薛騰飛 張景發(fā) 李 強

1) 中國哈爾濱150090中國地震局工程力學(xué)研究所 2) 中國北京100085中國地震局地殼應(yīng)力研究所地殼動力學(xué)重點實驗室

?

基于相關(guān)變化檢測與面向?qū)ο蠓诸惣夹g(shù)的多源遙感圖像震害信息提取*

1) 中國哈爾濱150090中國地震局工程力學(xué)研究所 2) 中國北京100085中國地震局地殼應(yīng)力研究所地殼動力學(xué)重點實驗室

遙感圖像面向?qū)ο蠓诸愖鳛榭臻g信息提取的關(guān)鍵技術(shù)， 在震害信息提取方面發(fā)揮著非常重要的作用， 然而由于光學(xué)遙感影像是正射圖像， 只能提取建筑物屋頂信息， 這使得單一利用震后光學(xué)影像進行震害信息提取存在一定的局限性． 針對該問題， 本文提出了一種基于合成孔徑雷達(SAR)相關(guān)變化檢測的光學(xué)影像震害建筑物面向?qū)ο筇崛》椒ǎ?即在光學(xué)影像面向?qū)ο筇崛〉臄?shù)據(jù)中融合SAR相關(guān)性， 對光學(xué)影像進行面向?qū)ο筇崛≌鸷ㄖ飼r不僅考慮建筑物的幾何、 光譜等特征， 還加入震前震后變化信息即SAR相關(guān)性進行分類． 在此基礎(chǔ)上， 選取2008年汶川MS8.0地震震區(qū)都江堰地區(qū)作為研究區(qū)進行試驗. 結(jié)果表明， 本文提出的方法相對于單一使用光學(xué)影像進行震害建筑物提取, 其準確度有較明顯的提高．

震害信息提取 面向?qū)ο蠓诸?SAR 圖像相關(guān)性 變化檢測

引言

地震由于具有突發(fā)性、 破壞性強、 防御難度大等特點， 給人類帶來巨大的人員傷亡和經(jīng)濟損失． 近幾年的地震救災(zāi)經(jīng)驗表明， 震后及時準確地獲取地震災(zāi)情信息， 開展應(yīng)急響應(yīng), 能夠有效減輕地震災(zāi)害帶來的損失． 而遙感信息具有覆蓋范圍廣、 圖像獲取方便等特點， 能夠全面地反映震后災(zāi)區(qū)的破壞情況， 是獲取災(zāi)情信息的主要數(shù)據(jù)來源(張景發(fā)等， 2001； 李強等， 2015)． 國內(nèi)外研究人員針對基于遙感圖像的震害信息提取開展了持續(xù)研究， 目前在震區(qū)建筑物和道路自動識別方面已經(jīng)取得許多進展， 包括面向?qū)ο笮畔⑻崛　?變化檢測等方面的研究(Dong, Shan, 2013)． 王曉青等(2003)提出了基于地理信息系統(tǒng)(geographic information system, 簡寫為GIS)和數(shù)字圖像處理的震害遙感快速提取技術(shù)， 并以2003年巴楚—伽師MS8.0地震震害遙感影像信息提取為例介紹了該技術(shù)的實現(xiàn)過程； 龔麗霞等(2013)闡述了基于面向?qū)ο蟮淖兓瘷z測方法在震害信息提取中的應(yīng)用， 并以2010年玉樹MS7.1地震前后的高分辨率遙感影像為例進行了試驗， 結(jié)果顯示該檢測方法的提取準確度相較基于像元和基于主成分分析的變化檢測方法有較大的提高． Chesnel等(2007)比較了利用不同配準方式和配準精度控制下的光學(xué)影像變化檢測方法提取震害建筑物的準確度， 結(jié)果表明影像精確配準對于提高高分辨率光學(xué)圖像變化檢測的準確度十分重要． 但是, 光學(xué)影像的成像容易受到云雨等惡劣天氣的影響， 會導(dǎo)致圖像效果不佳以及地表信息難以識別的問題． 合成孔徑雷達(synthetic aperture radar, 簡寫為SAR)具有全天時全天候的特點， 受惡劣天氣影響很小， 該技術(shù)的發(fā)展為我們解決這些問題提供了有力的支持． Stramondo等(2006)以1999年伊茲米特(Izmit)MS7.4地震和2003年巴姆(Bam)MS6.3地震為例， 比較了SAR強度相關(guān)、 干涉相干以及光學(xué)影像這3種圖像在震害信息提取中的準確度， 證實了融合多源遙感數(shù)據(jù)進行聯(lián)合分析的提取準確度更高; 張景發(fā)等(2002)利用1998年張北MS6.2地震前后SAR圖像進行了變化檢測處理， 提取了建筑物震害程度信息, 與野外考察數(shù)據(jù)對比顯示其結(jié)果準確度較高， 且誤差在允許范圍內(nèi)； 劉云華等(2010)結(jié)合2008年汶川MS8.0地震前后SAR幅度影像和干涉相干影像對災(zāi)害進行自動識別， 在地震災(zāi)害評估中取得了很好的效果.

