李强1,2
,
张景发2
,
龚丽霞2
,
薛腾飞1,2
,
蒋洪波2
|
收稿日期: 2017-05-26
基金项目: 国家自然科学基金(编号：41374050)；中国地震局地壳应力研究所中央级公益性科研院所基本科研业务专项(编号：ZDJ2017-29)
第一作者简介: 李强，1987年生，男，助理研究员，研究方向为遥感信息提取、遥感震害评估理论和应用。E-mail：liqiang08@163.com
中图分类号: TP701
文献标识码: A
|
摘要
SAR图像变化检测是遥感震害信息识别中的重要方法之一，常规的SAR图像变化检测方法主要以强度图像为主，易受图像中地物目标方位变化、表面粗糙度变化和图像中涵盖地物目标信息量庞大的影响。针对震后强度图像变化复杂无规律、纹理特征参数繁多且难优选的问题，以熊本地震益城町区域的ALOS-2数据为例，提出了一种基于纹理特征主成分变换的相关性变化检测方法，该方法首先提取图像的多个纹理特征参量，其次采用主成分变换的方法获取多个纹理特征参量的第一主成分分量，然后计算第一主成分分量的相关性，最后根据实地调查样本统计分类阈值对图像中不同程度震害建筑物进行检测，并与基于强度图像相关性变化检测方法、强度图像差值变化检测方法结果进行了对比。结果表明，基于纹理特征主成分的相关性变化检测方法能够有效地检测不同震害程度建筑物的分布，总体提取精度可达87.2%，高于基于强度图像的两类变化检测方法检测精度，在保持较高提取精度的同时，也有效降低了震害建筑物的错分概率，证明了该方法的可行性，提出的方法可用于震后灾损评估、救援决策制定、指导灾后重建。
关键词
变化检测, SAR, 纹理特征, 相关性, 地震, 建筑物
LI Qiang1,2
,
ZHANG Jingfa2
,
GONG Lixia2
,
XUE Tengfei1,2
,
JIANG Hongbo2
Abstract
An earthquake is a sudden natural disaster that results in the great loss of human lives and the compromised safety of properties. Rapid assessment of building damage after an earthquake is crucial for earthquake emergency rescue and damage assessment. Synthetic Aperture Radar (SAR) is an effective earthquake disaster analysis and evaluation method with a unique ability to overcome the impact of bad weather after an earthquake. Change detection based on SAR images is one of the important methods for remote sensing seismic information recognition. The conventional SAR image change detection method is mainly based on intensity images. Damaged buildings after an earthquake have complex and diverse forms, and no regularity exists in the intensity image. Therefore, capturing all the change information in the image under the set standard is difficult. However, the change in texture features is stable and cannot be affected easily by a change in ground features. Therefore, the inclusion of texture features in the calculation can completely obtain the change information of the image. Many parameters can describe texture features. If all the features are used, then the complexity of the algorithm is increased, and the feature information becomes redundant, thus reducing the accuracy of information recognition. To address irregular changes in intensity images after an earthquake and the numerous and difficult-to-optimize texture feature parameters, we propose a correlation change detection method based on principal component analysis of texture features. Principal component analysis is used to fuse multi-texture information based on the analysis of image texture features to avoid redundancy of features. Then, the window size is set to calculate the correlation between the extracted principal component components, and the correlation classification threshold is set for the detection of seismic building information. The process is mainly divided into four steps: (1) texture feature analysis; (2) principal component analysis; (3) correlation analysis; and (4) threshold setting and classification. The study considers Mashiki, which is the area that was most seriously damaged by the Kumamoto earthquake, as the study area. ALOS-2 SAR image data are used to verify the effectiveness of the proposed method, and the results are compared with those of the correlation change detection method on the basis of intensity image and with those of the difference change detection method on the basis of intensity image. Results show that the proposed method can efficiently extract buildings with different damage levels with an overall extraction accuracy that reaches 87.2%. The overall extraction accuracy is higher than that of the two change detection methods based on intensity images. The method not only obtains high extraction precision but also reduces misclassification probability. Principal component analysis can cover the useful information in the features and avoid the redundancy of features effectively. The change detection method based on SAR image texture feature can distinguish the intact and the destroyed buildings effectively. The proposed method can be used for allocating earthquake emergency rescue forces, damage assessment, and reconstruction.
