1、第 卷第期 年月地震工程学报CH I NAE A R THQUAK EE NG I N E E R I NGJ OUR NA LV o l N o J u l y,收稿日期:基金项目:甘肃省科技计划项目自然科学基金(J R R A );国家自然科学基金项目();中国地震局地震科技星火计划(XH )第一作者简介:翟玮(),女,甘肃兰州人,博士,副研究员,主要从事S A R影像信息提取、震害遥感技术与方法方面的研究.E m a i l:z w x z z z d s y h q c o m.通信作者:王晓青(),男,研究员,主要从事地震灾害评估方法研究和遥感与G I S应用研究.E m a i l
2、:w a n g x i a o q c o m.翟玮,王晓青,朱贵钰,等基于区域生长法和变差函数的P o l S A R影像山脊线提取J地震工程学报,():D O I:/j Z HA IW e i,WAN GX i a o q i n g,Z HUG u i y u,e t a l E x t r a c t i o no fr i d g e l i n ef r o mP o l S A Ri m a g eu s i n gt h er e g i o n g r o w i n gm e t h o da n dv a r i o g r a mJC h i n aE a r t h
3、 q u a k eE n g i n e e r i n gJ o u r n a l,():D O I:/j 基于区域生长法和变差函数的P o l S A R影像山脊线提取翟玮,王晓青,朱贵钰,张皓然,刘海龙,邓津,(中国地震局地震预测研究所,北京 ;中国地震局黄土地震工程重点实验室,甘肃 兰州 ;中国地震局兰州地震研究所,甘肃 兰州 ;保利(甘肃)实业投资有限公司,甘肃 兰州 )摘要:山脊线通常是地震引发的山地灾害的起始部位.在监测此类山地灾害时,需要明确山脊线所处位置,从而为制定出相关预防措施提供支持.根据实际经验,由于合成孔径雷达(S y n t h e t i cA p e r t
4、 u r eR a d a r,S A R)的成像特殊性,在检测含建筑物的全极化S A R(P o l a r i m e t r i cS y n t h e t i cA p e r t u r eR a d a r,P o l S A R)影像山脊线时,往往受到高散射强度的建筑物干扰,从而出现误判.针对P o l S A R影像中山脊线受到建筑物干扰出现误识的问题,提出一种结合区域生长法和变差函数的识别方法.在识别过程中,首先,对采集的P o l S A R影像通过区域生长法进行分割处理,再通过模糊C均值(F u z z yC M e a n s,F CM)分类方法对变差纹理等特征进行聚
5、类分析,并进行相似度判断,获取建筑物区域,在此基础上,对比建筑物、山脊线的混分成分,进而提取山脊线.通过对该方法进行实验对比分析,发现其相较于阈值分割方法提取精度有明显提高,可以为P o l S A R影像中山脊线识别提供一种新思路.关键词:P o l S A R影像;区域生长法;变差函数;山脊线提取中图分类号:P 文献标志码:A文章编号:()D O I:/j E x t r a c t i o no f r i d g e l i n e f r o mP o l S A Ri m a g eu s i n gt h e r e g i o n g r o w i n gm e t h o
6、da n dv a r i o g r a mZ HA IW e i,WANGX i a o q i n g,Z HUG u i y u,Z HANG H a o r a n,L I U H a i l o n g,D E NGJ i n,(I n s t i t u t eo fE a r t h q u a k eF o r e c a s t i n g,C E A,B e i j i n g ,C h i n a;K e yL a b o r a t o r yo fL o e s sE a r t h q u a k eE n g i n e e r i n go fC E A,L
