1、極化分解后多紋理特征的建筑物損毀評 估陳啟浩聶宇靚李林林劉修國中國地質大學（武漢）信息工程學院北京大學遙感與地理信息系統研究所摘要：準確地獲知災區的建筑物損毀程度能為抗震救災和災后重建提供決策依據。利用 震后極化合成孔徑雷達（sar）數據，該文提出了一種綜合利用極化分解后多紋 理特征的震后建筑物損毀評估方法。首先，用pauli分解的兀/4偶次散射分量 剔除非建筑區；其次，用pauli分解的兀/4偶次散射分量的方差特征、對比度特 征和pauli分解的奇次散射分量的對比度特征識別倒塌建筑物，并分別基于區 塊計算建筑物損毀指數;最后，綜合3個紋理特征完成建筑物的損毀評估。采用 玉樹震后radarsa

2、t-2數據和東日木大地震后al0s-1數據的實驗驗證了所提方法 對建筑物損毀評估的有效性，該方法對玉樹城區和日本石卷城區的重度、中度和 輕度損毀建筑評估的總體精度分別為74. 39%和80. 26%o與其他方法的對比實驗 表明，該方法能減少取向角的影響，對存留有少數與方位向平行的完好建筑物 的倒塌區、大取向角的完好建筑區的評估更為準確。關鍵詞：極化sar;震害評估;建筑物;pouli分解;灰度共生矩陣;作者簡介：陳啟浩（1982）,男，講師，研究方向為極化sar信息提取。 e-mail:cugcqh163 com作者簡介:聶宇靚（1993）,女，博士研究生，研究方向為極化sar災害評估。 e-

3、mail:yuliangniesina. com收稿日期：2016-11-10 基金:國家自然科學基金（編號:41301477, 41471355）buildings damage assessmerrt using texture features of polarization decomposition componentschen qihao nie yuliang li linlin liu xiuguofaculty of informstion engineering, chinauniversity of geosciences;abstract：accurately obta

4、ining bui 1 ding damage si tuation in disaster areas provides decision-making support for disaster relief and post-disaster reconstruction. the existing evaluation methods using polarization featuresare greatly influenced by the orientation angle of buildings, and the intact buildings with large ori

5、entation anglesare easily misclassif ied for the col lapsed buildings. the combination of multiple features is an effective way to improve the accuracy of building deimage assessment, in which the texture features play an important role. this paper proposed a new builcling damage assessment method w

6、hich applies the texture features of polarization decomposition components. there are three key procedures in this method. firstly, the non-building areasare removed by thefiltered 兀 /4 double-bounce scattering component of pauli decomposition. secondly, thestrategy of extracting collapsed buildings

7、 is built. for building areas, the variance and contrast features of gray-level co-occurrence matrix (glcm) are calculated on the pauli decomposition parameters. specifically, the variance and contrast textures eire obtained by the 肌/4 double-bounce scattering component of pauli decomposition; the v

8、ariance texture is given by the odd sea.ttcring component of pauli decomposition. then, the appropriatethresholds for distinguishing collapsed buildings from intact buildings are determined by these texture features. when the texture feature value of the pixel is smaller than the threshold, then the

9、 pixel is classified as collapsed building, otherwise, the pixel is identificd as intact bidlding. at last, building damage assessment is implemented. the building damage indexes computed by the three texture features are averaged to get the final bui lding damage index, and the n the result of buil

10、ding damage assessme nl is obtained. this method was validated on radarsat-2 fine-mode polarimetric sar imagery from the yushu earthquakeacquircd on april 21,2010. the ground-truth map of the buildings in yushu city, interpreted on high-resolution optical data, was used as a reference for comparison

11、. compared with the h ci p method, the method wi th homogeneous texture of span imeigc and the method with intcgratcd normalized circular-pol correlation coefficient （nccc） and homogeneous texture feature, the building damage assessment accuracy of the proposed method was the highest, and its overal

12、l accuracy was improved to 74. 39%. particularly, the detection rate for serious damage buildings is 100%, and the false alarm rate is 15. 62%. in addition, the intact buildings with large orientation angles in northeastern corner of the city were also extracted correctly. based on the experimental

