双视向SAR图像建筑物高度提取范文

本站小编为你精心准备了双视向SAR图像建筑物高度提取参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《遥感技术与应用杂志》2016年第二期

摘要：

由于城区场景的复杂性和SAR成像几何畸变的影响，基于单幅SAR图像的建筑物高度提取常常存在很大困难。针对这一问题，利用建筑物目标SAR成像形成的叠掩、二次散射、较强单次散射等散射机制对应的高亮特征非常典型，并且对方向性敏感的特点，提出了一种基于双视向sar图像高亮特征与几何模型匹配的建筑物高度提取方法。首先分析了建筑物目标的SAR图像散射特征及对雷达视向的敏感性，然后构造了建筑物目标在双视向SAR图像上高亮特征几何模型，然后基于灰度均值、灰度概率分布、边界信息定义匹配函数，并利用多种群遗传算法进行优化求解，最终得到建筑物目标的高度信息。基于模拟和机载SAR图像的试验表明该方法的建筑物高度平均反演误差小于1m，可以有效提高建筑物高度反演的精度。

关键词：

SAR图像；双视向；建筑物；高度提取；高亮特征；遗传算法

1引言

合成孔径雷达具有全天时全天候对地观测的优势，在灾害应急［1－2］和城市监测［3］中发挥着越来越重要的作用。自2007年德国TerraSAR－X发射以来，高分辨率SAR图像建筑物目标识别与参数提取成为当前研究的一个热点。城区场景较为复杂，建筑物目标在SAR图像上叠掩、阴影等散射特征通常是不完整的，使得利用单幅SAR图像提取建筑物参数很困难。另一方面，建筑物目标SAR图像特征的方向性很强，在不同方位角成像条件下表现出较强的差异性，融合利用这些特征可以获取更准确的建筑物参数。目前，基于多视向SAR图像的建筑物信息提取已得到广泛研究。Bolter等［4］通过提取多幅SAR图像上的阴影特征并加以组合，检测出建筑物的边界和高度。Simonetto等［5］将不同入射角的图像进行特征级融合以提高边界提取精度，再通过立体成像形成的视差计算建筑物高度。Xu等［6］利用不同方位SAR图像以概率统计的方法进行最大似然估计，获取建筑物几何参数。Soergel等［7］融合正交两个视向的高分辨率SAR图像，并利用叠掩信息进行了建筑物检测和高度反演。Thiele等［8］基于不同视向的高分辨率干涉SAR图像，将不同视向图像中提取的建筑物散射特征进行组合，实现了建筑物参数的反演。Brunner等［9］在单幅高分辨率SAR图像建筑物高度反演的基础上，将两个视向的高度提取结果进行决策级融合作为最终的反演高度。但现有方法要么是对多幅SAR图像建筑物参数提取结果的简单组合，要么涉及复杂的SAR成像模拟和电磁计算，应用效果不佳。针对这一问题，本文通过分析建筑物目标在高分辨率SAR图像上的典型散射特征，发现建筑物目标SAR成像形成的叠掩、二次散射、较强单次散射等散射机制对应的高亮特征非常典型，并且对雷达视向敏感，因此提出了基于高亮特征匹配融合两个视向SAR图像进行建筑物高度反演的方法。首先分析了建筑物目标的SAR图像散射特征及对雷达视向的敏感性，然后构造了建筑物目标在双视向SAR图像上高亮特征几何模型，其次基于灰度均值、灰度概率分布和边界信息定义匹配函数，并利用多种群遗传算法进行优化求解，最终得到建筑物目标的高度信息。最后将该方法用于模拟和机载SAR图像，试验结果表明该方法可以有效实现建筑物高度的反演。

2建筑物目标

SAR图像散射特征与高亮特征几何模型

2．1建筑物目标SAR图像散射特征分析建筑物在SAR图像上的散射特征可以分为三大类：高亮特征，包括叠掩、二次散射以及尖顶建筑物正对入射方向的屋顶单次散射；中亮特征，包括平顶建筑物屋顶的单次散射；暗特征，主要指阴影。图1是根据SAR图像回波信号组成分析以及SAR成像几何关系，得出的不同方位角成像条件下的典型平顶建筑物目标的散射特征，可以将其分解为墙面基元、屋顶基元、二次散射亮线基元和阴影基元，其中绿线和白线表示墙面形成的叠掩和墙—地形成的二次散射，黄色表示屋顶形成的单次散射，红线表示阴影。这3类特征均包含了建筑物的几何参数，但通过对SAR图像的分析发现，屋顶单次散射在SAR图像上特征不明显，阴影特征由于斑点噪声及周围地物的影响很难保持几何的完整性，因此高亮散射特征是相对较为稳定的特征，适用于建筑物参数的提取。从图1还可以看出，建筑物目标散射特征对方位角非常敏感，同一建筑物目标在不同方位角下的散射特征表现出很大的差异性。

