Research on Building Area Extraction Method of SAR Image Integrating ULBP and Gabor Texture Features
-
摘要: 建筑区提取对于地震灾情快速评估和地震灾害风险识别至关重要，合成孔径雷达（SAR）影像的纹理特征研究可在建筑区提取方面发挥重要作用。利用全极化SAR影像，提出综合使用ULBP纹理特征和Gabor纹理特征的建筑区提取方法。在SAR数据预处理的基础上，首先对基于Gabor滤波的纹理特征影像进行主成分分析，保留前2个最优主成分纹理特征影像；然后与ULBP纹理特征进行波段组合；最后利用支持向量机监督分类方法对组合后的影像进行分类，获得建筑区。研究结果表明，综合使用ULBP纹理特征和Gabor纹理特征可得到更高的建筑区提取精度，总体分类精度达90%，Kappa系数为0.78。Abstract: Building area extraction is very important for the rapid assessment of earthquake disasters and the identification of earthquake disaster risks. Research on texture features of synthetic aperture radar ( SAR ) images can play an important role in building area extraction. Using fully polarimetric SAR images, a building area extraction method using ULBP texture features and Gabor texture features is proposed. On the basis of SAR data preprocessing, the texture feature image based on the Gabor filter is analyzed by principal component analysis, the first two optimal principal component texture feature images are retained. Then, band combination is performed with ULBP texture features. Finally, the support vector machine supervised classification method is used to classify the combined image to obtain the building area. The results show that the comprehensive use of the ULBP texture feature and Gabor texture features can obtain higher building area extraction accuracy, the overall classification accuracy is 90 %, and the Kappa coefficient is 0.78.
-
Key words:
- SAR image /
- ULBP texture feature /
- Gabor texture feature /
- Building area extraction
-
引言
近断层速度脉冲型强地震动以其独特的地震动特征及对近断层工程结构特殊的破坏作用，引起地震工程界的广泛关注。速度大脉冲往往具有幅值大、特征周期长、瞬时累积能量大、非平稳性强等特点（谢俊举等，2011；罗全波等，2018），这些特点有别于一般地震动记录的特征，使结构在速度脉冲记录和一般地震动记录作用下的响应具有很大差异。1957年Port Hueneme地震中，首次记录到了含有速度大脉冲的地震动，该次地震矩震级仅为4.7，但其造成的灾难是同等震级地震中前所未有的，地震动速度时程所含的脉冲特性是造成众多建筑结构发生严重破坏的重要原因。与之类似的2014年云南鲁甸地震震级虽较小，却造成了严重的人员伤亡和财产损失，鲁甸地震强地震动记录中的速度大脉冲（曲哲等，2016）是造成严重灾害的重要原因，灾区经济相对落后、房屋抗震能力较差等因素是造成严重灾害的原因历史上多次地震灾害现象和众多试验研究均表明脉冲型地震动的特殊破坏作用，因此准确识别此类地震动记录，对准确评估工程场地地震危险性并合理确定地震动输入具有重要意义（杨成等，2017）。