13、analysis, the main factor of affecting the accuracy is the similarity of pauli polarization features, the variance and contrast texture features betweenthe flat and dense intact buiiding areas and serious damaged building areas. in addition，the effeetivencss of the proposed method was verified by th

14、e alos-1 data after the 2011 east japan earthquake and tsunami, and its overall accuracy was improved to 80.26%. a damage assessment method based on texture features from glcm of pauli decomposition components is proposed in this paper. in this met hod, paul i decompos ition parame ter was uti lied

15、to remove non-build ing areas, which was capable of removing the non-building arcaseffcctively， such as rivers, roads, bare ground and so on. by the comprehensiveutilization of the glcm texture features of three pauli decomposition components, the collapsed buildings can be extracted more accurately

16、. by comparison with other methods, the results confirm the validity of the proposed method.keyword：polarimetric sar; enrthqunke damage assessment; bu訂ding; pnuli decomposition; graytevel co-occurrence matrix;received： 2016-11-101引言地震是破壞性最強的自然災害之一，經常造成嚴重的人員傷亡和經濟損失。快 速、準確地獲知震后建筑物損毀情況能及時為抗震救災提供決策依據。遙感

17、技術 具有快速、綜合、宏觀等優點，在獲知震區損毀情況方面具有很人優勢（范一人 等，2016）。合成孔徑雷達（sar）以其全天時、全天候、穿透性強、大區域等 對地觀測特點（郝洪美等，2012）,成為獲取震害信息的一種實用選擇。特別是 地震發生后經常伴隨惡劣的天氣條件，因此研究基于sar數據的地震災區建筑 物損毀評估具有十分重要的意義。近年來，國內外學者在sar數據震區建筑物損毀評估方面進行了研究o yonezawa 和takeuchi (2001)指岀地震前后sar影像的強度相關性和干涉相干特征能一 定程度地反映建筑物的損毀程度，并提岀了歸一化相干系數差的倒塌建筑物探 測方法。張景發等人(200

18、2)通過分析張北地震前后倒塌建筑物的相關性、平均 灰度差異性和灰度方差差異性，定量提取了建筑物損毀信息。matsuoka和 yamazaki (2004)以日本神戶地震為例，利用震前震后強度影像的相關系數和 后向散射系數差構造了一個新的判別指數，并提取倒塌建筑物。gamba等人 (2006)提岀了基于邊緣特征變化檢測和基于像素變化檢測的震害信息提取方 法。dekker (2011)用cosmo-sky med和terra sar-x數據對海地地震進行分析, 利用sar數據歸一化強度差和相關系數分別進行了基于網格的平均震害檢測和 單棟建筑的詳細震害檢測。chen和sato (2013)利用alo

19、s極化sar數據分析了 2011年東日木大地震和海嘯的損毀情況，提出了兩個確定損毀等級的指標:震 后與震前模型分解的偶次散射分量z比，震后與震前取向角差值的標準差。上述方法取得了較好的應用效果，但是對數據要求較高，需要同時獲取震前震 后多時相sar數據。由于合適的震前數據不易獲得，針對震后單時相sar數據的 建筑物損毀評估方法被提出°guo等人(2009)針對汶川震后的極化sar數據利 用圓極化相關系數prrll、偶次散射分量pd和各向異性度a提取倒塌建筑物。 郭華東等人(2010)針對玉樹震區radarsat-2極化數據，提岀利用h和q參數 去除非建筑物，利用圓極化相關系數prrl

20、l區分倒塌與完好建筑物的il-a-p 方法。zhang等人(2015)用最優極化對比度增強法檢測玉樹震后radarsat-2 極化數據中的損毀建筑物，并證明對有一致取向角的建筑區的效果較好。zhai 等人(2016)、zhai和huang (2016)分別引入歸一化的去取向前后偶次散射分 量差、去取向前后偶次散射分量和體散射分量相對貢獻變化率之差等參數，修正 wishart監督分類結果，以減少取向角建筑和損毀建筑的誤分，從而提高建筑 物損毀評估的精度。棊于震后sar數據的建筑物損毀評估方法主要利用極化特征, 其評估結果為地震災后應急和重建提供了重要的科學依據和決策支持。但也存在 一些不足:評估

