基于Bayes决策的机载全极化SAR图像滑坡信息提取

引用本文

王兴玲, 胡德勇, 唐宏, 舒阳. 基于Bayes决策的机载全极化SAR图像滑坡信息提取[J]. 国土资源遥感, 2014,26(2): 121-127
WANG Xingling, HU Deyong, TANG Hong, SHU Yang. Extraction of landslide information from airborne polarimetric SAR images based on Bayes decision theory[J]. REMOTE SENSING FOR LAND & RESOURCES,2014,26(2): 121-127 复制到剪切板

Permissions

《国土资源遥感》编辑部

基于Bayes决策的机载全极化SAR图像滑坡信息提取

王兴玲¹, 胡德勇², 唐宏³, 舒阳³

1. 民政部国家减灾中心,北京 100124

2. 首都师范大学资源环境与旅游学院,北京 100048

3. 北京师范大学减灾与应急管理研究院,北京 100875

胡德勇,Email:deyonghu@cnu.edu.cn。

第一作者简介: 王兴玲(1973-),男,博士,研究员,主要从事遥感减灾应用及卫星运行管理方面的研究。Email:wangxingling@ndrcc.gov.cn。

收稿日期: 2013-04-01

基金: 国家自然科学基金项目“InSAR支持下基于支持向量机的地震滑坡空间预测研究”(编号: 40901227)和国家863计划项目“高效能航空SAR遥感应用系统——减灾救灾应用示范”(编号: 2007AA120306)共同资助

摘要

将雷达遥感技术应用于滑坡灾害调查是地学应用的一个重要方向,特别是在多云多雨地区。由中国科学院电子学研究所研发的高效能机载SAR系统(high-performance airborne synthetic aperture Radar system,HASARS)具备X波段双基线干涉和P波段全极化观测的能力,是国内首家多频段多模式机载SAR系统。从多极化机载SAR数据的特征选择和信息提取等角度,评估了不同极化模式组合对滑坡信息提取精度的影响; 并基于Bayes决策理论,提出了多极化SAR图像分类的特征选择方法。利用不同研究样区的特征选择结果提取了多个滑坡的范围,提取精度均在90%以上。HASARS的高空间分辨率及其获取的高精度DEM和P波段全极化观测,可以近实时、高精度地获取地表滑坡灾害专题信息,在滑坡等减灾救灾领域具有广阔的应用前景。

关键词: Bayes决策; 高效能机载SAR系统(HASARS); 全极化SAR; 滑坡灾害

中图分类号:TP751.1 文献标志码:A 文章编号:1001-070X(2014)02-0121-07 doi: 10.6046/gtzyyg.2014.02.20

Extraction of landslide information from airborne polarimetric SAR images based on Bayes decision theory

WANG Xingling¹, HU Deyong², TANG Hong³, SHU Yang³

1. National Disaster Reduction Center of China, Ministry of Civil Affairs, P R China, Beijing 100124, China

2. College of Resource Environment and Tourism, Capital Normal University, Beijing 100048, China

3. Academy of Disaster Reduction and Emergency Management, Beijing Normal University, Beijing 100875, China

Abstract

The application of the Radar remote sensing data to landslide investigation is of great importance, especially in cloudy and rainy areas. The high-performance airborne synthetic aperture Radar system(HASARS) developed by Institute of Electronics,Chinese Academy of Sciences,is the first home-made system characterized by multi-band and multi-mode,which has the capability of interferometric survey of X band and double antennas as well as polarimetric observation of P band. In this paper, the accuracies of landslide information extraction from polarimetric SAR data using different polarization combinations were investigated to evaluate the technology, methodology and implementation ideas of the landslide applications with the HASARS, and the focuses included two aspects: the methods of information extraction and the ways to select the feature. The results show that, based on Bayes decision theory and using the samples of landslide and non-landslide in the image to analyze and make decision, the method of feature selection could make classification of polarimetric SAR image satisfactorily. Based on the results of feature selection, the authors extracted the landslide regions from SAR images with supervised classification methods, with their accuracies higher than 90%. The airborne SAR system, with high spatial resolution, high precision DEM production and P band polarimetric observations, can obtain the thematic information of landslide surface more flexibly and precisely, and hence it has a broad prospect in the landslide disaster relief applications.

Keyword: Bayes decision; high-performance airborne synthetic aperture Radar system(HASARS); polarimetric SAR; landslide hazard

Show Figures

0 引言

我国是世界上滑坡、泥石流灾害频发的国家之一。据统计, 我国由地质灾害造成的损失约占整个自然灾害损失的35%, 其中, 滑坡、泥石流及人类工程活动诱发的地质灾害约占55%。这类地质灾害的一次性规模虽小于地震、洪涝等灾害, 但发生的频度和易发区域分布范围远远超过后2种灾害。因此, 对滑坡开展调查、监测和评估具有重要的现实意义^[1]。

我国的滑坡、泥石流灾害多分布于降水较多的地区, 而且灾害的发生往往伴随一段时间内的强降水过程, 因而在很大程度上限制了光学遥感技术的应用; 而雷达遥感技术具备全天时、全天候的对地观测能力, 能很好地弥补光学遥感技术的不足^[2]。近年来, 国外大力发展雷达遥感技术, 发射了一系列的雷达遥感卫星和航天飞机, 例如欧洲空间局的ERS-1/2和ENVISAT、日本的JERS-1、俄国的ALMAZ、加拿大的RADARSAT以及美国的SIR-C/XSAR航天飞机等。我国于2012年11月19日发射了搭载有S波段合成孔径雷达的环境与灾害监测预报小卫星星座的HJ-1C卫星。但从目前的应用情况看, 卫星和航天飞机获取雷达数据的时效性、空间分辨率等还不能很好地满足滑坡、泥石流等地质灾害监测和评估等业务需要; 相反, 机载雷达数据具有更高的地面分辨率、更高的机动性和灵活性, 是卫星和航天飞机雷达数据的有效补充。由中国科学院电子学研究所牵头的我国“ 十一五” 国家高技术研究发展计划(863计划)项目“ 高效能航空SAR遥感应用系统” (high-performance airborne synthetic aperture Radar system, HASARS), 完成了合成孔径雷达(synthetic aperture Radar, SAR)传感器及其地面应用系统的研发。HASARS系统集成了X波段和P波段的传感器, 具备X波段双基线干涉和P波段全极化观测的能力, 可以针对滑坡等灾害高效地获取高分辨率、全极化的专题信息。