綜上可知， 光學(xué)影像和SAR影像在震害信息提取中各有優(yōu)勢， 如何將兩者有機結(jié)合起來， 融合多源遙感數(shù)據(jù)， 提高單一遙感數(shù)據(jù)源的提取效果是目前遙感震害評估中的挑戰(zhàn)． 本文擬結(jié)合SAR相關(guān)變化檢測的結(jié)果， 將震前震后SAR相關(guān)圖和震后光學(xué)圖像進行波段組合， 并對融合后的圖像進行面向?qū)ο蠓诸悾?以提取不同震害等級建筑物的分布．

1 研究區(qū)與數(shù)據(jù)源

都江堰市是四川省成都市下轄縣級市， 位于成都平原西北邊緣， 地處岷江出山口． 該市地跨龍門山地帶和成都岷江沖積扇扇頂部位， 是一座歷史文化古城， 人口約70萬． 2008年5月12日14時28分， 四川省汶川縣(103.4°E， 31.0°N)發(fā)生MS8.0地震， 這是新中國成立以來發(fā)生的一次破壞性最強、 波及范圍最廣的地震． 都江堰市距震中僅約21 km， 是地震重災(zāi)區(qū)， 其抗震設(shè)防烈度為Ⅶ度， 此次MS8.0地震對該市及其附近地區(qū)產(chǎn)生了高于Ⅶ度的地震影響， 房屋建筑遭受了嚴重破壞． 震后相關(guān)單位快速獲取了雷達及可見光圖像， 中國地震局工程力學(xué)研究所開展了實地調(diào)查， 在對主城區(qū)所有建筑物進行逐一調(diào)研的基礎(chǔ)上判斷其破壞狀態(tài)， 并采集現(xiàn)場照片記錄， 為后續(xù)研究提供豐富而寶貴的資料．

綜合考慮震區(qū)建筑物的結(jié)構(gòu)抗震能力和遙感可判讀性， 按照各類建筑物單體受損程度及其在遙感圖像上的特征表現(xiàn)， 結(jié)合數(shù)據(jù)和試驗的實際情況， 本文將建筑物震害程度劃分為3個類別， 即基本完好、 中等破壞和損毀． 與實地調(diào)查資料相對比， 基本完好建筑物對應(yīng)基本完好和輕微破壞類別， 中等破壞建筑物對應(yīng)中等破壞類別， 損毀建筑物對應(yīng)嚴重破壞和毀壞類別．

本文試驗所用光學(xué)影像數(shù)據(jù)為震后IKONOS數(shù)據(jù)， 空間分辨率為1 m； 震前震后SAR數(shù)據(jù)為ENVISATA ASAR數(shù)據(jù)． 首先對研究區(qū)影像進行掩膜裁剪， 將現(xiàn)場調(diào)查矢量(鐘江榮等， 2010)與影像進行裁剪疊加， 得到圖像如圖1所示； 然后對SAR數(shù)據(jù)進行聚焦成像、 多視濾波和地理編碼之后生成強度圖， 數(shù)據(jù)基本情況列于表1， 震前震后圖像如圖2所示．

