基于卷积神经网络的极化SAR建筑物震害信息自动提取方法与流程

本发明涉及基于卷积神经网络的极化sar建筑物震害信息自动提取方法，属于遥感震害识别技术领域。

背景技术：

为了能达到真正的全自动提取目的，本发明引入卷积神经网络，结合全极化sar数据的极化信息、纹理信息，分步提取震后灾区的完好建筑物和倒塌建筑物。深度学习在图像分割等领域应用极为广泛，但是在震害遥感领域应用很少。本发明以2010年玉树7.1级地震后极化sar图像为研究对象，采用卷积神经网络，结合(1-a)(1-h)、yamaguchi4_vol、secondmoment、homogeneity、anisotropy、correlation等特征，全自动提取山脊、山腰、倒塌建筑物和完好建筑物。

技术实现要素：

有鉴于此，本发明提供了基于卷积神经网络的极化sar建筑物震害信息自动提取方法，采用卷积神经网络，结合(1-a)(1-h)、yamaguchi4_vol、secondmoment、homogeneity、anisotropy、correlation等特征，能够全自动提取山脊、山腰、倒塌建筑物和完好建筑物。

本发明通过以下技术手段解决上述技术问题：

本发明的基于卷积神经网络的极化sar建筑物震害信息自动提取方法，其包括如下步骤：

(1)提取震区极化sar数据的两种极化特征，即yamaguchi4_vol和(1-a)(1-h)，对这两种特征分别采用卷积神经网络方法，从yamaguchi4_vol中提取山腰信息，从(1-a)(1-h)中提取山脊信息；

(2)提取震区极化sar数据span图像的两种纹理特征，即secondmoment和homogeneity，将山腰和山脊提取结果融入secondmoment、homogeneity纹理信息中，剔除提取的山腰、山脊部分，再将剔除后的secondmoment、homogeneity纹理相加，增强建筑物区域亮度，提取建筑物区域(完好建筑物和倒塌建筑物的混合建筑区)；

(3)提取震区极化sar数据的极化特征anisotropy和span图像的纹理特征correlation，再次使用卷积神经网络对anisotropy和correlation的叠加特征进行完好建筑物的识别，并将建筑区的剩余部分归为倒塌建筑物。

所述卷积神经网络由输入层、卷积层、池化层、全连接层、输出层组成。

所述输入层是极化sar数据的极化特征和纹理特征图像，训练集采用的是30×30的特征图，逐像元做30×30窗口的卷积神经网络训练；

所述卷积层采用一系列可训练的卷积核对上一层输入数据进行卷积运算，卷积核通过反向传播算法获得，而非人工设计的，每个卷积层包含多个权值不同的卷积核，每个卷积核分别与输入图像进行卷积操作，从而获取输入数据的不同特征；

所述池化层对于输入特征图像的相邻像素之间取平均值或求得最大值，得到新的特征映射图，从而达到缩小图像尺寸、使得图像具有旋转平移不变性的目的；

所述全连接层的每一个神经元都与前一层的所有神经元相连接，它将二维的特征图转换成一维向量，便于输出层分类；所述输出层相当于一个分类器，采用softmax回归，通过取输出层的最大概率对应的所属分类进行图像分割。

所述卷积神经网络上配置有激活函数，激活函数增强了卷积神经网络的非线性表达能力以及数据稀疏表达能力，使得数据处理更加高效，所述激活函数是sigmoid函数。

本专利在极化分解、纹理特征提取的基础上，对yamaguchi4_vol极化特征采用卷积神经网络(cnn)方法提取出山腰信息；对(1-a)(1-h)极化信息采用卷积神经网络(cnn)方法提取出山脊信息；将山腰和山脊提取结果融入secondmoment纹理信息、homogeneity纹理信息中，剔除提取的山腰、山脊部分，再将剔除后的secondmoment和homogeneity相加，增强建筑物区域亮度，提取建筑物区域。再次使用卷积神经网络(cnn)对anisotropy极化特征和correlation纹理特征的叠加特征进行完好建筑物识别，并将建筑区剩余部分归为倒塌建筑物。