2．2建筑物目标SAR图像高亮特征几何模型图2为一平顶建筑物目标ABCH－DEFG经过投影后在二维SAR图像空间中的成像特征示意图。为了定量描述该成像空间中的建筑物，定义一组参数进行表征，表示为MB＝｛x0，y0，l，w，h，φ，θ｝，其中x0＝xB，y0＝yB，xB和yB分别为角点B的坐标，l、w和h分别为建筑物长、宽和高，φ为建筑物的方位角，定义为建筑物长边与距离向的夹角。

2．3双视向SAR图像高亮特征几何模型图3（a）是建筑物目标在双视向SAR成像空间中的示意图（这里以左右视向为例），假设传感器分别是SAR1和SAR2。由于SAR是侧视成像，建筑物只有一侧的边界朝向SAR，即正对着SAR的一般只有一条或两条边，而背向SAR传感器的边在SAR图像上是缺失的。假设SAR1朝向建筑物的BC和BA边，入射角和方位角分别为θ1和φ1，并且由角点B表示建筑物位置，则在SAR1照射下，建筑物可以表示成Q1＝｛xB，yB，l，w，h，φ1，θ1｝；假设SAR2朝向建筑物的HC和HA边，入射角和方位角分别为θ2和φ2，并且由角点H表示建筑物位置，则在SAR2照射下，建筑物可以表示成Q2＝｛xH，yH，l，w，h，φ2，θ2｝。建筑物在双视向照射下的成像模型如图3（b）和（c）所示。其中绿色区域表示高亮灰度特征，主要是叠掩和二次散射；红色区域表示中低灰度特征，主要是屋顶单次散射和阴影。可以看到，建筑物在不同入射角、方位角的条件下成像时，特征的形状有明显的区别，但是均包含了建筑物的几何信息，而且高亮特征始终由两个平行四边形组成（建筑物有墙面正对入射波时，两个平行四边形变换为长方形）。建筑物在SAR1和SAR2照射下的高亮特征模型分别由Q1和Q2表示，而两个高亮模型之间也存在几何关系，以此为依据可以综合运用两个视向的高亮特征模型与SAR图像进行匹配实现建筑物高度反演。

3匹配函数的构建与多种群遗传算法

3．1匹配函数构建匹配函数设计的优劣直接决定了最终参数估计的准确性，在匹配高亮模型与SAR图像时，主要是利用SAR图像中高亮特征与周围区域的灰度差异，将生成的模型向外膨胀5～10个像元作为模型的周围区域，当模型与SAR图像中的高亮特征区域实现匹配时，模型周围区域包含像元与模型内部像元存在明显的差异。本文用M0表示灰度均值差异，M1表示基于Hellinger距离的灰度分布差异，M2表示模型边界信息，分别定义为：（1）灰度均值差异M0。高亮特征的灰度与周围区域有着显著差异，因此可以利用灰度均值的差对匹配效果进行评价。

3．2基于多种群遗传算法的匹配函数优化匹配函数确定后，建筑物高度反演问题便转化为匹配函数的优化问题。建筑物的长、宽、方位角息相对容易提取，因此本文用已发展的算法先提取建筑物的这些信息［11］，然后利用本文方法重点研究建筑物的高度提取。由于匹配度函数由多个参数进行表示，在对参数进行搜索时具有一定复杂度，传统的精确优化算法、近似优化算法可能无法进行直接求解。随着优化理论的发展，一些现代智能优化算法被提了出来，并得到了迅速发展和广泛应用。遗传算法是现代智能优化算法中应用最为广泛的算法之一，对于一些非线性、多模型、多目标的函数优化问题，均可以得到较好的结果［12］。多种群遗传算法能较好地克服一般遗传算法的早熟收敛等问题，因此本文用来进行匹配函数的优化求解。

