[发明专利]一种基于中分辨率SAR图像的建筑区提取方法以及系统

说明书

本公开涉及一种基于中分辨率SAR图像的建筑区提取方法以及系统，首先对所有SAR图像进行预处理，根据预处理后的SAR图像制作多类别建筑的像素级标记样本，然后构建包括基于注意力机制的特征提取网络和多尺度金字塔结构的金字塔多尺度城市提取网络的建筑区提取网络，使用训练数据集和测试数据集对网络进行训练和测试，并进行网络优化，最后将预处理后的SAR图像输入建筑区提取网络得到初步提取结果，对初步提取的建筑区进行后处理，对提取结果进行优化，提高了建筑区提取的精度，有效去除植被等非建筑地物的影响。

技术领域

本公开涉及图像处理领域，更具体地，涉及一种基于中分辨率SAR图像的建筑区提取方法以及系统。

背景技术

城市化现已成为影响世界大多公民的全球趋势。随着城市化进程的加快，获取准确、及时的城市信息对于城市风险评估、基础设施规划、城市蔓延、人口估计、环境保护以及城市可持续发展至关重要。

卫星遥感已被广泛认为是在大范围内获取人类居住区信息的最经济可行的方法。以前的区域或全球土地覆盖产品多是基于时间序列光学卫星数据，这些土地覆盖产品的提取效果总体上是可观的，区域或全球城市范围已经由一系列数据集和算法绘制，但城市区域的提取结果尚不能满足城市变化检测的需要。由于云雨天气造成数据可获取性低，利用光学数据进行区域或全球城市制图仍然是一个巨大的挑战。

与光学数据相比，SAR数据全天时、全天候的可获取性和独特的地物信息使其具有对地表观测的优势，越来越多地被应用于全球城市范围的提取。2012年德国DLR的Esch研究团队通过实验验证了高分辨率X波段SAR数据在自动绘制人类居住区域方面的应用潜力，并发布了城市足迹处理器(UFP)，基于TanDEM-X任务(TDM)开发的全新的无监督和全自动分类系统。之后，受到几项研究结果的启发，该团队在原有的系统中添加一个自动编辑模块来优化和修改UFP系统，消除误差；该方法随后在全球范围内应用，生产了空间分辨率为12米的全球城市足迹(GUF)数据集。2013年Gamba和Lisini等人基于分辨率75m的ENVISAT ASAR宽幅模式数据，开发了一种快速高效的方法来提取全球城市范围，实验表明其提取结果比现有的全球土地利用数据集(包括GlobCover 2009)更为准确。为了评估ENVISAT SAR数据在全球城市区提取的应用潜力，2014年Ban等人开发了KTH-Pavia城市提取器，使用ENVISATASAR 30m数据有效地提取了中心城市和小城镇。2015年Jacob和Ban等人利用Sentinel-1ASAR数据对KTH-Pavia城市提取器进行城市范围提取评价，初步结果认为Sentinel-1A条带模式非常适合城市提取，精确率达到83％以上。Cao等人将空间指数和纹理特征以及Sentinel-1SAR数据的强度引入到种子选择过程中，成功提取出中国城市建成区。

基于SAR数据进行城市区域提取的传统算法主要有基于纹理特征和强度的阈值法、支持向量机(SVM)、神经网络等。近年来，深度学习在分类和目标识别领域取得了显著的成绩。不少学者利用深度学习方法解决SAR数据中建筑区多尺度分布问题。上述方法对解决SAR图像建筑多尺度分布问题做出了很大贡献，但是上述方法尚未在复杂地形多类型建筑区分布地区进行大尺度区域制图。目前，在大区域复杂背景下开展城市建筑区域提取主要存在如下二大问题:(1)低矮建筑的遗漏问题。低层且密集分布的建筑，如城中村，散射回波较弱，导致此类建筑区在SAR图像的后向散射值较低。一些平顶建筑顶部散射回波较弱，在SAR图像中仅显示出轮廓。中国农村区域，一些较小的村落，后向散射值较低，容易产生漏检。(2)错分误差。SAR图像像素间具有空间相关性，景观的基本物理结构与建筑区非常相似，譬如分散的树林，在稻田或湿地与稀疏植被混合的情况下，也可能出现高后向散射值；其次，一些桥梁和船舶的后向散射值也较大，容易造成误分。

因此，为实现复杂区域建筑区高精度制图，需要获取建筑区丰富的深层纹理特征信息，同时还需要网络具备对非常小或非常大的城市区域的提取性能。

发明内容