7、a n z h o u ,G a n s u,C h i n a;L a n z h o uI n s t i t u t eo fS e i s m o l o g y,C E A,L a n z h o u ,G a n s u,C h i n a;P o l y(G a n s u)I n d u s t r i a l I n v e s t m e n tC o,L t d,L a n z h o u ,G a n s u,C h i n a)A b s t r a c t:T h e r i d g e l i n e i su s u a l l y t h e s t a r
8、t i n gp o i n t o fm o u n t a i nd i s a s t e r s c a u s e db ye a r t h q u a k e s A na c c u r a t e i d e n t i f i c a t i o no f t h e l o c a t i o no f t h er i d g e l i n ew h i l em o n i t o r i n gs u c hm o u n t a i nd i s a s 网络首发时间:2023-07-26 17:05:32网络首发地址:https:/ e r s i sc r
9、u c i a l t of a c i l i t a t et h ed e v e l o p m e n to f r e l e v a n tp r e v e n t i v em e a s u r e s H o w e v e r,d e t e c t i o no f t h e r i d g e l i n e i nP o l S A Ri m a g e s c o n t a i n i n gb u i l d i n g sw i t hh i g hs c a t t e r i n g i n t e n s i t yc a nb e c h a l
10、 l e n g i n gd u et os o m ei m a g i n gi s s u e so fs y n t h e t i ca p e r t u r er a d a r(S A R),r e s u l t i n gi n m i s j u d g m e n t s Ar e c o g n i t i o n m e t h o dc o m b i n i n gt h er e g i o n g r o w i n g m e t h o da n dt h ev a r i o g r a mi sp r o p o s e d i n t h i s
11、p a p e r t oa d d r e s s t h i sp r o b l e m D u r i n g t h e r e c o g n i t i o np r o c e s s,t h e c o l l e c t e d i m a g e i sf i r s t s e g m e n t e db yt h er e g i o n g r o w i n gm e t h o d T h e n,t h et e x t u r ev a r i a t i o n sa n do t h e rf e a t u r e sa r ec l u s t e
12、 r e da n da n a l y z e db yt h eF u z z yC m e a n sm e t h o d,a n dt h es i m i l a r i t y i sa s s e s s e dt oo b t a i nt h eb u i l d i n ga r e a T h e r i d g e l i n e c a n t h e nb e e x t r a c t e db yc o m p a r i n g t h i sw i t h t h em i x e d i m a g e Ac o m p a r a t i v ea n
13、 a l y s i so f t h ee x p e r i m e n t a l r e s u l t s f o r t h ep r o p o s e dm e t h o ds h o ws i g n i f i c a n t l yi m p r o v e de x t r a c t i o na c c u r a c ya sc o m p a r e d w i t ht h et h r e s h o l ds e g m e n t a t i o n m e t h o d T h u s,t h i ss t u d yc a np r o v i
