总功率同质性纹理的方法、综合 NCCC 与灰度共生矩阵同质性纹理的方法进行定性和定量的
29、对比。2010 年 4 月 14 日 7 时 49 分, 青海省玉树藏族自治州玉树县发生里氏 7.1 级大地震, 城区大量房屋倒塌造成了极大的生命和财产损失。本文所用实验数据为玉树城区 2010 年 4 月 21 日右视升轨的 RADARSAT-2 精细模式极化数据, 影像大小为 560270 像素, 空间分辨率约 8 m, 入射角为 21, 方位向进行 3 视平均去噪处理。图 5 (a) 为实验数据的 Pauli RGB 合成图, 标记的区域为结合高分光学影像选取的实验样本, 其中红色多边形表示倒塌建筑物, 绿色多边形表示完好建筑物, 蓝色则代表非建筑区。图 5 (b) 为 2010 年 5
30、 月 6 日玉树城区 0.5 m 分辨率光学遥感图像。图 5 (c) 为基于光学图像解译的建筑物损毁程度参考结果。3.1.1 非建筑区剔除对极化数据 Pauli 分解并滤波处理, 图 6 (a) 是滤波后 /4 偶次散射分量功率 。由图 6 (a) 可见, 非建筑区 (道路、河流、裸地等) 偏向于蓝色, 而建筑区多呈现黄色或红色, 建筑区的特征值整体上比非建筑区的值大。图 6 非建筑区剔除 Fig.6 Non-building areas removal 下载原图根据第 2.1 节中描述的阈值确定方法确定区分建筑区和非建筑区的阈值 t 为13.5 (见图 3 中的黑色虚线) 。剔除非建筑区的结
31、果如图 6 (b) 所示, 其中黑色代表非建筑区, 白色表示建筑区。本文方法不仅能剔除城区中东南向的宽河流, 也较好地剔除了东西向较窄河流以及城区中心的道路, 此外还能剔除部分城区中的裸地。为了定量评价非建筑区剔除的效果, 在建筑区和非建筑区分别选取 999 和 987个像素来评估本文中非建筑区剔除的精度。建筑区和非建筑区的识别总精度为89.63%, 其中非建筑区的检出率为 83.18%, 城区的检出率为 96.00%。影响非建筑区剔除精度的主要原因是城区公园等区域由于 /4 偶次散射分量较大而易被识别为建筑区。但最终待评估的建筑区不包含这种较大面积连续的区域, 即这种情况对后续建筑物损毁评估
32、不会造成大的影响。3.1.2 倒塌建筑物提取采用 2.1 节中描述的阈值确定方法确定损毁建筑物提取阈值, 其中 /4 偶次散射功率的 variance 纹理、contrast 纹理, 奇次散射功率的 contrast 纹理特征的阈值分别为 20.34, 40.00 和 55.70, 如图 4 中的黑色虚线所示。分别用这 3种纹理特征提取倒塌建筑物的结果如图 7 所示, 三者均能较好地提取出主要的倒塌建筑, 但也有一些存在差异的区域:绿虚线区表示提取结果相对准确的区域, 红虚线区表示准确度相对偏低的区域。图 7 3 种特征的倒塌建筑物提取结果 Fig.7 The results of colla
33、psed buildings based on three features 下载原图为了分析综合 3 种纹理特征阈值划分对于完好建筑物和倒塌建筑物的区分能力, 统计单纹理特征及综合三者后对样本点的区分精度, 如表 1 所示。其中, 综合纹理表示针对 3 个单独的纹理特征用投票法确定最终区分结果 (即对区分结果的平均) 。样本点在 3 个纹理特征组成的 3 维空间中的分布如图 8 所示。由表1 和图 8 可知, 识别的完好建筑物中不包含倒塌建筑物, 识别的倒塌建筑物中包含极少量的完好建筑物。通过对 3 种纹理特征阈值划分的综合, 对倒塌建筑物的检出率为 100%, 虚警率为 7.06%;完好建
34、筑物的检出率为 92.40%, 虚警率为 0, 能很好地区分完好建筑物和倒塌建筑物。综合 3 种纹理特征阈值划分后的区分能力明显优于单个纹理特征的阈值划分。表 1 完好建筑物和倒塌建筑物的检出率 Table 1 The detection rate of intact and collapsed buildings 下载原表 图 8 样本点在 3 维特征空间中的分布 Fig.8 The distribution of samples in three-dimensional feature space 下载原图3.1.3 建筑物损毁评估由图 7 可见, 3 种纹理特征各有优势, 为更准确地评估建筑物的损毁程度, 综合利用这 3 种极化参数的纹理特征。由式 (6) 基于图 7 (a) (b) (c) 分别计算区域建筑损毁指数, 三者取平均计算得到综合的区域建筑损毁指数。依据第 2.3 节中建筑物损毁程度的划分标准, 将建筑物损毁程度划分为 3 个等级, 得到本文方法的评估结果, 如图 9 (d) 所示。图 9 不同方法建筑物损毁评估结果 Fig.9 Building damage assessment results by different methods 下载原图