Key words
change detection, SAR, texture feature, correlation, earthquake, building
1 引 言
地震是给人类生命财产安全带来重大损失的突发性自然灾害。震后建筑物损毁程度的快速评估对于地震应急救援、震害程度评估等具有重要意义。遥感技术以其宏观、快速的特点在震害评估中得到了广泛的应用，尤其是在震区道路损毁而导致救援人员无法进去的地区。相比于光学影像，合成孔径雷达SAR(Synthetic Aperture Radar)能穿透云雾，克服震后恶劣天气的影响，以其独特的特征优势成为地震灾情分析与评估的有效手段(Matsuoka和Nojima，2010；郭华东 等，2010；邵芸 等，2008)。
SAR图像震害信息提取方法多种多样，其中变化检测方法是地震灾害检测与评估中最为有效的方法之一(张景发 等，2002)。一般而言，建筑区的回波信号比较稳定，如果地震造成建筑物倒塌，就会造成回波信号的变化，在SAR图像中表现为强度、相干、相关性的变化，进而通过图像的变化可识别发生变化的建筑物信息。SAR图像变化检测技术在震害信息提取领域已广泛应用，并取得了卓有成效的成果。Corr(1997)根据3幅不同时相SAR影像之间相关系数的变化对影像进行变化检测，并提出了SAR影像建筑物相关系数变化检测方法。Aoki等人(1998)以1995年神户地震为例，计算震前震后两幅ERS-1图像的相关系数和后向散射系数差，归纳建筑物震害程度与相关系数、后向散射系数差之间存在的线性关系，并根据此线性关系提取震害信息，提取结果与地面调查数据相吻合。Yonezawa和Takeuchi(1998, 2001)以1995年日本神户地震为例，利用ERS-1 SAR图像，构建了震前震后的强度相关性和干涉相干系数变化与建筑物损毁程度之间的关系函数。Matsuoka和Yamazaki(2004)基于ERS SAR图像建立了图像相干系数和后向散射系数差异与建筑物损毁程度的关系，并在神户地震中得到了验证，并以此为基础，利用ENVISAT ASAR强度图像对伊朗巴姆地震震害建筑物分布进行探测(Yamazaki 等，2005)。张景发等人(2002)选取震前震后航空影像样本，统计其不同的特征值，归纳了不同震害类型的特征值分布，据此对遥感影像中的不同震害信息进行分类。窦爱霞(2003)发现地震前后建筑物的纹理信息会发生变化，以张北地震为例，分别提取震前震后影像纹理信息，计算前后影像纹理信息的相关系数，相关系数越小，说明震害越严重，依此来评价震害。Guida等人(2010)利用震前震后两景配准的SAR图像提取震前图像中由墙面和地面组成的二面角所产生的二次反射亮线，与震前震后的比值图相乘识别损毁建筑物信息。上述的方法主要基于SAR图像强度图像，不同时相强度图像之间易受SAR图像中固有的相干斑噪声及地表目标变化的影响，导致变化检测结果不能完全反映真实地物的变化。
城镇完好建筑物分布规则有序，通常在墙体、地面等形成大量的二面角结构，在SAR图像中表现为亮度高的点，纹理特征明显。在SAR图像形成过程中，二面角结构形成的角反射器受入射角与相干斑噪声的影响较少，纹理特征表现相对稳定，使得基于纹理特征的变化检测成为可能。同时在震区环境中，震害建筑物更为突出的是空间纹理特征而不是孤立的像素灰度信息，这也使得纹理分析成为震害图像解译的重要方法。Duan等人(2010)发现在震后的光学影像中损毁建筑物的纹理特征会发生变化，因此可通过设置阈值实现完好建筑物与倒塌建筑物的自动提取。陈志鹏等人(2002)基于纹理特征采用差值法变化检测获取城区变化情况。张剑清等人(2008)对比分析基于LAWS纹理能量测度的纹理分析方法和基于LBP/C(Local Binary Pattern/Contrast)的纹理分析方法的区域生长的扩张检测方法，并将其应用于居民地变化检测。SAR图像纹理信息丰富，而现有方法通常是利用单一通道的纹理特征，未实现多特征融合，造成潜在可利用信息的丢失。
震害图像中，纹理规则性受到破坏，其纹理密度、纹理方向等较震前都会发生很大的变化，因此可以采用描述纹理空间展布的各种物理量作为特征参数，对震害图像进行分析，提取震害信息。针对上述强度图像易受斑点噪声、地物变化影响、单一纹理特征造成潜在可利用信息丢失的问题，本文提出了一种多纹理特征主成分分析的相关性变化检测算法，采用主成分分析方法，实现多纹理信息的融合，在充分利用特征的同时避免特征的冗余，通过计算提取的主成分分量的相关性，实现震害建筑物信息的检测。方法技术流程图如图1所示。
2 基本原理
不同时相影像变化检测前重要的预处理步骤为影像配准，本实验中采用基于SIFT点特征的匹配方法实现影像的精配准。本文提出的方法主要分为4个过程：(1)纹理特征分析；(2)主成分分析；(3)相关性分析；(4)阈值设置与分类。
2.1 纹理特征分析
图像纹理特征是灰度的空间变化特征，主要用来描述地表的空间分布状态和粗糙程度，是判别地物的重要标志(Gong 等，2014)。图像纹理分析的方法有几类，其中统计分析法是纹理特征分析最常用的方法之一。统计分析法是以一定窗口大小单位统计分析获取纹理特征，主要描述纹理局部模式的随机和空间统计特征，用来表达区域的一致性及区域间的相异性。统计分析法能较好地描述纹理细节和随机性，适应于地物分布复杂的遥感图像(Gong 等，2016)。基于灰度共生矩阵的纹理特征分析方法是统计分析法中经典的方法之一，已被广泛的应用于高分辨遥感图像和多光谱遥感图像的纹理提取(Wang 等，2010；Ulaby 等，1986；Anys 等，1994)。