14、d ean e wi d e a f o r t h ed e t e c t i o no f r i d g e l i n e s i nP o l S A Ri m a g e s K e y w o r d s:P o l S A Ri m a g e;r e g i o n g r o w i n gm e t h o d;v a r i o g r a m;e x t r a c t i o no f r i d g e l i n e引言地震是一种容易导致严重破坏的自然灾害,相关统计研究结果表明 ,地震诱发的山地灾害有明显的特征性,一般起源于山脊线附近.因而在研究过程中精确获取
15、山脊信息有利于了解由地震触发的山地灾害情况,例如道路损坏,山体垮塌和滑坡等,从而为救援人员、物资运输提供帮助 .地震发生后,在天气情况不佳时,光学遥感获取的影像质量不高,地物识别度极低,无法为救援提供可靠支持 ,而雷达遥感因其穿透力强,不依赖太阳光照等优点已被广泛应用于地震灾害识别研究中,成为国家和地区各级防灾减灾不可或缺的灾害获取手段 .在合成孔径雷达(S y n t h e t i cA p e r t u r eR a d a r,S A R)影像中,识别山脊线时,附近建筑物的存在会带来很大影响.建筑物的墙面和地面所形成的二面角会产生强烈的二面角散射效应,而对于山脊而言,其表面地物构成相
16、对复杂,同时位置具有特殊性,常会产生组合散射,两者的后 向散射均为 高散射强度,在S A R影像中呈现高亮区域,特征相似度很高,难以有效区分.本文在研究过程中为解决这一问题,引入了全极化合成孔径雷达(P o l a r i m e t r i cS y n t h e t i cA p e r t u r eR a d a r,P o l S A R)影像.P o l S A R数据同时具有HH、HV、VH、VV四种极化方式,因为电磁波的极化对目标的介电常数、物理特性、几何形状和取向等比较敏感,所以极化测量可以大大提高成像雷达对目标各种信息的获取能力.相比单极化S A R与双极化S A R信息
17、量丰富很多,且采用极化S A R相关数据处理方法能够产出更丰富的极化散射特征,使得地物识别精度更高.山脊线是典型的地形特征线.目前,山脊线提取方法主要是结合数字高程模型(D i g i t a lE l e v a t i o nM o d e l,D EM)数据加以实现 ,而常用的边缘检测方法,如S o b e l算子、R o b e r t s算子、L a p l a c e算子以及C a n n y边缘检测等在合成孔径雷达影像处理中由于散斑互相干扰,识别效果较差,用其进行线性特征检测较为困难.因此,S A R影像中脊线的提取方法相对缺乏 .在S A R影像目标检测领域,恒虚警检测(C o
18、 n s t a n tF a l s eA l a r mR a t e,C F A R)方法的应用频率较高,且计算过程简单,这种方法在处理时主要是对比单个像素灰度与阈值,以此确定目标点.在P o l S A R影像的边缘检测中,基于相邻像素比值的边缘检测技术是较为先进的.在P o l S A R影像提取山脊线领域,目前应用频率较高的方法为S n a k e模型法.此外在目标识别方面,卷积神经网络有明显优势,是常用的人工智能识别方法.在以往的国内外研究中,虽有较多关于S A R影像分割的研究,例如,黄晓东等提出了一种P o l S A R图像分割模型,基于分形网络进化算法和多元线性回归算法,
19、融合了多极化特征和形状特征,实现了建筑物分割.覃发超将简单线性迭代聚类算法引入到P o l S A R图像处理中,提出了一种超像素分割算法等.同时在通过模糊分类来进行阈值分割的研究中,F a n等提取了一种基于神经动力学优化的两阶段模糊聚类算法,并将其应用于P o l S A R图像分割,该算法从线性分配初始化阶段开始,以最小相似的聚类代表弥补随机初始化导致的聚类结果不一致,然后再进行多核模糊C均值聚类,使每个聚类具有更好的特征和适应性.但是,针对S A R影像中山脊线提取的研究极少,几乎没有关于当建筑物作为S A R影像中的背景时对山脊线提取的研究.采用P o I S A R影像提取山脊线的
