基于相關(guān)變化檢測(cè)與面向?qū)ο蠓诸?lèi)技術(shù)的多源遙感圖像震害信息提取*

薛騰飛 張景發(fā) 李 強(qiáng)

1) 中國(guó)哈爾濱150090中國(guó)地震局工程力學(xué)研究所 2) 中國(guó)北京100085中國(guó)地震局地殼應(yīng)力研究所地殼動(dòng)力學(xué)重點(diǎn)實(shí)驗(yàn)室

?

基于相關(guān)變化檢測(cè)與面向?qū)ο蠓诸?lèi)技術(shù)的多源遙感圖像震害信息提取*

1) 中國(guó)哈爾濱150090中國(guó)地震局工程力學(xué)研究所 2) 中國(guó)北京100085中國(guó)地震局地殼應(yīng)力研究所地殼動(dòng)力學(xué)重點(diǎn)實(shí)驗(yàn)室

遙感圖像面向?qū)ο蠓诸?lèi)作為空間信息提取的關(guān)鍵技術(shù)， 在震害信息提取方面發(fā)揮著非常重要的作用， 然而由于光學(xué)遙感影像是正射圖像， 只能提取建筑物屋頂信息， 這使得單一利用震后光學(xué)影像進(jìn)行震害信息提取存在一定的局限性． 針對(duì)該問(wèn)題， 本文提出了一種基于合成孔徑雷達(dá)(SAR)相關(guān)變化檢測(cè)的光學(xué)影像震害建筑物面向?qū)ο筇崛》椒ǎ?即在光學(xué)影像面向?qū)ο筇崛〉臄?shù)據(jù)中融合SAR相關(guān)性， 對(duì)光學(xué)影像進(jìn)行面向?qū)ο筇崛≌鸷ㄖ飼r(shí)不僅考慮建筑物的幾何、 光譜等特征， 還加入震前震后變化信息即SAR相關(guān)性進(jìn)行分類(lèi)． 在此基礎(chǔ)上， 選取2008年汶川MS8.0地震震區(qū)都江堰地區(qū)作為研究區(qū)進(jìn)行試驗(yàn). 結(jié)果表明， 本文提出的方法相對(duì)于單一使用光學(xué)影像進(jìn)行震害建筑物提取, 其準(zhǔn)確度有較明顯的提高．

震害信息提取 面向?qū)ο蠓诸?lèi) SAR 圖像相關(guān)性 變化檢測(cè)

引言

地震由于具有突發(fā)性、 破壞性強(qiáng)、 防御難度大等特點(diǎn)， 給人類(lèi)帶來(lái)巨大的人員傷亡和經(jīng)濟(jì)損失． 近幾年的地震救災(zāi)經(jīng)驗(yàn)表明， 震后及時(shí)準(zhǔn)確地獲取地震災(zāi)情信息， 開(kāi)展應(yīng)急響應(yīng), 能夠有效減輕地震災(zāi)害帶來(lái)的損失． 而遙感信息具有覆蓋范圍廣、 圖像獲取方便等特點(diǎn)， 能夠全面地反映震后災(zāi)區(qū)的破壞情況， 是獲取災(zāi)情信息的主要數(shù)據(jù)來(lái)源(張景發(fā)等， 2001； 李強(qiáng)等， 2015)． 國(guó)內(nèi)外研究人員針對(duì)基于遙感圖像的震害信息提取開(kāi)展了持續(xù)研究， 目前在震區(qū)建筑物和道路自動(dòng)識(shí)別方面已經(jīng)取得許多進(jìn)展， 包括面向?qū)ο笮畔⑻崛　?變化檢測(cè)等方面的研究(Dong, Shan, 2013)． 王曉青等(2003)提出了基于地理信息系統(tǒng)(geographic information system, 簡(jiǎn)寫(xiě)為GIS)和數(shù)字圖像處理的震害遙感快速提取技術(shù)， 并以2003年巴楚—伽師MS8.0地震震害遙感影像信息提取為例介紹了該技術(shù)的實(shí)現(xiàn)過(guò)程； 龔麗霞等(2013)闡述了基于面向?qū)ο蟮淖兓瘷z測(cè)方法在震害信息提取中的應(yīng)用， 并以2010年玉樹(shù)MS7.1地震前后的高分辨率遙感影像為例進(jìn)行了試驗(yàn)， 結(jié)果顯示該檢測(cè)方法的提取準(zhǔn)確度相較基于像元和基于主成分分析的變化檢測(cè)方法有較大的提高． Chesnel等(2007)比較了利用不同配準(zhǔn)方式和配準(zhǔn)精度控制下的光學(xué)影像變化檢測(cè)方法提取震害建筑物的準(zhǔn)確度， 結(jié)果表明影像精確配準(zhǔn)對(duì)于提高高分辨率光學(xué)圖像變化檢測(cè)的準(zhǔn)確度十分重要． 但是, 光學(xué)影像的成像容易受到云雨等惡劣天氣的影響， 會(huì)導(dǎo)致圖像效果不佳以及地表信息難以識(shí)別的問(wèn)題． 合成孔徑雷達(dá)(synthetic aperture radar, 簡(jiǎn)寫(xiě)為SAR)具有全天時(shí)全天候的特點(diǎn)， 受惡劣天氣影響很小， 該技術(shù)的發(fā)展為我們解決這些問(wèn)題提供了有力的支持． Stramondo等(2006)以1999年伊茲米特(Izmit)MS7.4地震和2003年巴姆(Bam)MS6.3地震為例， 比較了SAR強(qiáng)度相關(guān)、 干涉相干以及光學(xué)影像這3種圖像在震害信息提取中的準(zhǔn)確度， 證實(shí)了融合多源遙感數(shù)據(jù)進(jìn)行聯(lián)合分析的提取準(zhǔn)確度更高; 張景發(fā)等(2002)利用1998年張北MS6.2地震前后SAR圖像進(jìn)行了變化檢測(cè)處理， 提取了建筑物震害程度信息, 與野外考察數(shù)據(jù)對(duì)比顯示其結(jié)果準(zhǔn)確度較高， 且誤差在允許范圍內(nèi)； 劉云華等(2010)結(jié)合2008年汶川MS8.0地震前后SAR幅度影像和干涉相干影像對(duì)災(zāi)害進(jìn)行自動(dòng)識(shí)別， 在地震災(zāi)害評(píng)估中取得了很好的效果.