圖1 研究區(qū)IKONOS衛(wèi)星光學(xué)影像圖(a)和現(xiàn)場調(diào)查矢量圖(疊加光學(xué)影像)(b)

編號傳感器波段成像時間備注1ENVISATASARC2008-03-03地震前2ENVISATASARC2008-07-21地震后

圖2 研究區(qū)震前(a)、 震后(b)SAR影像． 紅色實線范圍表示本文研究區(qū)

2 高分辨率光學(xué)影像面向?qū)ο蠓诸愄崛》椒?/h2>

利用遙感圖像分類技術(shù)能夠得出不同震害程度建筑物的空間分布， 而震害信息的提取準確度會對震害評估結(jié)果產(chǎn)生直接影響(柳稼航等， 2004)． 最初的分類方法主要基于像元進行分類， 每個像元代表地物的光譜反射值； 進而發(fā)展為基于紋理的分類方法， 即分析每個像元與其鄰域像元之間的關(guān)系， 并以此為分類依據(jù)進行圖像分類(Vuetal, 2005)． 這兩種分類方法均被用于提取地震等自然災(zāi)害所造成的建筑物破壞信息(Al-Khudhairy

圖3 面向?qū)ο笥跋穹诸惲鞒蘁ig.3 Flow chart of object-orientedimage classification

etal, 2005; Gusellaetal, 2005; Stumpf, Kerle, 2011; 竇愛霞等， 2013； Moosavietal, 2014)． 隨著遙感科學(xué)的發(fā)展， 遙感圖像的空間分辨率越來越高， 高分辨率遙感數(shù)據(jù)能夠提供詳細的空間信息， 這就需要更為復(fù)雜的處理方法； 而面向?qū)ο蠓诸惙椒瘁槍Ω叻直媛蔬b感影像， 最小處理單元是由多個相鄰像素組合且包含多重語義的影像對象(甘甜等， 2015)， 正好可以滿足這一需求．

2.1 方法流程

面向?qū)ο蠓诸惖闹饕鞒虨椋?首先對影像進行多尺度分割， 然后通過波段權(quán)重、 光譜因子、 空間因子、 緊致度和光滑度等參數(shù)建立規(guī)則集， 對多尺度分割后的影像進行分類， 最后導(dǎo)出分類要素并生成矢量文件． 本文采用ENVI遙感圖像處理平臺軟件基于規(guī)則的面向?qū)ο蠓诸惸K對IKONOS影像進行分類， 其主要流程如圖3所示．

2.2 影像分割

影像分割是面向?qū)ο髨D像分類的一個基礎(chǔ)過程， 其目的是通過影像分割將像元及其鄰域像元進行歸類， 使之成為多個“同質(zhì)”對象， 再基于對象進行分類(劉明眾等， 2013)． 本文使用基于邊緣的圖像分割算法， 其優(yōu)點是計算效率高、 輸入?yún)?shù)少且能達到多尺度分割的效果． 通過不同尺度上邊界的差異控制實現(xiàn)由細到粗的多尺度分割， 經(jīng)過多次試驗確定最優(yōu)的分割參數(shù)， 即基于邊緣檢測的分割閾值為46.7， 合并閾值為97.0， 之后利用該參數(shù)對圖像進行分割．

2.3 基于規(guī)則集的建筑物震害信息特征提取

針對分割后的影像進行分類， 首先需要建立規(guī)則集， 根據(jù)待提取要素的光譜、 幾何等特征進行構(gòu)建． 本文的研究對象為建筑物， 建筑物目標大致可以總結(jié)為以下幾類特征(孫顯等， 2011)：

1) 幾何特征． 高分辨率遙感影像上建筑物表現(xiàn)為面狀目標， 且只能記錄到建筑物屋頂?shù)男畔ⅲ?典型建筑物的幾何形狀規(guī)整， 屋頂投影幾何形狀呈現(xiàn)矩形、 “工”(“H”)字型、 “T” 字型、 “L”型、 “U”型等， 且排列比較規(guī)整．

2) 灰度特征． 灰度特征也可稱為光譜特征， 完好建筑物屋頂表面灰度分布比較均勻， 反映在影像特征參數(shù)上， 標準差較小， 與周圍環(huán)境的對比度較大； 屋頂與道路等目標的光譜值比較接近， 但其紋理具有較大差異．

