基于紋理分割融合的雷達遙感影像人工建筑識別算法
【技術領域】
[0001] 本發明涉及的是遙感模式識別技術領域，具體涉及一種基于紋理分割融合的雷達 遙感影像人工建筑識別算法。
【背景技術】
[0002] 生態環境是一個最為復雜的結構體，是不斷創造人類社會文明的基礎，它最主要 的兩個特征是：增長性和動態性。這增加了利用遙感數據進行分析和認知的復雜度。隨著 社會經濟發展和科技的進步，社會化進程不斷加快，人造地表（尤其是建筑物、道路等為 主的不透水層）逐漸取代以植被等為主的自然景觀，引起城市土地利用/覆蓋的根本變 化。SAR衛星圖像與光學衛星圖像相比具有全天時、全天候的特點，1997年Henderson首 次綜述了SAR衛星數據應用于城市環境監測的現狀和前景。特別是SAR圖像最顯著的優 點在于其能提供的復雜紋理信息，信號相位負載能比空間域強度信號提供更多的信息，因 此紋理信息在雷達影像提取城市建筑信息中起到的作用得到越來越多學者的贊同和支持。
[0003] 由于在城市區域環境中把地物類別看做塊狀聚集物要比單獨的建筑單元更科學 也更有利于分類信息的提取，因此我們采用數學形態對空間紋理進行分割聚類，而非單像 素的方法進行人工建筑物識別。在高分辨率SAR數據中，特別是像低空無人機載/星載雷 達傳感器獲取的高分辨率SAR數據中，對同質性信息進行統計分割很有意義。分割的過程 可以看做根據某種準則把每個對象最終被確定為某種特定的城市土地覆蓋類型。理想情 況下，如果一塊區域能夠被充分分割，那么這些分割結果或許可以利用一些空間特征，比如 說我們前面選擇的空間特征，并根據一定的判斷準則重新組合成為有意義的景觀格局類別 (如建筑體)，也就是實現了典型目標識別目的。
[0004] 本發明提出的一種基于紋理分割融合的無人機載/星載雷達遙感影像人工建筑 識別算法，針對高分辨率SAR數據的特點，通過空間紋理分割和數學形態學的方法進行人 工建筑地類的提取。利用MORAN空間自相關指數評估每個目標值和其相鄰元素的均值的相 似性度量來衡量局部同質化；利用GEARY空間指數識別像元和其相鄰元素的高變異區域來 衡量局部相異性；利用GETIS空間指數識別聚集成塊的很高或很低值的區域。尋找高相關 區域是非常有用的，特別是對于SAR數據，高相關區域表示區域的獨特特征。因此基于空 間相關特征指數的人工建筑地類識別的主要思想就是，通過對SAR影像分割尋找識別可靠 的高亮目標區域，并利用這些高亮目標區域重建區域完整建筑群體。

【發明內容】

[0005] 針對現有技術上存在的不足，本發明目的是在于提供一種基于紋理分割融合的雷 達遙感影像人工建筑識別算法，解決了有效利用合成孔徑雷達（SAR)遙感數據空間紋理特 征高精度提取建筑信息的問題。
[0006] 為了實現上述目的，本發明是通過如下的技術方案來實現：基于紋理分割融合的 雷達遙感影像人工建筑識別算法，其具體步驟為： (1) 輸入SAR遙感影像數據； (2) 根據傳感器類型確定影像分割比例因子和邏輯掩膜分割尺度； (3) 尋找并計算、篩選空間自相關結構指數特征和灰度共生矩陣紋理特征； (4) 根據掩膜尺度對空間特征指數和紋理信息進行邏輯掩膜，并利用數學形態學操作 過濾掩膜結果； (5) 將過濾的結果進行初步邏輯聚類，并尋找明顯建筑區域； (6) 根據初步尋找的結果，再次邏輯聚類并結合數學形態學重建算法，更新完善明顯建 筑區域； (7) 計算研宄區域的空間紋理特征，對空間紋理信息進行邏輯掩膜和數學形態學濾波， 并將濾波結果與第（5)步獲取的初步信息進行邏輯與或融合； (8) 對邏輯與或結果進行密度分割； (9) 對密度分割結果進行數學形態學連通操作，并進行邏輯與或融合，更新明顯建筑區 域結果； (10) 對兩次提取的建筑信息進行邏輯聚類和融合，并通過數學形態學剖面重建，獲取 最終建筑信息識別結果。
[0007] 作為優選，所述步驟（1)中，算法支持輸入合成孔徑雷達遙感影像類型多樣，星載 SAR傳感器獲取的遙感影像和無人機載SAR傳感器獲取的遙感影像均可。
[0008] 作為優選，所述步驟（2)中輸入的空間自相關特征是針對步驟（1)所輸入的高分 辨率SAR遙感影像，經過局部空間自相關統計計算獲得的局部空間特征因子，能夠初步識 別建筑區域。
[0009] 作為優選，所述步驟（3)中輸入的地物紋理信息是基于灰度共生矩陣GLCM統計計 算得到，GLCM紋理是對空間關聯特征的有效補充，算法中能夠對初步識別的建筑區域進一 步優化，提尚識別精度。
[0010] 作為優選，所述步驟（4)中分別提取與建筑類型高度正的自相關區域和負的自相 關區域方法。提取過程中用到的數學模型可表述為如下公式：
