多特征加權融合的高分辨率sar影像建筑區(qū)提取方法
【技術領域】
[0001] 本發(fā)明屬于遙感影像的合成孔徑雷達圖像解譯領域，特別涉及機載合成孔徑雷達 遙感影像的特征提取和特征融合方法。
【背景技術】
[0002] 遙感影像上的建筑區(qū)作為典型的人造結構，在影像解譯中一直是研究的熱點和重 點。隨著遙感技術的迅速發(fā)展，合成孔徑雷達以其全天時全天候的優(yōu)勢在遙感技術中應用 越來越多。在目前SAR影像解譯領域，高分辨率SAR影像建筑區(qū)的提取研究已然成為一項 備受關注的課題。高分辨率SAR影像建筑區(qū)提取是指通過一定的方法，提取有利于區(qū)分建 筑區(qū)的紋理特征，通過紋理特征將建筑區(qū)和非建筑區(qū)區(qū)分開來?？紤]到實際中，紋理分析方 法的多樣性，計算得到的紋理特征也有很多種，通常只用單特征或者幾個經驗特征進行分 類計算。
[0003] 紋理分類問題包含特征提取和特征分類兩部分，其中特征提取的優(yōu)劣是決定分類 效果的關鍵因素。目前主流的紋理特征描述方法主要包括基于統(tǒng)計，基于結構，基于模型和 基于濾波四種。由于SAR圖像上建筑區(qū)往往表現(xiàn)出區(qū)別于其他地物的典型紋理特征，紋理 分析用于SAR圖像的信息提取中，紋理分類方法成為SAR圖像上提取建筑區(qū)的主要手段。目 前研究的方法有：（1)利用灰度共生矩陣計算高分辨率SAR圖像紋理特征，以選取的特征矢 量作為非監(jiān)督分類的特征輸入提取居民地。（2)基于變差函數(shù)紋理特征的高分辨率SAR圖 像建筑區(qū)提取方法，基于變程計算變差函數(shù)值作為分類特征，結合FCM分類器實現(xiàn)了建筑 區(qū)和非建筑區(qū)兩類分類問題。（3)綜合灰度和紋理特征的高分辨率SAR圖像建筑區(qū)提取方 法，根據(jù)巴士距離對紋理特征進行選擇，最后與原始灰度圖像進行波段組合作為分類特征。
[4]利用Markov隨機場紋理分類方法對城區(qū)進行精細的分類。在上述研究中，多采用基于 統(tǒng)計模型的單一紋理描述方法。Markov法在高分辨率條件下，對極不均勾的區(qū)域難以準確 建模?；诮Y構信息的變差函數(shù)法在實驗中表現(xiàn)了其優(yōu)勢性，但沒有考慮高分辨率條件下 建筑區(qū)的方向信息，忽視了變差函數(shù)的各向異性。綜合多特征的方法，在特征選取上，采用 了直接拋棄貢獻較小特征的方法，難免會損失部分信息。

【發(fā)明內容】

[0004] 本發(fā)明的目的在于提高現(xiàn)有建筑區(qū)提取方法的精度，提出一種基于巴氏距離權值 計算方法，以此為基礎，提出了多特征加權融合的高分辨率SAR影像建筑區(qū)提取方法。
[0005] 本發(fā)明的技術方案相對現(xiàn)有方法，其主要改進在于在紋理特征選取策略上，引入 一種距離測度來計算每種紋理特征值的權值，最后將多種紋理特征值融合為一種新特征。 本文發(fā)明采用了應用距離公式確定特征權值的策略，充分考慮了多種統(tǒng)計紋理特征值和結 構紋理特征值的貢獻大小。
[0006] 本發(fā)明提供了一種多特征加權融合的高分辨率SAR影像建筑區(qū)提取方法，該方法 包括以下步驟：①對強度影像進行預處理；②分別基于灰度共生矩陣紋理分析方法和基于 變差函數(shù)紋理分析方法進行紋理特征值提??；③依據(jù)巴氏距離進行特征權值的確定；④將 步驟②得到的紋理特征值利用所述特征權值進行加權融合；⑤利用K均值聚類算法對融合 后的特征圖進行非監(jiān)督分類；⑥后處理分類結果，去除小區(qū)域，填補空洞，并提取外部輪廓， 得到建筑區(qū)。