3) 拓撲和上下文特征． 建筑物屋頂形狀規(guī)則， 具有多邊形的拓撲特征， 且與道路、 鐵路和水系等線性地物不相交； 建筑物邊緣附近一般存在陰影， 周圍通常是道路、 水泥地或植被等地物．

結(jié)合上述分析， 選取與建筑物相關(guān)的屬性， 并通過試驗選擇表征不同震害等級的建筑物屬性參數(shù)閾值， 主要選取紅、 綠、 藍等3個波段的光譜均值、 形狀延伸率、 矩形擬合度和對象面積作為分類依據(jù)， 所選屬性參數(shù)及閾值如表2所示．

圖4 震后光學(xué)影像面向?qū)ο笳鸷ㄖ锓诸悎DFig.4 Object-oriented classification imageof earthquake damaged buildings based on post-seismic IKONOS image

通過表2中各屬性參數(shù)不同的閾值， 控制不同震害建筑物類型的分類， 并通過試驗設(shè)定權(quán)重， 避免各類型之間的重合． 根據(jù)表2所選閾值對震后IKONOS光學(xué)影像進行分類， 得到不同震害程度建筑物的分布， 如圖4所示．

以每種震害類型實地調(diào)查的面積結(jié)果(簡稱為“實地調(diào)查面積”)作為基準， 通過疊加分析計算利用本文方法提取的各類建筑物總面積(簡稱為“本文方法提取面積”)、 本為某種震害類型建筑物卻被錯分為其它震害類型建筑物或非建筑物區(qū)域的面積(簡稱為“錯檢面積”)以及本為該種震害類型建筑物卻未被提取為任意一種震害類型建筑物的面積(簡稱為“漏檢面積”). 對比圖4與圖1b可以得出， 本文方法提取面積-錯檢面積+漏檢面積=實地調(diào)查面積. 基于此計算不同建筑物震害程度類型的提取準確率、 漏檢率及錯檢率， 其中提取準確率的計算公式

表2 面向?qū)ο蠓诸悈?shù)及閾值

表3 震后光學(xué)影像面向?qū)ο笳鸷ㄖ锓诸悳蚀_度

為(本文方法提取面積-錯檢面積)/實地調(diào)查面積， 漏檢率計算公式為漏檢面積/實地調(diào)查面積， 錯檢率計算公式為錯檢面積/本文方法提取面積， 對震后IKONOS影像進行面向?qū)ο蠓诸惤Y(jié)果的準確度如表3所示．

結(jié)合圖4、 圖1b與表3可以看出， 不同震害類型的建筑物均被較好地提取出來， 總體準確度良好， 但中等破壞建筑物和損毀建筑物的漏檢率和錯檢率較高． 深入對比分析可知， 中等破壞和損毀建筑物被錯檢為完好的較多， 主要是由于光學(xué)遙感圖像相對于現(xiàn)場調(diào)查遙感震害評估的局限性， 只能識別屋頂?shù)奶卣鳎?導(dǎo)致一些細微的變化信息不易從單一震后遙感數(shù)據(jù)源中提取出來．

3 結(jié)合SAR相關(guān)圖的震后光學(xué)影像面向?qū)ο蠓诸惙椒?/h2>

針對基于單一震后遙感數(shù)據(jù)提取錯檢率較高的問題， 本文提出結(jié)合SAR相關(guān)圖的震后光學(xué)影像面向?qū)ο蠓诸惙椒? 該方法不僅融合了多源遙感數(shù)據(jù)， 還結(jié)合了變化信息， 旨在提高利用震后單一遙感數(shù)據(jù)源的震害信息識別準確度．

從圖2可以看出， ENVISAT ASAR圖像的空間分辨率不高， 且圖像不直觀， 通過傳統(tǒng)的差值或比值變化檢測方法容易受到斑點噪聲的影響， 變化信息較難提?。?針對此， 本文引入基于圖像相關(guān)性的變化檢測方法， 通過滑動窗口計算兩幅圖像的相關(guān)性. 圖像相關(guān)性表示為

(1)

