极化分解后多纹理特征的建筑物损毁评估

1、极化分解后多纹理特征的建筑物损毁评 估陈启浩聂宇靓李林林刘修国中国地质大学（武汉）信息工程学院北京大学遥感与地理信息系统研究所摘要：准确地获知灾区的建筑物损毁程度能为抗震救灾和灾后重建提供决策依据。利用 震后极化合成孔径雷达（sar）数据，该文提出了一种综合利用极化分解后多纹 理特征的震后建筑物损毁评估方法。首先，用pauli分解的兀/4偶次散射分量 剔除非建筑区；其次，用pauli分解的兀/4偶次散射分量的方差特征、对比度特 征和pauli分解的奇次散射分量的对比度特征识别倒塌建筑物，并分别基于区 块计算建筑物损毁指数;最后，综合3个纹理特征完成建筑物的损毁评估。采用 玉树震后radarsa

2、t-2数据和东日木大地震后al0s-1数据的实验验证了所提方法 对建筑物损毁评估的有效性，该方法对玉树城区和日本石卷城区的重度、中度和 轻度损毁建筑评估的总体精度分别为74. 39%和80. 26%o与其他方法的对比实验 表明，该方法能减少取向角的影响，对存留有少数与方位向平行的完好建筑物 的倒塌区、大取向角的完好建筑区的评估更为准确。关键词：极化sar;震害评估;建筑物;pouli分解;灰度共生矩阵;作者简介：陈启浩（1982）,男，讲师，研究方向为极化sar信息提取。 e-mail:cugcqh163 com作者简介:聂宇靓（1993）,女，博士研究生，研究方向为极化sar灾害评估。 e-

3、mail:yuliangniesina. com收稿日期：2016-11-10 基金:国家自然科学基金（编号: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订ding; pnuli decomposition; graytevel co-occurrence matrix;received： 2016-11-101引言地震是破坏性最强的自然灾害之一，经常造成严重的人员伤亡和经济损失。快 速、准确地获知震后建筑物损毁情况能及时为抗震救灾提供决策依据。遥感

17、技术 具有快速、综合、宏观等优点，在获知震区损毁情况方面具有很人优势（范一人 等，2016）。合成孔径雷达（sar）以其全天时、全天候、穿透性强、大区域等 对地观测特点（郝洪美等，2012）,成为获取震害信息的一种实用选择。特别是 地震发生后经常伴随恶劣的天气条件，因此研究基于sar数据的地震灾区建筑 物损毁评估具有十分重要的意义。近年来，国内外学者在sar数据震区建筑物损毁评估方面进行了研究o yonezawa 和takeuchi (2001)指岀地震前后sar影像的强度相关性和干涉相干特征能一 定程度地反映建筑物的损毁程度，并提岀了归一化相干系数差的倒塌建筑物探 测方法。张景发等人(200

18、2)通过分析张北地震前后倒塌建筑物的相关性、平均 灰度差异性和灰度方差差异性，定量提取了建筑物损毁信息。matsuoka和 yamazaki (2004)以日本神户地震为例，利用震前震后强度影像的相关系数和 后向散射系数差构造了一个新的判别指数，并提取倒塌建筑物。gamba等人 (2006)提岀了基于边缘特征变化检测和基于像素变化检测的震害信息提取方 法。dekker (2011)用cosmo-sky med和terra sar-x数据对海地地震进行分析, 利用sar数据归一化强度差和相关系数分别进行了基于网格的平均震害检测和 单栋建筑的详细震害检测。chen和sato (2013)利用alo

19、s极化sar数据分析了 2011年东日木大地震和海啸的损毁情况，提出了两个确定损毁等级的指标:震 后与震前模型分解的偶次散射分量z比，震后与震前取向角差值的标准差。上述方法取得了较好的应用效果，但是对数据要求较高，需要同时获取震前震 后多时相sar数据。由于合适的震前数据不易获得，针对震后单时相sar数据的 建筑物损毁评估方法被提出°guo等人(2009)针对汶川震后的极化sar数据利 用圆极化相关系数prrll、偶次散射分量pd和各向异性度a提取倒塌建筑物。 郭华东等人(2010)针对玉树震区radarsat-2极化数据，提岀利用h和q参数 去除非建筑物，利用圆极化相关系数prrl