綜上可知， 光學(xué)影像和SAR影像在震害信息提取中各有優(yōu)勢(shì)， 如何將兩者有機(jī)結(jié)合起來(lái)， 融合多源遙感數(shù)據(jù)， 提高單一遙感數(shù)據(jù)源的提取效果是目前遙感震害評(píng)估中的挑戰(zhàn)． 本文擬結(jié)合SAR相關(guān)變化檢測(cè)的結(jié)果， 將震前震后SAR相關(guān)圖和震后光學(xué)圖像進(jìn)行波段組合， 并對(duì)融合后的圖像進(jìn)行面向?qū)ο蠓诸?lèi)， 以提取不同震害等級(jí)建筑物的分布．

1 研究區(qū)與數(shù)據(jù)源

都江堰市是四川省成都市下轄縣級(jí)市， 位于成都平原西北邊緣， 地處岷江出山口． 該市地跨龍門(mén)山地帶和成都岷江沖積扇扇頂部位， 是一座歷史文化古城， 人口約70萬(wàn)． 2008年5月12日14時(shí)28分， 四川省汶川縣(103.4°E， 31.0°N)發(fā)生MS8.0地震， 這是新中國(guó)成立以來(lái)發(fā)生的一次破壞性最強(qiáng)、 波及范圍最廣的地震． 都江堰市距震中僅約21 km， 是地震重災(zāi)區(qū)， 其抗震設(shè)防烈度為Ⅶ度， 此次MS8.0地震對(duì)該市及其附近地區(qū)產(chǎn)生了高于Ⅶ度的地震影響， 房屋建筑遭受了嚴(yán)重破壞． 震后相關(guān)單位快速獲取了雷達(dá)及可見(jiàn)光圖像， 中國(guó)地震局工程力學(xué)研究所開(kāi)展了實(shí)地調(diào)查， 在對(duì)主城區(qū)所有建筑物進(jìn)行逐一調(diào)研的基礎(chǔ)上判斷其破壞狀態(tài)， 并采集現(xiàn)場(chǎng)照片記錄， 為后續(xù)研究提供豐富而寶貴的資料．

綜合考慮震區(qū)建筑物的結(jié)構(gòu)抗震能力和遙感可判讀性， 按照各類(lèi)建筑物單體受損程度及其在遙感圖像上的特征表現(xiàn)， 結(jié)合數(shù)據(jù)和試驗(yàn)的實(shí)際情況， 本文將建筑物震害程度劃分為3個(gè)類(lèi)別， 即基本完好、 中等破壞和損毀． 與實(shí)地調(diào)查資料相對(duì)比， 基本完好建筑物對(duì)應(yīng)基本完好和輕微破壞類(lèi)別， 中等破壞建筑物對(duì)應(yīng)中等破壞類(lèi)別， 損毀建筑物對(duì)應(yīng)嚴(yán)重破壞和毀壞類(lèi)別．

本文試驗(yàn)所用光學(xué)影像數(shù)據(jù)為震后IKONOS數(shù)據(jù)， 空間分辨率為1 m； 震前震后SAR數(shù)據(jù)為ENVISATA ASAR數(shù)據(jù)． 首先對(duì)研究區(qū)影像進(jìn)行掩膜裁剪， 將現(xiàn)場(chǎng)調(diào)查矢量(鐘江榮等， 2010)與影像進(jìn)行裁剪疊加， 得到圖像如圖1所示； 然后對(duì)SAR數(shù)據(jù)進(jìn)行聚焦成像、 多視濾波和地理編碼之后生成強(qiáng)度圖， 數(shù)據(jù)基本情況列于表1， 震前震后圖像如圖2所示．