20、方法相对于第 卷 第期翟玮,等:基于区域生长法和变差函数的P o l S A R影像山脊线提取D EM提取山脊线有着明显优势,因为极化电磁波对山脊线的几何形状等较为敏感,同时改善了散斑互相干扰现象的问题,从而方便对其进行线性特征检测,因此可提高山脊线提取精度.本文从这个角度出发,以四川省绵阳市北川县的全极化S A R数据为研究对象,引入了区域生长方法对采集的P o l S A R影像进行初始分割,并对提取的特征进行融合后获得目标的纹理信息,在此基础上通过模糊C均值(F u z z yC M e a n s,F CM)聚类算法提取出建筑物区域并将其与初始分割结果融合,进而确定山脊线目标.基于相关
21、S A R影像进行实证分析,对比实验结果显示,本文提出方法识别精度为 ,和传统方法的 相比有明显的优势,验证了本文方法的应用价值,且本文方法操作更简单,处理速度快.研究方法本文选用区域生长法主要是因其处理过程快捷.这种方法在进行图像处理时,通过分割出同特征区域,再进行组合来获得边缘信息.在无先验信息情况下,所得结果精确度较高,因而在复杂图像处理方面被广泛应用.但该方法的分割结果容易受初始种子点的影响,稳定性不高.为此,本文提出一种种子点自动提取方法,提高图像分割质量,获得精度较高的类别混合图,为后续山脊线识别提供支持.仅改善种子点的自动提取,得到的分割结果相关信息较少,不能满足目标提取要求,还
22、需获得其他特征相关信息.变差函数可对图像纹理进行良好的描述,可以通过此函数描述目标区的纹理信息.利用灰度共 生 矩 阵(G r a yL e v e lC o o c c u r r e n c e M a t r i x,G L CM)二阶统计特征纹理熵 描述图像纹理的非均匀程度与复杂程度.然后,通过模糊C均值方法进行聚类处理,提取出建筑区,在此基础上结合建筑物与山脊线类别混合图,最终得到山脊线.图所示为本文方法识别山脊线的流程图.自动选取种子点的区域生长法区域生长法被广泛应用于图像分割,主要通过合并相似度高的像素点形成最大一致性区域 .区域生长法的原理是设置初始种子点在一定规则下不断的生长
23、.但是,如果选取的种子点不合适,则容易导致明显的偏差,所以需要进行合理的设定.在选定种子点后,需要将邻域像素和种子点进行归并,将其中所有具有相似性质的像素合并,不断进行这种合并操作,直到不满足合并条件,再输出所得的合并结果.因此,采用这种方法进行影像分割时,需要选择合理的初始种子点,为提高分割质量提供支持.图山脊线提取流程图F i g F l o wc h a r to f r i d g e l i n ee x t r a c t i o n为此,本文引入自动选取种子点的方式,这种方法的优点是:初始种子点在选择时满足一定的条件,即可以较好地反映目标特征,在影像中边界的稳定性相对高,因而在选
24、取时主要选择了边界像素点.为方便描述,假设影像I为M行N列,各点像素值为I(i,j),设置的阈值为TR,S对应于邻域像素均值.在分割过程中对图像的各像素点进行遍历,根据公式()计算S与中心像素之差(i,j).若根据所得结果进行判断发现像素点(i,j)处于目标区,则设置其为初始种子点,基于此点进行生长过程中,(i,j)值和 T 的中值差值小,且选择的初始种子点趋近于目标区的中心,则通过这种方法进行分割后所得结果可更好地满足应用要求,有利于改善分割性能.(i,j)|S(i,j)I(i,j)|()变差函数变差函数常用来对空间变化相关情况进行描述,在研究过程中,可用变差函数反应变量的空间相关性水平 .
25、本文使用变差函数提取纹理特征信息,变量G(x)与G(xh)在变差h方向上的变差函数表示为:(x,h)V a rG(x)G(xh)EG(x)G(xh)EG(x)EG(xh)()式中:V a rf(x)为方差;Ef(x)为数学期望;h为点对的距离.若G(x)的期望EG(x)为常数k,同时G(x)与G(xh)的协方差与h存在相关性,则认为其满足平稳性要求,根据理论分析结果可地震工程学报 年知纹理图像符合这一条件,存在如下关系式:(h)EG(x)G(xh)()C o v(h)EG(x)G(xh)EG(x)()由此可推出:(h)C o v()C o v(h)()式中:C o v为协方差.h和C o v(
