基于区域生长法和变差函数的PoISAR影像山脊线提取_翟玮.pdf

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: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 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 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 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 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 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 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 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 sp 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 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 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 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 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,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.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 .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(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,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,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 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.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,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,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,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 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 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 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 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 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 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 dD 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 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 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 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