圖1 研究區(qū)IKONOS衛(wèi)星光學(xué)影像圖(a)和現(xiàn)場(chǎng)調(diào)查矢量圖(疊加光學(xué)影像)(b)

編號(hào)傳感器波段成像時(shí)間備注1ENVISATASARC2008-03-03地震前2ENVISATASARC2008-07-21地震后

圖2 研究區(qū)震前(a)、 震后(b)SAR影像． 紅色實(shí)線(xiàn)范圍表示本文研究區(qū)

2 高分辨率光學(xué)影像面向?qū)ο蠓诸?lèi)提取方法

利用遙感圖像分類(lèi)技術(shù)能夠得出不同震害程度建筑物的空間分布， 而震害信息的提取準(zhǔn)確度會(huì)對(duì)震害評(píng)估結(jié)果產(chǎn)生直接影響(柳稼航等， 2004)． 最初的分類(lèi)方法主要基于像元進(jìn)行分類(lèi)， 每個(gè)像元代表地物的光譜反射值； 進(jìn)而發(fā)展為基于紋理的分類(lèi)方法， 即分析每個(gè)像元與其鄰域像元之間的關(guān)系， 并以此為分類(lèi)依據(jù)進(jìn)行圖像分類(lèi)(Vuetal, 2005)． 這兩種分類(lèi)方法均被用于提取地震等自然災(zāi)害所造成的建筑物破壞信息(Al-Khudhairy

圖3 面向?qū)ο笥跋穹诸?lèi)流程Fig.3 Flow chart of object-orientedimage classification

etal, 2005; Gusellaetal, 2005; Stumpf, Kerle, 2011; 竇愛(ài)霞等， 2013； Moosavietal, 2014)． 隨著遙感科學(xué)的發(fā)展， 遙感圖像的空間分辨率越來(lái)越高， 高分辨率遙感數(shù)據(jù)能夠提供詳細(xì)的空間信息， 這就需要更為復(fù)雜的處理方法； 而面向?qū)ο蠓诸?lèi)方法即針對(duì)高分辨率遙感影像， 最小處理單元是由多個(gè)相鄰像素組合且包含多重語(yǔ)義的影像對(duì)象(甘甜等， 2015)， 正好可以滿(mǎn)足這一需求．

2.1 方法流程

面向?qū)ο蠓诸?lèi)的主要流程為： 首先對(duì)影像進(jìn)行多尺度分割， 然后通過(guò)波段權(quán)重、 光譜因子、 空間因子、 緊致度和光滑度等參數(shù)建立規(guī)則集， 對(duì)多尺度分割后的影像進(jìn)行分類(lèi)， 最后導(dǎo)出分類(lèi)要素并生成矢量文件． 本文采用ENVI遙感圖像處理平臺(tái)軟件基于規(guī)則的面向?qū)ο蠓诸?lèi)模塊對(duì)IKONOS影像進(jìn)行分類(lèi)， 其主要流程如圖3所示．

2.2 影像分割

影像分割是面向?qū)ο髨D像分類(lèi)的一個(gè)基礎(chǔ)過(guò)程， 其目的是通過(guò)影像分割將像元及其鄰域像元進(jìn)行歸類(lèi)， 使之成為多個(gè)“同質(zhì)”對(duì)象， 再基于對(duì)象進(jìn)行分類(lèi)(劉明眾等， 2013)． 本文使用基于邊緣的圖像分割算法， 其優(yōu)點(diǎn)是計(jì)算效率高、 輸入?yún)?shù)少且能達(dá)到多尺度分割的效果． 通過(guò)不同尺度上邊界的差異控制實(shí)現(xiàn)由細(xì)到粗的多尺度分割， 經(jīng)過(guò)多次試驗(yàn)確定最優(yōu)的分割參數(shù)， 即基于邊緣檢測(cè)的分割閾值為46.7， 合并閾值為97.0， 之后利用該參數(shù)對(duì)圖像進(jìn)行分割．

2.3 基于規(guī)則集的建筑物震害信息特征提取

針對(duì)分割后的影像進(jìn)行分類(lèi)， 首先需要建立規(guī)則集， 根據(jù)待提取要素的光譜、 幾何等特征進(jìn)行構(gòu)建． 本文的研究對(duì)象為建筑物， 建筑物目標(biāo)大致可以總結(jié)為以下幾類(lèi)特征(孫顯等， 2011)：