全极化合成孔径雷达(polarimetric synthetic aperture Radar, POLSAR)是一种先进的遥感器, 以复Stokes矩阵或散射矩阵的形式记录地物在HH, HV, VH和VV等4种极化状态的散射回波, 完整地包含了地物的极化信息, 可提供更多的地物分类特征, 增强了人们对地物的认识能力^{[3, 4]}。从POLSAR图像中获取滑坡信息, 可以弥补单极化SAR图像信息量的不足。如何充分利用这些极化信息, 发挥其优势, 是POLSAR图像应用中的关注焦点。

图像分类是滑坡信息提取的常用方法, 包括监督和非监督分类2种。SAR图像的非监督分类较多的是基于目标散射机理的分类法, 由于散射机理和地物之间并不是一一对应的关系, 此类方法的分类结果不可避免地存在地物类别模糊问题^[4]; 监督分类方法则从SAR图像采集样本数据、建立不同地物类别的判别模式, 然后用该模式来识别图像数据、划分出不同的地物类型, 对于滑坡范围提取具有相对优势。另外, 机载SAR获取的图像数据具有数据量大、斑点噪声干扰强等特点, 它们限制了传统的基于像素的图像分类方法的运用。因而, 针对高分辨率光学遥感图像提出的面向对象的分类方法, 在高分辨率SAR图像的分类中也得到了应用和推广^[5]。

确定图像分类的对象特征(object feature)是滑坡信息提取的关键步骤。一方面, 增强图像特征有利于区分图像的不同类型, 常用的特征提取方法包括基于统计的特征提取^[6]、基于物理散射机理的图像特征提取和基于灰度共生矩阵的纹理特征提取等^{[8, 9]}; 另一方面, 从图像多种特征中选择与分类目标密切相关的特征参与分类, 是提升图像分类精度的重要手段。常用的特征选择方法有主成分分析法、模拟退火算法、Tabu搜索算法、支持向量机法(support vector machine, SVM)^[10]和遗传算法^{[11, 12]}等。统计决策理论是处理模式识别问题的基本理论之一, 它在对大量数据进行统计分析决策方面有着很强的实效性^[13]。贝叶斯(Bayes)决策理论方法是统计模式识别中的一个基本方法, 它在对数据进行概率分析的基础上生成决策规则, 再应用生成的决策规则对新数据进行分析和决策, 因而可以将其应用于待分类图像的特征选择过程中^{[14, 15, 16]}。

HASARS的P波段全极化SAR图像具备高空间分辨率特征, 如何利用其极化信息和空间信息提高图像分类精度, 有效地提取滑坡信息, 在特征提取和选择及使用分类器进行分类等方面进行算法改进是关键。本文针对滑坡灾害调查的应用需求, 以灾

害范围提取为主线, 从特征选择入手, 基于Bayes决策理论确定与地物相关性最强的特征, 以增强区分地物的能力; 另一方面, 从分类方法入手, 引入以空间相关关系为基础的面向对象处理方法用于滑坡信息的提取, 并通过不同数据模式对信息提取精度影响的评估, 探究HASARS系统滑坡灾害调查的技术方法和实施思路。

1 原理与方法

1.1 基于Bayes决策的特征选择

多极化数据选择有利于减少数据冗余、有效地提取图像分类特征和提高数据利用效率。在多极化SAR图像分类过程中, 基于Bayes决策理论将数据关联和推理框架等转化成模式选择的问题, 利用训练数据求算各种模式的后验概率, 将后验概率较大的模式作为结果推理的准则函数。

以2类数据为例, 数据D与地物l的关联如图1所示。

	Figure Option View Download New Window
	图1 不同数据与地物关联示意图Fig.1 Diagram of relation between different data and land types

在图1中, 数据D={x₁, x₂}; l为地物类别; M₁和M₂为数据是否选择的标记, 当x_i与地物状态相关时M_i=1, 否则M_i=0。可以看出, 按照M_i的状态, 数据x₁和x₂与地物类别的关系存在4种组合模式。

假定目标地物类别l服从均值为0、方差为p_l的高斯分布, 记为l~N(l|0, p_l); 同理, 数据D={x₁, x₂}分别记为x_i~N(x_i|l, p_i)(数据x_i与l相关时)、x_i~N(x_i|0, p_b)(数据x_i与l不相关时); 则联合概率p(D, l, M)可以表示为^[17]

p(D, l, M)=N(x₁|l, p₁ $\begin{matrix} )^{M_{1}} \end{matrix}$ · N(x₁|0, p_b $\begin{matrix} )^{1 - M_{1}} \end{matrix}$ · N(x₂|l, p₂ $\begin{matrix} )^{M_{2}} \end{matrix}$ · N(x₂|0, p_b $\begin{matrix} )^{1 - M_{2}} \end{matrix}$ · N(l|0, p_l)· p(M₁)· p(M₂) , (1)

式中: p(D, l, M)为联合概率; p(M_i)为M_i的先验概率; N(l|0, p_l)为目标地物类别的概率; N(x_i|l, p_i $\begin{matrix} )^{M_{i}} \end{matrix}$ 为数据x_i与l相关时的概率; N(x_i|0, p_b $\begin{matrix} )^{1 - M_{i}} \end{matrix}$ 为数据x_i与l不相关时的概率; p₁, p₂分别为数据x₁, x₂的方差; p_l为目标地物类别的方差; p_b为非目标地物类别的方差。

定义m_i≡ (M_i=1), $\begin{matrix} \bar{m_{i}} \end{matrix}$ ≡ (M_i=0) , 根据贝叶斯奥卡姆剃刀原理(Bayesian Occam’ s Razor), 后验概率p(M|D)可表示为^[17]

p( $\begin{matrix} \bar{m_{1}} \end{matrix}$ , $\begin{matrix} \bar{m_{2}} \end{matrix}$ |D)∝ N(x₁|0, p_b)N(x₂|0, p_b) , (2)

p(m₁, $\begin{matrix} \bar{m_{2}} \end{matrix}$ |D)∝ N( $\begin{matrix} \frac{p_{1} x_{1}}{p_{l} + p_{1}} \end{matrix}$ , p₁+p_l)N(x₂|0, p_b) , (3)

p( $\begin{matrix} \bar{m_{1}} \end{matrix}$ , m₂|D)∝ N(x₁|0, p_b)N( $\begin{matrix} \frac{p_{2} x_{2}}{p_{l} + p_{2}} \end{matrix}$ , p₂+p_l) , (4)

p(m₁, m₂|D)∝ N( $\begin{matrix} \frac{p_{1} x_{1} + p_{2} x_{2}}{p_{l} + p_{1} + p_{2}} \end{matrix}$ , p₁+p₂+p_l) 。 (5)