[0007] 本發(fā)明所述方法充分綜合了多種有利于建筑區(qū)提取的紋理特征值，構造的融合特 征圖包含了比單特征圖更加豐富的紋理信息，從而一定程度上提高了建筑區(qū)與非建筑區(qū)的 分類精度，進而提高了建筑區(qū)提取精度，最終使得提取到的建筑區(qū)邊界輪廓更加擬合真實 建筑區(qū)輪廓。
[0008]進一步優(yōu)選地，所述步驟①中，使用的強度影像是空間分辨率為lm的機載P波段 影像塊，并且通過執(zhí)行濾波進行所述預處理。
[0009]進一步優(yōu)選地，步驟②所述的，基于灰度共生矩陣紋理分析方法中，紋理灰度共生 矩陣的計算表達式為P(i, j|d, 0) = {Pk(i, j|d, 0)}NXN，其中，i、j分別表示灰度共生矩陣 的行列號，步長d、方向0分別表示用來區(qū)分紋理的粗糙性與方向性，N表示圖像的灰度級 數(shù)，k為像元順序號。本發(fā)明所述紋理特征值是由所述灰度共生矩陣P(i，j|d，0)計算的 以下5種參量：
lyj[0013]進一步優(yōu)選地，步驟②所述的基于變差函數(shù)的紋理分析方法中，用實驗變差函數(shù)
[0010]
[0011]
[0012] _ 來估計無法直接獲得的變差函數(shù)為
式中，N(h)表示觀 測數(shù)據(jù)中間距為h的點對數(shù)目，f (xk)表示xk處的像素值，將h取特定值時的變差函數(shù)值作 為所述紋理特征值。
[0014]進一步優(yōu)選地，所述步驟③中，確定特征權值確定的方法包括：
[0015] 計算巴氏距離，計算公式為：
[0016]
[0017] 式中，h、y2、〇1、〇2分別表示在同一幅紋理特征圖上建筑區(qū)和非建筑區(qū)的均值 和方差，BD表示巴氏距離；
[0018]計算某一類型紋理特征值的特征權重，計算公式為：
[0019]
[0020] 式中，^表示某一特征圖上建筑區(qū)和非建筑區(qū)的巴氏距離值，Pl表示某一類型 紋理特征值所占的權值。
[0021] 進一優(yōu)選步地，所述步驟④中，將步驟③中計算的特征權值分配給對應類型的紋 理特征值，經過加權運算得到融合后的特征圖。
[0022] 進一優(yōu)選步地，所述步驟⑤中，使用K-means聚類算法對融合后的特征圖進行非 監(jiān)督分類。
[0023] 進一優(yōu)選步地，所述步驟⑥中，后處理分類結果去除小區(qū)域，填補空洞，并提取外 部輪廓，得到建筑區(qū)。
[0024] 進一優(yōu)選步地，所述步驟②的基于灰度共生矩陣紋理分析方法中，計算紋理特征 值是基于取紋理窗口來遍歷灰度共生矩陣的，所述紋理窗口大小參數(shù)按如下方法選擇：在 3-45之間，采用以4為等差依次取值，作為窗口大小參數(shù)，繪制建筑區(qū)與非建筑區(qū)的紋理特 征值隨窗口大小參數(shù)變化而變化的曲線圖，通過分析曲線圖的變化趨勢得出最佳紋理窗口 大小參數(shù)；所述步驟②的基于變差函數(shù)紋理分析方法中，紋理間距按如下方法確定：將h作 為自變量從1開始不斷遞增，計算不同h下建筑區(qū)與非建筑區(qū)樣本均值，繪制變差函數(shù)曲線 圖，通過分析曲線圖求得最佳紋理間距。
