基于0.2m分辨率遙感影像的震害信息提取仿真

彭懋磊，郝 寧，李 垠，張 萍

(1. 地震預警湖北省重點實驗室，湖北 武漢 430071；2. 上海大學機械學院，上海 200444)

1 引言

地震具有突發性強、破壞性大等特征，對于其發生的時間與地點，無法做到完全精準預警。因此，地震發生后，及時分析和評估震害信息是降低經濟損失、保障生命安全的重要途徑。然而，震害信息通常需通過實地勘測獲得，此種方法獲得的信息雖然具有較高置信度，但工作量大，效率低，不利于救援工作迅速開展。

為能夠將現代化技術應用到震后救援工作中，文獻[1]提出基于無人機傾斜影像的震害信息提取方法。利用無人機傾斜影像建模生成三維圖像，對圖像紋理和不規則三角網做分離處理，獲取清晰紋理影像；結合金字塔模型坐標范圍，根據建筑物空間位置，選取最優紋理圖像；通過加權均值法對圖像進行分割，采用面向對象方式獲取建筑物震后信息。文獻[2]利用馬爾科夫隨機場來完成震害信息提取。通過馬爾科夫隨機場實現影像分割，結合不同建筑在不同受損程度下顯示出的特征，采用支持向量機方法獲取受損建筑物。但上述方法的同步測量面積較小，若需要大面積測量，不能保障圖像清晰度。

為解決該問題，本文研究了0.2m分辨率[3]遙感影像的震害信息提取。遙感作為一種新興的空間測量技術，與其它方法相比，存在以下優勢：同步觀測面積大，觀測面積越大，獲得的信息就越多，可減少工作量，且遙感不會受到地形等因素制約；時效性強，可實現短時間內對相同區域的重復觀測，獲取動態變化信息；信息綜合性強，遙感圖像可全面體現自然與人文等信息，實現全天觀測；成本低，可節省較多人力與財力，提高社會效益。同時本文使用的0.2m分辨率遙感影像屬于高分辨率圖像，其比低分辨率圖像包含的信息更多，地物信息特征會更加顯著，此外憑借成像周期短的優勢為震害信息實時提取奠定基礎。

2 0.2m分辨率遙感影像采集與預處理

2.1 遙感影像采集

遙感圖像的采集就是將地物波譜特征[4]通過一種特定方式形成對應影像，其解譯過程稱為成像逆過程。為了使圖像包含更多有用信息，需依賴目標自身特征來實現。遙感影像采集過程如圖1所示。

圖1 遙感圖像采集模型

因圖像中呈現出的震害信息特征較為復雜，再加上解譯過程存在的不確定性，會造成圖像中存在一些噪聲。為提高圖像質量，有助于更好的完成圖像分割[5]，使提取的信息更能反映真實情況。

2.2 圖像預處理

遙感圖像通常會出現幾何位置偏移等現象，本文對采集到的圖像完成幾何校正與圖像配準，不但提高影像質量，還可以改善位置精度。

2.2.1 幾何校正

共線方程[6]是幾何校正的常用算法，其參數可自行設置，也能夠結合最小二乘理論計算，通過獲取所有像元修正值，實現校正。

現階段，大部分遙感系統均配備光學傳感器，需利用到無控制點情況下的共線方程。利用傳感器掃描地面，生成數字圖像，形成正射投影，將某像點為中心投影，此種成像方式可利用下述共線方程描述

(1)

(2)

式中，x與y代表初始圖像坐標，X、Y與Z表示地面坐標，Xs、Ys、Zs代表傳感器地面坐標，a、b和c分別對應俯仰角、滾動角與航偏角的旋轉矩陣[7]。

共線方程是基于圖像與地面坐標之間的數學轉換關系構建的，是對圖像幾何形狀的表示，使得在沒有控制點條件下也能夠完成高精度校正。

2.2.2 正射校正

成像時受到地球曲率和大氣折射現象影響，圖像幾何形狀會出現畸變，和地物形狀不符。為改善這一問題，需對圖像做正射校正。其實質是利用數字元糾正的方式對初始圖像做正交投影，令其變換成數字正射圖像，主要過程如下。