式(2)— (5)中: p(m₁, m₂|D)为m₁和m₂两者都选择的后验概率; p(m₁, $\begin{matrix} \bar{m_{2}} \end{matrix}$ |D) 和p( $\begin{matrix} \bar{m_{1}} \end{matrix}$ , m₂|D)分别为m₁和m₂中选择1个的后验概率; p( $\begin{matrix} \bar{m_{1}} \end{matrix}$ , $\begin{matrix} \bar{m_{2}} \end{matrix}$ |D)为m₁和m₂两者都不选择的后验概率。

比较式(2)— (5)中后验概率p(M|D)的大小, 选择值最大的对应的组合模式, 即为2类数据x₁和x₂可用于分类的最佳组合方式。

本文利用HH, HV, VH和VV全极化SAR数据提取滑坡信息, 因而数据D={x₁, x₂, x₃, x₄}, 其中x₁, x₂, x₃和x₄分别对应于HH, HV, VH和VV极化数据。依据4类极化数据的组合方案, 共有16种数据选择模式, 即: $\begin{matrix} \bar{HH} \end{matrix} \begin{matrix} \bar{HV} \end{matrix} \begin{matrix} \bar{VH} \end{matrix} \begin{matrix} \bar{VV} \end{matrix}$ , $HH \begin{matrix} \bar{HV} \end{matrix} \begin{matrix} \bar{VH} \end{matrix} \begin{matrix} \bar{VV} \end{matrix}$ , $\begin{matrix} \bar{HH} \end{matrix} HV \begin{matrix} \bar{VH} \end{matrix} \begin{matrix} \bar{VV} \end{matrix}$ , $\begin{matrix} \bar{HH} \end{matrix} \begin{matrix} \bar{HV} \end{matrix} VH \begin{matrix} \bar{VV} \end{matrix}$ , $\begin{matrix} \bar{HH} \end{matrix} \begin{matrix} \bar{HV} \end{matrix} \begin{matrix} \bar{VH} \end{matrix} VV$ , $HHHV \begin{matrix} \bar{VH} \end{matrix} \begin{matrix} \bar{VV} \end{matrix}$ , $HH \begin{matrix} \bar{HV} \end{matrix} VH \begin{matrix} \bar{VV} \end{matrix}$ , $HH \begin{matrix} \bar{HV} \end{matrix} \begin{matrix} \bar{VH} \end{matrix} VV$ , $\begin{matrix} \bar{HH} \end{matrix} HVVH \begin{matrix} \bar{VV} \end{matrix}$ , $\begin{matrix} \bar{HH} \end{matrix} HV \begin{matrix} \bar{VH} \end{matrix} VV$ , $\begin{matrix} \bar{HH} \end{matrix} \begin{matrix} \bar{HV} \end{matrix} VHVV$ , $HHHVVH \begin{matrix} \bar{VV} \end{matrix}$ , $HH \begin{matrix} \bar{HV} \end{matrix} VHVV$ , $HHHV \begin{matrix} \bar{VH} \end{matrix} VV$ , $\begin{matrix} \bar{HH} \end{matrix} HVVHVV$ 和HHHVVHVV。

为便于比较, 定义似然值L_j为

(6)

式中: L_j为第j种模式(1≤ j≤ 16)的似然值; n为训练样本个数; D_i为第i个训练样本的数值; M为组合模式。

1.2 基于对象的滑坡信息提取

在高空间分辨率遥感图像(包含SAR图像)的滑坡信息提取方法中, 以空间相关关系为基础的面向对象分类方法是目前应用效果较好的一类方法。图2为该方法的技术流程。

	Figure Option View Download New Window
	图2 基于对象的滑坡信息提取技术流程Fig.2 Flow chart of landslide information extraction with object-oriented method

首先, 由用户通过定义样本或给定初始规则来指定要提取的特征, 通过构建合适的邻域模式特征, 完成高分辨率遥感图像分割; 然后, 计算机对样本对象开展机器学习、完成自动识别分类, 在获得初始提取结果之后, 用户可通过修改或精化提取规则来迭代学习过程, 以改善分类结果; 最后, 人工编辑滑坡信息提取的结果, 去除错误提取的部分。为完成基于对象的滑坡信息提取, 选择ERDAS IMAGINE 软件系统的Feature Analyst模块作为数据处理的支撑工具。

2 研究区与数据源

滑坡信息提取的研究样区选择在四川省“ 2008年汶川大地震” 的重灾区。该地区是国内外重点关注的区域, 因为该地区本来就是我国主要的滑坡和泥石流多发区、易发区, 而且汶川大地震对其地表环境产生了巨大影响, 震后次生地质灾害一直十分活跃。

2011年7月25日, 利用HASARS完成了覆盖北川县、江油市和安县部分区域的航空飞行测量, 获取到P波段全极化数据, 图3(左)示出叠加在DEM数据上的飞行条带范围。利用双天线X波段InSAR数据生成的高精度DEM产品和地面控制点的测量数据, 对全极化P波段SAR数据进行几何纠正处理, 得到空间分辨率为2 m的全极化SAR图像。

考虑到地表滑坡的形态特征和实验数据覆盖情况, 本文在北川县境内挑选了7个滑坡样区(图3(右))作为全极化数据滑坡提取实验的测试数据; 其他辅助数据包括2011年5月航空飞行测量获取的高分辨率机载光学图像(研究样区快视图像, 参见图3(右))和基础地理数据等。

	Figure Option View Download New Window
	图3 飞行条带范围(左)及滑坡样区位置(右)示意图Fig.3 Sketch map of aircraft flight strips (left) and landslide locations (right)