式中，E〈*〉表示數(shù)學(xué)期望，I1表示圖像1，I2表示圖像2，r表示圖像相關(guān)性或相關(guān)值， 在實際計算中，

(2)

圖5 SAR圖像相關(guān)圖Fig.5 Correlation image calculated frompre- and post-seismic SAR images

或變化較??； 反之，r的絕對值越接近0， 兩幅圖像的線性關(guān)系越差， 即差異性越大， 可以認為對應(yīng)地物地震前、 后發(fā)生了較大變化(趙福軍， 2010)． 為了便于計算分析， 下文相關(guān)性全部采用r的絕對值．

對震前震后的SAR圖像進行精確配準， 進而采用交互式數(shù)據(jù)語言(interactive data language， 簡寫為IDL)代碼計算兩幅圖像的相關(guān)性， 選取窗口大小為3像元×3像元， 所得相關(guān)圖如圖5所示． 可以看出， 相干性值分布較為雜亂， 僅可辨別出都江堰城區(qū)位置及市內(nèi)主干道. 如果對相關(guān)圖直接進行分類提取， 則容易受到斑點噪聲的影響， 分類出多個碎斑， 效果較差． 因此， 本文擬利用相關(guān)圖與震后高分辨率光學(xué)影像進行波段組合， 對組合后的圖像進行面向?qū)ο蠓诸愄崛。?具體流程如圖6所示．

圖6 結(jié)合SAR相關(guān)性變化檢測的光學(xué)影像面向?qū)ο笳鸷π畔⑻崛×鞒虉D

震害類型提取準確率漏檢率錯檢率基本完好建筑物82.1%17.9%12.2%中等破壞建筑物77.3%22.7%43.6%損毀建筑物 79.2%20.8%21.9%總體 81.3%

首先以實地調(diào)查矢量(道路、 河流)為基準， 對震前震后SAR影像、 震后光學(xué)影像進行精確配準， 計算震前震后SAR圖像的相關(guān)性圖； 然后將相關(guān)性圖進行過采樣， 并與震后光學(xué)影像(紅、 綠、 藍共3個波段)進行波段組合， 得到4個波段的合成圖像(紅、 綠、 藍、 相關(guān)性共4個波段)； 最后對波段組合后的圖像進行分割， 選擇表2所列規(guī)則集并在此基礎(chǔ)上將第四波段(相關(guān)性波段)分類， 通過試驗選取的相關(guān)性閾值結(jié)果為： 完好建筑物相關(guān)值|r|>0.72， 中等破壞建筑物0.38<|r|<0.72， 損毀建筑物|r|<0.38． 根據(jù)新的組合閾值及權(quán)重對圖像進行分類， 得到不同震害等級的建筑物分布， 如圖7所示．

圖7 結(jié)合SAR相關(guān)性變化檢測的光學(xué)影像面向?qū)ο笳鸷ㄖ锓诸悎DFig.7 Extraction of earthquake damaged buildings based on object-oriented classification map of IKONOS and SAR correlation fusion image

以實地調(diào)查的面積結(jié)果為基準， 利用本文提出的方法計算不同震害程度建筑物類型的提取準確率、 漏檢率及錯檢率， 結(jié)果列于表4．

對比表4與表3可以看出， 不同震害類型建筑物的提取準確度均有所提高， 錯檢率也有較大幅度的降低. 對比圖7與圖4可知， 原先被錯檢為完好建筑物的中等破壞和損毀的建筑物利用本文方法后被正確地分類， 降低了錯檢率， 同時也提高了提取準確率． 試驗證明， 本文所提出的方法相對于利用震后單一遙感數(shù)據(jù)源進行震害建筑物面向?qū)ο蠓诸愄崛。?能夠較好地提高準確度．

4 討論與結(jié)論

利用遙感圖像的變化檢測和面向?qū)ο蠓椒ň梢钥焖俚孬@取震區(qū)建筑物的震害信息， 光學(xué)遙感影像直觀， 光譜信息豐富， 有利于面向?qū)ο蠓诸愄崛。?SAR遙感影像不受震后云雨等惡劣天氣的影響， 且對建筑物的二次反射敏感． 如何結(jié)合面向?qū)ο笈c變化檢測的結(jié)果， 實現(xiàn)光學(xué)遙感影像與雷達遙感影像的優(yōu)勢互補是目前關(guān)注的問題．