公式（1)中，Xi是空間單元i的屬性值，wij為空間權矩陣，代表空間單元i和j之間的 影響程度。^是MORAN指數，取值范圍為[_1，1]，正值表示該空間單元與鄰近單元的屬性 值相似，空間自相關性是正相關；負值表示該空間單元與鄰近單元的屬性值不相似，空間自 相關性是負相關；〇表示沒有空間相關屬性。
[0011] 公式（2)中，指數，取值范圍一般為[0,2]，GEARY=1代表空間無關，小 于1為空間正相關，大于1時為空間負相關，當GEARY=2時有很強的空間負相關。因此可以 用來鑒定像元與鄰近像元空間相似度。
[0012] 公式（3)中，匕表示GETIS空間指數，是基于距離權矩陣的局部空間自相關指標， 能探測高值聚集和低值聚集，Wij是單元i和單元j之間的距離權，正的GETIS表示單元鄰 居的觀測值高，負的GETIS表示單元鄰居的觀測值低。
[0013] 移除孤立小面積對象，并使用數學形態學填充對有意義的對象進行增長計算。算 法中閾值分割和數學形態學填充用到數學模型為：
公式（4)、（5)表示B對A的腐蝕和膨脹操作用集合論的表述，是數學形態學濾波填充 操作的基礎，對于測量腐蝕和膨脹的數學模型如公式（6)和（7)所示，公式中S為標記圖像， T為模板圖像。當n=0時，D(S)=S，E(S)=S，因此通過迭代可以實現測量腐蝕和膨脹的數學 形態學重建。由于雷達圖像中人工建筑具有聚集性和不連貫性，利用圖像交集運算提取的 特征區域更有利于建筑區的識別。
[0014] 所述步驟（5)和（6)中得到的GETIS-0RD特征作為模板，進行數學形態學重建開閉 所用到數學模型為：
通過迭代來完成數學形態學填充、掩膜提取建筑區域。
[0015] 所述步驟（7)和（8)中將SAR影像中利用灰度共生矩陣提取的紋理特征進行交集 運算，并與空間相關特征提取的正、負相關區域交集，充分利用灰度共生矩陣紋理和空間自 相關特征紋理各自的優勢，提高地類識別精度。
[0016] 作為優選，所述步驟（9)和（10)將不同紋理提取的建筑區域進行融合，并進行迭 代篩選，獲取最終建筑識別結果。
[0017] 本發明解決有效利用合成孔徑雷達（SAR)遙感數據空間紋理特征高精度提取建筑 信息的問題。首先對空間自相關紋理特征進行分割和數學形態學重建，預測出初級分類結 果，然后利用灰度共生矩陣紋理進行優化和融合，并再進行預測分類，最終實現SAR遙感影 像準確人工建筑地類高精度識別的目的。
[0018] 本發明充分利用SAR遙感影像中豐富在的空間紋理信息和人工建筑在雷達影像 中獨特的成像特征，最大化挖掘數學形態學與邏輯聚類對SAR影像建筑識別的能力，能夠 提高建筑信息的最終識別精度，同時具有易于實現、計算復雜度低等優點，可用于無人機載 或星載SAR遙感影像城區人工建筑信息提取、城區動態擴展監測，以及市區違規建筑排查 等相關的多種應用中。
【附圖說明】
[0019] 下面結合附圖和【具體實施方式】來詳細說明本發明； 圖1為本發明的步驟流程圖。
[0020] 圖2為本發明的星載PALSAR數據煤礦區人工建筑提取結果圖。
[0021] 圖3為本發明的星載PALSAR數據城區人工建筑提取結果圖。
[0022] 圖4為本發明的無人機載MINISAR數據城區人工建筑提取結果圖。
【具體實施方式】
[0023] 為使本發明實現的技術手段、創作特征、達成目的與功效易于明白了解，下面結合
【具體實施方式】，進一步闡述本發明。
[0024] 參照圖1，本【具體實施方式】采用以下技術方案：基于紋理分割融合的雷達遙感影 像人工建筑識別算法，其具體步驟為： 步驟1 :輸入SAR遙感影像數據 輸入SAR遙感影像類型不特定，星載微波輻射計傳感器獲取的SAR遙感影像和無人機 機載微波輻射計傳感器獲取的SAR遙感影像均可。
[0025] 步驟2 :提取空間關聯度紋理 利用Rook'scase臨近規則統計計算研宄區MORAN,GEARY和GETIS-0RD空間關聯度指 數，并轉化為G=256灰度等級。
[0026] 步驟3 :提取灰度共生矩陣紋理 利用移動窗口計算提取研宄區灰度共生矩陣（GLCM)紋理信息，并轉化為G=256灰度等 級。
[0027] 步驟4 :提取并優化空間相關區域。
[0028] 對空間指數進行分割并利用形態學做空間分析，分別計算提取與建筑類型高度正 的自相關區域和負的自相關區域。移除孤立小面積對象，并使用數學形態學填充對有意義 的對象進行增長計算。對優化后的對象圖形進行交集運算，識別提取同時具有正的自相關 和負的自相關區域。
[002