20、l区分倒塌与完好建筑物的il-a-p 方法。zhang等人(2015)用最优极化对比度增强法检测玉树震后radarsat-2 极化数据中的损毁建筑物，并证明对有一致取向角的建筑区的效果较好。zhai 等人(2016)、zhai和huang (2016)分别引入归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体散射分量相对贡献变化率之差等参数，修正 wishart监督分类结果，以减少取向角建筑和损毁建筑的误分，从而提高建筑 物损毁评估的精度。棊于震后sar数据的建筑物损毁评估方法主要利用极化特征, 其评估结果为地震灾后应急和重建提供了重要的科学依据和决策支持。但也存在 一些不足:评估

21、结果受建筑物取向角的影响较大，容易将大取向角的完好建筑物 误分为倒塌建筑物;对存留有少数与方位向平行的完好建筑物的倒塌区，也易评 估不准确。为解决这些问题，震区建筑物损毁评估方法不再以单一的极化特征为主，而是 向多类特征相结合的方向发展。zhao等人(2013)用h-a -wishart分类去除非 建筑区，综合规范化圆极化相关系数(7ccc)和总功率灰度共牛矩阵(glcm) 的同质性纹理特征，评估玉树地震后建筑物的损毁程度，并用高分辨率机载极 化sar数据验证了其有效性。shi等人(2015)利用极化、干涉和纹理等181个 特征，用随机森林分类器对震后机载sar数据进行分类和建筑物损毁评估，指

22、 出纹理特征对倒塌建筑物提取及损毁评估最有效。由此可见，多类特征结合是提 高震后建筑物损毁评估精度的一个有效办法，且纹理特征在其中能发挥重要作 用。因此，本文将目标分解的极化特征与灰度共生矩阵纹理相结合，提岀一种利用 极化分解后多纹理特征的震区建筑物损毁评估方法。首先利用pauli分解的极化 特征剔除非建筑区;然后利用基于pauli分解极化特征计算的3种glcm纹理特征 分别提取倒塌建筑物，最后综合3种提取结果完成建筑物损毁评估;并利用玉树 震后radarsat-2极化数据和东日本大地震后al0s-1极化数据进行验证。2本文方法描述建筑物倒塌前后其散射机制和纹理均会发生变化。考虑到建筑物密集的

23、城区更多 表现为低爛散射，选用pauli相干分解提取极化特征，并结合经典的glcm纹理 描述方法，综合利用震区目标散射机制和纹理特征的差异以准确评估震后建筑 物损毁程度。利用极化分解后多纹理特征的建筑物损毁评估方法的流程图如图1 所示。该方法的主要步骤如下:首先，对震区极化sar数据进行pemli分解，基于滤波 去噪后的jt/4偶次散射功率3剔除非建筑区。其次，基于pauli分解的h/4 偶次散射功率3提取灰度共生矩阵的方差(variance)纹理和对比度 (contrast)纹理，基于pauli分解的奇次散射功率u提取灰度共牛矩阵的 contrast纹理。然后，利用这3种纹理特征单独提取倒塌

24、建筑物并计算区域建 筑损毁指数。最后，将基于3种纹理特征计算的区域损毁指数取平均值得到最终 损毁评估结果。其中，a, (3, 丫分别表示基于3个纹理特征区分完好建筑物 和倒塌建筑物的阈值。2.1 pauli分解与非建筑区剔除paul i分解将散射矩阵s分解为多个paul i基矩阵的复数形式的加权和，每个 pauli基矩阵对应一种基本散射机制(lee和pettier, 2009),表示形式如下式中，shv表示发射电磁波为垂直极化，接收电磁波为水平极化卫，b, c, d均 为复数，其值由下式给岀图1利用极化分解后多纹理特征的建筑物损毁评估流程fig. 1 the flow chart of bui

25、lding damage asscssment using texture features of polarization decomposition components 下载原图pauli分解将目标的散射过程相干分解为4种散射机制:平坦表面的奇次散射， 方向角为0。的角反射器产生的二面角散射(偶次散射)，方向角为45°的角反 射器产生的二面角散射(兀/4偶次散射)，以及散射矩阵的所有不对称分量。在满足互易定理的单站情况下，使得*0,此时pauli分解可简化为3个基矩阵。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为一般地，非建筑区主要包括河流、道路及裸地等目标，这些地