本文首先利用面向?qū)ο蠓椒▽φ鸷蠊鈱W(xué)影像進行了震害建筑物分類提取， 較好地提取出完好、 中等破壞和損毀建筑物， 對準確率、 錯檢率和漏檢率進行計算和分析， 得出提取總體準確率為72.34%， 但中等破壞和損毀建筑物的錯檢率和漏檢率較高， 主要是由于遙感影像的局限性， 利用震后單一遙感數(shù)據(jù)源進行震害建筑物提取容易造成錯分現(xiàn)象所致．

在系統(tǒng)梳理和分析基于面向?qū)ο蟮墓鈱W(xué)影像、 基于相關(guān)性變化檢測的SAR影像建筑物震害信息提取的理論和方法基礎(chǔ)上， 將震前震后SAR影像的相關(guān)性計算結(jié)果與震后光學(xué)影像相結(jié)合， 把相關(guān)性作為面向?qū)ο蟮姆诸愐罁?jù)之一， 不僅融合了多源遙感數(shù)據(jù)， 還引入了震前震后的變化信息． 對波段組合后的數(shù)據(jù)進行面向?qū)ο蠓诸愄崛。?得到總體提取準確度為81.3%， 提高了單一利用光學(xué)遙感影像進行面向?qū)ο筇崛〉臏蚀_度．

本文選取的SAR數(shù)據(jù)為ENVISAT ASAR數(shù)據(jù)， 分辨率較低， 面對目前遙感數(shù)據(jù)， 尤其是SAR數(shù)據(jù)向高分辨率、 多極化發(fā)展的趨勢， 仍需從以下幾個方面加強研究： ① 在有數(shù)據(jù)積累的情況下， 研究高分辨率SAR影像相關(guān)性對變化檢測、 面向?qū)ο筇崛蚀_度的影響， 進一步提高分類精度； ② 進一步引入SAR干涉相干變化檢測， 融合多源數(shù)據(jù)和多種方法進行提??； ③ 開展基于高分辨率SAR影像的面向?qū)ο笞兓瘷z測分析， 基于成像機理及建筑物震害特征分析最優(yōu)分類特征與尺度； ④ 研究不同極化方式組合與定量參數(shù)的SAR震害評估方法， 充分利用SAR多極化、 全極化特征．

中國地震局工程力學(xué)研究所鐘江榮副研究員提供了都江堰地區(qū)現(xiàn)場調(diào)查矢量數(shù)據(jù)， 為本研究提供了參考和驗證資料， 作者在此表示感謝．

竇愛霞, 馬宗晉, 黃文麗, 王曉青, 袁小祥. 2013. 基于機載LiDAR和多光譜圖像的建筑物震害自動識別方法[J]. 遙感信息, 28(4): 103--109.

Dou A X, Ma Z J, Huang W L, Wang X Q, Yuan X X. 2013. Automatic identification approach of building damages caused by earthquake based on airborne LiDAR and multispectral imagery[J].RemoteSensingInformation, 28(4): 103--109 (in Chinese).

甘甜, 李金平, 李小強, 王劉偉. 2015. 面向?qū)ο蟮母叻直媛蔬b感影像建筑物震害信息提取[J]. 測繪工程, 24(4): 11--15.

Gan T, Li J P, Li X Q, Wang L W. 2015. Object-oriented method of building damage extraction from high-resolution images[J].EngineeringofSurveyingandMapping, 24(4): 11--15 (in Chinese).

龔麗霞, 李強, 張景發(fā), 曾琪明, 劉明眾, 李成龍. 2013. 面向?qū)ο蟮姆课菡鸷ψ兓瘷z測方法[J]. 地震, 33(2): 109--114.

Gong L X, Li Q, Zhang J F, Zeng Q M, Liu M Z, Li C L. 2013. Object-oriented detection of earthquake building damages[J].Earthquake, 33(2): 109--114 (in Chinese).

