本站小編為你精心準(zhǔn)備了雙視向SAR圖像建筑物高度提取參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

《遙感技術(shù)與應(yīng)用雜志》2016年第二期

摘要：

由于城區(qū)場(chǎng)景的復(fù)雜性和SAR成像幾何畸變的影響，基于單幅SAR圖像的建筑物高度提取常常存在很大困難。針對(duì)這一問題，利用建筑物目標(biāo)SAR成像形成的疊掩、二次散射、較強(qiáng)單次散射等散射機(jī)制對(duì)應(yīng)的高亮特征非常典型，并且對(duì)方向性敏感的特點(diǎn)，提出了一種基于雙視向sar圖像高亮特征與幾何模型匹配的建筑物高度提取方法。首先分析了建筑物目標(biāo)的SAR圖像散射特征及對(duì)雷達(dá)視向的敏感性，然后構(gòu)造了建筑物目標(biāo)在雙視向SAR圖像上高亮特征幾何模型，然后基于灰度均值、灰度概率分布、邊界信息定義匹配函數(shù)，并利用多種群遺傳算法進(jìn)行優(yōu)化求解，最終得到建筑物目標(biāo)的高度信息。基于模擬和機(jī)載SAR圖像的試驗(yàn)表明該方法的建筑物高度平均反演誤差小于1m，可以有效提高建筑物高度反演的精度。

關(guān)鍵詞：

SAR圖像；雙視向；建筑物；高度提取；高亮特征；遺傳算法

1引言

合成孔徑雷達(dá)具有全天時(shí)全天候?qū)Φ赜^測(cè)的優(yōu)勢(shì)，在災(zāi)害應(yīng)急［1－2］和城市監(jiān)測(cè)［3］中發(fā)揮著越來越重要的作用。自2007年德國(guó)TerraSAR－X發(fā)射以來，高分辨率SAR圖像建筑物目標(biāo)識(shí)別與參數(shù)提取成為當(dāng)前研究的一個(gè)熱點(diǎn)。城區(qū)場(chǎng)景較為復(fù)雜，建筑物目標(biāo)在SAR圖像上疊掩、陰影等散射特征通常是不完整的，使得利用單幅SAR圖像提取建筑物參數(shù)很困難。另一方面，建筑物目標(biāo)SAR圖像特征的方向性很強(qiáng)，在不同方位角成像條件下表現(xiàn)出較強(qiáng)的差異性，融合利用這些特征可以獲取更準(zhǔn)確的建筑物參數(shù)。目前，基于多視向SAR圖像的建筑物信息提取已得到廣泛研究。Bolter等［4］通過提取多幅SAR圖像上的陰影特征并加以組合，檢測(cè)出建筑物的邊界和高度。Simonetto等［5］將不同入射角的圖像進(jìn)行特征級(jí)融合以提高邊界提取精度，再通過立體成像形成的視差計(jì)算建筑物高度。Xu等［6］利用不同方位SAR圖像以概率統(tǒng)計(jì)的方法進(jìn)行最大似然估計(jì)，獲取建筑物幾何參數(shù)。Soergel等［7］融合正交兩個(gè)視向的高分辨率SAR圖像，并利用疊掩信息進(jìn)行了建筑物檢測(cè)和高度反演。Thiele等［8］基于不同視向的高分辨率干涉SAR圖像，將不同視向圖像中提取的建筑物散射特征進(jìn)行組合，實(shí)現(xiàn)了建筑物參數(shù)的反演。Brunner等［9］在單幅高分辨率SAR圖像建筑物高度反演的基礎(chǔ)上，將兩個(gè)視向的高度提取結(jié)果進(jìn)行決策級(jí)融合作為最終的反演高度。但現(xiàn)有方法要么是對(duì)多幅SAR圖像建筑物參數(shù)提取結(jié)果的簡(jiǎn)單組合，要么涉及復(fù)雜的SAR成像模擬和電磁計(jì)算，應(yīng)用效果不佳。針對(duì)這一問題，本文通過分析建筑物目標(biāo)在高分辨率SAR圖像上的典型散射特征，發(fā)現(xiàn)建筑物目標(biāo)SAR成像形成的疊掩、二次散射、較強(qiáng)單次散射等散射機(jī)制對(duì)應(yīng)的高亮特征非常典型，并且對(duì)雷達(dá)視向敏感，因此提出了基于高亮特征匹配融合兩個(gè)視向SAR圖像進(jìn)行建筑物高度反演的方法。首先分析了建筑物目標(biāo)的SAR圖像散射特征及對(duì)雷達(dá)視向的敏感性，然后構(gòu)造了建筑物目標(biāo)在雙視向SAR圖像上高亮特征幾何模型，其次基于灰度均值、灰度概率分布和邊界信息定義匹配函數(shù)，并利用多種群遺傳算法進(jìn)行優(yōu)化求解，最終得到建筑物目標(biāo)的高度信息。最后將該方法用于模擬和機(jī)載SAR圖像，試驗(yàn)結(jié)果表明該方法可以有效實(shí)現(xiàn)建筑物高度的反演。