本发明的卷积神经网络避免了对图像的前期复杂预处理，在样本学习的基础上可直接输入原始数据进行图像分类。本发明主要采用经典lenet-5卷积神经网络进行特征提取。卷积神经网络通常由输入层、卷积层、池化层、全连接层、输出层组成。

(1)输入层：本发明三次卷积神经网络实验的输入层分别是yamaguchi4_vol、(1-a)(1-h)、anisotropy+correlation三张极化sar特征图像，训练集采用的是30×30大小的特征样本，逐像元做30×30窗口的cnn训练。

(2)卷积层：卷积层采用一系列可训练的卷积核对上一层输入数据进行卷积运算，卷积核通过反向传播算法获得，而非人工设计的。每个卷积层包含多个权值不同的卷积核，每个卷积核分别与输入图像进行卷积操作，从而获取输入数据的不同特征。本发明的cnn实验中设有三层卷积层，第一、三个卷积核为3×3大小，第二个为5×5大小，每个卷积核之间有一个池化层作降维处理。

(3)池化层：池化层对于输入特征图像的相邻像素之间取平均值或求得最大值，得到新的特征映射图，从而达到缩小图像尺寸、使得图像具有旋转平移不变性的目的。本发明的cnn中设有2个池化层。

(4)激活函数：激活函数增强了卷积神经网络的非线性表达能力以及数据稀疏表达能力，使得数据处理更加高效。本发明采用的激活函数是sigmoid函数。

(5)全连接与输出层：全连接层的每一个神经元都与前一层的所有神经元相连接，它将二维的特征图转换成一维向量，便于输出层分类。输出层相当于一个分类器，本发明采用softmax回归。通过取输出层的最大概率对应的所属分类进行图像分割。

本发明的有益效果：采用卷积神经网络，结合(1-a)(1-h)、yamaguchi4_vol、secondmoment、homogeneity、anisotropy、correlation等特征，能够全自动提取山脊、山腰、倒塌建筑物和完好建筑物。

附图说明

图1为本发明流程图。

图2为实施例1训练样本图中的山脊样本。

图3为实施例1训练样本图中的非山脊样本。

图4为实施例1训练样本图中的山腰样本。

图5为实施例1训练样本图中的非山腰样本。

图6为实施例1训练样本图中的完好建筑样本。

图7为实施例1训练样本图中的倒塌建筑样本。

具体实施方式

以下将结合附图1和具体实施例对本发明进行详细说明：本实施例的基于卷积神经网络的极化sar建筑物震害信息自动提取方法，其包括如下步骤：

(1)提取震区极化sar数据的两种极化特征，即yamaguchi4_vol和(1-a)(1-h)，对这两种特征分别采用卷积神经网络方法，从yamaguchi4_vol中提取山腰信息，从(1-a)(1-h)中提取山脊信息；

(2)提取震区极化sar数据span图像的两种纹理特征，即secondmoment和homogeneity，将山腰和山脊提取结果融入secondmoment、homogeneity纹理信息中，剔除提取的山腰、山脊部分，再将剔除后的secondmoment、homogeneity纹理相加，增强建筑物区域亮度，提取建筑物区域(完好建筑物和倒塌建筑物的混合建筑区)；

(3)提取震区极化sar数据的极化特征anisotropy和span图像的纹理特征correlation，再次使用卷积神经网络对anisotropy和correlation的叠加特征进行完好建筑物的识别，并将建筑区的剩余部分归为倒塌建筑物。

所述卷积神经网络由输入层、卷积层、池化层、全连接层、输出层组成。

所述输入层是极化sar数据的极化特征和纹理特征图像，训练集采用的是30×30大小的特征样本，逐像元做30×30窗口的卷积神经网络训练；

所述卷积层采用一系列可训练的卷积核对上一层输入数据进行卷积运算，卷积核通过反向传播算法获得，而非人工设计的，每个卷积层包含多个权值不同的卷积核，每个卷积核分别与输入图像进行卷积操作，从而获取输入数据的不同特征；