3 数据处理与结果分析

3.1 极化数据选择

从HH, HV, VH和VV全极化SAR图像的多种特征中选择与滑坡目标密切相关的特征参与分类, 是提升滑坡信息提取精度的技术手段之一。首先在图像中采集滑坡样本和非滑坡样本; 然后根据式(1)计算联合概率p(D, M); 再利用最大似然方法, 使用滑坡样本x_i估计l和p_i, 使用非滑坡样本x_i估计p_b; 最后根据式(6)计算样区1— 7在不同模式下的似然值L_j(表1, 似然值采用科学计数法表示)。

表1 不同组合模式下的似然值 Tab.1 Likelihood values of different combination modes

组合模式	条件似然值
组合模式	样区1	样区2	样区3	样区4	样区5	样区6	样区7
$\begin{matrix} \bar{HH} \end{matrix} \begin{matrix} \bar{HV} \end{matrix} \begin{matrix} \bar{VH} \end{matrix} \begin{matrix} \bar{VV} \end{matrix}$	-5.47e+06	-2.37e+06	-1.10e+07	-9.57e+05	-6.22e+04	-1.30e+05	-9.91e+03
HH $\begin{matrix} \bar{HV} \end{matrix} \begin{matrix} \bar{VH} \end{matrix} \begin{matrix} \bar{VV} \end{matrix}$	-3.96e+06	-1.87e+06	-5.76e+06	-6.11e+05	-3.93e+04	-1.06e+05	-9.89e+03
$\begin{matrix} \bar{HH} \end{matrix}$ HV $\begin{matrix} \bar{VH} \end{matrix} \begin{matrix} \bar{VV} \end{matrix}$	-4.17e+06	-1.70e+06	-1.00e+07	-7.51e+05	-6.19e+04	-1.29e+05	-9.76e+03
$\begin{matrix} \bar{HH} \end{matrix} \begin{matrix} \bar{HV} \end{matrix}$ VH $\begin{matrix} \bar{VV} \end{matrix}$	-4.23e+06	-1.75e+06	-1.02e+07	-7.53e+05	-6.21e+04	-1.30e+05	-9.73e+03
$\begin{matrix} \bar{HH} \end{matrix} \begin{matrix} \bar{HV} \end{matrix} \begin{matrix} \bar{VH} \end{matrix}$ VV	-4.18e+06	-1.89e+06	-7.33e+06	-7.99e+05	-4.49e+04	-5.48e+04	-9.79e+03
HHHV $\begin{matrix} \bar{VH} \end{matrix} \begin{matrix} \bar{VV} \end{matrix}$	-2.65e+06	-1.19e+06	-4.73e+06	-4.05e+05	-3.90e+04	-1.04e+05	-9.74e+03
HH $\begin{matrix} \bar{HV} \end{matrix}$ VH $\begin{matrix} \bar{VV} \end{matrix}$	-2.71e+06	-1.24e+06	-4.94e+06	-4.07e+05	-3.92e+04	-1.05e+05	-9.71e+03
HH $\begin{matrix} \bar{HV} \end{matrix} \begin{matrix} \bar{VH} \end{matrix}$ VV	-2.66e+06	-1.38e+06	-2.05e+06	-4.53e+05	-2.20e+04	-2.99e+04	-9.77e+03
$\begin{matrix} \bar{HH} \end{matrix}$ HVVH $\begin{matrix} \bar{VV} \end{matrix}$	-2.91e+06	-1.08e+06	-9.19e+06	-5.46e+05	-6.18e+04	-1.29e+05	-9.56e+03
$\begin{matrix} \bar{HH} \end{matrix}$ HV $\begin{matrix} \bar{VH} \end{matrix}$ VV	-2.87e+06	-1.21e+06	-6.31e+06	-5.92e+05	-4.46e+04	-5.36e+04	-9.64e+03
$\begin{matrix} \bar{HH} \end{matrix} \begin{matrix} \bar{HV} \end{matrix}$ VHVV	-2.93e+06	-1.26e+06	-6.51e+06	-5.94e+05	-4.48e+04	-5.39e+04	-9.60e+03
HHHVVH $\begin{matrix} \bar{VV} \end{matrix}$	-1.39e+06	-5.69e+05	-3.91e+06	-2.01e+05	-3.89e+04	-1.03e+05	-9.55e+03
HH $\begin{matrix} \bar{HV} \end{matrix}$ VHVV	-1.41e+06	-7.51e+05	-1.23e+06	-2.49e+05	-2.19e+04	-2.87e+04	-9.58e+03
HHHV $\begin{matrix} \bar{VH} \end{matrix}$ VV	-1.35e+06	-7.01e+05	-1.02e+06	-4.30e+04	-2.16e+04	-2.76e+04	-9.61e+03
$\begin{matrix} \bar{HH} \end{matrix} HVVHVV$	-1.01e+05	-7.63e+04	-5.48e+06	-3.88e+05	-4.45e+04	-5.27e+04	-9.43e+03
HHHVVHVV	-1.62e+06	-5.86e+05	-1.98e+05	-2.47e+05	-2.17e+04	-2.85e+04	-9.45e+03

表1 不同组合模式下的似然值 Tab.1 Likelihood values of different combination modes

从表1可以看出, 样区1, 2, 7采用HV, VH和VV极化组合时, 条件似然值最大; 样区4, 5, 6采用HH, HV和VV极化组合时, 条件似然值最大; 样区3采用HH, HV, VH和VV极化组合时, 条件似然值最大。根据Bayes决策方法, 可以认为这些模式更有利于提高滑坡信息提取的精度, 因而对所选择的7个样区分别以这些决策的极化图像为数据源, 利用面向对象的方法提取滑坡信息。

3.2 滑坡信息提取

以样区1为例, 在HV, VH和VV极化组合SAR图像中, 首先采用人工交互方式选择滑坡样本(正样本)和非滑坡样本(负样本)(图4(左)); 然后采用面向对象的图像分类方法进行滑坡范围提取(数据处理工具为ERDAS IMAGINE系统中的Feature Analyst模块, 主要处理流程如图2所示); 最后得到滑坡范围提取结果(图4(右))。

	Figure Option View Download New Window
	图4 样区1滑坡样本选择(左)与滑坡提取结果(右)Fig.4 Sample selection of landslide (left) and extraction result of landslide (right) in No.1 sample area