灰度共生矩阵是像元距离和角度的矩阵函数，通过计算图像中一定距离的两点灰度之间的相关性来反映图像在方向、间隔、变化幅度及快慢上的综合信息，其重点强调灰度的空间依赖性，反映图像像元之间的空间关系(Soh和Tsatsoulis，1999；Baraldi和Parmiggiani，1995)。共生概率纹理特征是一种基于统计的纹理描述方法，通过灰度共生矩阵计算获取，共生概率纹理特征最早由Haralick等人(1973)用灰度共生矩阵的方法提出，现已广泛地应用于SAR图像分类与分析中，同时在单时相高分辨率SAR图像震害信息识别中也已被广泛应用(崔丽萍 等，2016；吴樊 等，2005)。本实验中应用的纹理特征参数主要有均值(ME)、方差(VA)、反差(CON)、熵(ENT)、均质度(HOM)、相异度(DI)、相关性(COR)、角二阶矩(ASM)，特征描述如下：
| ${\rm ME} =\sum\limits_{{{i,j = 0}}}^{N{{ = j}}} {i \mathop P\nolimits_{i, j} } $ | (1) |
ME反映了图像灰度局部变化情况。
| ${\rm VA} = \sum\limits_{{{i,j = 0}}}^{N{{ -j}}} {i \mathop P\nolimits_{i, j} } \mathop {(i - {\rm ME})}\nolimits^2 $ | (2) |
VA以灰度共生矩阵形式表示，是像元值与均值偏差的度量，衡量图像分布的分散和变化情况，反映纹理的强度信息。
| ${\rm CON} = \sum\limits_{n = 0}^{N - 1} {\mathop n\nolimits^2 } \left\{ {\sum\limits_{i = 0}^{N - 1} {\sum\limits_{j = 0\atop\left| {i - j} \right| = n}^{N - 1} {\mathop P\nolimits_{i, j} } } } \right\}$ | (3) |
CON反映图像的清晰度和纹理沟纹的深浅程度，值越大，纹理沟纹越深，说明在图像中亮度值变化越快，越能突出建筑物受破坏区域。
| ${\rm ENT} = \sum\limits_{i = 0}^{N - 1} {\sum\limits_{j = 0}^{N - 1} {\mathop P\nolimits_{i, j} } } \lg \mathop p\nolimits_{i, j} $ | (4) |
ENT表示图像中纹理的非均匀程度或复杂程度，重点反映图像灰度的变化速度，值越大，越能突出规则排列的建筑物目标。
| ${\rm HOM} = \sum\limits_{i = 0}^{N - 1} {\sum\limits_{j = 0}^{N - 1} {\mathop P\nolimits_{i, j} } } /(1 + \mathop {(i - j)}\nolimits^2)$ | (5) |
HOM反映图像纹理的同质性，是度量图像纹理局部变化多少的参量，其值越大，反映图像纹理的不同区域间变化较少，突出局部均匀的目标区域。
| ${\rm DI} = \sum\limits_{i, j = 0}^{N - 1} {i } \mathop p\limits_{i, j} \left| {i - j} \right|$ | (6) |
DI与反差呈线性相关，局部反差越大，相异性越大。
| $\begin{array}{l}{\rm COR} = \left[ {\displaystyle\sum\limits_{i = 0}^{N - 1} {\sum\limits_{j = 0}^{N - 1} {\mathop {ijP}\nolimits_{i, j} - {u_1} {u_2} } } } \right]/\mathop \sigma \nolimits_1 \mathop \sigma \nolimits_2 \\\end{array}$ | (7) |
式中，
| $\begin{array}{c}u_1 = \displaystyle\sum\limits_{i = 0}^{N - 1} {i\sum\limits_{j = 0}^{N - 1} {\mathop P\nolimits_{i, j} } } \\u_2 = \displaystyle\sum\limits_{j = 0}^{N - 1} {j\sum\limits_{i = 0}^{N - 1} {\mathop P\nolimits_{i, j} } } \\\mathop \sigma \nolimits_1^2 = \displaystyle\sum\limits_{i = 0}^{N - 1} {\mathop {(i - u_1)}\nolimits^2 \sum\limits_{j = 0}^{N - 1} {\mathop P\nolimits_{i, j} } } \\\mathop \sigma \nolimits_2^2 = \displaystyle\sum\limits_{j = 0}^{N - 1} {\mathop {(i - u_2)}\nolimits^2 \sum\limits_{i = 0}^{N - 1} {\mathop P\nolimits_{i, j} } } \end{array}$ |
COR反映图像纹理的一致性，度量空间灰度共生矩阵元素在行或列方向上的相似程度，其值越大，代表矩阵元素越均匀，突出稳定无变化区域。
| ${\rm ASM} = \sum\limits_{i,j = 0}^{N{\rm{ - 1}}}i\mathop {\mathop P\nolimits_{i, j} }\nolimits^2 $ | (8) |
ASM是灰度共生矩阵元素值的平方和，反映了图像灰度分布均匀程度和纹理粗细度，重点突出完好建筑物纹理均一或分布规则的区域。