26、物以奇次散射为主, 其他类型散射均较弱;而完好建筑物的屋顶及倒塌建筑物的奇次散射也较强。建 筑物倒塌后偶次散射降低，奇次散射增强;但完好建筑和倒塌建筑的兀/4偶次 散射均明显强于非建筑物区。图2为玉树震后的radarsat-2极化sar图像中完好建筑物、倒塌建筑物和非建 筑物区样本pauli分解后各分量的均值。可以看出，非建筑区和建筑区（包括完 好建筑物和倒塌建筑物）在兀/4偶次散射分量的差异最大。因此，根据震后灾 区地物的散射机制，本文利用pauli分解的兀/4偶次散射分量功率3来区分非 建筑区和建筑区。图2建筑区与非建筑区样木的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下载原图为了降低相干斑噪声的影响，本文利用3x3窗口均值滤波后的兀/4偶次散射分 量功率s '剔除非建筑物。通过统计分析确定区分建筑区与非建筑区的阈值gx, 将3的像素分为非建筑区，3上31的像素分为建筑区。阈值的确定方法如下:首先选择两类样本统计其特征值的分布，以样本特征值的 重叠区间为阈值所处范围5 t2 （表示特征值较大类别的样本点最小值，t2 表示特征值较小类别的样本点最大值）；然后在该阈值范围内搜索，取样本点区 分精度最高时对应的阈值为最

28、终阈值。以radarsat-2数据划分建筑区和非建筑 区的阈值5确定为例，建筑区和非建筑区的样木在特征3上的特征值分布如 图3所示。通过统计分析确定阈值所处范围为-14.85, -13.15,分别如图3 屮的橙色和蓝色直线所示。当阈值为-14.85时，建筑区样本的检出率为100%, 有部分非建筑区的样本被识别为建筑区;当阈值为- 13. 15时，非建筑区样本的 检出率为100%,有部分的建筑区样本被识别为非建筑区。在-14. 85, - 13. 15 范围内搜索，选取对建筑区和非建筑区的区分精度最高的值- 13. 5作为最终的 分割阈值，如图3中的黑色虚线所示。图3建筑区和非建筑区的3 f特征

29、值分布图fig. 3 scatter plots of building areas and non-building areas based onw '下载原图2. 2利用pauli极化分量glcm纹理的倒塌建筑提取glcm由haralick等人(1973)提出的一种通过图像灰度的空间相关性来描述纹 理的方法。通过统计图像屮一定距离和一定方向上的两个像元灰度z间的相关性, 描述图像的纹理信息。其定义如下:在图像范围内，统计所有从灰度级为i的像 元点，沿0方向移动距离d到达灰度为j的像元点的概率p (i, j),形成的 方阵即glcm。其中距离d可分解为水平方向的dx和垂直方向的dy,

30、。通常取0。, 45° , 90° , 135° 4 个方向。glcm反映了图像灰度关于方向、相邻间隔及变化幅度的综合信息。利用glcm可 分析图像的局部模式和排列规则，为了更直观地描述纹理，一般用灰度共生矩 阵的二阶统计量来表示。本文主要使用方差和对比度两种二阶统计量表示的纹理 特征。(1)方差(variance)纹理特征式中，n为图像灰度级数，卩表示glcm的均值。方差纹理特征反映了像元值与 其周围局部区域的均值的偏差。当图像中灰度变化较大时，glcm方差特征值较 大。(2)对比度(contrast)纹理特征对比度能反映灰度局部变化的情况，灰度差大的像素越多，

31、对比度值越大，表 明灰度局部变化剧烈。地震发生后，重度损毁区由于建筑物倒塌严重，形成大片废墟，在雷达影像上 其相邻像元所包含地物几乎都为废墟，像元间差异较小，整体较为均匀，导致 重度损毁区的方差和对比度纹理特征均表现出低值。完好建筑区及中轻度损毁区 地物分布较为复杂，包括高度不一的建筑，建筑和废墟的混杂等，相邻像元包 含地物差异较大，使得这些区域的方差和对比度纹理特征均表现岀高值。图4为radarsat-2数据屮完好建筑区和倒塌建筑区样本(如图5 (a)所示)在 n /4偶次散射功率3的variance纹理、contrast纹理和奇次散射功率u的 contrast纹理上的特征值统计图。可以看岀