21、結果受建筑物取向角的影響較大，容易將大取向角的完好建筑物 誤分為倒塌建筑物;對存留有少數與方位向平行的完好建筑物的倒塌區，也易評 估不準確。為解決這些問題，震區建筑物損毀評估方法不再以單一的極化特征為主，而是 向多類特征相結合的方向發展。zhao等人(2013)用h-a -wishart分類去除非 建筑區，綜合規范化圓極化相關系數(7ccc)和總功率灰度共牛矩陣(glcm) 的同質性紋理特征，評估玉樹地震后建筑物的損毀程度，并用高分辨率機載極 化sar數據驗證了其有效性。shi等人(2015)利用極化、干涉和紋理等181個 特征，用隨機森林分類器對震后機載sar數據進行分類和建筑物損毀評估，指

22、 出紋理特征對倒塌建筑物提取及損毀評估最有效。由此可見，多類特征結合是提 高震后建筑物損毀評估精度的一個有效辦法，且紋理特征在其中能發揮重要作 用。因此，本文將目標分解的極化特征與灰度共生矩陣紋理相結合，提岀一種利用 極化分解后多紋理特征的震區建筑物損毀評估方法。首先利用pauli分解的極化 特征剔除非建筑區;然后利用基于pauli分解極化特征計算的3種glcm紋理特征 分別提取倒塌建筑物，最后綜合3種提取結果完成建筑物損毀評估;并利用玉樹 震后radarsat-2極化數據和東日本大地震后al0s-1極化數據進行驗證。2本文方法描述建筑物倒塌前后其散射機制和紋理均會發生變化。考慮到建筑物密集的

23、城區更多 表現為低爛散射，選用pauli相干分解提取極化特征，并結合經典的glcm紋理 描述方法，綜合利用震區目標散射機制和紋理特征的差異以準確評估震后建筑 物損毀程度。利用極化分解后多紋理特征的建筑物損毀評估方法的流程圖如圖1 所示。該方法的主要步驟如下:首先，對震區極化sar數據進行pemli分解，基于濾波 去噪后的jt/4偶次散射功率3剔除非建筑區。其次，基于pauli分解的h/4 偶次散射功率3提取灰度共生矩陣的方差(variance)紋理和對比度 (contrast)紋理，基于pauli分解的奇次散射功率u提取灰度共牛矩陣的 contrast紋理。然后，利用這3種紋理特征單獨提取倒塌

24、建筑物并計算區域建 筑損毀指數。最后，將基于3種紋理特征計算的區域損毀指數取平均值得到最終 損毀評估結果。其中，a, (3, 丫分別表示基于3個紋理特征區分完好建筑物 和倒塌建筑物的閾值。2.1 pauli分解與非建筑區剔除paul i分解將散射矩陣s分解為多個paul i基矩陣的復數形式的加權和，每個 pauli基矩陣對應一種基本散射機制(lee和pettier, 2009),表示形式如下式中，shv表示發射電磁波為垂直極化，接收電磁波為水平極化衛，b, c, d均 為復數，其值由下式給岀圖1利用極化分解后多紋理特征的建筑物損毀評估流程fig. 1 the flow chart of bui

25、lding damage asscssment using texture features of polarization decomposition components 下載原圖pauli分解將目標的散射過程相干分解為4種散射機制:平坦表面的奇次散射， 方向角為0。的角反射器產生的二面角散射(偶次散射)，方向角為45°的角反 射器產生的二面角散射(兀/4偶次散射)，以及散射矩陣的所有不對稱分量。在滿足互易定理的單站情況下，使得*0,此時pauli分解可簡化為3個基矩陣。奇次散射、偶次散射和兀/4偶次散射分量的功率依次可描述為一般地，非建筑區主要包括河流、道路及裸地等目標，這些地