以上各式中，i, j=0, 1, 2, 3,···,N–1，N为图像灰度级数，
上述的图像纹理测度能反映图像纹理的分布和变化情况。纹理特征分析过程中，灰度共生矩阵与所选的方向、步长、窗口大小及图像的量化等级有关，需要根据具体的影像纹理特征来选择生成灰度共生矩阵的参数。在计算方向选择中，因震区建筑物分布方向多样，因此选取0°、45°、90°和135°共4个方向的灰度共生矩阵的平均值作为局部图像中心像元位置的灰度共生矩阵(胡召玲 等，2009)；图像的量化等级变化对图像的灰度共生矩阵计算影响不大，本实验中选取量化等级为64；计算过程中计算步长越小越能细致地反映纹理特征，故选取步长为1；纹理特征的计算窗口对其影响较大，一般而言，计算窗口越大，获取的纹理特征信息越粗糙，因此在纹理计算过程中计算窗口大小不能太大。地震造成的建筑物废墟中通常包含很多由混凝土构成的随机分布的墙体，这些墙体易形成规则的纹理特征，在空间分辨率为3 m的ALOS-2影像中通常为2—3个像元，综合考虑影像分辨率和地物类别，本实验中选取窗口大小为11×11(李强和张景发，2016)，窗口大小进行纹理分析能涵盖图像中的废墟信息，对于震害建筑物的识别是可行的。
2.2 主成分分析
描述纹理特征的参数多样，不同的特征之间存在着相关性，多特征的联合会带来特征信息的冗余，当纹理特征的数目增加时，分类的复杂性也随之增加，但并不一定得到良好的识别效果，影响信息检测精度。主成分分析作为一种简单的非参方法，可以在保留最大信息量的前提下，对原始图像特征进行线性投影变换，以抑制噪声，突出主要信息，在一定程度上增加信息识别所需要的特征信息和提高信息识别效率。主成分包含数据的关键特征信息，能有效地解决学习算法复杂度增加和泛化能力降低的问题，在特征提取、信号降噪、机器学习及模式识别方面得到了广泛的应用。
主成分分析在计算过程中，不需要参数设定和优化需求，其中心思想是在尽可能多地保留数据集方差的同时减少数据集的维度。主成分变换后新波段所包含的信息逐级减少，第一主分量表示数据的最大变化量，包括了大部分信息量。本实验中获取8个纹理特征后，将其进行主成分分析，因后续的主成分分量涵盖信息量几乎为零，因此设置生成4个主成分分量，变换后各波段信息量统计见表1。第一主分量包含了96.39%的特征信息，分析第一主成分分量发现，HOM、CON、DI、ME共4个特征参数构成了第一主成分的大部分信息，所占的比例分别为29.7%、23.4%、15.6%、10.1%，其余的纹理特征分别为VA、ENT、ASM、COR所占比例相对较少，分别为8.0%、6.9%、4.5%和1.8%。纹理特征参数的分布与龚丽霞(2015)处理的汶川地震都江堰地区ALOS数据结果一致。第一主成分分量中涵盖了图像中能表征震害特征的主要信息，因此，在本实验中选择第一主分量参与分析。
表 1 主成分变换后各波段信息量统计表
Table 1 Statistics of each band information after principal component transformation
| 主成分 | 特征值 | 标准差 | 所占比例/% |
| 1 | 4256.29 | 62.24 | 96.39 |
| 2 | 152.52 | 12.35 | 3.46 |
| 3 | 6.15 | 2.48 | 0.14 |
| 4 | 0.36 | 0.60 | 0.01 |
2.3 相关性分析
不同时相SAR图像像元的相关性可在一定程度上反映像元间的差异，地震前后图像中建筑物区域发生变化的程度可通过图像的相关系数大小来表示，多时相图像相关系数的计算公式如下：
| $r = \frac{{\displaystyle\sum\limits_{i = 0}^{m, n} {({X_{l, s}} - \overline X)({Y_{l, s}} - \overline Y)} }}{{\sqrt {\displaystyle\sum\limits_{i = 0}^{m, n} {{{({X_{l, s}} - \overline X)}^2}} } \cdot \sqrt {\displaystyle\sum\limits_{i = 0}^{m, n} {{{({Y_{l, s}} - \overline Y)}^2}} } }}$ | (9) |
式中，m和n为窗口大小；
3 数据结果处理与分析
3.1 研究区与数据源
2016年4月14日，日本熊本县发生了里氏6.5级地震，地震造成了超过8000栋房屋倒塌，大约30000栋建筑物严重破坏，其中益城町地区在4月14日、16日发生的两次强地震中观测到最大震度为7级(根据日本气象厅地震震度分级)，是熊本地震中损毁最为严重的区域，造成了大量的建筑物损毁和人员伤亡，其中死亡人员达9人(Liu和Yamazaki，2017)，震后光学影像如图2所示。地震造成日本九州新干线一度全线停运，导致震后无法快速开展实地调查。
震后快速获取的ALSO PALSAR数据可为震害建筑物的提取提供信息支撑。本实验研究区位于日本熊本县益城町，采用的数据为单极化 ALOS-2 卫星数据(图3)，数据的基本情况见表2。
表 2 研究区获取数据基本信息表
Table 2 Acquisition conditions of the ALOS-2 PALSAR-2 data used in this study
| 数据成像时间 | 入射角 | 分辨率(距离向×方位向)/m | 条带 | 视线向 |
| 2016-03-07 | 36.2 | 1.43×2.03 | 23 | right |
| 2016-04-15 | 32.4 | 1.43×1.74 | 28 | left |
3.2 最优阈值选取