2建筑物目標(biāo)

SAR圖像散射特征與高亮特征幾何模型

2．1建筑物目標(biāo)SAR圖像散射特征分析建筑物在SAR圖像上的散射特征可以分為三大類：高亮特征，包括疊掩、二次散射以及尖頂建筑物正對(duì)入射方向的屋頂單次散射；中亮特征，包括平頂建筑物屋頂?shù)膯未紊⑸洌话堤卣鳎饕戈幱啊D1是根據(jù)SAR圖像回波信號(hào)組成分析以及SAR成像幾何關(guān)系，得出的不同方位角成像條件下的典型平頂建筑物目標(biāo)的散射特征，可以將其分解為墻面基元、屋頂基元、二次散射亮線基元和陰影基元，其中綠線和白線表示墻面形成的疊掩和墻—地形成的二次散射，黃色表示屋頂形成的單次散射，紅線表示陰影。這3類特征均包含了建筑物的幾何參數(shù)，但通過對(duì)SAR圖像的分析發(fā)現(xiàn)，屋頂單次散射在SAR圖像上特征不明顯，陰影特征由于斑點(diǎn)噪聲及周圍地物的影響很難保持幾何的完整性，因此高亮散射特征是相對(duì)較為穩(wěn)定的特征，適用于建筑物參數(shù)的提取。從圖1還可以看出，建筑物目標(biāo)散射特征對(duì)方位角非常敏感，同一建筑物目標(biāo)在不同方位角下的散射特征表現(xiàn)出很大的差異性。

2．2建筑物目標(biāo)SAR圖像高亮特征幾何模型圖2為一平頂建筑物目標(biāo)ABCH－DEFG經(jīng)過投影后在二維SAR圖像空間中的成像特征示意圖。為了定量描述該成像空間中的建筑物，定義一組參數(shù)進(jìn)行表征，表示為MB＝｛x0，y0，l，w，h，φ，θ｝，其中x0＝xB，y0＝y(tǒng)B，xB和yB分別為角點(diǎn)B的坐標(biāo)，l、w和h分別為建筑物長(zhǎng)、寬和高，φ為建筑物的方位角，定義為建筑物長(zhǎng)邊與距離向的夾角。