26、物以奇次散射為主, 其他類型散射均較弱;而完好建筑物的屋頂及倒塌建筑物的奇次散射也較強。建 筑物倒塌后偶次散射降低，奇次散射增強;但完好建筑和倒塌建筑的兀/4偶次 散射均明顯強于非建筑物區。圖2為玉樹震后的radarsat-2極化sar圖像中完好建筑物、倒塌建筑物和非建 筑物區樣本pauli分解后各分量的均值。可以看出，非建筑區和建筑區（包括完 好建筑物和倒塌建筑物）在兀/4偶次散射分量的差異最大。因此，根據震后災 區地物的散射機制，本文利用pauli分解的兀/4偶次散射分量功率3來區分非 建筑區和建筑區。圖2建筑區與非建筑區樣木的pauli分解后各分量的均值fig. 2 the mean o

27、f samples calculated on the three components after pauli decomposition下載原圖為了降低相干斑噪聲的影響，本文利用3x3窗口均值濾波后的兀/4偶次散射分 量功率s '剔除非建筑物。通過統計分析確定區分建筑區與非建筑區的閾值gx, 將3的像素分為非建筑區，3上31的像素分為建筑區。閾值的確定方法如下:首先選擇兩類樣本統計其特征值的分布，以樣本特征值的 重疊區間為閾值所處范圍5 t2 （表示特征值較大類別的樣本點最小值，t2 表示特征值較小類別的樣本點最大值）；然后在該閾值范圍內搜索，取樣本點區 分精度最高時對應的閾值為最

28、終閾值。以radarsat-2數據劃分建筑區和非建筑 區的閾值5確定為例，建筑區和非建筑區的樣木在特征3上的特征值分布如 圖3所示。通過統計分析確定閾值所處范圍為-14.85, -13.15,分別如圖3 屮的橙色和藍色直線所示。當閾值為-14.85時，建筑區樣本的檢出率為100%, 有部分非建筑區的樣本被識別為建筑區;當閾值為- 13. 15時，非建筑區樣本的 檢出率為100%,有部分的建筑區樣本被識別為非建筑區。在-14. 85, - 13. 15 范圍內搜索，選取對建筑區和非建筑區的區分精度最高的值- 13. 5作為最終的 分割閾值，如圖3中的黑色虛線所示。圖3建筑區和非建筑區的3 f特征

29、值分布圖fig. 3 scatter plots of building areas and non-building areas based onw '下載原圖2. 2利用pauli極化分量glcm紋理的倒塌建筑提取glcm由haralick等人(1973)提出的一種通過圖像灰度的空間相關性來描述紋 理的方法。通過統計圖像屮一定距離和一定方向上的兩個像元灰度z間的相關性, 描述圖像的紋理信息。其定義如下:在圖像范圍內，統計所有從灰度級為i的像 元點，沿0方向移動距離d到達灰度為j的像元點的概率p (i, j),形成的 方陣即glcm。其中距離d可分解為水平方向的dx和垂直方向的dy,

30、。通常取0。, 45° , 90° , 135° 4 個方向。glcm反映了圖像灰度關于方向、相鄰間隔及變化幅度的綜合信息。利用glcm可 分析圖像的局部模式和排列規則，為了更直觀地描述紋理，一般用灰度共生矩 陣的二階統計量來表示。本文主要使用方差和對比度兩種二階統計量表示的紋理 特征。(1)方差(variance)紋理特征式中，n為圖像灰度級數，卩表示glcm的均值。方差紋理特征反映了像元值與 其周圍局部區域的均值的偏差。當圖像中灰度變化較大時，glcm方差特征值較 大。(2)對比度(contrast)紋理特征對比度能反映灰度局部變化的情況，灰度差大的像素越多，