26、h)存在负相关关系,其数值大则认为两个点的相关性水平低,当在ha条件下,相关性系数为零,即两个点不相关.在实际计算分析过程中一般无法直接获取变差函数,主要是在一定经验基础上估计得到.S A R影像中建筑物的灰度梯度很大,而背景区域的灰度变化不明显.在进行图像分割处理时,可基于这一特征提取建筑物.此外,建筑物走向没有明确规律,因此,为获得准确的纹理特征,需要计算全方向变差函数.本文在计算此参数时设置窗口宽为W,中心点坐标为(i,j),计算四个方向的变差函数后取均值,计算表达式如下:h(i,j)h(i,j)h(i,j)h(i,j)h(i,j)()式中:(i,j)为中心点坐标,h为固定离散值,即计算
27、每一个像素在四个方向上的d i r e c t i o nh(d i r e c t i o n分别代表:,),并求平均值,对整个图像所有像素点进行计算后即可得到变差纹理特征图.模糊C均值聚类算法与K m e a n s聚类方法相比,模糊C均值聚类算法的灵活性更高,式()()为其对应的损失函数表达式 ,这种方法在聚类处理过程中,对t个向量xi进行一定规则下的划分,形成C个模糊簇,然后计算各簇的聚类中心,利用式()目标函数进行聚类:QmKiCjvmi jxicj,m()vi jClxicjxiclm()cjKivmi jxiKivmi j()式中:K代表样本量;C则代表簇数量;vi j表示隶属度
28、,该方法在处理过程中需要不断迭代计算隶属度,迭代中止条件为偏差和小于设定阈值,如式()所示:m a xi j|v(l)i jvli j|()式中:是偏差阈值;l代表迭代步数.在不断的迭代过程中隶属度的梯度消失,当两次迭代的差值小于阈值时,则迭代结束,输出结果.在本文中,模糊C均值聚类算法用法如下:通过变差函数计算P o l S A R图像变差纹理特征,并计算基于灰度共生矩阵的熵纹理特征,然后利用模糊C均值聚类方法提取建筑区,结合建筑物与山脊线的类别混合分割结果,最终提取山脊线结果.实验结果实验数据和研究区域本文选择的研究区为北川县,基于A L O S 卫星L波段全极化S A R数据进行实验分析
29、,空间分辨率为m.用于实验结果验证的研究区光学数据是 m空间分辨率的L a n d s a t 卫星数据.实验区P a u l i基极化分解影像和光学影像如图所示.实验数据大小为 p i x e l p i x e l.用于实验结果验证的地表真值样本标记如图所示.图实验数据F i g T h ee x p e r i m e n t a l d a t a第 卷 第期翟玮,等:基于区域生长法和变差函数的P o l S A R影像山脊线提取图实际地物标记图F i g A c t u a l f e a t u r em a r k i n gm a p种子点选取及影像分割为提高P o l S A
30、 R影像分割效 果,分割前需 对P o l S A R影像配准、滤噪,通过自动选取种子点方法选择适宜的初始种子点,种子点选择地合理与否会直接影响分割结果.当选择的种子点性能良好,分割过程明显缩短,影像分割结果也更好.本文在对P o l S A R影 像 进 行 遍 历 时,设 置 的 窗 口 大 小 为p i x e l p i x e l,计算窗口中领域个点灰度值的均值,再计算该均值与中心点灰度值的差值,对全部窗口所得结果进行统计分析,在此基础上进行图像分割.在研究过程中为改善分割结果,应结合经验等因素设置适宜的阈值.基于这种方法进行影像分割时,下一个像素点的加入与否主要是基于此阈值进行判断
31、.选择山脊和非山脊样本各 例对阈值影响因素进行分析.如图所示,此图中纵横坐标分别对应样本量和其灰度级,图中有两种颜色曲线,其中蓝色和黄色曲线分别对应于非山脊和山脊样本灰度均值,二者在 灰度级处存在交点.两种样本的灰度均值分布存在明显差异,其中非山脊样本灰度均值较小,灰度级普遍小于 ,山脊样本灰度级基本都大于 ,因而在进行阈值设定时根据此结果,同时考虑到图像特征,确定阈值为.在判断最优初始种子点时,主要依据如下条件:()该点对应的差值趋近于,的中值;()对应的位置在目标区;()和目标中心点的距离小.选择满足这三方面要求的点为种子点,这种情况下进行区域生长时,所需时间少,分割结果更精确,可能满足图
