多重特性；
[0062] 步骤2:基于对象的SAR影像分割；
[0063]首先利用流域变换获得的初始结果作为基本处理对象，在此过程中利用R0A (Ratio of Averages)算子提取抑制噪声的梯度图像，利用盆地动力学阈值(dynamics)抑 制过分割的同时在一定程度上控制基本对象的尺度大小。在对象上建立区域邻接图 (Region Adjacency Graph，RAG)，在原始图像数据上建立高斯马尔可夫随机场(Gauss Markov random fieId，GMRF)模型统计各个对象的统计特征、空间纹理特性，利用初始分割 区域的联合概率对模型进行参数估计，先进行保守合并，将小于一定面积的区域合并到其 相邻最相似的区域中，再进行全局合并，在此过程中设定相似度阈值，当RAG中相邻两区域 合并的似然比满足条件则进行合并；
[0064]步骤3:图像对象特征提取；
[0065]基于对象的SAR影像分割获得的有意义图像对象是后续处理的基本单元，依据本 体规则需求，提取的图像对象特征提取主要包括灰度统计特征如均值、方差和纹理等，形状 几何特征如面积、主方向、矩形度、密度等，拓扑特征主要考虑对象间邻接信息。
[0066] 步骤4:建筑基元提取及组合；
[0067 ]结合步骤1中构建的高分辨率SAR影像中单体建筑本体语义模型和步骤2中分割获 得的图像对象，形成本体语义描述的单体建筑对象表达，指导"图像对象"自动识别为"建筑 基元"，实现以语义知识为中心的建筑基元提取，利用对象间拓扑特征以及本体规则实现建 筑基元组合为单体建筑;其中，对于每种"建筑基元"采用相应的决策树来组织各类特征，决 策阈值通过样本训练而来；
[0068]步骤5:提取结果后处理；
[0069]获取单体建筑对象之后，利用形态学处理以及边界规则化形成单体建筑边界轮 廓，去除不满足条件的提取区域，完成基于本体语义的高分辨率SAR影像单体建筑提取。
[0070] 本发明中，高分辨率SAR单体建筑本体建模基本流程如图2所示，采用的是骨架法 建模方法，领域本体建模有知识获取、概念化、本体形式化，骨架法主要提供了本体开发的 指导方针。其中涉及的领域知识主要包括高分辨率SAR单体建筑成像模型和建筑形态结构 特性，概念化的或称主要是将单体建筑的类型和组成结构进行细分，本体形式化建模工具 为Protege5·0。
[0071] 高分辨率SAR影像中单体建筑成像模型如图3所示，由于侧视成像，单体建筑在高 分辨率SAR影像中具有墙角叠掩、屋顶表面散射以及阴影特征。另外，随着建筑朝向与SAR方 位向的夹角不同，单体建筑的叠掩阴影特征的散射幅值及形状也有所差异。根据以上特性， 明确高分辨率SAR影像中单体建筑本体语义规则集包括:①单体建筑的位置和大小由建筑 基元的组合区域确定，主要考虑矩形结构建筑。②单体建筑的朝向由亮区的方向确定，分为 三个主朝向：与SAR飞行方向平行、垂直及倾斜，不同朝向的亮区其亮度有所差异。③屋顶、 暗区都在亮区特定的一侧，与SAR入射角相关。④单体建筑类型分为平顶建筑和尖顶建筑， 主要由亮区宽度确定。⑤判定对象满足"建筑基元"本体规则后，通过对象拓扑信息组合为 单体建筑。⑥建筑的面积大于250pixels (400m2以上）贝lj为大型建筑。对以上语义知识概念 化为如图4所示的结构图，各类建筑基元的属性，建筑基元之间的拓扑关系与建筑朝向和影 像参数相关。单体建筑本体模型形式化如图5所示，图5为采用Pr 〇tege5.0单体建筑本体语 义图。
[0072] 本发明中，依据单体建筑本体语义规则，首先需要获取亮区、屋顶和暗区等"建筑 基元"，采用分割的方法获取同质性好且边缘清晰的区域作为基本处理单元，在这些图像区 域里根据本体规则来进一步确定"建筑基元"，图像分割采用基于对象的方法。基于对象的 高分辨率SAR影像分割方法流程图如图6所示:初始分割采用改进的分水岭分割，分水岭分 割的基本步骤有：初始盆地（局部极小）的确定、溢流操作、基于显著性评价的区域等级输 出。其中初始盆地的确定通过梯度图获取的，方法中梯度提取方法采用充分考虑SAR图像的 统计特性和Speckle特性的Ratio of averages(ROA)算子获得，能较好地克服相干斑噪声 影响，获得稳定可靠的结果。分水岭分割通过模拟溢流过程，由初始盆地开始通过溢流操作 依次得到各盆地间的相互淹没顺序，此过程通常需要抑制过分割。主要采用盆地动力学阈 值(Dynamics)来抑制过分割，盆地动力学阈值一种区域全局显著性的度量。