1) 幾何特征． 高分辨率遙感影像上建筑物表現(xiàn)為面狀目標(biāo)， 且只能記錄到建筑物屋頂?shù)男畔ⅲ?典型建筑物的幾何形狀規(guī)整， 屋頂投影幾何形狀呈現(xiàn)矩形、 “工”(“H”)字型、 “T” 字型、 “L”型、 “U”型等， 且排列比較規(guī)整．

2) 灰度特征． 灰度特征也可稱(chēng)為光譜特征， 完好建筑物屋頂表面灰度分布比較均勻， 反映在影像特征參數(shù)上， 標(biāo)準(zhǔn)差較小， 與周?chē)h(huán)境的對(duì)比度較大； 屋頂與道路等目標(biāo)的光譜值比較接近， 但其紋理具有較大差異．

3) 拓?fù)浜蜕舷挛奶卣鳎?建筑物屋頂形狀規(guī)則， 具有多邊形的拓?fù)涮卣鳎?且與道路、 鐵路和水系等線(xiàn)性地物不相交； 建筑物邊緣附近一般存在陰影， 周?chē)ǔＪ堑缆贰?水泥地或植被等地物．

結(jié)合上述分析， 選取與建筑物相關(guān)的屬性， 并通過(guò)試驗(yàn)選擇表征不同震害等級(jí)的建筑物屬性參數(shù)閾值， 主要選取紅、 綠、 藍(lán)等3個(gè)波段的光譜均值、 形狀延伸率、 矩形擬合度和對(duì)象面積作為分類(lèi)依據(jù)， 所選屬性參數(shù)及閾值如表2所示．

圖4 震后光學(xué)影像面向?qū)ο笳鸷ㄖ锓诸?lèi)圖Fig.4 Object-oriented classification imageof earthquake damaged buildings based on post-seismic IKONOS image

通過(guò)表2中各屬性參數(shù)不同的閾值， 控制不同震害建筑物類(lèi)型的分類(lèi)， 并通過(guò)試驗(yàn)設(shè)定權(quán)重， 避免各類(lèi)型之間的重合． 根據(jù)表2所選閾值對(duì)震后IKONOS光學(xué)影像進(jìn)行分類(lèi)， 得到不同震害程度建筑物的分布， 如圖4所示．

以每種震害類(lèi)型實(shí)地調(diào)查的面積結(jié)果(簡(jiǎn)稱(chēng)為“實(shí)地調(diào)查面積”)作為基準(zhǔn)， 通過(guò)疊加分析計(jì)算利用本文方法提取的各類(lèi)建筑物總面積(簡(jiǎn)稱(chēng)為“本文方法提取面積”)、 本為某種震害類(lèi)型建筑物卻被錯(cuò)分為其它震害類(lèi)型建筑物或非建筑物區(qū)域的面積(簡(jiǎn)稱(chēng)為“錯(cuò)檢面積”)以及本為該種震害類(lèi)型建筑物卻未被提取為任意一種震害類(lèi)型建筑物的面積(簡(jiǎn)稱(chēng)為“漏檢面積”). 對(duì)比圖4與圖1b可以得出， 本文方法提取面積-錯(cuò)檢面積+漏檢面積=實(shí)地調(diào)查面積. 基于此計(jì)算不同建筑物震害程度類(lèi)型的提取準(zhǔn)確率、 漏檢率及錯(cuò)檢率， 其中提取準(zhǔn)確率的計(jì)算公式

表2 面向?qū)ο蠓诸?lèi)參數(shù)及閾值

表3 震后光學(xué)影像面向?qū)ο笳鸷ㄖ锓诸?lèi)準(zhǔn)確度

為(本文方法提取面積-錯(cuò)檢面積)/實(shí)地調(diào)查面積， 漏檢率計(jì)算公式為漏檢面積/實(shí)地調(diào)查面積， 錯(cuò)檢率計(jì)算公式為錯(cuò)檢面積/本文方法提取面積， 對(duì)震后IKONOS影像進(jìn)行面向?qū)ο蠓诸?lèi)結(jié)果的準(zhǔn)確度如表3所示．

結(jié)合圖4、 圖1b與表3可以看出， 不同震害類(lèi)型的建筑物均被較好地提取出來(lái)， 總體準(zhǔn)確度良好， 但中等破壞建筑物和損毀建筑物的漏檢率和錯(cuò)檢率較高． 深入對(duì)比分析可知， 中等破壞和損毀建筑物被錯(cuò)檢為完好的較多， 主要是由于光學(xué)遙感圖像相對(duì)于現(xiàn)場(chǎng)調(diào)查遙感震害評(píng)估的局限性， 只能識(shí)別屋頂?shù)奶卣鳎?導(dǎo)致一些細(xì)微的變化信息不易從單一震后遙感數(shù)據(jù)源中提取出來(lái)．