地震前后影像纹理特征的第一主成分作为相关性计算输入参数，得到相关性图像后，选择最优阈值来确定不同震害程度建筑物的分类是变化检测的关键。本实验中根据实地调查图像随机选取样本统计获取相关系数最优分类阈值，进而获取不同震害程度建筑物空间分布。震后日本交通省国土技术政策综合研究所发布了震区实地调查图像(Liu和Yamazaki，2017)，震害建筑物分布结果如图4(a)所示。图4中以57 m×57 m为单元划分网格，统计计算每个网格中的倒塌率，并将倒塌率分为5类。在遥感震害评估中，尤其是SAR图像震害评估，由于受成像方式的影响，基于遥感图像的震害调查无法达到实地调查般的详实，因此在本文的研究中，将震害建筑物分为基本完好建筑物、中等破坏建筑物、倒塌建筑物3类，其中将倒塌率为0—25%的区域划分为基本完好建筑物，25%—50%划分为中等破坏建筑物，大于50%的区域划分为倒塌建筑物，合并后的3类震害建筑物分布如图4(b)。
本实验中根据实地调查图像，随机选取1102个样本像元(包括基本完好建筑物427个像元，中等破坏建筑物398个像元，损毁建筑物277个像元)，统计样本所对应图像像元的特征值，样本阈值统计如图5所示。
剔除样本中特征值过高或过低的像元，获取不同震害程度建筑物的分类阈值，采用相同的样本，分别统计3种方法的分类阈值，统计获取的3种方法分类阈值见表3。
表 3 3类方法不同震害程度建筑物分类阈值
Table 3 The threshold values of the different damage degrees for the three different methods
| 方法 | 基本完好
建筑物 |
中等破坏
建筑物 |
损毁建筑物 |
| 纹理特征主
成分相关性 变化检测 |
>0.58 | >0.15 | >0 |
| 强度图像相
关性变化 检测 |
>0.56 | >0.18 | >0 |
| 图像差值法
变化检测 |
>10366 | >2113 | >0 |
3.3 结果分析与精度验证
为验证本文提出方法的有效性，选取基于强度图像的相关性变化检测方法和强度图像差值法提取信息进行精度对比分析。基于强度图像的相关性变化检测是以地震前后的两景强度图像为基准图像，直接计算两景图像的相关性，再根据统计的相关系数分类阈值对震害建筑物进行分类(Aoki 等，1998)。强度图像差值法是对配准后的两景图像直接进行差值运算，再根据样本统计的阈值对差值图像分类提取震害建筑物信息(Ban和Yousif，2012；张景发 等，2002；窦爱霞，2003)。按照表1中的分类阈值可获取基于纹理特征主成分相关性变化检测、强度图像相关性变化检测、图像差值法变化检测3类方法的震害建筑物分类图，提取结果如图6所示。以日本交通省国土技术政策综合研究所发布的实地调查结果为基准，分别统计不同震害建筑物像元分布数目，构建混淆矩阵，计算3类方法建筑物的用户精度(UA)、制图精度(PA)和总体精度，各类方法提取精度见表4—6。
表 4 基于纹理特征主成分相关性变化检测方法提取精度分布
Table 4 The extraction accuracy of the method of change detection based on texture feature principal component correlation
| 震害程度 | 实地调查数据 | UA/% | |||
| 基本完好 | 中等破坏 | 损毁 | 总计 | ||
| 基本完好 | 87723 | 2726 | 1952 | 92401 | 94.9 |
| 中等破坏 | 8458 | 38762 | 1621 | 48841 | 79.4 |
| 损毁 | 4871 | 1896 | 20495 | 27262 | 75.2 |
| 总计 | 101052 | 43384 | 24068 | 168504 | — |
| PA/% | 86.8 | 89.3 | 85.2 | — | 87.2 |
表 5 基于强度相关性变化检测方法提取精度分布
Table 5 The extraction accuracy of the method of change detection based on intensity correlation
| 震害程度 | 实地调查数据 | UA/% | |||
| 基本完好 | 中等破坏 | 损毁 | 总计 | ||
| 基本完好 | 83824 | 5180 | 2796 | 91800 | 91.3 |
| 中等破坏 | 9083 | 35179 | 2949 | 47211 | 74.5 |
| 损毁 | 8145 | 3025 | 18323 | 29493 | 62.1 |
| 总计 | 101052 | 43384 | 24068 | 168504 | — |
| PA/% | 82.9 | 81.0 | 76.1 | — | 81.5 |
表 6 基于强度差值变化检测方法提取精度分析
Table 6 The extraction accuracy of the method of change detection based on intensity image difference
| 震害程度 | 实地调查数据 | UA/% | |||
| 基本完好 | 中等破坏 | 损毁 | 总计 | ||
| 基本完好 | 79487 | 6487 | 105 | 87079 | 91.2 |
| 中等破坏 | 10684 | 32638 | 2015 | 45337 | 71.9 |
| 损毁 | 10881 | 4259 | 21948 | 36088 | 60.8 |
| 总计 | 101052 | 43384 | 24068 | 168504 | — |
| PA/% | 78.6 | 75.2 | 91.2 | — | 79.5 |
| 注：UA表示用户精度，PA 表示制图精度。 | |||||