李強, 張景發(fā), 牛瑞卿. 2015. GIS與面向?qū)ο蠼Y(jié)合的遙感影像震后損毀道路快速提取[J]. 測繪通報, (4): 78--81.

Li Q, Zhang J F, Niu R Q. 2015. Damage road extraction from post-seismic remote sensing images based on GIS and objected-oriented method[J].BulletinofSurveyingandMapping, (4): 78--81 (in Chinese).

柳稼航, 楊建峰, 魏成階, 關(guān)澤群. 2004. 震害信息遙感獲取技術(shù)歷史、 現(xiàn)狀和趨勢[J]. 自然災(zāi)害學(xué)報, 13(5): 46--52.

Liu J H, Yang J F, Wei C J, Guan Z Q. 2004. Acquisition of earthquake damage information based on remote sensing technology: History, current situation and trend[J].JournalofNaturalDisasters, 13(5): 46--52 (in Chinese).

劉明眾, 張景發(fā), 李成龍, 劉國林. 2013. 高分辨率遙感影像道路震害的快速提取[J]. 地震, 33(2): 79--86.

Liu M Z, Zhang J F, Li C L, Liu G L. 2013. Rapid extraction of road damages from high resolution remote sensing images[J].Earthquake, 33(2): 79--86 (in Chinese).

劉云華, 屈春燕, 單新建, 宋小剛, 張桂芳, 張國宏. 2010. SAR遙感圖像在汶川地震災(zāi)害識別中的應(yīng)用[J]. 地震學(xué)報, 32(2): 214--223.

Liu Y H, Qu C Y, Shan X J, Song X G, Zhang G F, Zhang G H. 2010. Application of SAR data to damage identification of the Wenchuan earthquake[J].ActaSeismologicaSinica, 32(2): 214--223 (in Chinese).

孫顯, 付琨, 王宏琦. 2011. 高分辨率遙感圖像理解[M]. 北京: 科學(xué)出版社: 317--318.

Sun X, Fu K, Wang H Q. 2011.HighResolutionRemoteSensingImageUnderstanding[M]. Beijing: Science Press: 317--318 (in Chinese).

王曉青, 魏成階, 苗崇剛, 張景發(fā), 單新建, 馬慶尊. 2003. 震害遙感快速提取研究： 以2003年2月24日巴楚—伽師6.8級地震為例[J]. 地學(xué)前緣, 10(S1): 285--291.

Wang X Q, Wei C J, Miao C G, Zhang J F, Shan X J, Ma Q Z. 2003. The extraction of seismic damage from remote sensing images： A case study of Bachu-Jiashi earthquake withMS=6.8 occurred on Feb. 24, 2003[J].EarthScienceFrontiers, 10(S1): 285--291 (in Chinese).

張景發(fā), 謝禮立, 陶夏新. 2001. 典型震害遙感圖像的模型分析[J]. 自然災(zāi)害學(xué)報, 10(2): 89--95.

Zhang J F, Xie L L, Tao X X. 2001. Pattern analysis of remote sensing imagery for some typical earthquake damages[J].JournalofNaturalDisasters, 10(2): 89--95 (in Chinese).

張景發(fā), 謝禮立, 陶夏新. 2002. 建筑物震害遙感圖像的變化檢測與震害評估[J]. 自然災(zāi)害學(xué)報, 11(2): 59--64.

Zhang J F, Xie L L, Tao X X. 2002. Change detection of remote sensing image for earthquake-damaged buildings and its application in seismic disaster assessment[J].JournalofNaturalDisasters, 11(2): 59--64 (in Chinese).

趙福軍. 2010. 遙感影像震害信息提取技術(shù)研究[D]. 哈爾濱: 中國地震局工程力學(xué)研究所: 113--114.

Zhao F J. 2010.SeismicDisasterInformationExtractionFromRemotelySensedImagery[D]. Harbin: Institute of Engineering Mechanics, China Earthquake Administration: 113--114 (in Chinese).

鐘江榮, 林均岐, 丁世文. 2010. 都江堰市建筑震害調(diào)查及分析[J]. 土木建筑與環(huán)境工程, 32(S2): 19--20, 27.