3 結(jié)合SAR相關(guān)圖的震后光學(xué)影像面向?qū)ο蠓诸?lèi)方法

針對(duì)基于單一震后遙感數(shù)據(jù)提取錯(cuò)檢率較高的問(wèn)題， 本文提出結(jié)合SAR相關(guān)圖的震后光學(xué)影像面向?qū)ο蠓诸?lèi)方法. 該方法不僅融合了多源遙感數(shù)據(jù)， 還結(jié)合了變化信息， 旨在提高利用震后單一遙感數(shù)據(jù)源的震害信息識(shí)別準(zhǔn)確度．

從圖2可以看出， ENVISAT ASAR圖像的空間分辨率不高， 且圖像不直觀(guān)， 通過(guò)傳統(tǒng)的差值或比值變化檢測(cè)方法容易受到斑點(diǎn)噪聲的影響， 變化信息較難提?。?針對(duì)此， 本文引入基于圖像相關(guān)性的變化檢測(cè)方法， 通過(guò)滑動(dòng)窗口計(jì)算兩幅圖像的相關(guān)性. 圖像相關(guān)性表示為

(1)

式中，E〈*〉表示數(shù)學(xué)期望，I1表示圖像1，I2表示圖像2，r表示圖像相關(guān)性或相關(guān)值， 在實(shí)際計(jì)算中，

(2)

圖5 SAR圖像相關(guān)圖Fig.5 Correlation image calculated frompre- and post-seismic SAR images

或變化較??； 反之，r的絕對(duì)值越接近0， 兩幅圖像的線(xiàn)性關(guān)系越差， 即差異性越大， 可以認(rèn)為對(duì)應(yīng)地物地震前、 后發(fā)生了較大變化(趙福軍， 2010)． 為了便于計(jì)算分析， 下文相關(guān)性全部采用r的絕對(duì)值．

對(duì)震前震后的SAR圖像進(jìn)行精確配準(zhǔn)， 進(jìn)而采用交互式數(shù)據(jù)語(yǔ)言(interactive data language， 簡(jiǎn)寫(xiě)為IDL)代碼計(jì)算兩幅圖像的相關(guān)性， 選取窗口大小為3像元×3像元， 所得相關(guān)圖如圖5所示． 可以看出， 相干性值分布較為雜亂， 僅可辨別出都江堰城區(qū)位置及市內(nèi)主干道. 如果對(duì)相關(guān)圖直接進(jìn)行分類(lèi)提取， 則容易受到斑點(diǎn)噪聲的影響， 分類(lèi)出多個(gè)碎斑， 效果較差． 因此， 本文擬利用相關(guān)圖與震后高分辨率光學(xué)影像進(jìn)行波段組合， 對(duì)組合后的圖像進(jìn)行面向?qū)ο蠓诸?lèi)提取， 具體流程如圖6所示．

圖6 結(jié)合SAR相關(guān)性變化檢測(cè)的光學(xué)影像面向?qū)ο笳鸷π畔⑻崛×鞒虉D

震害類(lèi)型提取準(zhǔn)確率漏檢率錯(cuò)檢率基本完好建筑物82.1%17.9%12.2%中等破壞建筑物77.3%22.7%43.6%損毀建筑物 79.2%20.8%21.9%總體 81.3%

首先以實(shí)地調(diào)查矢量(道路、 河流)為基準(zhǔn)， 對(duì)震前震后SAR影像、 震后光學(xué)影像進(jìn)行精確配準(zhǔn)， 計(jì)算震前震后SAR圖像的相關(guān)性圖； 然后將相關(guān)性圖進(jìn)行過(guò)采樣， 并與震后光學(xué)影像(紅、 綠、 藍(lán)共3個(gè)波段)進(jìn)行波段組合， 得到4個(gè)波段的合成圖像(紅、 綠、 藍(lán)、 相關(guān)性共4個(gè)波段)； 最后對(duì)波段組合后的圖像進(jìn)行分割， 選擇表2所列規(guī)則集并在此基礎(chǔ)上將第四波段(相關(guān)性波段)分類(lèi)， 通過(guò)試驗(yàn)選取的相關(guān)性閾值結(jié)果為： 完好建筑物相關(guān)值|r|>0.72， 中等破壞建筑物0.38<|r|<0.72， 損毀建筑物|r|<0.38． 根據(jù)新的組合閾值及權(quán)重對(duì)圖像進(jìn)行分類(lèi)， 得到不同震害等級(jí)的建筑物分布， 如圖7所示．

圖7 結(jié)合SAR相關(guān)性變化檢測(cè)的光學(xué)影像面向?qū)ο笳鸷ㄖ锓诸?lèi)圖Fig.7 Extraction of earthquake damaged buildings based on object-oriented classification map of IKONOS and SAR correlation fusion image

以實(shí)地調(diào)查的面積結(jié)果為基準(zhǔn)， 利用本文提出的方法計(jì)算不同震害程度建筑物類(lèi)型的提取準(zhǔn)確率、 漏檢率及錯(cuò)檢率， 結(jié)果列于表4．