[0025] 本發(fā)明所述方法充分綜合了多種有利于建筑區(qū)提取的紋理特征值，構造的融合特 征圖包含了比單特征圖更加豐富的紋理信息，從而一定程度上提高了建筑區(qū)與非建筑區(qū)的 分類精度，進而提高了建筑區(qū)提取精度，最終使得提取到的建筑區(qū)邊界輪廓更加擬合真實 建筑區(qū)輪廓。
【附圖說明】
[0026] 下面結合附圖對本發(fā)明進行進一步詳細的描述，以使得本發(fā)明的上述優(yōu)點更加明 確。
[0027]圖1是本發(fā)明所述的多特征加權融合的高分辨率SAR影像建筑區(qū)提取方法的流程 圖；
[0028]圖2是本發(fā)明計算灰度共生矩陣紋理窗口參數(shù)分析曲線圖；
[0029] 圖3是本發(fā)明計算變差函數(shù)紋理間距參數(shù)分析曲線圖；
[0030]圖4是本發(fā)明所述的特征權值計算和特征融合示意圖；
[0031] 圖5是采用本發(fā)明方法和其他方法的分類結果對比圖和后處理圖；
[0032] 圖6是建筑區(qū)輪廓提取圖。
【具體實施方式】
[0033] 下面結合附圖對本發(fā)明作進一步詳細的描述。
[0034]圖1表示本發(fā)明所述的多特征加權融合的高分辨率SAR影像建筑區(qū)提取方法的流 程圖。本發(fā)明提供的多特征加權融合的高分辨率SAR影像建筑區(qū)提取方法，針對建筑區(qū)的 紋理特點，，分別采用經典的灰度共生矩陣方法提取統(tǒng)計紋理特征和采用變差函數(shù)方法提 取結構紋理特征值，綜合統(tǒng)計和結構紋理特征值，并考慮方向信息，然后利用巴氏距離特征 權值計算方法計算特征權值，將所選紋理特征值進行加權融合，利用K均值聚類算法對融 合后的特征圖進行非監(jiān)督分類，對分類圖像進行后處理并提取外部輪廓。具體來說，本方法 包括以下步驟：
[0035] 步驟①：首先，對使用的強度影像執(zhí)行濾波等預處理，使用的強度影像是執(zhí)行濾波 等預處理的空間分辨率為lm的機載P波段影像塊。
[0036] 步驟②：采用以下兩種紋理分析方法，分別計算紋理特征值，具體方法如下：
[0037] a)基于灰度共生矩陣的紋理分析方法：計算紋理灰度共生矩陣的計算表達式為 P(i，j|d, 0) = {Pk(i，j|d, 0)}NXN，其中，i、j分別表示灰度共生矩陣的行列號，步長d、方 向0分別表示用來區(qū)分紋理的粗糙性與方向性，N表示圖像的灰度級數(shù)，k為像元順序號。 取圖像（NXN)中任意一點（x，y)及偏離它的另一點（x+a，y+b)，設該點對的灰度值為（gl， g2)。令點（x，y)在整個畫面上移動，則會得到各種（gl，g2)值，設灰度值的級數(shù)為k，則 (gl，g2)的組合共有k的平方種。對于整個畫面，統(tǒng)計出每一種（gl，g2)值出現(xiàn)的次數(shù)，然 后排列成一個方陣，再用（gl，g2)出現(xiàn)的總次數(shù)將它們歸一化為出現(xiàn)的概率P(gl，g2)。通 過上面的表達式得到灰度共生矩陣是紋理特征提取的基礎，作為圖像紋理分析的紋理特征 是由灰度共生矩陣計算獲得的參量，下表中可計算獲得的本發(fā)明用到的5種紋理特征值。
[0038]
[0039] 基于灰度共生矩陣的紋理分析方法中，計算紋理特征值是基于取紋理窗口遍歷灰 度共生矩陣，那么對紋理窗口的選擇，采用以4為等差的從3-45之間的窗口大小，繪制建筑 區(qū)與非建筑區(qū)的兩種特征值隨窗口變化而變化的曲線圖（如圖2)，通過分析曲線圖的變化 趨勢可以得出最佳紋理窗口大小參數(shù)。參見圖2所示的計算灰度共生