32、像分割要求.本文在研究时依据以上条件进行筛选,确定种子点是坐标为(,)的点,分割结果如图所示,图中白色代表建筑物与山脊线的混合区域.仅基于区域生长法分割S A R图像得到的是无法确定地物类别的混合地类结果,因而还需继续处理建筑物与山脊线的混分问题.图门限值选取F i g S e l e c t i o no f t h r e s h o l d图区域生长图像分割结果F i g S e g m e n t a t i o nr e s u l to f r e g i o n g r o w i n g i m a g e山脊线的识别S A R影像中,建筑区灰度变化较强,其他区域灰度变化较小,
33、因此,可基于这种差异剔除建筑区.本文引入变差函数计算变差纹理特征,由于建筑区的灰度变化方向不一,各方向的灰度变化差异较大,因而选择、四个方向的全方向变差函数计算变差纹理.在计算分析时为更好地保留建筑纹理信息,且尽可能提高建筑与山脊的区分度,在计算时设置了不同的变程值,然后对所得结果进行适当筛选得到最优 解.实 验 发 现 在 变 程 值 为,计 算 窗 口 为 p i x e l p i x e l时区分度最高,识别结果最优,变差纹理计算结果如图(a)所示.由于建筑区的地震工程学报 年纹理显著,且区域化变量关联性强,灰度的梯度较高,因而建筑物区域变差纹理特征值明显高于其他区域,表现在图(a)中
34、亮度也更高.实验数据中建筑物的尺寸较小,且在交界处对应的灰度变化大,相关性不强,在这些因素影响下容易导致一些山脊区域被误识,严重影响最终山脊识别结果.(a)图为变差纹理计算结果及纹理熵特征对应的图像,(b)图中黑色部分为山脊,白色部分为其他类型地物图建筑及山脊特征图像F i g F e a t u r e i m a g e so fb u i l d i n g sa n dr i d g e l i n e s鉴于这种误识情况,本文同时利用两种纹理特征并结合模糊C均值聚类方法对山脊线进行高精度识别.提取基于G L CM的纹理特征过程中设置窗口尺寸为p i x e l p i x e l,计
35、算方向为 ,窗口中的像素间距为.一般情况下特征的相关系数和特征信息冗余性存在正相关关系,即相关系数越小对应的冗余越小,因而本文选择熵特征量进行目标识别,该特征量可描述纹理的混乱水平,且有很强的稳定性,不容易受到相关因素干扰,纹理熵特征提取结果如图(b)所示.对比地表真值图像(图)和特征图像(图)可知,山脊特征很明显,但仍有一些细碎山脊未被检测出.由此可判断,在进行特征提取过程中,单独通过灰度共生矩阵纹理进行提取存在一定应用局限性,无法获得全部的山脊线.因而本文在研究时结合了两种类型的纹理信息,通过F CM方法聚类处理,从而有效解决上述问题.在进行聚类时设置了两个聚类中心,根据设定的条件不断迭代
36、,最终输出建筑区,然后将所得结果与建筑物山脊线混合图像融合,最终识别出山脊线.对识别结果,将不同地物分别映射到R、G、B通道中,进行伪彩色合成处理,结果如图所示,其中白色区域对应带状山脊区域和线状山脊线(以下简称为山脊线),绿色区域对应建筑物,其中一些宽山脊处出现误分问题,但总体可满足识别要求.实验分析为验证本文识别山脊方法的准确性,对比传统阈值分割方法,选择P o l S A R图像中的标记山脊样本进行实验验证.从实验数据P o l S A R影像中选取山脊样本,筛选依据原则是山脊在影像中尽可能均匀分布,不可明显集中分布.设置样本属性值为,非样本为,然后对图中同属性值的像素点数量进行统计分析
37、,并对最终所得结果进行统计处理,如表所列,根据表计算出本文方法识别山脊线的总体识别精度为 .图建筑物和山脊线识别结果F i g T h er e c o g n i t i o nr e s u l to fb u i l d i n g sa n dr i d g e l i n e s对比分析在同样条件下,采用经典的阈值分割法进行分割处理,并将所得结果和上述结果对比分析,以便验证本文方法的应用性能优势.阈值分割时可选择全第 卷 第期翟玮,等:基于区域生长法和变差函数的P o l S A R影像山脊线提取表本文所提出方法的精度评估T a b l eA c c u r a c ye v a l
38、 u a t i o no f t h em e t h o dp r o p o s e di nt h i sp a p e r实验结果T RF R地面真实样本T R F R OA 注:T R和F R分别代表山脊和非山脊;OA代表总体精度局、局部阈值法两种,前者在分割时主要利用图像整体信息,例如整幅图的灰度直方图,之后对整幅图像求出最优的分割阈值;局部阈值法是把原始图像分为不同的子图像,再对每个子图像应用全局阈值法分别求出对应的最佳分割阈值,局部阈值分割法虽然能改善图像的分割效果,但其要求每幅子图像的尺寸不能太小,否则统计出的结果没有意义.此外,由于每幅图像的分割是任意的,如果有一幅子图像