31、對比度值越大，表 明灰度局部變化劇烈。地震發生后，重度損毀區由于建筑物倒塌嚴重，形成大片廢墟，在雷達影像上 其相鄰像元所包含地物幾乎都為廢墟，像元間差異較小，整體較為均勻，導致 重度損毀區的方差和對比度紋理特征均表現出低值。完好建筑區及中輕度損毀區 地物分布較為復雜，包括高度不一的建筑，建筑和廢墟的混雜等，相鄰像元包 含地物差異較大，使得這些區域的方差和對比度紋理特征均表現岀高值。圖4為radarsat-2數據屮完好建筑區和倒塌建筑區樣本(如圖5 (a)所示)在 n /4偶次散射功率3的variance紋理、contrast紋理和奇次散射功率u的 contrast紋理上的特征值統計圖。可以看岀

32、，總體上完好建筑物的方差和對比 度紋理特征值都大于倒塌建筑物的特征值。因此木文采用閾值法，基于pauli 分解極化特征計算的3種glcm紋理特征提取倒塌建筑物。2. 3區域建筑震損評估基于提取的倒塌建筑物結果，木文用建筑物損毀指數來描述該區域內建筑物的 損毀程度。損毀指數越人，建筑損毀程度越嚴垂。區域的建筑物損毀指數定義為式中，汕表示該區域范圍內倒塌建筑物像素數目，叫表示該區域內所有建筑物像 素數目。圖4完好/損毀建筑物樣本的紋理特征值分布圖fig. 4 scatter plots of texture features of intact/collapsed building areas 下

33、載原圖為了充分利用多種極化參數的紋理特征，本文將3種紋理特征分別計算的建筑 物損毀指數平均后得到綜合的區域倒塌率。最后根據各區域的綜合倒塌率劃分對 應的損毀程度。參照現有的劃分方法（zhai等，2016;zhao等，2013）,確定建 筑物損毀程度的劃分規則為:crw30%為輕度損毀，30%crw50%為屮度損毀， cr>50%為重度損毀。3實驗與分析本文中的實驗，包括紋理特征的提取、建筑損毀程度的評估以及精度評價，都是 通過idl8. 3編程實現;紋理特征的樣本統計分析利用m3tbb2012實現。程序運 行環境為64位win7操作系統。圖 5 玉樹城區實驗數據 fig. 5 exper

34、imental data of yushu country 下載 原圖3. 1 radarsat-2 數據實驗為了驗證本文方法的有效性，實驗采用2010年玉樹地震后的radarsat-2精細模 式極化數據，并與h- a - p方法、總功率同質性紋理的方法、綜合nccc與灰度 共生矩陣同質性紋理的方法進行定性和定量的對比。2010年4月14 ei 7時49分，青海省玉樹藏族自治州玉樹縣發生里氏7. 1級大 地震，城區大量房屋倒塌造成了極大的生命和財產損失。本文所用實驗數據為玉 樹城區2010年4月21 h右視升軌的radarsat-2精細模式極化數據，影像大小 為560x270像素，空間分辨率約

35、8 m,入射角為21° ,方位向進行3視平均去 噪處理。圖5 (a)為實驗數據的pauli rgb合成圖，標記的區域為結合高分光 學影像選取的實驗樣木，其中紅色多邊形表示倒塌建筑物，綠色多邊形表示完 好建筑物，藍色則代表非建筑區。圖5 (b)為2010年5月6日玉樹城區0.5 m 分辨率光學遙感圖像。圖5(c)為基于光學圖像解譯的建筑物損毀程度參考結 果。3. 1. 1非建筑區剔除對極化數據pauli分解并濾波處理，圖6 (a)是濾波后兀/4偶次散射分量功率 3。由圖6 (a)可見，非建筑區(道路、河流、裸地等)偏向于藍色，而建 筑區多呈現黃色或紅色，建筑區的特征值整體上比非建筑區的

36、值大。圖6非建筑區剔除fig. 6 non-building areas removal下載原圖根據第2. 1節中描述的閾值確定方法確定區分建筑區和非建筑區的閾值為 13.5 (見圖3中的黑色虛線)。剔除非建筑區的結果如圖6 (b)所示，其中 黑色代表非建筑區，口色表示建筑區。本文方法不僅能剔除城區屮東南向的寬河 流，也較好地剔除了東四向較窄河流以及城區中心的道路，此外述能剔除部分 城區中的裸地。為了定量評價非建筑區剔除的效果，在建筑區和非建筑區分別選取999和987 個像素來評估本文中非建筑區剔除的精度。建筑區和非建筑區的識別總精度為 89. 63%,其中非建筑區的檢出率為83. 18%,城