所述池化层对于输入特征图像的相邻像素之间取平均值或求得最大值，得到新的特征映射图，从而达到缩小图像尺寸、使得图像具有旋转平移不变性的目的；

所述全连接层的每一个神经元都与前一层的所有神经元相连接，它将二维的特征图转换成一维向量，便于输出层分类；所述输出层相当于一个分类器，采用softmax回归，通过取输出层的最大概率对应的所属分类进行图像分割。

所述卷积神经网络上配置有激活函数，激活函数增强了卷积神经网络的非线性表达能力以及数据稀疏表达能力，使得数据处理更加高效，所述激活函数是sigmoid函数。

实施例1

如图2-7所示，本发明的实验中选取了200个yamaguchi4_vol分解量的山腰样本，200个(1-a)(1-h)山脊样本，200个anisotropy和correlation叠加特征的完好建筑物样本进行样本训练。在利用cnn提取了山腰、山脊信息基础上，结合secondmoment特征和homogeneity特征剔除山腰、山脊信息，得到了建筑物区域(完好建筑物与倒塌建筑物混合区域)。最后，利用cnn提取anisotropy和correlation叠加特征中的完好建筑物，进而得到倒塌建筑物。

(1)特征提取

对极化sar数据的相干散射矩阵t3进行极化分解得到反熵anisotropy、散射熵和反熵的组合特征(1-a)(1-h)、yamaguchi分解的体散射分量yamaguchi4_vol，提取span图像基于灰度共生矩阵的纹理特征同质性homogeneity、二阶矩secondmoment和对比度correlation。利用homogeneity和secondmoment的叠加突出建筑物区域的亮度，在anisotropy特征中完好的建筑物区域灰度值较大，(1-a)(1-h)特征山脊部分灰度较大，yamaguchi4_vol中的山腰部分相对于山脊和建筑物区域灰度偏小。

利用以上特征可以分步骤提取地物信息。先采用cnn对(1-a)(1-h)进行山脊识别，再采用cnn对体散射分量进行山腰识别，这样山脊和山腰部分可以提取出来；其次，利用阈值分类对剔除了山腰和山脊识别结果的homogeneity和secondmoment的叠加特征进行建筑物区域(完好建筑物和倒塌建筑物混合区域)识别；最后，在此基础上采用cnn对anisotropy和correlation的叠加特征进行完好建筑物识别，并将剩余建筑物区域归为倒塌建筑物。

(2)样本训练

本发明主要单独使用了三次卷积网络实验，分别是对(1-a)(1-h)利用cnn方法提取山脊信息，对yamaguchi4_vol采用cnn方法提取山腰信息；对anisotropy和correlation的叠加特征采用cnn提取完好建筑，剩余建筑区归为倒塌建筑物。对山脊、非山脊、山腰、非山腰、倒塌建筑物、完好建筑物分别选取训练样本200个。为了检验卷积神经网络的分类精度，在训练样本之后，再次随机采集并标记样本，每一个类别分别再次采集200个样本，带入cnn中分类，得到表1的分类精度。表中可以发现，本次实验的分类精度较高，总体的平均精度达99.12％。

表1样本检验表

(3)非建筑物提取

cnn实验得到了山脊提取结果和山腰提取结果，在山脊提取结果中，大部分山脊线段被成功提取出来，在山腰提取结果中也包括了部分道路与河流，综合山脊和山腰提取结果，可以很好地提取山脊、山腰、道路、水系等非建筑物信息。

(4)建筑物区域提取

分别将homogeneity和secondmoment两种特征与非建筑物提取结果进行融合，剔除非建筑，得到homogeneity和secondmoment建筑物提取结果，将这两种建筑物提取结果求和得到建筑物区域，采用阈值筛选，进一步完善建筑区域识别结果。

(5)完好建筑物提取

对anisotropy和correlation叠加特征中的建筑物区域，再次采用cnn方法，识别出完好建筑区域和倒塌建筑区域。

采用卷积神经网络提取建筑物区域总体精度达到99.12％，不仅操作简单，而且精度高。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。