其他6个研究样区的滑坡范围分别按照上述方法和技术流程进行提取, 得到7个样区滑坡范围提取的最后结果。

3.3 提取精度评价

为了评估滑坡提取的精度, 以样区1— 7的机载高分辨率光学图像为参考图像, 通过目视解译得到各滑坡的真实范围, 用于滑坡提取结果的精度评价。假定从参考图像上获取的真实滑坡范围为O(图5(a)), 利用本文方法提取出的滑坡范围为O'(图5(b)), 则正确提取出来的滑坡范围为O'∩ O(图5(c))。

	Figure Option View Download New Window
	图5 滑坡提取结果精度评价指标的定义Fig.5 Definition of evaluation index for landslide extraction accuracy

采用制图精度(η ₁)、用户精度(η ₂)、漏提率(η ₃)和错提率(η ₄)等4种指标作为滑坡提取精度定量评估的指标。

1)制图精度。表示被正确提取的滑坡范围O'∩ O占真实滑坡范围O的比重, 即

η ₁= $\begin{matrix} \frac{O' ⋂ O}{O} \end{matrix}$ × 100% 。 (7)

2)用户精度。表示被正确提取的滑坡范围O'∩ O占提取结果O'的比重, 即

η ₂= $\begin{matrix} \frac{O' ⋂ O}{O'} \end{matrix}$ × 100% 。 (8)

3)漏提率。是没有提取出来的滑坡占真实滑坡比例, 即

η ₃=1-η ₁ 。 (9)

4)错提率。是被错提为滑坡占真实滑坡的比例, 即

η ₄=1-η ₂ 。 (10)

为保证滑坡信息提取结果的有效性和稳定性, 在进行滑坡提取结果验证中, 对每个滑坡选择多组样本进行训练, 对每次训练结果分别进行评价; 然后取其精度评估指标的平均值, 最终得到7个研究样区滑坡范围提取的精度评估指标(表2)。

表2 7个样区滑坡范围提取精度 Tab.2 Accuracy of landslide extraction in seven sample areas(%)

从表2可以看出, 样区1— 7的制图精度、用户精度均达到90%以上, 可以满足滑坡灾害信息提取和专题制图的应用需求。

4 结论与建议

4.1 结论

针对多极化SAR图像的滑坡信息提取要求, 利用Bayes决策推理方法, 求算滑坡类别的条件概率似然度; 选择最大似然值所对应的极化组合方案, 得到滑坡地表类型的SAR图像的极化最佳方案; 利用面向对象的图像分类方法提取出滑坡信息。得出如下结论:

1)利用机载SAR数据P波段全极化数据进行滑坡提取, 可以采用HH, HV和VV极化组合, 或者HV, VH和VV极化组合; 基于Bayes决策的模式分析结果显示, 上述极化模式的条件似然值最大, 适用于滑坡地表类型的信息提取。

2)在图像分类数据选择的基础上, 利用以空间相关关系为基础的面向对象图像分类方法, 从高分辨率机载SAR数据中提取出多个样区的滑坡范围。提取精度评估结果显示, 滑坡范围提取的用户精度最高可达92.00%, 制图精度最高可达92.15%, 精度均在90%以上。

4.2 建议

1)搭载了X和P波段雷达天线的我国自行研发的高效能机载SAR系统(HASARS), 可以更机动、高精度地获取地表的DEM和滑坡等灾害专题信息, 因而在滑坡减灾救灾领域中应不断扩大其应用前景。

2)灾害发生区域内的房屋、农作物、交通线等是减灾救灾工作关注的重点内容, 而多频段多模式HASARS的高空间分辨率、双基线干涉、高精度DEM获取和P波段的全极化观测等特点, 可以为上述专题信息的提取提供技术和数据支撑, 这应成为HASARS推广应用的重点。