37、區的檢出率為96.00%。影響非建 筑區剔除精度的主要原因是城區公園等區域由丁兀/4偶次散射分量較大而易被 識別為建筑區。但最終待評估的建筑區不包含這種較大面積連續的區域，即這種 情況對后續建筑物損毀評估不會造成大的影響。3. 1. 2倒塌建筑物提取采用2.1節屮描述的閾值確定方法確定損毀建筑物提取閾值，其屮兀/4偶次散 射功率的variance紋理、contrast紋理，奇次散射功率的contrast紋理特征 的閾值分別為20.34, 40. 00和55. 70,如圖4中的黑色虛線所示。分別用這3 種紋理特征提取倒塌建筑物的結果如圖7所示，三者均能較好地提取出主要的 倒塌建筑，但也有一些存在

38、差異的區域:綠虛線區表示提取結果相對準確的區域, 紅虛線區表示準確度相對偏低的區域。圖7 3種特征的倒塌建筑物提取結果fig. 7 the results of collapsed buildings based on three features下載原圖為了分析綜合3種紋理特征閾值劃分對于完好建筑物和倒塌建筑物的區分能力， 統計單紋理特征及綜合三者后對樣木點的區分精度，如表1所示。其中，綜合紋 理表示針對3個單獨的紋理特征用投票法確定最終區分結果(即對區分結果的 平均)。樣本點在3個紋理特征組成的3維空間屮的分布如圖8所示。由表1 和圖8可知，識別的完好建筑物中不包含倒塌建筑物，識別的倒塌建

39、筑物中包 含極少量的完好建筑物。通過對3種紋理特征閾值劃分的綜合，對倒塌建筑物的 檢出率為100%,虛警率為7. 06%;完好建筑物的檢出率為92. 40%,虛警率為0, 能很好地區分完好建筑物和倒塌建筑物。綜合3種紋理特征閾值劃分后的區分能 力明顯優于單個紋理特征的閾值劃分。表1完好建筑物和倒塌建筑物的檢出率table 1 the detection rate of intact and collapsed buildings下載原表圖8樣本點在3維特征空間中的分布fig. 8 the distribution of samples in three-dimensional feature

40、space下載原圖3.1. 3建筑物損毀評估由圖7可見，3種紋理特征各有優勢，為更準確地評估建筑物的損毀程度，綜合 利用這3種極化參數的紋理特征。由式(6)基于圖7 (a) (b) (c)分別計算區域建筑損毀指數，三者取平均計算 得到綜合的區域建筑損毀指數。依據第2. 3節中建筑物損毀程度的劃分標準，將 建筑物損毀程度劃分為3個等級，得到本文方法的評估結果，如圖9 (d)所示。圖9不同方法建筑物損毀評估結果fig. 9 building damage assessment results by different methods 下載原圖對比實驗h-a-p方法、總功率同質性紋理方法、綜合ncc

41、c和同質性紋理方法 的結果如圖9 (a) -(c)所示。由于采用了相同的實驗數據，圖9 (a)中h-a-p 方法使用文獻(郭華東等，2010)屮的閾值。根據第2.1節屮描述的閾值確定方 法，確定用總功率同質性紋理區分完好建筑物和倒塌建筑物的閾值為0. 34,用 nccc識別倒塌建筑物的閾值為0. 03o對照參考圖比較不同方法的評估結果可知，木文方法的建筑物損毀評估結果明 顯優于其他3種方法，更加接近參考結果。如圖9 (d)所示，本文方法不僅正 確評估出了城區西部、西南部的嚴重損毀區，也基本準確地評估出了城區中部的 輕度損毀建筑區;特別地，城區東北區方向大部分存在取向角的完好建筑的損毀 程度得到