2．3雙視向SAR圖像高亮特征幾何模型圖3（a）是建筑物目標(biāo)在雙視向SAR成像空間中的示意圖（這里以左右視向?yàn)槔僭O(shè)傳感器分別是SAR1和SAR2。由于SAR是側(cè)視成像，建筑物只有一側(cè)的邊界朝向SAR，即正對(duì)著SAR的一般只有一條或兩條邊，而背向SAR傳感器的邊在SAR圖像上是缺失的。假設(shè)SAR1朝向建筑物的BC和BA邊，入射角和方位角分別為θ1和φ1，并且由角點(diǎn)B表示建筑物位置，則在SAR1照射下，建筑物可以表示成Q1＝｛xB，yB，l，w，h，φ1，θ1｝；假設(shè)SAR2朝向建筑物的HC和HA邊，入射角和方位角分別為θ2和φ2，并且由角點(diǎn)H表示建筑物位置，則在SAR2照射下，建筑物可以表示成Q2＝｛xH，yH，l，w，h，φ2，θ2｝。建筑物在雙視向照射下的成像模型如圖3（b）和（c）所示。其中綠色區(qū)域表示高亮灰度特征，主要是疊掩和二次散射；紅色區(qū)域表示中低灰度特征，主要是屋頂單次散射和陰影。可以看到，建筑物在不同入射角、方位角的條件下成像時(shí)，特征的形狀有明顯的區(qū)別，但是均包含了建筑物的幾何信息，而且高亮特征始終由兩個(gè)平行四邊形組成（建筑物有墻面正對(duì)入射波時(shí)，兩個(gè)平行四邊形變換為長(zhǎng)方形）。建筑物在SAR1和SAR2照射下的高亮特征模型分別由Q1和Q2表示，而兩個(gè)高亮模型之間也存在幾何關(guān)系，以此為依據(jù)可以綜合運(yùn)用兩個(gè)視向的高亮特征模型與SAR圖像進(jìn)行匹配實(shí)現(xiàn)建筑物高度反演。

3匹配函數(shù)的構(gòu)建與多種群遺傳算法

3．1匹配函數(shù)構(gòu)建匹配函數(shù)設(shè)計(jì)的優(yōu)劣直接決定了最終參數(shù)估計(jì)的準(zhǔn)確性，在匹配高亮模型與SAR圖像時(shí)，主要是利用SAR圖像中高亮特征與周圍區(qū)域的灰度差異，將生成的模型向外膨脹5～10個(gè)像元作為模型的周圍區(qū)域，當(dāng)模型與SAR圖像中的高亮特征區(qū)域?qū)崿F(xiàn)匹配時(shí)，模型周圍區(qū)域包含像元與模型內(nèi)部像元存在明顯的差異。本文用M0表示灰度均值差異，M1表示基于Hellinger距離的灰度分布差異，M2表示模型邊界信息，分別定義為：（1）灰度均值差異M0。高亮特征的灰度與周圍區(qū)域有著顯著差異，因此可以利用灰度均值的差對(duì)匹配效果進(jìn)行評(píng)價(jià)。

3．2基于多種群遺傳算法的匹配函數(shù)優(yōu)化匹配函數(shù)確定后，建筑物高度反演問題便轉(zhuǎn)化為匹配函數(shù)的優(yōu)化問題。建筑物的長(zhǎng)、寬、方位角息相對(duì)容易提取，因此本文用已發(fā)展的算法先提取建筑物的這些信息［11］，然后利用本文方法重點(diǎn)研究建筑物的高度提取。由于匹配度函數(shù)由多個(gè)參數(shù)進(jìn)行表示，在對(duì)參數(shù)進(jìn)行搜索時(shí)具有一定復(fù)雜度，傳統(tǒng)的精確優(yōu)化算法、近似優(yōu)化算法可能無法進(jìn)行直接求解。隨著優(yōu)化理論的發(fā)展，一些現(xiàn)代智能優(yōu)化算法被提了出來，并得到了迅速發(fā)展和廣泛應(yīng)用。遺傳算法是現(xiàn)代智能優(yōu)化算法中應(yīng)用最為廣泛的算法之一，對(duì)于一些非線性、多模型、多目標(biāo)的函數(shù)優(yōu)化問題，均可以得到較好的結(jié)果［12］。多種群遺傳算法能較好地克服一般遺傳算法的早熟收斂等問題，因此本文用來進(jìn)行匹配函數(shù)的優(yōu)化求解。