39、正好完全落在目标区域或者背景区域,根据统计结果对其 进行分割可 能 会 得 到 更 差 的 结果.本文采用了自适应阈值法,即根据影像不同区域亮度分布,计算其局部灰度均值来确定阈值,从而对影像进行分割,由自适应阈值图像分割法得到的结果.将此结果与原实验结果作对比,如图所示.对此方法得到的结果做精度评估,设置山脊线像素点属性为,其余的设为,然后对同属性值像素点数量进行统计分析,得出采用这种方法做图像分割时山脊线识别精度为 .图阈值法影像分割结果(左)与本文实验方法结果(右)对比F i g C o m p a r i s o nb e t w e e nt h er e s u l t s f r
40、o mt h e t h r e s h o l d i m a g es e g m e n t a t i o n(l e f t)a n dt h ee x p e r i m e n t a lm e t h o d i nt h i sp a p e r(r i g h t)对比分析上述结果可知,本文使用的自适应阈值图像分割法在分割时,可以很好地提取出图像中连续宽山脊,不过针对间断的小山脊无法满足提取要求,容易出现漏失问题,在此因素影响下其提取精度不高,需要进行一定改进优化.而单纯通过阈值法来分割时容易导致一些建筑物被误判,从而影响到山脊的识别效果.结论本文提出了一种自动区域生长法和
41、变差函数结合的算法,用于提取S A R影像中的山脊.基于这种方法进行处理时,自动筛选初始种子点来分割图像,获得相应的混合图像,接着基于变差函数分析确定出建筑纹理信息以及熵特征,在此基础上通过F CM算法对所得特征进行聚类,识别出山脊线.在研究过程中为验证本文方法的应用性能,和传统阈值分割方法做了对比研究,根据实验结果发现本文方法在处理过程中,可以更精确地区分建筑物和山脊,且对非连续的小山脊不容易产生遗漏问题,表现出良好的识别性能优势,其识别准确率为 ,和传统阈值分割法相比增加 ,因而本文方法在P o l S A R数据山脊识别中有较高的应用价值.不过这种方法也存在一定的应用局限性,表现为需要S
42、 A R影像的分辨率较高,否则在进行识别时,由于山脊线特征差异不明显,导致识别准确性不高.除此之外,鉴于实验数据有限,在未来的研究中获得相关数据之后会进一步验证该方法的可靠性.在今后研究中,我们还将在以下方面做进一步研究:首先,本文采用的是A L O S 卫星的P o l S A R影像,可以用同样的方法对其他传感器P o l S A R数据进行研究.其次,本文使用的遥感影像分辨率为m,在今后研究中,可使用更高分辨率的P o l S A R地震工程学报 年数据,比如m甚至m的影像做进一步算法验证.再次,对于坡度较大的山脊将着重考虑S A R图像中的叠掩现象;对于区域生长算法中的初始种子点选取问
43、题,将进行改进,例如采用连续性种子点选取方式.同时一些更优秀的神经网络模型还将被考虑使用,例如E f f i c i e n t P S模型、M a s kR C NN模型、空洞卷积模型等,以求在精度、鲁棒性、泛化能力等方面更优化.参考文献(R e f e r e n c e s)Z HA IW,S HE N HF,HUAN GCL,e t a l B u i l d i n ge a r t h q u a k ed a m a g e i n f o r m a t i o ne x t r a c t i o nf r o mas i n g l ep o s t e a r t h q
44、 u a k eP o l S A Ri m a g eJ R e m o t eS e n s i n g,():Z HA IW,S HE N HF,HUAN GCL,e t a l F u s i o no fp o l a r i m e t r i ca n d t e x t u r e i n f o r m a t i o n f o ru r b a nb u i l d i n ge x t r a c t i o n f r o mf u l l yp o l a r i m e t r i cS A Ri m a g e r yJ R e m o t eS e n s i