42、正確評估。而h-a-p方法、總功率同質性紋理方法，將城區東北部的 大片有取向角完好建筑區都錯誤地評估為重度損毀區(見圖9 (a)和9 (b); 綜合nccc與同質性紋理的方法，能較好地評估該區域建筑物損毀程度(圖9 (c)。然而，對于城區南部存留有少數與方位向平行建筑物的嚴重損毀區，即 圖9 (d)中綠虛線框區域，這3種方法存在不同程度的誤評估;而本文方法能準 確地評估出該嚴重損毀區。可見，木文方法受建筑物取向角的影響小，對于存在 取向角的完好建筑物以及存留有少數與方位向平行的完好建筑物的損毀區，均 能較準確地評估，表現出了更好的建筑物損毀評估能力。進一步對建筑物損毀評估的結果進行定量評價，對

43、不同損毀程度的建筑物從檢 出率、虛警率、總精度3個方面評價，不同方法評估結果的精度見表2。對于重 度損毀建筑區，4種方法的檢出率都較高，尤其是木文方法對重度損毀建筑的檢 出率為100%,同時虛警率也是4種方法中最低的。中、輕度損毀建筑區的評估 精度相對較低，但本文方法的檢出率仍然最高，虛警率也相對較低。從總精度而 言，本文方法對于3種不同程度的建筑物損毀評估的效果最好，總精度達到 74. 39%o木文方法建筑物損毀評估的誤差矩陣見表3,中、輕度損毀建筑區之間評估結果 存在一定比例的混淆。由表3可見，本文方法評估結果中仍然存在少部分輕、中 度損毀區被誤評估為重度損毀區，如圖9 (d)屮紅虛線框區

44、域。究其原因，一 般被正確評估的完好建筑區主要為城區較繁華的地帶的建筑物，房屋較為現代 化，高低不一，如圖10 (a)所示，其方差和對比度紋理特征呈現岀高特征值。 而這些被誤評的區域均為類似城邊村的區域，房屋大都為老式房屋，低矮平整， 排列緊湊，如圖10 (b)所示，其pauli極化特征及其方差和對比度紋理特征與 圖10 (c)所示的重度損毀建筑區較為相似，都呈現出低特征值，因此易被誤評 估。表2不同方法的建筑物損毀評估結果精度評價table 2 building damage assessment accuracy of different methods下載原表表3本文方法建筑物損毀評估誤

45、差矩陣table 3 building damage assessment matrix of the proposed met hod下載原表圖1 0完好建筑區與倒塌建筑區的對比fig. 10 comparison between intact buildings and collapsed buildings下載原圖3. 2 al0s-1數據實驗為了進一步驗證方法的適用性，利用2011年3月11日東日本大地震和海嘯后的 al0s-1數據進行損毀建筑物評估。實驗數據為2011年4月8日獲取的日本宮城 縣石卷市的al0s-1全極化數據，影像大小為494x245像素，入射角為23. 83

46、6; , 方位向進行8視處理。圖11 (a)為該實驗區的pauli rgb合成圖，圖11 (b)為 根據高分光學數據解譯的建筑物損毀程度圖。圖1 1 al0s-1 全極化數據實驗 fig. 11 the experiment of alos-lpol sar data下載原圖用本文方法對該區域建筑物損毀評估的結果如圖11(c)所示。采用第2.1節中 描述的閾值確定方法，確定兀/4偶次散射功率的variance紋理、contrast紋 理、奇次散射功率的contrast紋理特征區分倒塌建筑物和完好建筑物的閾值分 別為10. 00, 16. 50和15.00。選取圖11 (b)中標號為110的10

47、個區塊進行 評估，其屮1一4為重度損毀，57為屮度損毀，8-10為輕度損毀。對輕度損 毀、中度損毀、重度損毀的識別精度分別為100%、7& 38%、65. 01%,總精度為 80. 26%o4結論本文提出了一種采用震后單時相sar數據、綜合利用極化分解后多紋理特征的建 筑物損毀評估方法。該方法利用pauli分解的兀/4偶次散射分量功率來區分非 建筑區和建筑區，更完整剔除河流、道路和裸地等非建筑物區域，有效減少了非 建筑區對建筑物損毀評估的影響。該方法綜合利用pauli分解后極化功率的三種 灰度共生矩陣紋理特征：兀/4偶次散射功率的方差、對比度紋理和奇次散射功率 的對比度紋理，提出將極化