4實(shí)驗(yàn)結(jié)果與分析

4．1基于模擬SAR圖像的實(shí)驗(yàn)首先利用模擬SAR圖像進(jìn)行試驗(yàn)。假設(shè)建筑物長(zhǎng)度l＝50m，寬度w＝20m，高度h＝15m。圖5（a）為入射角θ＝45°，方位角φ＝45°時(shí)的模擬SAR圖像，雷達(dá)視向?yàn)閺淖蟮接遥粓D5（b）為入射角θ＝60°，方位角φ＝30°時(shí)的模擬SAR圖像，雷達(dá)視向?yàn)閺挠业阶蟆煞M圖像的像元大小均為0．75m×0．75m，并加上了方差0．1的乘性噪聲。首先利用文獻(xiàn)［11］方法對(duì)兩幅圖像進(jìn)行配準(zhǔn)，計(jì)算出兩幅圖像之間的仿射變換參數(shù)T＝（0．8979，0．2917，－0．3028，0．9967，0．9336，22．5572）。由仿射變換參數(shù)T和長(zhǎng)、寬等參數(shù)可以建立兩幅圖像中建筑物角點(diǎn)之間的關(guān)系。利用參數(shù)構(gòu)造模型與SAR圖像之間的匹配函數(shù)，并用基于多種群的遺傳算法進(jìn)行求解。圖6表示每一代最優(yōu)個(gè)體對(duì)應(yīng)的適應(yīng)度變化曲線。當(dāng)運(yùn)行到18代時(shí)，精華種群中的某個(gè)精華個(gè)體保持了10代以上，可以認(rèn)為得到了最優(yōu)解。圖7為最優(yōu)解對(duì)應(yīng)的模型與兩幅SAR圖像的疊加結(jié)果，可以看到模型與圖像均實(shí)現(xiàn)了較好的匹配。求得的最優(yōu)解為h＝14．87m，與真實(shí)高度15m非常接近。除以上視向組合外，本文還利用其他視向組合的模擬SAR圖像進(jìn)行了實(shí)驗(yàn)。保持建筑物的長(zhǎng)、寬、高不變，改變SAR1和SAR2的入射角和方位角，構(gòu)造出多種雙視向組合進(jìn)行建筑物參數(shù)提試驗(yàn)，表2給出了一些示例。分析表明本文方法反演的建筑物高度平均誤差為0．26m，最大誤差不超過0．6m。