纹理特征主成分相关性变化检测方法的总体提取精度为87.2%，其误差矩阵如表4(a)。基本完好建筑物、中等破坏建筑物、损毁建筑物的制图精度分别为86.8%，89.3%和85.2%，说明纹理特征的相关性分析方法能有效地识别完好建筑物与损毁建筑物，这与震害建筑物遭到破坏后的SAR图像纹理特征的变化相一致。基本完好建筑物使用者精度为94.9%，中等破坏建筑物与损毁建筑物的使用者精度低于80%，说明该方法对完好建筑物的识别能力比其他震害建筑物有效。
图7为选取的两处光学影像与纹理特征相关性分布对比图，图7(a)为损毁建筑物区域，图7(c)为完好建筑物区域，图7(b)和图7(d)为相对应的相关性图，通过与光学图像对比分析，该方法能较好地识别出完好建筑物与损毁建筑物区域，但也存在像元的错分现象，尤其是高大植被及建筑物阴影的区域。
强度图像相关性变化检测方法的总体提取精度为81.5%，其误差矩阵见表4(b)。基本完好建筑物、中等破坏建筑物、损毁建筑物的生产者精度分别为82.9%、81.0%和76.1%。基本完好建筑物使用者精度为91.3%，损毁建筑物的使用者精度为62.1%，同时损毁建筑物错检率也较高，说明该方法对于损毁建筑物的识别能力较差，对于完好建筑物的识别能力较强。
强度差值法变化检测方法的总体提取精度为79.5%，其误差矩阵见表4(c)。其中损毁建筑物的生产者精度为91.2%，与上述两类方法相比，其精度最高，说明其对损毁建筑物的识别能力较强，但是使用者精度仅为60.8%，反映其在识别过程中存在大量的错分现象，这是由于在震后SAR图像中，建筑物在破坏过程中形成很多小的角反射器造成错检，同时SAR成像过程中的斑点噪声等也会影响图像比较的准确度。
综合上述分析，基于纹理特征主成分相关性变化检测方法的总体提取精度最高，强度图像差值法变化检测的总体提取精度最低，但强度图像差值法变化检测对损毁建筑物的提取精度却最高，同时也存在较高的错分率。震后建筑物的破坏造成地震前后SAR图像纹理特征的变化，纹理特征的变化与后向散射特征变化较稳定且存在一定的规律，因此纹理特征的相关性变化检测方法在3类震害建筑物的提取中精度较稳定，且错检率均较低，能有效地识别完好建筑物与损毁建筑物。为保持验证的一致性，3种方法在数据预处理时，均未进行滤波处理，基于统计分析的纹理特征一定程度上能起到抑制斑点噪声的影响，因此在图像中存在较少的错分现象，而基于图像强度的两种变化检测方法受斑点噪声影响，中等破坏建筑物与损毁建筑物使用者精度均较低。
4 结 论
本文提出了一种基于纹理特征第一主成分分量的相关性变化检测方法，以2016年日本熊本地震益城町区域的ALOS-2数据为例，同基于强度图像相关性变化检测方法、强度图像差值法变化检测方法相比，震害建筑物的总体提取精度较高，可达87.2%，验证了本方法的有效性。在损毁建筑物提取方面，强度图像差值变化检测方法的提取精度虽比本文提出方法高，但其错分精度也较高。本文提出的方法在3类震害程度建筑物的提取中，提取精度较高且比较稳定，同时其错分精度也低，说明该方法对于震害建筑物的识别较有效，提取精度满足地震应急与评估的需求。
目前，基于SAR图像的变化检测方法主要分为基于图像代数运算的变化检测方法、基于特征分析的变化检测方法与分类后变化检测方法。本文中的强度图像差值法变化检测即为基于图像代数运算的变化检测方法之一，该类方法计算简单，但是忽略了地物在不同敏感特征中的差异，易造成潜在可利用信息的丢失。相关性变化检测方法也是基于图像代数运算的变化检测方法之一，该方法通过设置一定的窗口大小，计算窗口大小内图像区域的相关性，从而达到识别地物变化的目的。震后建筑物样式复杂多样，图像的相关性易受到地物变化的影响，与SAR强度图像相比较，纹理特征更能反映震害建筑物的空间分布特征，同时对于不同时相图像的特征变化更为稳定。因此利用SAR图像纹理特征进行变化检测，能在一定程度上抑制因地物变化、反射角等带来的影响。本文提出的方法有以下3个特点：(1)选择图像的主成分分析，在充分利用SAR图像纹理特征的同时，抑制了多特征相关带来的信息冗余；(2)采用第一主成分分量的相关性分析，减少了图像中含有的噪声信息；(3)选择样本点来统计计算分类阈值，分类更为精准。基于该方法可实现震害建筑物损毁程度的评估，为地震应急救援力量分配、灾损评估、灾后重建等提供科学的信息依据。
同时，本文还存在着两个问题：(1)描述纹理特征的特征因子多样，多个特征因子存在一定的相关性，有效地进行特征筛选，全面利用特征且避免信息冗余带来的错检，文中采用了8个特征的第一主成分分量，但并未对特征进行筛选，可能对识别精度造成影响。(2)文中采用的实地调查结果划分的网格单元为57 m，与ALOS-2数据的空间分辨率相比，其网格单元大小相差较大，两者之间的差异对评估结果的精度也会造成影响。
在下一步研究中，将采用特征优选的自动化算法对多纹理特征进行特征筛选，选取能满足描述震害建筑物全部特征的最小特征集合，有效解决特征冗余带来的计算量大、错分等问题。同时，可采用深度学习的自动化方法来获取变化图像分类阈值，提高信息提取的效率。
致 谢 此次实验的数据获取得到了日本宇宙航空研究开发机构(JAXA)的支持，在此表示衷心的感谢！
参考文献(References)
-
Anys H, Bannari A, He D C and Morin D. 1994. Texture analysis for the mapping of urban areas using airborne MEIS-II images. Proceedings of the 1st International Airborne Remote Sensing Conference and Exhibition. Strasbourg, France: Altarum, 3 : 231–232.