[0073] 以上分水岭初始分割的从背景中提取近乎一致的对象，图像目标的真实边缘就包 含在分水岭里，为分析区域特征提供了必要条件；另外分水岭分割计算速度快并且可以并 行处理。根据初始分割结果建立区域邻接图（RAG)，构建包含高级视觉特征的合并准则，在 RAG的基础上进行层次合并。RAG的基本思想是：利用图结构，其中一个节点表示一个区域 (对象）、一条弧线表示一个邻接关系，弧线的权值为两相邻节点之间的相似性度量。相似性 度量中包括对象的灰度统计特征以及形状特征。
[0074] 依据相似性度量准则实施多次合并以获得多个不同尺度下的分割结果。这里我们 将RAG定义为区域高斯马尔可夫随机场(Gauss Markov Random Field，GMRF)，将RAG中相邻 区域的边权重作为GMRF能量函数，通过GMRF模型获得最优的合并次序，当RAG中相邻两区域 合并的似然比满足条件则进行合并。
[0075] 本发明中，通过分割获得图像对象，结合本体模型中"建筑基元"相关规则，提取的 图像对象级特征提取主要包括一下三大类:区域散射一一均值、方差、纹理(GLCM同质性、能 量、差异性、熵）、CFAR填充度；形状几何--主方向（对象主方向与雷达入射方位向的夹 角）、面积、质心、最小外接矩形、矩形度、（形状)填充度、紧凑度(描述对象的分散情况）；拓 扑一一邻接对象标号。提取的各个特征及其含义详见表1。
[0076] 表1图像对象特征说明
[0077]
[0078]
[0079] 表1中，关于纹理特征的符号说明如下，在图像中任意一点（x，y)以及偏离它的另 一个点(x+a，y+b)，形成一个点对，设该点对表达为(i，j)，i为点(x，y)处的灰度值，j为点(X +a，y+b)处的灰度值。设灰度值的级别为L，则（i，j)的组合共有L2种。固定a和b，在整个统计 区中，统计出每一种（i，j)出现的次数，再将它们归一化为出现的概率舞,/)，则[Ρ^]μ为 灰度共生矩阵。距离差值(a，b)取不同的数值组合，可以获得沿一定的方向（如0°、45°、90°、 135°)-定距离^/ = 丨的象元之间的灰度联合概率矩阵。
[0080]本发明中，建筑基元提取及组合是依据本体语义规则而来，具体地是结合对象特 征的本体语义规则。通过本体语义组织对象基本特征形成"建筑基元"的条件属性依次如 下：
[0081 ] 亮区:方向η亮度n cfar填充度η形状 [0082]屋顶:亮区一侧η纹理η形状η面积 [0083]阴影(辅助）：暗区η形状η屋顶一侧η面积 [0084] "建筑基元"确定之后，通过以下属性确定单体建筑：
[0085]平顶建筑:窄叠掩η屋顶η总面积η阴影辅助 [0086]尖顶建筑:宽叠掩η屋顶η总面积η阴影辅助
[0087] 综合高分辨率SAR影像中单体建筑本体语义知识和分割获得的图像对象，形成本 体语义描述的单体建筑对象表达，指导"图像对象"自动识别为"建筑基元"，实现以语义知 识为中心的建筑基元提取，利用对象间拓扑特征以及本体规则实现建筑基元组合为单体建 Λ*Λ- ?Ηι Ο
[0088] 本发明效果可通过一下实验结果进一步说明。
[0089] 实验条件:实验中采用广东佛山地区TerraSAR-X数据，获取时间为2008年5月，分 辨率为1.25m。实验数据中包含的建筑类型多为大型公共建筑、厂房，建筑屋顶类型包括简 单平顶、尖顶以及组合屋顶，屋顶的材质也多样。实验区域内建筑朝向复杂，规模大小、形状 不一。所选取的实验数据基本信息及特点详见表2,对各数据的大型单体建筑提取结果依次 如图6所示，对以上实验结果进行提取精度评价结果如表2所示。计算机硬件配置为Intel (1〇(：〇代〇]\〇15-2400，主频3.106取。本发明的软件平台为1^11^8 7.11.0(1?201013)和 Protege5.0〇
[0090] 表2效果验证实验数据简介表
[0091]
[0092] 实验内容:采用本发明提供的方法对多组不同朝向和不同复杂