[发明专利]基于结构特性的高分辨率单极化SAR影像建筑目标检测方法

说明书

本发明提供一种基于结构特性的高分辨率单极化SAR影像建筑目标检测方法，包括输入高分辨率单极化SAR影像，进行图像分割，通过深度语义分割网络，获得SAR影像像素属于“建筑目标”和“背景”的概率值prob；利用区域编号和连通域编号，进行交运算，获得图像的过分割结果；计算区域邻接图，根据区域邻接关系，利用区域几何特征、统计特征、纹理特征，以及获得的概率值prob，进行相邻区域的相似性分析，合并满足相似性阈值的区域，并依次向外扩展合并，计算合并区域后图像各区域的邻接图；基于SAR影像中建筑目标的房顶、墙体和地面阴影表现出的不同图像特征，利用区域邻接图，判断初步提取区域是否能与邻接区域形成建筑目标的相应结构，得到建筑目标检测结果。

技术领域

本发明属于合成孔径雷达(Synthetic Aperture Radar，SAR)图像目标识别技术领域，更进一步涉及SAR影像目标识别领域中的基于结构特性的高分辨率单极化SAR影像建筑目标检测方法。

背景技术

微波遥感是遥感技术中重要的分支，其中，SAR作为一种微波成像雷达，可以不受云层、天气等影响，实时监测地面活动，受到广泛关注。SAR影像在城区监测、城市规划、城市灾害分析等任务中发挥了重要作用，因而，对SAR图像中建筑目标的提取工作引起了人们的重视。

在高分辨率SAR图像中，由于成像机制特殊，建筑区域在成像过程中会出现叠掩、二面角反射、阴影等效应。随着SAR系统成像性能的不断提升，SAR影像分辨率已经可以达到亚米水平，从而在SAR图像中呈现出丰富的结构信息，这使得SAR影像建筑检测从“建筑区域检测”发展为“建筑目标检测”成为可能，也为SAR图像建筑目标的提取提供了基础。

SAR影像建筑区域或建筑目标检测方法大致可以分为如下四类。其一是基于统计特征的建筑检测方法。在SAR的成像机制下，建筑具有二次反射、阴影、叠掩等效应，使得建筑区域中的像素统计分布呈现一定的规律。恒虚警率(Constant False Alarm Rate，CFAR)算法是利用统计特征的一类经典SAR目标检测算法。文献1：高贵，周蝶飞，蒋咏梅，等.SAR图像目标检测研究综述[J].信号处理，2009，24(6):971-981.总结了基于CFAR特征进行SAR目标检测的技术方法，文献2：赵凌君.高分辨率SAR图像建筑物提取方法研究[D].长沙：国防科技大学，2009.利用CFAR算法对回波信息处理，结合分水岭算法提取SAR图像中的建筑区域。其二是基于纹理特征的建筑检测方法，其中灰度共生矩阵、Gabor滤波器等算法是广泛使用的SAR影像纹理提取算法。如文献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滤波器提取建筑区域的纹理特征，从而实现建筑区域的检测。然而，随着SAR分辨率的提升，SAR影像中建筑结构特征突出，细节得以呈现，表现出复杂的统计特性或纹理特征，此时对建筑目标进行统计建模或纹理描述变得十分复杂。因此，仅基于统计或纹理特征的建筑目标检测方法在高分辨率SAR影像中很难达到精准的检测效果。其三是基于建筑结构特征的检测算法，充分利用SAR影像中建筑目标高亮“L”形特征进行建筑目标提取，如文献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.利用基于标记控制分水岭变换分割的方法，提取SAR影像中的长条形或L形建筑物的亮区；文献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.采用探测算子实现朝向一致且具有强偶次散射的长条形建筑提取。但由于检测的特征相对简单，使用场景比较单一，该类方法在对具有复杂结构的单体建筑提取时并不适用。其四是基于深度学习的建筑检测方法。借鉴光学影像的处理思路，深度学习在SAR影像目标检测中同样表现出强大潜力。文献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.利用多尺度卷积神经网络进行建筑目标检测，文献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.改进全卷积神经网络，结合上下文信息进行建筑提取。文献8：吴云飞.基于高分辨率SAR图像的建筑区域检测[D].中国科学技术大学,2019.利用注意力机制与对抗训练的思路训练卷积神经网络，获得建筑目标检测结果。然而，SAR成像机制与光学不同，相干斑、复杂背景环境等干扰，不同成像条件、参数下的目标特征差异较大，这些问题带给基于深度学习的建筑目标检测方法巨大的挑战，直接将深度学习目标检测方法或语义分割算法使用到高分辨率SAR影像中无法达到最佳性能。