4．2基于機(jī)載SAR圖像的實(shí)驗(yàn)除利用模擬圖像對(duì)本文方法進(jìn)行驗(yàn)證外，還利用機(jī)載高分辨率SAR圖像進(jìn)行了驗(yàn)證。實(shí)驗(yàn)區(qū)位于四川省綿陽市安縣，兩個(gè)視向的機(jī)載SAR圖像如圖8所示，其中圖8（a）雷達(dá)視向?yàn)閺挠蚁蜃螅行娜肷浣菫?9．5°，X波段，像元大小為0．5m×0．5m；圖8（b）雷達(dá)視向?yàn)閺淖笙蛴遥行娜肷浣鞘?5．6°，P波段，像元大小為2m×2m。利用文中方法［11］檢測(cè)出8個(gè)特征比較顯著的建筑物，分別標(biāo)記為A1、A2、A3、A4、A5、A6、A7和A8，并給出了長(zhǎng)度、寬度和方位角參數(shù)。下面先利用建筑物A1對(duì)本文方法進(jìn)行說明。建筑物A1對(duì)應(yīng)的兩個(gè)視向SAR圖像如圖9所示。由于兩幅圖像分辨率不一致，所以同一建筑物目標(biāo)的圖像切片大小存在差別。首先利用文中方法［11］對(duì)兩幅SAR圖像進(jìn)行配準(zhǔn)，計(jì)算出兩幅圖像之間的仿射變換參數(shù)T＝（3．2579，－0．3201，0．4906，3．6667，－82．7260，－15）；然后構(gòu)造高亮特征模型與雙視向SAR圖像之間的匹配函數(shù)，運(yùn)用基于多種群的遺傳算法進(jìn)行求解。圖10表示每一代最優(yōu)個(gè)體對(duì)應(yīng)的適應(yīng)度變化曲線。當(dāng)運(yùn)行到24代時(shí)，精華種群中的某個(gè)精華個(gè)體保持了10代以上，可以認(rèn)為得到了最優(yōu)解。圖11為最優(yōu)解對(duì)應(yīng)的模型與兩幅SAR圖像的疊加結(jié)果，可以看到模型與兩幅圖像均實(shí)現(xiàn)了較好的匹配。求得的最優(yōu)解為h＝12．01m，與手動(dòng)測(cè)量值12．21m非常接近。用本文的算法分別對(duì)試驗(yàn)區(qū)內(nèi)的A1～A8共8個(gè)建筑物的高度進(jìn)行反演，并與手動(dòng)測(cè)量的結(jié)果進(jìn)行比較，測(cè)量結(jié)果如表3所示。可以看出，本文提出的利用雙視向SAR圖像的方法反演的建筑物高度與手動(dòng)測(cè)量的結(jié)果非常接近，平均誤差為0．78m。為了與單視向SAR建筑物高度提取結(jié)果進(jìn)行對(duì)比，利用分辨率較高的圖8（a）進(jìn)行試驗(yàn)。首先根據(jù)建筑物在SAR圖像上的高亮特征構(gòu)造基于單視向SAR圖像高度反演的匹配函數(shù)，然后利用多種群遺傳算法進(jìn)行求解，得到最大反演誤差1．5m，平均誤差為1．1m。可見利用兩個(gè)視向SAR圖像可以使建筑物高度的反演誤差減小1倍，有效地改善了反演精度。

5結(jié)語

針對(duì)利用單幅SAR圖像進(jìn)行建筑物高度提取通常較為困難的問題，本文提出了一種基于高亮模型匹配的雙視向高分辨率SAR圖像建筑物高度反演方法。在對(duì)建筑物目標(biāo)SAR成像特征分析的基礎(chǔ)上，首先構(gòu)造了建筑物目標(biāo)在雙視向SAR圖像上高亮特征幾何模型，然后基于灰度均值、灰度概率分布和邊界信息定義匹配函數(shù)，并通過多種群遺傳算法實(shí)現(xiàn)函數(shù)優(yōu)化，得到了最優(yōu)的高度參數(shù)。基于模擬和機(jī)載SAR圖像的試驗(yàn)表明利用兩個(gè)視向SAR圖像可以使建筑物高度的反演誤差減小1倍。該算法無需進(jìn)行復(fù)雜的投影方程計(jì)算，提高了模型匹配方法的實(shí)用性和精度，尤其適用于建筑物目標(biāo)散射特征不完整的情況。但本文方法僅能在一定程度上解決建筑物目標(biāo)在SAR圖像上信息不完整時(shí)的高度提取問題，是否適用于遮擋較為嚴(yán)重的復(fù)雜場(chǎng)景，還需要結(jié)合復(fù)雜場(chǎng)景的SAR圖像模擬技術(shù)和星載或機(jī)載SAR數(shù)據(jù)開展更廣泛的驗(yàn)證工作。

作者：徐旭 張風(fēng)麗 王國(guó)軍 符喜優(yōu) 沙敏敏 李志坤 邵蕓 陳龍永 梁興東 單位：中國(guó)科學(xué)院遙感與數(shù)字地球研究所 中國(guó)科學(xué)院大學(xué) 中國(guó)科學(xué)院電子學(xué)研究所