-
Aoki H, Matsuoka M and Yamazaki F. 1998. Characteristics of satellite SAR images in the damaged areas due to the Hyogoken-Nanbu earthquake. Proceedings of the 19th Asian Conference of Remote Sensing. Philippines: Manila: 547
-
Ban Y F and Yousif O A. 2012. Multitemporal spaceborne SAR data for urban change detection in China. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5 (4): 1087–1094. [DOI: 10.1109/JSTARS.2012.2201135]
-
Baraldi A and Parmiggiani F. 1995. An investigation of the textural characteristics associated with gray level cooccurrence matrix statistical parameters. IEEE Transactions on Geoscience and Remote Sensing, 33 (2): 293–304. [DOI: 10.1109/36.377929]
-
Chen Z P, Deng P, Zhong J S and Wang H Q. 2002. Application of textural features to change detection in SAR image. Remote Sensing Technology and Application, 17 (3): 162–166. [DOI: 10.11873/j.issn.1004-0323.2002.3.162] ( 陈志鹏, 邓鹏, 种劲松, 王宏琦. 2002. 纹理特征在SAR图像变化检测中的应用. 遥感技术与应用, 17 (3): 162–166. [DOI: 10.11873/j.issn.1004-0323.2002.3.162] )
-
Corr D G. 1997. Coherent change detection for urban development monitoring. Proceedings of the IEE Colloquium on Radar Interferometry (Digest No.: 1997/153). London: IEEE, 6/1–6/6 [DOI: 10.1049/ic:19970856]
-
Cui L P, Wang X Q, Dou A X and Jin D J. 2016. Building damage analysis based on high resolution synthetic aperture radar imaging geometry. Acta Seismologica Sinica, 38 (2): 272–282. [DOI: 10.11939/jass.2016.02.011] ( 崔丽萍, 王晓青, 窦爱霞, 金鼎坚. 2016. 基于高分辨率合成孔径雷达影像建筑物成像几何结构的震害特征分析. 地震学报, 38 (2): 272–282. [DOI: 10.11939/jass.2016.02.011] )
-
Dou A X. 2003. Study on seismic damage change detecting technique based on remote sensing images. Jinnan: Shandong University of Science and Technology: 41–66 (窦爱霞. 2003. 震害遥感图像变化检测技术研究. 济南: 山东科技大学: 41–66)
-
Duan F Z, Gong H L and Zhao W J. 2010. Collapsed houses automatic identification based on texture changes of post-earthquake aerial remote sensing image. Proceedings of the 18th International Conference on Geoinformatics. Beijing: IEEE: 1–5 [DOI: 10.1109/GEOINFORMATICS.2010.5567622]
-
Gong L X, Wang C, Wu F, Zhang J F, Zhang H and Li Q. 2016. Earthquake-induced building damage detection with post-event sub-meter VHR TerraSAR-X staring spotlight imagery. Remote Sensing, 8 (12): 887 [DOI: 10.3390/rs8110887]
-
Gong M G, Li Y, Jiao L C, Jia M and Su L Z. 2014. SAR change detection based on intensity and texture changes. ISPRS Journal of Photogrammetry and Remote Sensing, 93 : 123–135. [DOI: 10.1016/j.isprsjprs.2014.04.010]
-
Guida R,Iodice A and Riccio D. 2010. Monitoring of collapsed built-up areas with high resolution SAR images. Geoscience and Remote Sensing Symposium (IGARSS),IEEE International, (38): 2422-2425 [DOI: 10.1109/IGARSS.2010.5650083]
-
Guo H D, Wang X Y, Li X W, Liu G, Zhang L and Yan S Y. 2010. Yushu earthquake synergic analysis using multimodal SAR datasets. Chinese Science Bulletin, 55 (13): 1195–1199. [DOI: 10.1007/s11434-010-4078-3] ( 郭华东, 王心源, 李新武, 刘广, 张露, 闫世勇. 2010. 多模式SAR玉树地震协同分析. 科学通报, 55 (13): 1195–1199. [DOI: 10.1007/s11434-010-4078-3] )
-
Haralick R M, Shanmugam K and Dinstein I. 1973. Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, SMC-3 (6): 610–621. [DOI: 10.1109/TSMC.1973.4309314]
-
Hu Z L, Li H Q and Du P J. 2009. Study on the extraction of texture features and its application in classifying SAR images. Journal of China University of Mining and Technology, 38 (3): 422–427. [DOI: 10.3321/j.issn:1000-1964.2009.03.023] ( 胡召玲, 李海权, 杜培军. 2009. SAR图像纹理特征提取与分类研究. 中国矿业大学学报, 38 (3): 422–427. [DOI: 10.3321/j.issn:1000-1964.2009.03.023] )
-