3)对多频段多模式HASARS高效和可供业务化应用的信息提取技术流程, 应是后续研究的主要方向。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	胡德勇, 李京, 陈云浩, 等. GIS支持下滑坡灾害空间预测方法研究[J]. 遥感学报, 2007, 11(6): 852-859. Hu D Y, Li J, Chen Y H, et al. GIS-based land slide spatial prediction methods: A case study in Comeron highland , Malaysia[J]. Journal of Remote Sensing, 2007, 11(6): 852-859. [本文引用:1] [CJCR: 0.992]
[2]	廖明生, 唐婧, 王腾, 等. 高分辨率SAR数据在三峡库区滑坡监测中的应用[J]. 中国科学: 地球科学, 2012, 42(2): 217-229. Liao M S, Tang J, Wang T, et al. Land slide monitoring with high resolution SAR data in the three Gorges region[J]. Scientia Sinica Terrae, 2012, 42(2): 217-229. [本文引用:1]
[3]	刘菊, 廖静娟, 沈国状. 基于全极化SAR数据反演鄱阳湖湿地植被生物量[J]. 国土资源遥感, 2012, 24(3): 38-43. Liu J, Liao J J, Shen G Z. Retrieval of wetland vegetation biomass in Poyang lake based on quad- polarization image[J]. Remote Sensing for Land and Resources, 2012, 24(3): 38-43. [本文引用:1]
[4]	王庆, 曾琪明, 廖静娟. 基于极化分解的极化特征参数提取与应用[J]. 国土资源遥感, 2012, 24(3): 103-110. Wang Q, Zeng Q M, Liao J J. Extraction and application of polarimetric characteristic parameters based on polarimetric decomposition[J]. Remote Sensing for Land and Resources, 2012, 24(3): 103-110. [本文引用:2]
[5]	吴永辉, 计科峰, 郁文贤. 基于H-α和改进C-均值的全极化SAR图像非监督分类[J]. 电子与信息学报, 2007, 29(1): 30-34. Wu Y H, Ji K F, Yu W X. Unsupervised classification of fully polarimetric SAR image using H-α decomposition and modified C-mean algorithm[J]. Journal of Electronics and Information Technology, 2007, 29(1): 30-34. [本文引用:1] [CJCR: 0.8805]
[6]	Qi Z X, Yeh A G O, Li X, et al. A novel algorithm for land use and land cover classification using Radarsat-2 polarimetric SAR data[J]. Remote Sensing of Environment, 2012, 118: 21-39. [本文引用:1] [JCR: 5.103]
[7]	Wen X B, Zhang H, Zhang J G, et al. Multiscale modeling for classification of SAR imagery using hybrid EM algorithm and genetic algorithm[J]. Progress in Natural Science, 2009, 19(8): 1033-1036. [本文引用:1] [CJCR: 0.854]
[8]	Balaguer A, Ruiz L A, Hermosilla T, et al. Definition of a comprehensive set of texture semivariogram features and their evaluation for object-oriented image classification[J]. Computers and Geosciences, 2010, 36(2): 231-240. [本文引用:1] [JCR: 1.834]
[9]	胡德勇, 李京, 陈云浩, 等. 单波段单极化SAR图像水体和居民地信息提取方法研究[J]. 中国图象图形学报, 2008, 13(2): 257-263. Hu D Y, Li J, Chen Y H, et al. Water and settlement area extraction from single-band , single-polarization SAR images based on SVM method[J]. Journal of Image and Graphics, 2008, 13(2): 257-263. [本文引用:1] [CJCR: 0.758]
[10]	吴永辉, 计科峰, 郁文贤. SVM全极化SAR图像分类中的特征选择[J]. 信号处理, 2007, 23(6): 877-881. Wu Y H, Ji K F, Yu W X. A new feature selection algorithm for SVM-based fully polarimetric SAR image classification[J]. Signal Processing, 2007, 23(6): 877-881. [本文引用:1] [JCR: 1.851]
[11]	Bhanu B, Lin Y Q. Genetic algorithm based feature selection for target detection in SAR images[J]. Image and Vision Computing, 2003, 21(7): 591-608. [本文引用:1] [JCR: 1.959]
[12]	Li S, Wu H, Wan D S, et al. An effective feature selection method for hyperspectral image classification based on genetic algorithm and support vector machine[J]. Knowledge-Based Systems, 2011, 24(1): 40-48. [本文引用:1] [JCR: 4.104]
[13]	刘蓉, 靳红梅, 段福庆. 基于Bayes决策的光谱分类[J]. 光谱学与光谱分析, 2010, 30(3): 838-841. Liu R, Jin H M, Duan F Q. Spectral classification based on Bayes decision[J]. Spectroscopy and Spectral Analysis, 2010, 30(3): 838-841. [本文引用:1] [JCR: 0.293] [CJCR: 1.36]
[14]	刘国庆, 熊红, 黄顺吉, 等. 多视极化合成孔径雷达图象的分类和极化通道优化[J]. 电子科学学刊, 1998, 20(1): 56-61. Liu G Q, Xiong H, Huang S J, et al. Classification of multi-look polarimetric SAR imagery and polarization channel optimization[J]. Journal of Electronics and Information Technology, 1998, 20(1): 56-61. [本文引用:1] [CJCR: 0.8805]
[15]	岳晋, 杨汝良, 宦若虹. 贝叶斯理论在多波段SAR图像融合分类中的应用[J]. 中国科学院研究生院学报, 2008, 25(2): 257-263. Yue J, Yang R L, Huan R H. Application of Bayesian theory in multiband SAR image fusion for classification[J]. Journal of the Graduate School of the Chinese Academy of Sciences, 2008, 25(2): 257-263. [本文引用:1] [CJCR: 0.4174]
[16]	杨文, 颜卫, 涂尚坦, 等. 基于贝叶斯信息准则的极化干涉SAR图像非监督分类[J]. 电子与信息学报, 2012, 34(11): 2628-2634. Yang W, Yan W, Tu S T, et al. An unsupervised classification method of polinSAR image based on Bayesian information criterion[J]. Journal of Electronics and Information Technology, 2012, 34(11): 2628-2634. [本文引用:1] [CJCR: 0.8805]
[17]	Hospedales T M, Vijayakumar S. Structure inference for Bayesian multisensor scene understand ing[J]. IEEE Transactions on pattern analysis and machine intelligence, 2008, 30(12): 2140-2157. [本文引用:2] [JCR: 4.795]

2007

0.0

0.992

胡德勇, 李京, 陈云浩, 等. GIS支持下滑坡灾害空间预测方法研究[J]. 遥感学报, 2007, 11(6): 852-859.

Hu D

, Li

, Chen Y

, et al. GIS-based land slide spatial prediction methods: A case study in Comeron highland , Malaysia[J]. Journal of Remote Sensing, 2007, 11(6): 852-859.

Landslide prediction is very important in disaster prevention and reduction procedures,including spatial and temporal landslide prediction,and it is one of practical research fields to evaluate and predict landslide hazards using statistic analysis model,but the prediction result depends mostly on sample numbers and spatial distribution.The aim of this study is to analyze and compare the landslide prediction using different models in Cameron highland,Malaysia,and nine evaluation factors are selected,i.e.elevation,topographic slope,topographic aspect,topographic curvature,distance from lineament,land use and land cover,geomorphic characteristics,distance from road and drainage.Support vector machine(SVM) and logistic regression model are applied to landslide spatial prediction and mapping,and the results show that average prediction accuracy using logistic regression model is about 86.2%,but 95.9% using SVM model,at the same time,the prediction result based on SVM model is more changeless,less influenced by sample numbers.So the SVM model is commended for actual applications,and it is more efficient and accurate for landslide hazard evaluation and spatial prediction.

滑坡预测在防灾减灾工作中具有重要意义,它包括空间、时间预测两个方面。基于统计模型进行区域评价与空间预测是滑坡灾害研究的重要方向,但是预测结果往往依赖样本数量和空间分布等。本文以马来西亚金马伦高原为研究区,选择高程、坡度、坡向、地表曲率、构造、土地覆盖、地貌类型、道路和排水系统作为评价因子,探讨运用地理信息系统(GIS)和遥感(RS)获取与管理滑坡灾害信息,以及热带雨林地区湿热环境下滑坡空间预测的方法。支持向量机(SVM)和逻辑(Logistic)回归模型分别应用于滑坡空间预测,结果显示平均预测精度分别为95.9%和86.2%,SVM法具有较高的描述精度,值得推荐;同时,基于SVM模型的滑坡空间预测受样本影响较小,预测结果相对比较稳定,这对于滑坡灾害区域评价与预测的快速实现具有实际意义。

... 因此,对滑坡开展调查、监测和评估具有重要的现实意义^[1] ...