對(duì)比表4與表3可以看出， 不同震害類(lèi)型建筑物的提取準(zhǔn)確度均有所提高， 錯(cuò)檢率也有較大幅度的降低. 對(duì)比圖7與圖4可知， 原先被錯(cuò)檢為完好建筑物的中等破壞和損毀的建筑物利用本文方法后被正確地分類(lèi)， 降低了錯(cuò)檢率， 同時(shí)也提高了提取準(zhǔn)確率． 試驗(yàn)證明， 本文所提出的方法相對(duì)于利用震后單一遙感數(shù)據(jù)源進(jìn)行震害建筑物面向?qū)ο蠓诸?lèi)提取， 能夠較好地提高準(zhǔn)確度．

4 討論與結(jié)論

利用遙感圖像的變化檢測(cè)和面向?qū)ο蠓椒ň梢钥焖俚孬@取震區(qū)建筑物的震害信息， 光學(xué)遙感影像直觀(guān)， 光譜信息豐富， 有利于面向?qū)ο蠓诸?lèi)提取； SAR遙感影像不受震后云雨等惡劣天氣的影響， 且對(duì)建筑物的二次反射敏感． 如何結(jié)合面向?qū)ο笈c變化檢測(cè)的結(jié)果， 實(shí)現(xiàn)光學(xué)遙感影像與雷達(dá)遙感影像的優(yōu)勢(shì)互補(bǔ)是目前關(guān)注的問(wèn)題．

本文首先利用面向?qū)ο蠓椒▽?duì)震后光學(xué)影像進(jìn)行了震害建筑物分類(lèi)提取， 較好地提取出完好、 中等破壞和損毀建筑物， 對(duì)準(zhǔn)確率、 錯(cuò)檢率和漏檢率進(jìn)行計(jì)算和分析， 得出提取總體準(zhǔn)確率為72.34%， 但中等破壞和損毀建筑物的錯(cuò)檢率和漏檢率較高， 主要是由于遙感影像的局限性， 利用震后單一遙感數(shù)據(jù)源進(jìn)行震害建筑物提取容易造成錯(cuò)分現(xiàn)象所致．

在系統(tǒng)梳理和分析基于面向?qū)ο蟮墓鈱W(xué)影像、 基于相關(guān)性變化檢測(cè)的SAR影像建筑物震害信息提取的理論和方法基礎(chǔ)上， 將震前震后SAR影像的相關(guān)性計(jì)算結(jié)果與震后光學(xué)影像相結(jié)合， 把相關(guān)性作為面向?qū)ο蟮姆诸?lèi)依據(jù)之一， 不僅融合了多源遙感數(shù)據(jù)， 還引入了震前震后的變化信息． 對(duì)波段組合后的數(shù)據(jù)進(jìn)行面向?qū)ο蠓诸?lèi)提取， 得到總體提取準(zhǔn)確度為81.3%， 提高了單一利用光學(xué)遙感影像進(jìn)行面向?qū)ο筇崛〉臏?zhǔn)確度．

本文選取的SAR數(shù)據(jù)為ENVISAT ASAR數(shù)據(jù)， 分辨率較低， 面對(duì)目前遙感數(shù)據(jù)， 尤其是SAR數(shù)據(jù)向高分辨率、 多極化發(fā)展的趨勢(shì)， 仍需從以下幾個(gè)方面加強(qiáng)研究： ① 在有數(shù)據(jù)積累的情況下， 研究高分辨率SAR影像相關(guān)性對(duì)變化檢測(cè)、 面向?qū)ο筇崛?zhǔn)確度的影響， 進(jìn)一步提高分類(lèi)精度； ② 進(jìn)一步引入SAR干涉相干變化檢測(cè)， 融合多源數(shù)據(jù)和多種方法進(jìn)行提取； ③ 開(kāi)展基于高分辨率SAR影像的面向?qū)ο笞兓瘷z測(cè)分析， 基于成像機(jī)理及建筑物震害特征分析最優(yōu)分類(lèi)特征與尺度； ④ 研究不同極化方式組合與定量參數(shù)的SAR震害評(píng)估方法， 充分利用SAR多極化、 全極化特征．

中國(guó)地震局工程力學(xué)研究所鐘江榮副研究員提供了都江堰地區(qū)現(xiàn)場(chǎng)調(diào)查矢量數(shù)據(jù)， 為本研究提供了參考和驗(yàn)證資料， 作者在此表示感謝．

竇愛(ài)霞, 馬宗晉, 黃文麗, 王曉青, 袁小祥. 2013. 基于機(jī)載LiDAR和多光譜圖像的建筑物震害自動(dòng)識(shí)別方法[J]. 遙感信息, 28(4): 103--109.