45、 n gL e t t e r s,():Z HA IW,HUAN GCL,P E IWS B u i l d i n gd a m a g ea s s e s s m e n tb a s e do nt h e f u s i o no fm u l t i p l et e x t u r e f e a t u r e su s i n gas i n g l ep o s t e a r t h q u a k eP o l S A Ri m a g eJ R e m o t eS e n s i n g,():王虹地形特征提取算法的研究D西安:西安电子科技大学,WAN G H o
46、 n g R e s e a r c ho nt e r r a i nf e a t u r ee x t r a c t i o na l g o r i t h mD X i a n:X i d i a nU n i v e r s i t y,王文娟规则格网D EM的地形特征线提取研究D西安:长安大学,WAN G W e n j u a n R e s e a r c ho ne x t r a c t i n gt e r r a i nc h a r a c t e r i s t i cl i n e f r o mD EM w i t hr e g u l a rg r i d
47、D X i a n:C h a n g a nU n i v e r s i t y,苏凤环,刘洪江,韩用顺汶川地震山地灾害遥感快速提取及其分布特点分析J遥感学报,():S UF e n g h u a n,L I UH o n g j i a n g,HANY o n g s h u n T h e e x t r a c t i o no fm o u n t a i nh a z a r d i n d u c e db yW e n c h u a ne a r t h q u a k e a n da n a l y s i so fi t sd i s t r i b u t i
48、n gc h a r a c t e r i s t i cJ J o u r n a lo fR e m o t eS e n s i n g,():田述军,孔纪名,阿发友,等地质构造对汶川大地震山地灾害发育的影响J水土保持通报,():,T I ANS h u j u n,KON GJ i m i n g,AF a y o u,e ta l G e o l o g i c a l s t r u c t u r ee f f e c t so nd e v e l o p m e n to fm o u n t a i nh a z a r d s i nW e n c h u a ne a
49、 r t h q u a k eJB u l l e t i no fS o i la n dW a t e rC o n s e r v a t i o n,():,Z HA IW,HUAN GCL,P E IW S T w on e wp o l a r i m e t r i cf e a t u r ep a r a m e t e r sf o rt h er e c o g n i t i o no ft h ed i f f e r e n tk i n d so fb u i l d i n g s i ne a r t h q u a k e s t r i c k e na
50、 r e a sb a s e do ne n t r o p ya n de i g e n v a l u e s o fP o l S A Rd e c o m p o s i t i o nJR e m o t eS e n s i n g,():刘云华,屈春燕,单新建,等S A R遥感图像在汶川地震灾害识别中的应用J地震学报,():,L I UY u n h u a,QUC h u n y a n,S HANX i n j i a n,e t a l A p p l i c a t i o no fS A Rd a t a t od a m a g e i d e n t i f i