Li Q and Zhang J F. 2016. Research on earthquake damaged building extraction by different features fusion. Journal of Seismological Research, 39 (3): 486–493. [DOI: 10.3969/j.issn.1000-0666.2016.03.018] ( 李强, 张景发. 2016. 不同特征融合的震后损毁建筑物识别研究. 地震研究, 39 (3): 486–493. [DOI: 10.3969/j.issn.1000-0666.2016.03.018] )
-
Liu W and Yamazaki F. 2017. Extraction of collapsed buildings in the 2016 Kumamoto earthquake using multi-temporal PALSAR-2 data. Journal of Disaster Research, 12 (2): 241–250. [DOI: 10.20965/jdr.2017.p0241]
-
Matsuoka M and Yamazaki F. 2004. Use of satellite SAR intensity imagery for detecting building areas damaged due to earthquakes. Earthquake Spectra, 20 (3): 975–994. [DOI: 10.1193/1.1774182]
-
Matsuoka M and Nojima N. 2010. Building damage estimation by integration of seismic intensity information and satellite L-band SAR imagery. Remote Sensing, 2 (9): 2111–2126. [DOI: 10.3390/rs2092111]
-
Shao Y, Gong H Z, Wang S A, Zhang F L and Tian W. 2008. Multi-source SAR remote sensing data for rapid response to Wenchuan earthquake damage assessment. Journal of Remote Sensing, 12 (6): 865–870. [DOI: 10.11834/jrs.200806116] ( 邵芸, 宫华泽, 王世昂, 张风丽, 田维. 2008. 多源雷达遥感数据汶川地震灾情应急监测与评价. 遥感学报, 12 (6): 865–870. [DOI: 10.11834/jrs.200806116] )
-
Soh L K and Tsatsoulis C. 1999. Texture analysis of SAR sea ice imagery using gray level co-occurrence matrices. IEEE Transactions on Geoscience and Remote Sensing, 37 (2): 780–795. [DOI: 10.1109/36.752194]
-
Ulaby F T, Kouyate F, Brisco B and Williams T H L. 1986. Textural information in SAR images. IEEE Transactions on Geoscience and Remote Sensing, GE-24 (2): 235–245. [DOI: 10.1109/TGRS.1986.289643]
-
Wang M, Zhou S D, Bai H, Ma N and Ye S. 2010. SAR water image segmentation based on GLCM and wavelet textures. Proceedings of the 6th International Conference on Wireless Communications Networking and Mobile Computing (WiCOM). Chengdu: IEEE: 1–4 [DOI: 10.1109/WICOM.2010.5600690]
-
Wu F, Wang C and Zhang H. 2005. Residential areas extraction in high resolution SAR image based on texture features. Remote Sensing Technology and Application, 20 (1): 148–152. [DOI: 10.3969/j.issn.1004-0323.2005.01.027] ( 吴樊, 王超, 张红. 2005. 基于纹理特征的高分辨率SAR影像居民区提取. 遥感技术与应用, 20 (1): 148–152. [DOI: 10.3969/j.issn.1004-0323.2005.01.027] )
-
Yamazaki F, Yano Y and Matsuoka M. 2005. Visual damage interpretation of buildings in Bam city using Quickbird images following the 2003 Bam, Iran, earthquake. Earthquake Spectra, 21 : S329–S336. [DOI: 10.1193/1.2101807]
-
Yonezawa C and Takeuchi S. 1998. Detection of damaged built-up areas by the 1995 Hyogoken-nanbu earthquake using ERS-1/SAR intensity images. Journal of the Japan Society of Photogrammetry and Remote Sensing, 37 (4): 57–61. [DOI: 10.4287/jsprs.37.4_57]
-
Yonezawa C and Takeuchi S. 2001. Decorrelation of SAR data by urban damages caused by the 1995 Hyogoken-nanbu earthquake. International Journal of Remote Sensing, 22 (8): 1585–1600. [DOI: 10.1080/01431160118187]
-
Zhang J F, Xie L L and Tao X X. 2002. Change detection of remote sensing image for earthquake-damaged buildings and its application in seismic disaster assessment. Journal of Natural Disasters, 11 (2): 59–64. [DOI: 10.3969/j.issn.1004-4574.2002.02.010] ( 张景发, 谢礼立, 陶夏新. 2002. 建筑物震害遥感图像的变化检测与震害评估. 自然灾害学报, 11 (2): 59–64. [DOI: 10.3969/j.issn.1004-4574.2002.02.010] )
-
Zhang J Q, She Q and Pan L. 2008. Change detection of residential area by remote sensing image based on LBP/C texture. Geomatics and Information Science of Wuhan University, 33 (1): 7–11. [DOI: 10.13203/j.whugis2008.01.001] ( 张剑清, 佘琼, 潘励. 2008. 基于LBP/C纹理的遥感影像居民地变化检测. 武汉大学学报(信息科学版), 33 (1): 7–11. [DOI: 10.13203/j.whugis2008.01.001] )