Dou A X, Ma Z J, Huang W L, Wang X Q, Yuan X X. 2013. Automatic identification approach of building damages caused by earthquake based on airborne LiDAR and multispectral imagery[J].RemoteSensingInformation, 28(4): 103--109 (in Chinese).

甘甜, 李金平, 李小強(qiáng), 王劉偉. 2015. 面向?qū)ο蟮母叻直媛蔬b感影像建筑物震害信息提取[J]. 測(cè)繪工程, 24(4): 11--15.

Gan T, Li J P, Li X Q, Wang L W. 2015. Object-oriented method of building damage extraction from high-resolution images[J].EngineeringofSurveyingandMapping, 24(4): 11--15 (in Chinese).

龔麗霞, 李強(qiáng), 張景發(fā), 曾琪明, 劉明眾, 李成龍. 2013. 面向?qū)ο蟮姆课菡鸷ψ兓瘷z測(cè)方法[J]. 地震, 33(2): 109--114.

Gong L X, Li Q, Zhang J F, Zeng Q M, Liu M Z, Li C L. 2013. Object-oriented detection of earthquake building damages[J].Earthquake, 33(2): 109--114 (in Chinese).

李強(qiáng), 張景發(fā), 牛瑞卿. 2015. GIS與面向?qū)ο蠼Y(jié)合的遙感影像震后損毀道路快速提取[J]. 測(cè)繪通報(bào), (4): 78--81.

Li Q, Zhang J F, Niu R Q. 2015. Damage road extraction from post-seismic remote sensing images based on GIS and objected-oriented method[J].BulletinofSurveyingandMapping, (4): 78--81 (in Chinese).

柳稼航, 楊建峰, 魏成階, 關(guān)澤群. 2004. 震害信息遙感獲取技術(shù)歷史、 現(xiàn)狀和趨勢(shì)[J]. 自然災(zāi)害學(xué)報(bào), 13(5): 46--52.

Liu J H, Yang J F, Wei C J, Guan Z Q. 2004. Acquisition of earthquake damage information based on remote sensing technology: History, current situation and trend[J].JournalofNaturalDisasters, 13(5): 46--52 (in Chinese).

劉明眾, 張景發(fā), 李成龍, 劉國(guó)林. 2013. 高分辨率遙感影像道路震害的快速提取[J]. 地震, 33(2): 79--86.

Liu M Z, Zhang J F, Li C L, Liu G L. 2013. Rapid extraction of road damages from high resolution remote sensing images[J].Earthquake, 33(2): 79--86 (in Chinese).

劉云華, 屈春燕, 單新建, 宋小剛, 張桂芳, 張國(guó)宏. 2010. SAR遙感圖像在汶川地震災(zāi)害識(shí)別中的應(yīng)用[J]. 地震學(xué)報(bào), 32(2): 214--223.

Liu Y H, Qu C Y, Shan X J, Song X G, Zhang G F, Zhang G H. 2010. Application of SAR data to damage identification of the Wenchuan earthquake[J].ActaSeismologicaSinica, 32(2): 214--223 (in Chinese).

孫顯, 付琨, 王宏琦. 2011. 高分辨率遙感圖像理解[M]. 北京: 科學(xué)出版社: 317--318.

Sun X, Fu K, Wang H Q. 2011.HighResolutionRemoteSensingImageUnderstanding[M]. Beijing: Science Press: 317--318 (in Chinese).

王曉青, 魏成階, 苗崇剛, 張景發(fā), 單新建, 馬慶尊. 2003. 震害遙感快速提取研究： 以2003年2月24日巴楚—伽師6.8級(jí)地震為例[J]. 地學(xué)前緣, 10(S1): 285--291.

Wang X Q, Wei C J, Miao C G, Zhang J F, Shan X J, Ma Q Z. 2003. The extraction of seismic damage from remote sensing images： A case study of Bachu-Jiashi earthquake withMS=6.8 occurred on Feb. 24, 2003[J].EarthScienceFrontiers, 10(S1): 285--291 (in Chinese).

張景發(fā), 謝禮立, 陶夏新. 2001. 典型震害遙感圖像的模型分析[J]. 自然災(zāi)害學(xué)報(bào), 10(2): 89--95.

Zhang J F, Xie L L, Tao X X. 2001. Pattern analysis of remote sensing imagery for some typical earthquake damages[J].JournalofNaturalDisasters, 10(2): 89--95 (in Chinese).

張景發(fā), 謝禮立, 陶夏新. 2002. 建筑物震害遙感圖像的變化檢測(cè)與震害評(píng)估[J]. 自然災(zāi)害學(xué)報(bào), 11(2): 59--64.

Zhang J F, Xie L L, Tao X X. 2002. Change detection of remote sensing image for earthquake-damaged buildings and its application in seismic disaster assessment[J].JournalofNaturalDisasters, 11(2): 59--64 (in Chinese).

