[发明专利]多特征加权融合的高分辨率SAR影像建筑区提取方法

说明书

技术领域

本发明属于遥感影像的合成孔径雷达图像解译领域，特别涉及机载合成孔径雷达遥感影像的特征提取和特征融合方法。

背景技术

遥感影像上的建筑区作为典型的人造结构，在影像解译中一直是研究的热点和重点。随着遥感技术的迅速发展，合成孔径雷达以其全天时全天候的优势在遥感技术中应用越来越多。在目前SAR影像解译领域，高分辨率SAR影像建筑区的提取研究已然成为一项备受关注的课题。高分辨率SAR影像建筑区提取是指通过一定的方法，提取有利于区分建筑区的纹理特征，通过纹理特征将建筑区和非建筑区区分开来。考虑到实际中，纹理分析方法的多样性，计算得到的纹理特征也有很多种，通常只用单特征或者几个经验特征进行分类计算。

纹理分类问题包含特征提取和特征分类两部分，其中特征提取的优劣是决定分类效果的关键因素。目前主流的纹理特征描述方法主要包括基于统计，基于结构，基于模型和基于滤波四种。由于SAR图像上建筑区往往表现出区别于其他地物的典型纹理特征，纹理分析用于SAR图像的信息提取中，纹理分类方法成为SAR图像上提取建筑区的主要手段。目前研究的方法有：(1)利用灰度共生矩阵计算高分辨率SAR图像纹理特征，以选取的特征矢量作为非监督分类的特征输入提取居民地。(2)基于变差函数纹理特征的高分辨率SAR图像建筑区提取方法，基于变程计算变差函数值作为分类特征，结合FCM分类器实现了建筑区和非建筑区两类分类问题。(3)综合灰度和纹理特征的高分辨率SAR图像建筑区提取方法，根据巴士距离对纹理特征进行选择，最后与原始灰度图像进行波段组合作为分类特征。(4)利用Markov随机场纹理分类方法对城区进行精细的分类。在上述研究中，多采用基于统计模型的单一纹理描述方法。Markov法在高分辨率条件下，对极不均匀的区域难以准确建模。基于结构信息的变差函数法在实验中表现了其优势性，但没有考虑高分辨率条件下建筑区的方向信息，忽视了变差函数的各向异性。综合多特征的方法，在特征选取上，采用了直接抛弃贡献较小特征的方法，难免会损失部分信息。

发明内容

本发明的目的在于提高现有建筑区提取方法的精度，提出一种基于巴氏距离权值计算方法，以此为基础，提出了多特征加权融合的高分辨率SAR影像建筑区提取方法。

本发明的技术方案相对现有方法，其主要改进在于在纹理特征选取策略上，引入一种距离测度来计算每种纹理特征值的权值，最后将多种纹理特征值融合为一种新特征。本文发明采用了应用距离公式确定特征权值的策略，充分考虑了多种统计纹理特征值和结构纹理特征值的贡献大小。

本发明提供了一种多特征加权融合的高分辨率SAR影像建筑区提取方法，该方法包括以下步骤：①对强度影像进行预处理；②分别基于灰度共生矩阵纹理分析方法和基于变差函数纹理分析方法进行纹理特征值提取；③依据巴氏距离进行特征权值的确定；④将步骤②得到的纹理特征值利用所述特征权值进行加权融合；⑤利用K均值聚类算法对融合后的特征图进行非监督分类；⑥后处理分类结果，去除小区域，填补空洞，并提取外部轮廓，得到建筑区。

本发明所述方法充分综合了多种有利于建筑区提取的纹理特征值，构造的融合特征图包含了比单特征图更加丰富的纹理信息，从而一定程度上提高了建筑区与非建筑区的分类精度，进而提高了建筑区提取精度，最终使得提取到的建筑区边界轮廓更加拟合真实建筑区轮廓。

进一步优选地，所述步骤①中，使用的强度影像是空间分辨率为1m的机载P波段影像块，并且通过执行滤波进行所述预处理。

进一步优选地，步骤②所述的，基于灰度共生矩阵纹理分析方法中，纹理灰度共生矩阵的计算表达式为P(i,j|d,θ)＝{P_k(i,j|d,θ)}_N×N，其中，i、j分别表示灰度共生矩阵的行列号，步长d、方向θ分别表示用来区分纹理的粗糙性与方向性，N表示图像的灰度级数，k为像元顺序号。本发明所述纹理特征值是由所述灰度共生矩阵P(i，j|d，θ)计算的以下5种参量：