[發明專利]基于結構特性的高分辨率單極化SAR影像建筑目標檢測方法

有效

• 申請號: 202010475776.4
• 申請日: 2020-05-29
• 公開（公告）號: CN111666856B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 徐新;楊瑞;桂容;眭海剛;徐川
• 申請（專利權）人: 武漢大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/26
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

本發明提供一種基于結構特性的高分辨率單極化SAR影像建筑目標檢測方法，包括輸入高分辨率單極化SAR影像，進行圖像分割，通過深度語義分割網絡，獲得SAR影像像素屬于“建筑目標”和“背景”的概率值prob；利用區域編號和連通域編號，進行交運算，獲得圖像的過分割結果；計算區域鄰接圖，根據區域鄰接關系，利用區域幾何特征、統計特征、紋理特征，以及獲得的概率值prob，進行相鄰區域的相似性分析，合并滿足相似性閾值的區域，并依次向外擴展合并，計算合并區域后圖像各區域的鄰接圖；基于SAR影像中建筑目標的房頂、墻體和地面陰影表現出的不同圖像特征，利用區域鄰接圖，判斷初步提取區域是否能與鄰接區域形成建筑目標的相應結構，得到建筑目標檢測結果。

技術領域

本發明屬于合成孔徑雷達(Synthetic Aperture Radar，SAR)圖像目標識別技術領域，更進一步涉及SAR影像目標識別領域中的基于結構特性的高分辨率單極化SAR影像建筑目標檢測方法。

背景技術

微波遙感是遙感技術中重要的分支，其中，SAR作為一種微波成像雷達，可以不受云層、天氣等影響，實時監測地面活動，受到廣泛關注。SAR影像在城區監測、城市規劃、城市災害分析等任務中發揮了重要作用，因而，對SAR圖像中建筑目標的提取工作引起了人們的重視。

在高分辨率SAR圖像中，由于成像機制特殊，建筑區域在成像過程中會出現疊掩、二面角反射、陰影等效應。隨著SAR系統成像性能的不斷提升，SAR影像分辨率已經可以達到亞米水平，從而在SAR圖像中呈現出豐富的結構信息，這使得SAR影像建筑檢測從“建筑區域檢測”發展為“建筑目標檢測”成為可能，也為SAR圖像建筑目標的提取提供了基礎。

SAR影像建筑區域或建筑目標檢測方法大致可以分為如下四類。其一是基于統計特征的建筑檢測方法。在SAR的成像機制下，建筑具有二次反射、陰影、疊掩等效應，使得建筑區域中的像素統計分布呈現一定的規律。恒虛警率(Constant False Alarm Rate，CFAR)算法是利用統計特征的一類經典SAR目標檢測算法。文獻1：高貴，周蝶飛，蔣詠梅，等.SAR圖像目標檢測研究綜述[J].信號處理，2009，24(6):971-981.總結了基于CFAR特征進行SAR目標檢測的技術方法，文獻2：趙凌君.高分辨率SAR圖像建筑物提取方法研究[D].長沙：國防科技大學，2009.利用CFAR算法對回波信息處理，結合分水嶺算法提取SAR圖像中的建筑區域。其二是基于紋理特征的建筑檢測方法，其中灰度共生矩陣、Gabor濾波器等算法是廣泛使用的SAR影像紋理提取算法。如文獻3:Yang W,Zou T,Dai D,et al.Supervised land-cover classification of TerraSAR-X imagery over urban areas using extremelyrandomized clustering forests[C]//Urban Remote Sensing Event,2009Joint.IEEE,2009.利用Gabor濾波器提取建筑區域的紋理特征，從而實現建筑區域的檢測。然而，隨著SAR分辨率的提升，SAR影像中建筑結構特征突出，細節得以呈現，表現出復雜的統計特性或紋理特征，此時對建筑目標進行統計建模或紋理描述變得十分復雜。因此，僅基于統計或紋理特征的建筑目標檢測方法在高分辨率SAR影像中很難達到精準的檢測效果。其三是基于建筑結構特征的檢測算法，充分利用SAR影像中建筑目標高亮“L”形特征進行建筑目標提取，如文獻4：Zhao L.J.,Zhou X.G.,Kuang,G.Y..Building detection from urban SARimage using building characteristics and contextual information[J].EURASIPJournal on Advances in Signal Processing,2013,56.利用基于標記控制分水嶺變換分割的方法，提取SAR影像中的長條形或L形建筑物的亮區；文獻5：Chen S.S.,Wang H.P.,XuF.,et al..Automatic Recognition of Isolated Buildings on Single-Aspect SARImage Using Range Detector[J].IEEE Geoscience and Remote Sensing Letters,2015,12(7):219-223.采用探測算子實現朝向一致且具有強偶次散射的長條形建筑提取。但由于檢測的特征相對簡單，使用場景比較單一，該類方法在對具有復雜結構的單體建筑提取時并不適用。其四是基于深度學習的建筑檢測方法。借鑒光學影像的處理思路，深度學習在SAR影像目標檢測中同樣表現出強大潛力。文獻6：Li J.,Zhang R.,Li Y.,Multi-scale Convolutional Neural Network for the Detection of Built-up Areas inHigh-resolution SAR Images[C]//International Geoscience and Remote SensingSymposium(IGARSS).IEEE,2016:019-913.利用多尺度卷積神經網絡進行建筑目標檢測，文獻7：Gao D.L.,Zhang R.,Xue D.X.Improved Fully Convolutional Network for theDetection of Built-up Areas in High Resolution SAR Images[C]//InternationalConference on Image and Graphics.Springer,Cham,2017:611-620.改進全卷積神經網絡，結合上下文信息進行建筑提取。文獻8：吳云飛.基于高分辨率SAR圖像的建筑區域檢測[D].中國科學技術大學,2019.利用注意力機制與對抗訓練的思路訓練卷積神經網絡，獲得建筑目標檢測結果。然而，SAR成像機制與光學不同，相干斑、復雜背景環境等干擾，不同成像條件、參數下的目標特征差異較大，這些問題帶給基于深度學習的建筑目標檢測方法巨大的挑戰，直接將深度學習目標檢測方法或語義分割算法使用到高分辨率SAR影像中無法達到最佳性能。