1)獲取地面點坐標

如果正射圖像中隨機一點P的坐標表示為(X1，Y1)，通過正射圖像中地面坐標(X0，Y0)和比例尺分母M，共同獲取P點相對的地面坐標(X，Y)。

X=X0+M·X1

(3)

Y=Y0+M·Y1

(4)

2)獲取像點坐標

利用反解表達式獲取初始圖像中對應像元點坐標L(X，Y)，反解公式即為式(1)和式(2)表示的共線方程。

再將像點坐標變換為數字化圖像的掃描坐標

(I，J)

(5)

(6)

3)灰度內插

通過雙線性內插方法，計算像元點L的灰度值g(x，y)，并用點L的灰度值替換校正之后的點P

G(X，Y)=g(x，y)

(7)

針對所有校正像素均進行以上計算，即可獲得數字正射圖像。

2.2.3 圖像配準

實現幾何與正射校正后，基本完成疊置，一些地物信息能夠重合在一起，但個別較小目標也會存在偏差，因此，還需進一步進行圖像配準工作。其主要分為像素坐標轉換、像素亮度值重新采樣兩個步驟。

本文利用多項式校正圖像配準方法，將圖像變形當作平移、旋轉等因素影響的結果。選取匹配控制點，計算多項式系數，完成兩個圖像之間的配準。

多項式校正表達式如下

x=a0+(a1X+a2Y)+(a3X2+a4XY+a5Y2)

+(a6X3+a7X2Y+a8XY2+a9Y3)+…

(8)

y=b0+(b1X+b2Y)+(b3X2+b4XY+b5Y2)

+(b6X3+b7X2Y+b8XY2+b9Y3)+…

(9)

式中，ai與bi為多項式系數，其數值和多項式項數n具有一定關系

(10)

3 基于0.2分辨率遙感影像震害信息提取

3.1 多尺度影像分割

圖像分割的主要目的是將不同特征的目標區分開來。本文使用多尺度分割算法，其描述了一種局部優化過程[8]。其中分割尺度是一個重要參數，能夠決定圖像可允許的最強異質度。當該參數確定時，異質性越大，影像分割數目越多。

1)異質性表示

光譜異質性H的表示，利用光譜值標準差σc與其權值之和進行計算，假設每層權重值為wc，則表達式如下

(11)

但在一些特殊條件下，異質性最小容易造成形狀邊界不規范。因此，將光譜異質性[9]與空間異質性相互結合，以此實現邊界形狀緊致。假設緊致度利用邊界周長l和目標大小N的均方根之比表示，公式如下

(12)

2)異質度計算

異質性標準與色調與形狀相關，針對隨機兩個影像的光譜異質度ΔHcolor與形狀異質度ΔHshape，與其相對的權值表示為wcolor與wshape，變化區間為[0，1]，且滿足下述條件

wcolor+wshape=1

(13)

因此，整體融合值f的計算公式如下

f=wcolor·ΔHcolor+wshape·ΔHshape

(14)

則ΔHcolor可通過全部像素值的標準差σc獲取，計算公式為

(15)

式中，N代表目標大小。

形狀異質程度又和光滑度ΔHsmooth以及形狀緊致度ΔHcompt有關，其異質度權重為wsmooth與wcompt，變換區間是[0，1]，同時滿足下述要求

wcompt+wsmooth=1

(16)

因此形狀異質性ΔHshape為

ΔHshape=wcompt·ΔHcompt+wsmooth·Δhsmooth

(17)

由上述得出光滑度與緊致度的計算公式

(18)

(19)

式中，B表示目標外切矩形周長。

3)分割流程

基于多尺度的圖像分割過程為：

步驟一：設定分割參數，將其當作圖像合并終止的條件，結合圖像特點確定光譜形狀及其權重，并分析地物空間屬性，計算緊密度與光滑度權重；

步驟二：將圖像內隨機像素圖斑當作中心進行分割，首次分割時，結合獨立像元完成異質性計算，在之后的分割過程中則根據圖斑完成分割，判定整體融合值f和尺度參數存在的差異，假設f低于設定閾值，繼續分割，反之停止。