32、，总体上完好建筑物的方差和对比 度纹理特征值都大于倒塌建筑物的特征值。因此木文采用阈值法，基于pauli 分解极化特征计算的3种glcm纹理特征提取倒塌建筑物。2. 3区域建筑震损评估基于提取的倒塌建筑物结果，木文用建筑物损毁指数来描述该区域内建筑物的 损毁程度。损毁指数越人，建筑损毁程度越严垂。区域的建筑物损毁指数定义为式中，汕表示该区域范围内倒塌建筑物像素数目，叫表示该区域内所有建筑物像 素数目。图4完好/损毁建筑物样本的纹理特征值分布图fig. 4 scatter plots of texture features of intact/collapsed building areas 下

33、载原图为了充分利用多种极化参数的纹理特征，本文将3种纹理特征分别计算的建筑 物损毁指数平均后得到综合的区域倒塌率。最后根据各区域的综合倒塌率划分对 应的损毁程度。参照现有的划分方法（zhai等，2016;zhao等，2013）,确定建 筑物损毁程度的划分规则为:crw30%为轻度损毁，30%crw50%为屮度损毁， cr>50%为重度损毁。3实验与分析本文中的实验，包括纹理特征的提取、建筑损毁程度的评估以及精度评价，都是 通过idl8. 3编程实现;纹理特征的样本统计分析利用m3tbb2012实现。程序运 行环境为64位win7操作系统。图 5 玉树城区实验数据 fig. 5 exper

34、imental data of yushu country 下载 原图3. 1 radarsat-2 数据实验为了验证本文方法的有效性，实验采用2010年玉树地震后的radarsat-2精细模 式极化数据，并与h- a - p方法、总功率同质性纹理的方法、综合nccc与灰度 共生矩阵同质性纹理的方法进行定性和定量的对比。2010年4月14 ei 7时49分，青海省玉树藏族自治州玉树县发生里氏7. 1级大 地震，城区大量房屋倒塌造成了极大的生命和财产损失。本文所用实验数据为玉 树城区2010年4月21 h右视升轨的radarsat-2精细模式极化数据，影像大小 为560x270像素，空间分辨率约

35、8 m,入射角为21° ,方位向进行3视平均去 噪处理。图5 (a)为实验数据的pauli rgb合成图，标记的区域为结合高分光 学影像选取的实验样木，其中红色多边形表示倒塌建筑物，绿色多边形表示完 好建筑物，蓝色则代表非建筑区。图5 (b)为2010年5月6日玉树城区0.5 m 分辨率光学遥感图像。图5(c)为基于光学图像解译的建筑物损毁程度参考结 果。3. 1. 1非建筑区剔除对极化数据pauli分解并滤波处理，图6 (a)是滤波后兀/4偶次散射分量功率 3。由图6 (a)可见，非建筑区(道路、河流、裸地等)偏向于蓝色，而建 筑区多呈现黄色或红色，建筑区的特征值整体上比非建筑区的

36、值大。图6非建筑区剔除fig. 6 non-building areas removal下载原图根据第2. 1节中描述的阈值确定方法确定区分建筑区和非建筑区的阈值为 13.5 (见图3中的黑色虚线)。剔除非建筑区的结果如图6 (b)所示，其中 黑色代表非建筑区，口色表示建筑区。本文方法不仅能剔除城区屮东南向的宽河 流，也较好地剔除了东四向较窄河流以及城区中心的道路，此外述能剔除部分 城区中的裸地。为了定量评价非建筑区剔除的效果，在建筑区和非建筑区分别选取999和987 个像素来评估本文中非建筑区剔除的精度。建筑区和非建筑区的识别总精度为 89. 63%,其中非建筑区的检出率为83. 18%,城

37、区的检出率为96.00%。影响非建 筑区剔除精度的主要原因是城区公园等区域由丁兀/4偶次散射分量较大而易被 识别为建筑区。但最终待评估的建筑区不包含这种较大面积连续的区域，即这种 情况对后续建筑物损毁评估不会造成大的影响。3. 1. 2倒塌建筑物提取采用2.1节屮描述的阈值确定方法确定损毁建筑物提取阈值，其屮兀/4偶次散 射功率的variance纹理、contrast纹理，奇次散射功率的contrast纹理特征 的阈值分别为20.34, 40. 00和55. 70,如图4中的黑色虚线所示。分别用这3 种纹理特征提取倒塌建筑物的结果如图7所示，三者均能较好地提取出主要的 倒塌建筑，但也有一些存在