2012

0.0

... 而雷达遥感技术具备全天时、全天候的对地观测能力,能很好地弥补光学遥感技术的不足^[2] ...

2012

0.0

刘菊, 廖静娟, 沈国状. 基于全极化SAR数据反演鄱阳湖湿地植被生物量[J]. 国土资源遥感, 2012, 24(3): 38-43.

Liu

, Liao J

, Shen G

Retrieval of wetland vegetation biomass in Poyang lake based on quad- polarization image[J]. Remote Sensing for Land and Resources, 2012, 24(3): 38-43.

The Poyang Lake is the largest freshwater lake in China as well as an internationally important wetland. Long-term quantitative study of vegetation biomass in this area helps deepen our understanding of regional and global carbon balance. The authors investigated the approach and method of Radarsat-2C-Band quad-polarization imagery for biomass retrieval in wetland vegetation. The vegetation canopy scattering model was modified and used to simulate the backscattering characteristics. Polarization decomposition was adopted to prepare the testing data with the model output for BP neural network. After obtaining the retrieval values of vegetation biomass, the values were compared with the filed-measured values. The results show that the introduction of the output data of vegetation canopy scattering model and polarimetric decomposition technique to the BP neural network algorithm could reduce the retrieval error effectively, and that the Quad-polarization imagery has broad application prospect in the field of biomass retrieval.

1. Center for Earth Observation and Digital Earth Chinese Academy of Sciences, Beijing 100094, China; 2. Graduate University of Chinese Academy of Sciences, Beijing 100049, China

鄱阳湖是中国最大的淡水湖,也是国际重要湿地,对其生物量进行长期、定量研究有助于加深对区域乃至全球碳平衡的认识和理解。探讨了利用全极化Radarsat-2 C波段数据反演鄱阳湖湿地生物量的方法,改进了基于辐射传输理论的植被冠层散射模型,模拟了C波段湿地植被的后向散射特性; 应用极化分解技术,增加了神经网络训练数据,并用后向反馈神经网络(BP)算法,反演了鄱阳湖湿地植被生物量。与野外实测生物量比较的结果表明: 将改进的植被冠层散射模型和全极化分解得到的后向散射系数引入BP神经网络算法,能够有效降低生物量反演误差; 全极化SAR数据在生物量反演中具有广阔的应用前景。

... 全极化合成孔径雷达(polarimetric synthetic aperture Radar,POLSAR)是一种先进的遥感器,以复Stokes矩阵或散射矩阵的形式记录地物在HH,HV,VH和VV等4种极化状态的散射回波,完整地包含了地物的极化信息,可提供更多的地物分类特征,增强了人们对地物的认识能力^[3,4] ...

2012

0.0

王庆, 曾琪明, 廖静娟. 基于极化分解的极化特征参数提取与应用[J]. 国土资源遥感, 2012, 24(3): 103-110.

Wang

, Zeng Q

, Liao J

Extraction and application of polarimetric characteristic parameters based on polarimetric decomposition[J]. Remote Sensing for Land and Resources, 2012, 24(3): 103-110.

Based on the polarization decomposition, the authors obtained a set of characteristic parameters to characterize the surface features, and formed some indices by combing these characteristic parameters to extract vegetation growing information such as radar vegetation indexes. These characteristic parameters have the function of reflecting the backscattering information and indirectly obtaining such information as vegetation growing, density and distribution areas. A scene of Radarsat-2 full polarimetric SAR data covering Poyang Lake region was chosen for this experiment and the sample data which included the biomass and vegetation density information were collected in the field at the same time. On the basis of an analysis of vegetation characteristics in this test region, the characteristic parameters were compared with each other and analyzed for their physical meaning. The radar vegetation index and field measurements of biomass sample parameters were statistically correlated. The experimental results show that the four characteristic parameters described in this paper give the same overall trend on the random scattering of vegetation, but different indexes have different indications with the increasing vegetation density, of which the most accurate index is the radar vegetation index, which has the maximum dynamic range. The radar vegetation index has a high linear correlation with the biomass of wetland vegetation, so that it can be used to quantitatively infer the vegetation covering density and the biomass information.

1. Institute of Remote Sensing and GIS, Peking University, Beijing 100871, China; 2. Center for Earth Observation and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China

基于极化分解原理,获取了描述地物散射机制的特征参数,并组合成一些特征指数,如雷达植被指数等。这些特征指数具有反映体散射信息的能力,从而可间接获取植被长势、疏密程度及分布区域等信息。实验选择了鄱阳湖区Radarsat-2全极化数据,结合野外采集的样本数据,在分析该区植被特征的基础上,对不同特征参数进行了对比分析,对雷达植被指数与实地测量样本的生物量参数进行了相关分析。实验结果表明: 文中给出的4种特征参数对植被引起的随机散射的描述总体趋势是一致的,但随着植被覆盖密度的增大,不同特征指数具有一定的差异,其中雷达植被指数最为准确,适用动态范围最大,并且与湿地植被生物量具有较高的线性相关性,可以定量地反映研究区的植被疏密及生物量差异信息。

... SAR图像的非监督分类较多的是基于目标散射机理的分类法,由于散射机理和地物之间并不是一一对应的关系,此类方法的分类结果不可避免地存在地物类别模糊问题^[4] ...

2007

0.0

0.8805

吴永辉, 计科峰, 郁文贤. 基于H-α和改进C-均值的全极化SAR图像非监督分类[J]. 电子与信息学报, 2007, 29(1): 30-34.

Wu Y

, Ji K

, Yu W

Unsupervised classification of fully polarimetric SAR image using H-α decomposition and modified C-mean algorithm[J]. Journal of Electronics and Information Technology, 2007, 29(1): 30-34.

A new method for unsupervised classification of terrain types using fully POLarimetric Synthetic Aperture Radar (POLSAR) data is proposed in this paper. The method is a combination of the unsupervised classification based on Cloude’s H-α decomposition and the modified C-mean algorithm. The fully polarimetric SAR image is initially classified using Cloude’s method. The classification map is used as input of the modified C-mean algorithm, and then iteration is performed. It is important to determine the number of iteration in the modified C-mean algorithm, and a new termination criterion is presented using image entropy to do so. Compared with H-α decomposition, not only scattering mechanisms of all classes can be preserved, but also terrain classification is effectively performed using this method. The effectiveness of this method is demonstrated using an L-band fully polarimetric SAR image of San Francisco, acquired by the NASA/JPL AIRSAR sensor.

