[发明专利]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

说明书

本发明公开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。提取极化特征，采用卷积神经网络提取出山腰和山脊信息；提取极化SAR数据SPAN图像的纹理特征，将上述结果融入这两种纹理信息中，剔除提取的山腰、山脊部分，再将剔除后的纹理相加，增加建筑物区域灰度，提取建筑物区域；提取极化SAR数据的极化特征图像的纹理特征Correlation，再次使用卷积神经网络从Anisotropy和Correlation的叠加特征中提取出完好建筑物，并将建筑区剩余部分归为倒塌建筑物。本发明能够全自动提取震区极化SAR数据的山脊、山腰、倒塌建筑物和完好建筑物。

技术领域

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。

发明内容

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、second moment、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second moment和homogeneity，将山腰和山脊提取结果融入second moment、homogeneity纹理信息中，剔除提取的山腰、山脊部分，再将剔除后的second moment、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。