38、差异的区域:绿虚线区表示提取结果相对准确的区域, 红虚线区表示准确度相对偏低的区域。图7 3种特征的倒塌建筑物提取结果fig. 7 the results of collapsed buildings based on three features下载原图为了分析综合3种纹理特征阈值划分对于完好建筑物和倒塌建筑物的区分能力， 统计单纹理特征及综合三者后对样木点的区分精度，如表1所示。其中，综合纹 理表示针对3个单独的纹理特征用投票法确定最终区分结果(即对区分结果的 平均)。样本点在3个纹理特征组成的3维空间屮的分布如图8所示。由表1 和图8可知，识别的完好建筑物中不包含倒塌建筑物，识别的倒塌建

39、筑物中包 含极少量的完好建筑物。通过对3种纹理特征阈值划分的综合，对倒塌建筑物的 检出率为100%,虚警率为7. 06%;完好建筑物的检出率为92. 40%,虚警率为0, 能很好地区分完好建筑物和倒塌建筑物。综合3种纹理特征阈值划分后的区分能 力明显优于单个纹理特征的阈值划分。表1完好建筑物和倒塌建筑物的检出率table 1 the detection rate of intact and collapsed buildings下载原表图8样本点在3维特征空间中的分布fig. 8 the distribution of samples in three-dimensional feature

40、space下载原图3.1. 3建筑物损毁评估由图7可见，3种纹理特征各有优势，为更准确地评估建筑物的损毁程度，综合 利用这3种极化参数的纹理特征。由式(6)基于图7 (a) (b) (c)分别计算区域建筑损毁指数，三者取平均计算 得到综合的区域建筑损毁指数。依据第2. 3节中建筑物损毁程度的划分标准，将 建筑物损毁程度划分为3个等级，得到本文方法的评估结果，如图9 (d)所示。图9不同方法建筑物损毁评估结果fig. 9 building damage assessment results by different methods 下载原图对比实验h-a-p方法、总功率同质性纹理方法、综合ncc

41、c和同质性纹理方法 的结果如图9 (a) -(c)所示。由于采用了相同的实验数据，图9 (a)中h-a-p 方法使用文献(郭华东等，2010)屮的阈值。根据第2.1节屮描述的阈值确定方 法，确定用总功率同质性纹理区分完好建筑物和倒塌建筑物的阈值为0. 34,用 nccc识别倒塌建筑物的阈值为0. 03o对照参考图比较不同方法的评估结果可知，木文方法的建筑物损毁评估结果明 显优于其他3种方法，更加接近参考结果。如图9 (d)所示，本文方法不仅正 确评估出了城区西部、西南部的严重损毁区，也基本准确地评估出了城区中部的 轻度损毁建筑区;特别地，城区东北区方向大部分存在取向角的完好建筑的损毁 程度得到

42、正确评估。而h-a-p方法、总功率同质性纹理方法，将城区东北部的 大片有取向角完好建筑区都错误地评估为重度损毁区(见图9 (a)和9 (b); 综合nccc与同质性纹理的方法，能较好地评估该区域建筑物损毁程度(图9 (c)。然而，对于城区南部存留有少数与方位向平行建筑物的严重损毁区，即 图9 (d)中绿虚线框区域，这3种方法存在不同程度的误评估;而本文方法能准 确地评估出该严重损毁区。可见，木文方法受建筑物取向角的影响小，对于存在 取向角的完好建筑物以及存留有少数与方位向平行的完好建筑物的损毁区，均 能较准确地评估，表现出了更好的建筑物损毁评估能力。进一步对建筑物损毁评估的结果进行定量评价，对

43、不同损毁程度的建筑物从检 出率、虚警率、总精度3个方面评价，不同方法评估结果的精度见表2。对于重 度损毁建筑区，4种方法的检出率都较高，尤其是木文方法对重度损毁建筑的检 出率为100%,同时虚警率也是4种方法中最低的。中、轻度损毁建筑区的评估 精度相对较低，但本文方法的检出率仍然最高，虚警率也相对较低。从总精度而 言，本文方法对于3种不同程度的建筑物损毁评估的效果最好，总精度达到 74. 39%o木文方法建筑物损毁评估的误差矩阵见表3,中、轻度损毁建筑区之间评估结果 存在一定比例的混淆。由表3可见，本文方法评估结果中仍然存在少部分轻、中 度损毁区被误评估为重度损毁区，如图9 (d)屮红虚线框区