4实验结果与分析

4．1基于模拟SAR图像的实验首先利用模拟SAR图像进行试验。假设建筑物长度l＝50m，宽度w＝20m，高度h＝15m。图5（a）为入射角θ＝45°，方位角φ＝45°时的模拟SAR图像，雷达视向为从左到右；图5（b）为入射角θ＝60°，方位角φ＝30°时的模拟SAR图像，雷达视向为从右到左。两幅模拟图像的像元大小均为0．75m×0．75m，并加上了方差0．1的乘性噪声。首先利用文献［11］方法对两幅图像进行配准，计算出两幅图像之间的仿射变换参数T＝（0．8979，0．2917，－0．3028，0．9967，0．9336，22．5572）。由仿射变换参数T和长、宽等参数可以建立两幅图像中建筑物角点之间的关系。利用参数构造模型与SAR图像之间的匹配函数，并用基于多种群的遗传算法进行求解。图6表示每一代最优个体对应的适应度变化曲线。当运行到18代时，精华种群中的某个精华个体保持了10代以上，可以认为得到了最优解。图7为最优解对应的模型与两幅SAR图像的叠加结果，可以看到模型与图像均实现了较好的匹配。求得的最优解为h＝14．87m，与真实高度15m非常接近。除以上视向组合外，本文还利用其他视向组合的模拟SAR图像进行了实验。保持建筑物的长、宽、高不变，改变SAR1和SAR2的入射角和方位角，构造出多种双视向组合进行建筑物参数提试验，表2给出了一些示例。分析表明本文方法反演的建筑物高度平均误差为0．26m，最大误差不超过0．6m。

4．2基于机载SAR图像的实验除利用模拟图像对本文方法进行验证外，还利用机载高分辨率SAR图像进行了验证。实验区位于四川省绵阳市安县，两个视向的机载SAR图像如图8所示，其中图8（a）雷达视向为从右向左，中心入射角为59．5°，X波段，像元大小为0．5m×0．5m；图8（b）雷达视向为从左向右，中心入射角是65．6°，P波段，像元大小为2m×2m。利用文中方法［11］检测出8个特征比较显著的建筑物，分别标记为A1、A2、A3、A4、A5、A6、A7和A8，并给出了长度、宽度和方位角参数。下面先利用建筑物A1对本文方法进行说明。建筑物A1对应的两个视向SAR图像如图9所示。由于两幅图像分辨率不一致，所以同一建筑物目标的图像切片大小存在差别。首先利用文中方法［11］对两幅SAR图像进行配准，计算出两幅图像之间的仿射变换参数T＝（3．2579，－0．3201，0．4906，3．6667，－82．7260，－15）；然后构造高亮特征模型与双视向SAR图像之间的匹配函数，运用基于多种群的遗传算法进行求解。图10表示每一代最优个体对应的适应度变化曲线。当运行到24代时，精华种群中的某个精华个体保持了10代以上，可以认为得到了最优解。图11为最优解对应的模型与两幅SAR图像的叠加结果，可以看到模型与两幅图像均实现了较好的匹配。求得的最优解为h＝12．01m，与手动测量值12．21m非常接近。用本文的算法分别对试验区内的A1～A8共8个建筑物的高度进行反演，并与手动测量的结果进行比较，测量结果如表3所示。可以看出，本文提出的利用双视向SAR图像的方法反演的建筑物高度与手动测量的结果非常接近，平均误差为0．78m。为了与单视向SAR建筑物高度提取结果进行对比，利用分辨率较高的图8（a）进行试验。首先根据建筑物在SAR图像上的高亮特征构造基于单视向SAR图像高度反演的匹配函数，然后利用多种群遗传算法进行求解，得到最大反演误差1．5m，平均误差为1．1m。可见利用两个视向SAR图像可以使建筑物高度的反演误差减小1倍，有效地改善了反演精度。

5结语

针对利用单幅SAR图像进行建筑物高度提取通常较为困难的问题，本文提出了一种基于高亮模型匹配的双视向高分辨率SAR图像建筑物高度反演方法。在对建筑物目标SAR成像特征分析的基础上，首先构造了建筑物目标在双视向SAR图像上高亮特征几何模型，然后基于灰度均值、灰度概率分布和边界信息定义匹配函数，并通过多种群遗传算法实现函数优化，得到了最优的高度参数。基于模拟和机载SAR图像的试验表明利用两个视向SAR图像可以使建筑物高度的反演误差减小1倍。该算法无需进行复杂的投影方程计算，提高了模型匹配方法的实用性和精度，尤其适用于建筑物目标散射特征不完整的情况。但本文方法仅能在一定程度上解决建筑物目标在SAR图像上信息不完整时的高度提取问题，是否适用于遮挡较为严重的复杂场景，还需要结合复杂场景的SAR图像模拟技术和星载或机载SAR数据开展更广泛的验证工作。

作者：徐旭 张风丽 王国军 符喜优 沙敏敏 李志坤 邵芸 陈龙永 梁兴东 单位：中国科学院遥感与数字地球研究所 中国科学院大学 中国科学院电子学研究所