School of Electronics Science and Engineering, National University of Defense Technology, Changsha 410073, China

该文提出一种基于H-α和改进C-均值的全极化SAR图像非监督分类方法。该方法先按H-α对全极化SAR图像进行基于散射机理的分类，再将分类结果作为改进C-均值算法的初始类别划分，从而实现地物分类。迭代次数确定是C-均值动态聚类算法的关键，文中利用图像熵给出了一种新的迭代终止准则。与H-α方法相比，该文方法能在保留分类结果物理散射机理的同时，实现有效的地物分类。NASA/JPL实验室AIRSAR系统获取的L波段旧金山全极化SAR数据的实验结果验证了该文方法的有效性。

... 因而,针对高分辨率光学遥感图像提出的面向对象的分类方法,在高分辨率SAR图像的分类中也得到了应用和推广^[5] ...

2012

5.103

0.0

... 一方面,增强图像特征有利于区分图像的不同类型,常用的特征提取方法包括基于统计的特征提取^[6]、基于物理散射机理的图像特征提取和基于灰度共生矩阵的纹理特征提取等^[8,9] ...

2009

0.0

0.854

2010

1.834

0.0

2008

0.0

0.758

胡德勇, 李京, 陈云浩, 等. 单波段单极化SAR图像水体和居民地信息提取方法研究[J]. 中国图象图形学报, 2008, 13(2): 257-263.

Hu D

, Li

, Chen Y

, et al. Water and settlement area extraction from single-band , single-polarization SAR images based on SVM method[J]. Journal of Image and Graphics, 2008, 13(2): 257-263.

It is very important to extract water and settlement areas from SAR images in practical applications. In this paper the single band and single-polarization Radarsat-1 SAR image is used to water and settlement area extraction. Firstly, the statistic structure information of sample image is analyzed using semi-variogram to determine the optimum parameters for textural information extraction. In order to establish the multi-dimension feature space for image classification, the textural measures such as mean, angle second moment and entropy have been calculated based on grey level co-occurrence matrix method. Then the water and settlement area information can be enhanced effectively using false color composite method. Three types of sample such as water, settlement and other are collected as training samples, and the image data are processed using support vector machine classification method. Finally, the image fusion on the target level between classification result image and NDVI image is conducted in order to eliminate the mountain influence, and the water and settlement areas are extracted accurately with a total classification accuracy of 82��57%, and Kappa coefficient of 0.58.

SAR图像上水体和居民地信息的提取在实际应用中具有重要的意义。为了更好地提取SAR图像上水体和居民地，以单波段单极化Radarsat-1 SAR图像为研究对象，首先利用半变异函数分析样本图像的结构特性来确定纹理信息提取的最佳参数；然后，在此基础上基于灰度共生矩阵计算SAR图像均值、角二阶矩和熵3种纹理测度，建立了适于图像分类的多维特征空间，从而有效地增强了水体和居民地信息；最后通过样本采集，使用支持向量机分类器进行水体和居民地信息提取，并采用近期归一化植被指数(NDVI)数据和分类结果进行目标层融合来消除山体因素的影响，信息提取的结果显示，分类总体精度为82.57%，Kappa系数为0.58，较准确地提取了水体和居民地信息。

2007

1.851

0.0

... 常用的特征选择方法有主成分分析法、模拟退火算法、Tabu搜索算法、支持向量机法(support vector machine,SVM)^[10]和遗传算法^[11,12]等 ...

2003

1.959

0.0

... 常用的特征选择方法有主成分分析法、模拟退火算法、Tabu搜索算法、支持向量机法(support vector machine,SVM)^[10]和遗传算法^[11,12]等 ...

2011

4.104

0.0

... 常用的特征选择方法有主成分分析法、模拟退火算法、Tabu搜索算法、支持向量机法(support vector machine,SVM)^[10]和遗传算法^[11,12]等 ...

2010

0.293

1.36

... 统计决策理论是处理模式识别问题的基本理论之一,它在对大量数据进行统计分析决策方面有着很强的实效性^[13] ...

1998

0.0

0.8805

... 贝叶斯(Bayes)决策理论方法是统计模式识别中的一个基本方法,它在对数据进行概率分析的基础上生成决策规则,再应用生成的决策规则对新数据进行分析和决策,因而可以将其应用于待分类图像的特征选择过程中^[14,15,16] ...

2008

0.0

0.4174

2012

0.0

0.8805

杨文, 颜卫, 涂尚坦, 等. 基于贝叶斯信息准则的极化干涉SAR图像非监督分类[J]. 电子与信息学报, 2012, 34(11): 2628-2634.

Yang

, Yan

, Tu S

, et al. An unsupervised classification method of polinSAR image based on Bayesian information criterion[J]. Journal of Electronics and Information Technology, 2012, 34(11): 2628-2634.

An unsupervised classification algorithm established on the Bayesian Information Criterion (BIC) is presented for Polarimetric and Interferometric SAR (PolInSAR) images. First, an initial classification result is obtained by using Shannon entropy characteristic. Then, the result is optimized by Expectation-Maximization (EM) iteration algorithm and LabelCost optimization algorithm. Meanwhile, the method uses BIC to determine the number of clusters automatically. The experimental results show that the proposed method can not only obtain satisfied classification results, but also automatically determine the number of clusters.

① (School of Electronic Information, Wuhan University, Wuhan 430072, China) ② (State Key Laboratory LIESMARS, Wuhan University, Wuhan 430079, China)

该文提出一种利用贝叶斯信息准则自动确定聚类类别数的极化干涉SAR非监督分类算法。该方法首先利用Shannon熵特征对极化干涉SAR图像进行初始分类，然后利用期望最大化(Expectation-Maximization, EM)算法和标号代价(LabelCost)优化算法对分类结果进行迭代优化，同时通过贝叶斯信息准则(Bayesian Information Criterion, BIC)自动确定非监督分类的最佳类别数。实验结果表明该算法能够较准确地确定分类类别数，并具有较为满意的分类效果。

2008

4.795

0.0

... 则联合概率p(D,l,M)可以表示为^[17] ...

... s Razor),后验概率p(M|D)可表示为^[17] ...