48、特征與紋理特征嵌套融合以充分利用多類特征進行 建筑物損毀程度評估。采用玉樹radarsat-2數據和r本石卷al0s-1數據的實驗 證明了本文方法對震后建筑物損毀評估的有效性，該方法對玉樹城區和日本石 卷城區損毀建筑評估的總體精度分別為74. 39%和80. 26%。與其他方法的對比實 驗表明，本文方法能降低取向角的影響，對大取向角的完好建筑區以及存留有 少數與方位向平行的完好建筑物的倒塌區的評估更準確。當然，本文方法仍然存 在一些不足：由于與倒塌建筑區紋理的相似性，一些低矮、緊湊的完好建筑物難 以被正確評估;非建筑區剔除時，對城市公園等植被較多的非建筑區剔除效果不 夠理想。因此，如何提高對低

49、矮、緊湊完好建筑物的評估效果、如何更準確剔除 非建筑區以及進一步驗證該方法對高空間分辨率極化sar數據的適用性，是下 一步的工作重點。參考文獻chen s w and sato 1. 2013. tsunami damage investigation of builtup areas using multitempornl spnceborne full polnrinietric sarimages. ieee transactions on geoscienee and remote sensing, 51(4) :1985-1997doi:10.1109/tgrs. 2012. 221

50、0050dekker r j. 201l high-resolution radar daniage assessment after the earthquake in haiti on 12 january 2010. ieee journal of sclccted topics in applied earth observations and remote sensing, 4 :960-970d0i:10 1109/jstars. 2011. 2164516fan y d, wu w, wang w, liu m and wen q 2016. research progress

51、of disaster remote sensing in chin el jour nail of remote sensing, 20 (5) :1170t184 (范 一大，吳瑋，王薇,劉明，溫奇.2016.中國災害遙感研究進展遙感學報，20(5) : 1170-1184) d0i:10 11834/jr、s 20166171gamba p, dell，acqua f and lisini g.2006. change detection of multitemporal sar data in urban areas combini ng feature-based and pixel

52、-based techniqucs. ieee transactions on gcoscicncc and remote sensing, 44 (10) :2820-2827d01:10. 1109/tgrs. 2006. 879498guo hd, li x w and zhang l. 2009. st udy of detect i ng method with acivanced airborne and spaceborne synthetic aperture radar data for collapsed urban buildings fyom the wenchuan

53、earthquake. journal of appl ied remote sensing, 3 (1) :031695d01:10. 1117/1.3153902guohd, wang x y, lixw, liu g, zhang l and yan s y 2010. yushu earthquake synergic dnnlysis study using multi-model sardatasets. chinese science bulletin, 55仃3) :1195-1199 (郭華東，王心源，李新武，劉廣，張露，閻世 勇.2010.多模式sar玉樹地震協同分析.科學

54、通報，55 (13) :1195-1199) d0i:10 1007/sl1434-010-0292-2hao h m, zhang y h, shi h y and huang j b.2012. application of test statistic method in fully polarimtric sar change detection. journal of remote sensing, 16 (3) :520-532 (郝洪美，張永紅，石海燕，黃金波.2012. 統計假設檢驗方法在全極化sar變化檢測中的應用遙感學報，16 (3) :520-532) d0i:10. 1

55、1834/jrs. 20120384haralick r m，shanmugani k and dinstcin i 1973. textural fcatures for image classification. ieee transactions on systems, man, and cybernetics， smc-3 (6) :610-621doi:10. 1109/tsmc. 1973. 4309314lee j s and pott ier e. 2009. pol err ime trie radar imaging: from basics to appliedtions. boca raton:crc press taylor and francis group:214-215matsuoka m and yamazaki f2004. use of satellite sar inten