趙福軍. 2010. 遙感影像震害信息提取技術(shù)研究[D]. 哈爾濱: 中國(guó)地震局工程力學(xué)研究所: 113--114.

Zhao F J. 2010.SeismicDisasterInformationExtractionFromRemotelySensedImagery[D]. Harbin: Institute of Engineering Mechanics, China Earthquake Administration: 113--114 (in Chinese).

鐘江榮, 林均岐, 丁世文. 2010. 都江堰市建筑震害調(diào)查及分析[J]. 土木建筑與環(huán)境工程, 32(S2): 19--20, 27.

Zhong J R, Lin J Q, Ding S W. 2010. Building damage survey and analysis of Dujiangyan[J].JournalofCivil,Architectural&EnvironmentalEngineering, 32(S2): 19--20, 27 (in Chinese).

Al-Khudhairy D H A, Caravaggi I, Giada S. 2005. Structural damage assessments from IKONOS data using change detection, object-oriented segmentation, and classification techniques[J].PhotogrEngRemoteSens, 71(7): 825--837.

Chesnel A L, Binet R, Wald L. 2007. Object oriented assessment of damage due to natural disaster using very high resolution images[C]∥IEEEInternationalGeoscienceandRemoteSensingSymposium,IGARSS2007. Barcelona: IEEE： 3736--3739.

Dong L G, Shan J. 2013. A comprehensive review of earthquake-induced building damage detection with remote sensing techniques[J].ISPRSJPhotogrRemoteSens, 84(7): 85--99.

Gusella L, Adams B, Bitelli G, Huyck C, Mognol A. 2005. Object-oriented image understanding and post-earthquake damage assessment for the 2003 Bam, Iran, earthquake[J].EarthqSpectra, 21(S1): S225--S238.

Moosavi V, Talebi A, Shirmohammadi B. 2014. Producing a landslide inventory map using pixel-based and object-oriented approaches optimized by Taguchi method[J].Geomorphology, 204(1): 646--656.

Stramondo S, Bignami C, Chini M, Pierdicca N, Tertulliani A. 2006. Satellite radar and optical remote sensing for earthquake damage detection: Results from different case studies[J].IntJRemoteSens, 27(20): 4433--4447.

Stumpf A, Kerle N. 2011. Object-oriented mapping of landslides using Random Forests[J].RemoteSensEnviron, 115(10): 2564--2577.

Vu T T, Matsuoka M, Yamazaki F. 2005. Preliminary results in development of an object-based image analysis method for earthquake damage assessment[C]∥ProceedingofInternationalWorkshoponRemoteSensingforPostdisasterResponse. Chiba： Chiba University: 1--8.

Extraction of earthquake damage buildings from multi-source remote sensing data based on correlation change detection and object-oriented classification techniques

1)InstituteofEngineeringMechanics,ChinaEarthquakeAdministration,Harbin150090,China2)KeyLaboratoryofCrustalDynamics,InstituteofCrustalDynamics,ChinaEarthquakeAdministration,Beijing100085,China

Object-oriented classification technology of remote sensing images, as a spatial information extraction method, plays a key role in earthquake damage information extraction. However, it has limitations in extracting buildings from optical remote sensing images due to the characteristic vulnerable to weather and other reasons. To solve this problem, this paper proposes a method for detecting building damage by optical image in combiniation with SAR correlation changes and object-oriented classification, which extracts buildings from fusion data including optical image and SAR correlation image. Not only the spatial and spectral features, but also the correlation of buildings is considered during the extraction. TheMS8.0 Wenchuan earthquake caused a wide range of building’s collapse and casualties. Taking Dujiangyan area near the source as an example, the method above is tested. The results show that the accuracy of building extraction is improved by using the proposed method compared with the method only from optical image.

earthquake damage information extraction; object-oriented classification; SAR image; image correlation； change detection

國(guó)家自然科學(xué)基金(41374050)、 中歐“龍計(jì)劃”項(xiàng)目三期(10607)和高分辨率對(duì)地觀(guān)測(cè)系統(tǒng)重大專(zhuān)項(xiàng)(31-Y30B09-9001-13/15)共同資助.

2016-01-08收到初稿， 2016-02-28決定采用修改稿.

e-mail: zhangjingfa@hotmail.com

10.11939/jass.2016.03.017

P315.9

A

薛騰飛， 張景發(fā)， 李強(qiáng). 2016. 基于相關(guān)變化檢測(cè)與面向?qū)ο蠓诸?lèi)技術(shù)的多源遙感圖像震害信息提取. 地震學(xué)報(bào), 38(3): 496--505. doi:10.11939/jass.2016.03.017.

Xue T F, Zhang J F, Li Q. 2016. Extraction of earthquake damage buildings from multi-source remote sensing data based on correlation change detection and object-oriented classification techniques.ActaSeismologicaSinica, 38(3): 496--505. doi:10.11939/jass.2016.03.017.