Zhong J R, Lin J Q, Ding S W. 2010. Building damage survey and analysis of Dujiangyan[J].JournalofCivil,Architectural&EnvironmentalEngineering, 32(S2): 19--20, 27 (in Chinese).

Al-Khudhairy D H A, Caravaggi I, Giada S. 2005. Structural damage assessments from IKONOS data using change detection, object-oriented segmentation, and classification techniques[J].PhotogrEngRemoteSens, 71(7): 825--837.

Chesnel A L, Binet R, Wald L. 2007. Object oriented assessment of damage due to natural disaster using very high resolution images[C]∥IEEEInternationalGeoscienceandRemoteSensingSymposium,IGARSS2007. Barcelona: IEEE： 3736--3739.

Dong L G, Shan J. 2013. A comprehensive review of earthquake-induced building damage detection with remote sensing techniques[J].ISPRSJPhotogrRemoteSens, 84(7): 85--99.

Gusella L, Adams B, Bitelli G, Huyck C, Mognol A. 2005. Object-oriented image understanding and post-earthquake damage assessment for the 2003 Bam, Iran, earthquake[J].EarthqSpectra, 21(S1): S225--S238.

Moosavi V, Talebi A, Shirmohammadi B. 2014. Producing a landslide inventory map using pixel-based and object-oriented approaches optimized by Taguchi method[J].Geomorphology, 204(1): 646--656.

Stramondo S, Bignami C, Chini M, Pierdicca N, Tertulliani A. 2006. Satellite radar and optical remote sensing for earthquake damage detection: Results from different case studies[J].IntJRemoteSens, 27(20): 4433--4447.

Stumpf A, Kerle N. 2011. Object-oriented mapping of landslides using Random Forests[J].RemoteSensEnviron, 115(10): 2564--2577.

Vu T T, Matsuoka M, Yamazaki F. 2005. Preliminary results in development of an object-based image analysis method for earthquake damage assessment[C]∥ProceedingofInternationalWorkshoponRemoteSensingforPostdisasterResponse. Chiba： Chiba University: 1--8.

Extraction of earthquake damage buildings from multi-source remote sensing data based on correlation change detection and object-oriented classification techniques

1)InstituteofEngineeringMechanics,ChinaEarthquakeAdministration,Harbin150090,China2)KeyLaboratoryofCrustalDynamics,InstituteofCrustalDynamics,ChinaEarthquakeAdministration,Beijing100085,China

Object-oriented classification technology of remote sensing images, as a spatial information extraction method, plays a key role in earthquake damage information extraction. However, it has limitations in extracting buildings from optical remote sensing images due to the characteristic vulnerable to weather and other reasons. To solve this problem, this paper proposes a method for detecting building damage by optical image in combiniation with SAR correlation changes and object-oriented classification, which extracts buildings from fusion data including optical image and SAR correlation image. Not only the spatial and spectral features, but also the correlation of buildings is considered during the extraction. TheMS8.0 Wenchuan earthquake caused a wide range of building’s collapse and casualties. Taking Dujiangyan area near the source as an example, the method above is tested. The results show that the accuracy of building extraction is improved by using the proposed method compared with the method only from optical image.

earthquake damage information extraction; object-oriented classification; SAR image; image correlation； change detection

國家自然科學(xué)基金(41374050)、 中歐“龍計劃”項目三期(10607)和高分辨率對地觀測系統(tǒng)重大專項(31-Y30B09-9001-13/15)共同資助.

2016-01-08收到初稿， 2016-02-28決定采用修改稿.

e-mail: zhangjingfa@hotmail.com

10.11939/jass.2016.03.017

P315.9

A

薛騰飛， 張景發(fā)， 李強. 2016. 基于相關(guān)變化檢測與面向?qū)ο蠓诸惣夹g(shù)的多源遙感圖像震害信息提取. 地震學(xué)報, 38(3): 496--505. doi:10.11939/jass.2016.03.017.

Xue T F, Zhang J F, Li Q. 2016. Extraction of earthquake damage buildings from multi-source remote sensing data based on correlation change detection and object-oriented classification techniques.ActaSeismologicaSinica, 38(3): 496--505. doi:10.11939/jass.2016.03.017.