雙視向SAR圖像建筑物高度提取范文

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

《遙感技術與應用雜志》2016年第二期

摘要：

由于城區場景的復雜性和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。針對這一問題，利用建筑物目標SAR成像形成的疊掩、二次散射、較強單次散射等散射機制對應的高亮特征非常典型，并且對方向性敏感的特點，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的SAR圖像散射特征及對雷達視向的敏感性，然后構造了建筑物目標在雙視向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，并利用多種群遺傳算法進行優化求解，最終得到建筑物目標的高度信息。基于模擬和機載SAR圖像的試驗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

合成孔徑雷達具有全天時全天候對地觀測的優勢，在災害應急［1－2］和城市監測［3］中發揮著越來越重要的作用。自2007年德國TerraSAR－X發射以來，高分辨率SAR圖像建筑物目標識別與參數提取成為當前研究的一個熱點。城區場景較為復雜，建筑物目標在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很困難。另一方面，建筑物目標SAR圖像特征的方向性很強，在不同方位角成像條件下表現出較強的差異性，融合利用這些特征可以獲取更準確的建筑物參數。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，檢測出建筑物的邊界和高度。Simonetto等［5］將不同入射角的圖像進行特征級融合以提高邊界提取精度，再通過立體成像形成的視差計算建筑物高度。Xu等［6］利用不同方位SAR圖像以概率統計的方法進行最大似然估計，獲取建筑物幾何參數。Soergel等［7］融合正交兩個視向的高分辨率SAR圖像，并利用疊掩信息進行了建筑物檢測和高度反演。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行組合，實現了建筑物參數的反演。Brunner等［9］在單幅高分辨率SAR圖像建筑物高度反演的基礎上，將兩個視向的高度提取結果進行決策級融合作為最終的反演高度。但現有方法要么是對多幅SAR圖像建筑物參數提取結果的簡單組合，要么涉及復雜的SAR成像模擬和電磁計算，應用效果不佳。針對這一問題，本文通過分析建筑物目標在高分辨率SAR圖像上的典型散射特征，發現建筑物目標SAR成像形成的疊掩、二次散射、較強單次散射等散射機制對應的高亮特征非常典型，并且對雷達視向敏感，因此提出了基于高亮特征匹配融合兩個視向SAR圖像進行建筑物高度反演的方法。首先分析了建筑物目標的SAR圖像散射特征及對雷達視向的敏感性，然后構造了建筑物目標在雙視向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，并利用多種群遺傳算法進行優化求解，最終得到建筑物目標的高度信息。最后將該方法用于模擬和機載SAR圖像，試驗結果表明該方法可以有效實現建筑物高度的反演。

2建筑物目標

SAR圖像散射特征與高亮特征幾何模型

2．1建筑物目標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入射方向的屋頂單次散射；中亮特征，包括平頂建筑物屋頂的單次散射；暗特征，主要指陰影。圖1是根據SAR圖像回波信號組成分析以及SAR成像幾何關系，得出的不同方位角成像條件下的典型平頂建筑物目標的散射特征，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，但通過對SAR圖像的分析發現，屋頂單次散射在SAR圖像上特征不明顯，陰影特征由于斑點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較為穩定的特征，適用于建筑物參數的提取。從圖1還可以看出，建筑物目標散射特征對方位角非常敏感，同一建筑物目標在不同方位角下的散射特征表現出很大的差異性。

2．2建筑物目標SAR圖像高亮特征幾何模型圖2為一平頂建筑物目標ABCH－DEFG經過投影后在二維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，定義一組參數進行表征，表示為MB＝｛x0，y0，l，w，h，φ，θ｝，其中x0＝xB，y0＝yB，xB和yB分別為角點B的坐標，l、w和h分別為建筑物長、寬和高，φ為建筑物的方位角，定義為建筑物長邊與距離向的夾角。

2．3雙視向SAR圖像高亮特征幾何模型圖3（a）是建筑物目標在雙視向SAR成像空間中的示意圖（這里以左右視向為例），假設傳感器分別是SAR1和SAR2。由于SAR是側視成像，建筑物只有一側的邊界朝向SAR，即正對著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。其中綠色區域表示高亮灰度特征，主要是疊掩和二次散射；紅色區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，特征的形狀有明顯的區別，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平行四邊形組成（建筑物有墻面正對入射波時，兩個平行四邊形變換為長方形）。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，而兩個高亮模型之間也存在幾何關系，以此為依據可以綜合運用兩個視向的高亮特征模型與SAR圖像進行匹配實現建筑物高度反演。

3匹配函數的構建與多種群遺傳算法

3．1匹配函數構建匹配函數設計的優劣直接決定了最終參數估計的準確性，在匹配高亮模型與SAR圖像時，主要是利用SAR圖像中高亮特征與周圍區域的灰度差異，將生成的模型向外膨脹5～10個像元作為模型的周圍區域，當模型與SAR圖像中的高亮特征區域實現匹配時，模型周圍區域包含像元與模型內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域有著顯著差異，因此可以利用灰度均值的差對匹配效果進行評價。