3.2 震害信息提取

在遙感圖像中，不同類型的震害信息表現出的特征不同，如表1所示。

表1 震害信息特征表

根據表1中震害信息表現出的不同特征，利用卷積神經網絡，并將上述特征作為訓練依據，經過池化訓練，提取出采集遙感影像中的準確震害信息。

卷積神經網絡中的鄰近神經元是相互連通的，其輸入就是采集的遙感圖像。傳統的神經網絡對于參數的設置較為敏感，降低信息提取的自動化程度，且在較為復雜的場景下不容易提取出震害信息。已有研究表明，卷積神經網絡可將信息特征進行很好地融合，更具描述能力。

(20)

(21)

通過上述池化處理，得到神經網絡輸出結果，以此完成震害信息提取。

4 仿真數據分析與研究

為驗證所提方法對震害信息提取的效果，選取某區域作為目標，搭建實驗環境，模擬地震過程。采用微型無人機遙感系統，其具有GPS自主定位功能，續航時間可達12小時，最大抗風能力為五級，巡航速度是55km/h。利用此遙感系統，在100m×200m范圍內，將文獻[1]提出的基于無人機傾斜影像的震害信息提取方法和文獻[2]提出的基于馬爾科夫隨機場的震害信息提取方法與本文提出方法的遙感圖像采集結果對比。圖像采集效果如圖2所示。

圖2 不同分辨率下的遙感圖像采集效果

由圖2能夠看出，基于無人機傾斜影像的震害信息提取方法采集到的圖像邊緣部分模糊；基于馬爾科夫隨機場的震害信息提取方法獲取的圖像只有中心區域清晰。本文方法采集效果最佳，獲取的圖像非常清晰。這是因為0.2m分辨率屬于高分辨率圖像采集方法，在沒有進行圖像預處理的情況下，也能得到高質量圖像。

不同方法的圖像分割結果如圖3所示。

圖3 不同方法分割效果圖

由圖3可以看出，文獻[1]提出的基于無人機傾斜影像的震害信息提取方法主要分割了圖像的邊緣區域，文獻[2]提出的基于馬爾科夫隨機場的震害信息提取方法則是可以完成清晰區域分割，對于模糊部分，分割效果不理想。本文方法能夠準確識別出關鍵區域，并進行分割。在圖像的中心部分是建筑與公路地帶，震害信息提取主要針對的就是道路與建筑，此區域也是圖像信息的集中部分。這主要是因為：所提方法初始圖像的清晰度就遠遠高于其它兩種方法，再加上所提方法的預處理效果會更加注重細節，因此得到的圖像分割效果最佳，可獲得更多有效震害信息。

完成圖像分割后，下面驗證震害信息提取的準確性。主要測試的內容包括：“完好-遭到破壞”以及“遭到破壞-完好”的誤分割率，其中前者指在提取的有效信息中完好房屋或道路被識別為遭到破壞；而后者表示遭到破壞被識別為完好，計算公式分別如下

(22)

(23)

式中，S1為完好建筑被劃分為破壞的圖像面積，S為圖像包含建筑的整體面積。S2為遭到破壞的建筑被識別為完好的圖像面積。

誤分率的計算公式表示為：

Er=R1+R2

(24)

根據以上理論依據計算上述三種方法的誤分率，所得實驗數據如圖4所示。

圖4 不同方法誤分率圖

圖4表明，所提方法的誤分率沒有出現大幅度上升趨勢，始終低于其它兩種方法。主要因為0.2分辨率遙感影像可采集到更多有用信息，提高震害信息提取精度，同時卷積神經網絡具有較強的描述能力，可進一步增強信息提取效果。

5 結論

當前，如何準確獲取震害信息已成為研究熱點。本文在0.2分辨率遙感圖像基礎上提取震害信息，經過對圖像的處理和分割，通過卷積神經網絡完成關鍵信息提取。實驗證明了該算法的可行性，優化了信息提取有效性與時效性，為震害信息的獲取方式提供新思路。