44、域。究其原因，一 般被正确评估的完好建筑区主要为城区较繁华的地带的建筑物，房屋较为现代 化，高低不一，如图10 (a)所示，其方差和对比度纹理特征呈现岀高特征值。 而这些被误评的区域均为类似城边村的区域，房屋大都为老式房屋，低矮平整， 排列紧凑，如图10 (b)所示，其pauli极化特征及其方差和对比度纹理特征与 图10 (c)所示的重度损毁建筑区较为相似，都呈现出低特征值，因此易被误评 估。表2不同方法的建筑物损毁评估结果精度评价table 2 building damage assessment accuracy of different methods下载原表表3本文方法建筑物损毁评估误

45、差矩阵table 3 building damage assessment matrix of the proposed met hod下载原表图1 0完好建筑区与倒塌建筑区的对比fig. 10 comparison between intact buildings and collapsed buildings下载原图3. 2 al0s-1数据实验为了进一步验证方法的适用性，利用2011年3月11日东日本大地震和海啸后的 al0s-1数据进行损毁建筑物评估。实验数据为2011年4月8日获取的日本宫城 县石卷市的al0s-1全极化数据，影像大小为494x245像素，入射角为23. 83

46、6; , 方位向进行8视处理。图11 (a)为该实验区的pauli rgb合成图，图11 (b)为 根据高分光学数据解译的建筑物损毁程度图。图1 1 al0s-1 全极化数据实验 fig. 11 the experiment of alos-lpol sar data下载原图用本文方法对该区域建筑物损毁评估的结果如图11(c)所示。采用第2.1节中 描述的阈值确定方法，确定兀/4偶次散射功率的variance纹理、contrast纹 理、奇次散射功率的contrast纹理特征区分倒塌建筑物和完好建筑物的阈值分 别为10. 00, 16. 50和15.00。选取图11 (b)中标号为110的10

47、个区块进行 评估，其屮1一4为重度损毁，57为屮度损毁，8-10为轻度损毁。对轻度损 毁、中度损毁、重度损毁的识别精度分别为100%、7& 38%、65. 01%,总精度为 80. 26%o4结论本文提出了一种采用震后单时相sar数据、综合利用极化分解后多纹理特征的建 筑物损毁评估方法。该方法利用pauli分解的兀/4偶次散射分量功率来区分非 建筑区和建筑区，更完整剔除河流、道路和裸地等非建筑物区域，有效减少了非 建筑区对建筑物损毁评估的影响。该方法综合利用pauli分解后极化功率的三种 灰度共生矩阵纹理特征：兀/4偶次散射功率的方差、对比度纹理和奇次散射功率 的对比度纹理，提出将极化

48、特征与纹理特征嵌套融合以充分利用多类特征进行 建筑物损毁程度评估。采用玉树radarsat-2数据和r本石卷al0s-1数据的实验 证明了本文方法对震后建筑物损毁评估的有效性，该方法对玉树城区和日本石 卷城区损毁建筑评估的总体精度分别为74. 39%和80. 26%。与其他方法的对比实 验表明，本文方法能降低取向角的影响，对大取向角的完好建筑区以及存留有 少数与方位向平行的完好建筑物的倒塌区的评估更准确。当然，本文方法仍然存 在一些不足：由于与倒塌建筑区纹理的相似性，一些低矮、紧凑的完好建筑物难 以被正确评估;非建筑区剔除时，对城市公园等植被较多的非建筑区剔除效果不 够理想。因此，如何提高对低

49、矮、紧凑完好建筑物的评估效果、如何更准确剔除 非建筑区以及进一步验证该方法对高空间分辨率极化sar数据的适用性，是下 一步的工作重点。参考文献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，吴玮，王薇,刘明，温奇.2016.中国灾害遥感研究进展遥感学报，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 (郭华东，王心源，李新武，刘广，张露，阎世 勇.2010.多模式sar玉树地震协同分析.科学

54、通报，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，张永红，石海燕，黄金波.2012. 统计假设检验方法在全极化sar变化检测中的应用遥感学报，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