3．2基于多種群遺傳算法的匹配函數優化匹配函數確定后，建筑物高度反演問題便轉化為匹配函數的優化問題。建筑物的長、寬、方位角息相對容易提取，因此本文用已發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研究建筑物的高度提取。由于匹配度函數由多個參數進行表示，在對參數進行搜索時具有一定復雜度，傳統的精確優化算法、近似優化算法可能無法進行直接求解。隨著優化理論的發展，一些現代智能優化算法被提了出來，并得到了迅速發展和廣泛應用。遺傳算法是現代智能優化算法中應用最為廣泛的算法之一，對于一些非線性、多模型、多目標的函數優化問題，均可以得到較好的結果［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，因此本文用來進行匹配函數的優化求解。

4實驗結果與分析

4．1基于模擬SAR圖像的實驗首先利用模擬SAR圖像進行試驗。假設建筑物長度l＝50m，寬度w＝20m，高度h＝15m。圖5（a）為入射角θ＝45°，方位角φ＝45°時的模擬SAR圖像，雷達視向為從左到右；圖5（b）為入射角θ＝60°，方位角φ＝30°時的模擬SAR圖像，雷達視向為從右到左。兩幅模擬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［11］方法對兩幅圖像進行配準，計算出兩幅圖像之間的仿射變換參數T＝（0．8979，0．2917，－0．3028，0．9967，0．9336，22．5572）。由仿射變換參數T和長、寬等參數可以建立兩幅圖像中建筑物角點之間的關系。利用參數構造模型與SAR圖像之間的匹配函數，并用基于多種群的遺傳算法進行求解。圖6表示每一代最優個體對應的適應度變化曲線。當運行到18代時，精華種群中的某個精華個體保持了10代以上，可以認為得到了最優解。圖7為最優解對應的模型與兩幅SAR圖像的疊加結果，可以看到模型與圖像均實現了較好的匹配。求得的最優解為h＝14．87m，與真實高度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圖像進行了實驗。保持建筑物的長、寬、高不變，改變SAR1和SAR2的入射角和方位角，構造出多種雙視向組合進行建筑物參數提試驗，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基于機載SAR圖像的實驗除利用模擬圖像對本文方法進行驗證外，還利用機載高分辨率SAR圖像進行了驗證。實驗區位于四川省綿陽市安縣，兩個視向的機載SAR圖像如圖8所示，其中圖8（a）雷達視向為從右向左，中心入射角為59．5°，X波段，像元大小為0．5m×0．5m；圖8（b）雷達視向為從左向右，中心入射角是65．6°，P波段，像元大小為2m×2m。利用文中方法［11］檢測出8個特征比較顯著的建筑物，分別標記為A1、A2、A3、A4、A5、A6、A7和A8，并給出了長度、寬度和方位角參數。下面先利用建筑物A1對本文方法進行說明。建筑物A1對應的兩個視向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的圖像切片大小存在差別。首先利用文中方法［11］對兩幅SAR圖像進行配準，計算出兩幅圖像之間的仿射變換參數T＝（3．2579，－0．3201，0．4906，3．6667，－82．7260，－15）；然后構造高亮特征模型與雙視向SAR圖像之間的匹配函數，運用基于多種群的遺傳算法進行求解。圖10表示每一代最優個體對應的適應度變化曲線。當運行到24代時，精華種群中的某個精華個體保持了10代以上，可以認為得到了最優解。圖11為最優解對應的模型與兩幅SAR圖像的疊加結果，可以看到模型與兩幅圖像均實現了較好的匹配。求得的最優解為h＝12．01m，與手動測量值12．21m非常接近。用本文的算法分別對試驗區內的A1～A8共8個建筑物的高度進行反演，并與手動測量的結果進行比較，測量結果如表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測量的結果非常接近，平均誤差為0．78m。為了與單視向SAR建筑物高度提取結果進行對比，利用分辨率較高的圖8（a）進行試驗。首先根據建筑物在SAR圖像上的高亮特征構造基于單視向SAR圖像高度反演的匹配函數，然后利用多種群遺傳算法進行求解，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結語

針對利用單幅SAR圖像進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。在對建筑物目標SAR成像特征分析的基礎上，首先構造了建筑物目標在雙視向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，并通過多種群遺傳算法實現函數優化，得到了最優的高度參數。基于模擬和機載SAR圖像的試驗表明利用兩個視向SAR圖像可以使建筑物高度的反演誤差減小1倍。該算法無需進行復雜的投影方程計算，提高了模型匹配方法的實用性和精度，尤其適用于建筑物目標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在SAR圖像上信息不完整時的高度提取問題，是否適用于遮擋較為嚴重的復雜場景，還需要結合復雜場景的SAR圖像模擬技術和星載或機載SAR數據開展更廣泛的驗證工作。

作者：徐旭 張風麗 王國軍 符喜優 沙敏敏 李志坤 邵蕓 陳龍永 梁興東 單位：中國科學院遙感與數字地球研究所 中國科學院大學 中國科學院電子學研究所