近年来，速度大脉冲的识别引起了众多学者的广泛关注，并提出了一系列不同的识别方法，多数方法依赖主观判断，不同学者给出的结果差异较大（Mavroeidis等，2003；Somerville，2003）。为探索客观可复现的量化识别脉冲型地震动记录方法，Baker（2007）基于小波分析提出了定量脉冲识别方法，该方法采用四阶Daubechies小波基，利用小波分解方法提取地震动速度时程中最大速度脉冲，通过分析残余记录与原始记录的能量比和峰值速度比，给出了速度脉冲的定量判别标准；Zhai等（2013）利用Dickinson函数模型描述速度脉冲时程形状，采用峰点法（PPM）结合最小二乘法（LSF）判断脉冲周期，将周期范围内的地震动速度脉冲能量与整条地震动能量的比值作为识别速度脉冲的指标；Zhao等（2016）基于三角函数的性质，提出了定量识别方法，采用检测到的脉冲能量相对于原始地震动能量的值作为判别标准，并细化识别单脉冲和多脉冲方法。总体而言，上述研究提出的速度大脉冲识别方法通过统计分析确定一个或多个量化评价指标，复现经验判别的速度大脉冲记录结果。由于地震动的复杂性，针对某一特定问题提取的特征可能不适用于其他问题，且人工提取的特征涵盖所有速度大脉冲特征是极其困难的，这也是目前尚未提出速度脉冲统一界定标准的原因之一。因此，有必要通过模型自动提取特征代替人工提取特征，从而得到更好的特征结果。
基于上述原因，目前相关领域的国内外学者提出了基于深度学习的地震震相识别方法，Perol等（2018）应用卷积神经网络（CNN）对俄克拉荷马地区的连续记录波形进行了识别与定位；Ross等（2018）利用南加州273 882多个地震事件建立数据集，并训练CNN模型，得到的模型具有较强的泛化能力；Zhu等（2019）搭建的卷积神经网络PhaseNet对拾取地震到时具有较好效果；赵明等（2019）提出了基于CNN的地震波形自动分类方法。震相识别虽与强地震动识别不同，但以上研究证明了深度学习方法对地震数据自动提取特征的能力，因此深度学习方法在识别速度大脉冲方面具有可行性。
含速度大脉冲的强地震动具有复杂的特性，人工提取速度大脉冲特征的方法较繁琐，故利用CNN在图像特征自动提取方面的优势，提出基于CNN图像识别的速度大脉冲识别方法。基于NGA-West1数据库提供的6 000条非脉冲强地震动记录和91条含有速度大脉冲的强地震动记录，通过在原始记录中加入高斯噪声和随机过采样的方法，将91条含有速度大脉冲的强地震动扩充到6 000条。在此基础上划分数据集，以速度时程波形图作为输入，利用本文搭建的深度为7的CNN模型进行训练、验证和测试。本文建立的CNN模型能够用于速度大脉冲的识别，为准确评估工程场地地震危险性并合理确定地震动输入奠定基础。
1. CNN模型与评价指标
1.1 CNN概况与设计
CNN是带有卷积计算、深度结构的前馈神经网络，属于深度学习的经典算法。本文利用CNN模型，避免了前期复杂的预处理。不通过人工提取特征，由模型自动完成，提取的特征能够用于速度大脉冲识别。常见的CNN模型结构一般包括输入层、卷积层、池化层、全连接层、输出层等（图1）。卷积层、池化层、全连接层进行数据端到端特征提取，通过SoftMax函数输出识别结果。
卷积层又叫特征提取层，是CNN最基本、最重要的作用层，由若干卷积单元组成，每个卷积单元的参数均通过反向传播算法最优化得到。由前一层的特征图与1个可学习的卷积核进行卷积后，加偏置再经过激活函数得到的输出结果组成。因此该层的每个神经元输入与前一层的局部感受野相连。通过卷积核提取该局部的特征，一旦该局部特征被提取后，其与其他特征之间的位置关系随之确定（段友祥等，2016）。卷积核是CNN的核心，其作用是对不同维度的原始数据进行稀疏连接，在提取特征的同时减少参数量，得出输出特征。本文选取在深度学习中使用较广泛的ReLU函数进行非线性变换，卷积层输出可表示为：
$$ {{{c}}_{{i}}} = \sigma \left[ {\sum\limits_{j = 1}^n {{{({w^j})}^T}x_{i:i + n - 1}^j + b} } \right] $$ (1) 式中，X=[x1, x2, x3, ···, xn]为模型输入数据集；σ为激活函数；b为输出偏置；wj为第j个权重；n为卷积核尺寸；T表示转置。
池化层又叫采样层或特征映射层，作用是对卷积层进行优化。引入池化层将进一步减少上一层输出特征参数，并保留其主要特征信息。当前较常用的池化函数包括最大、平均池化函数，本文选取最大池化函数，其表达式为：
$$ p_i^j = \mathop {\max }\limits_{r \in R} ({\text{c}}_{i t + r}^j) $$ (2) 式中，r为池化尺寸，t为池化层移动步长。
随着卷积层和池化层的堆叠，这种稀疏的连接方式在逐层提取输入数据深层特征的同时，可极大减少参数量。
在本模型中增加了局部响应归一化层（LRN），归一化层是Krizhevsky等（2012）为防止在ReLU函数激活后数据过拟合而提出的处理方法。
全连接层是传统的神经网络层，将其置于卷积层和池化层后，全连接层对自动提取的特征做加权和，然后联合SoftMax层进行分类。SoftMax函数表达式如式（3）所示，输出识别的脉冲与非脉冲概率，用于识别地震动记录。
$$ {y_k} = \frac{{\exp ({z_k})}}{{\displaystyle\sum\nolimits_{k = 1}^{{N_{\rm{c}}}} {\exp ({z_k})} }} $$ (3) 式中，k为标识地震动是否为速度大脉冲的索引，一般用0、1表示，0代表非脉冲，1代表脉冲；zk为全连接层输出；Nc为所有地震动记录的数量；yk为输入概率。
通过上述过程即可完成CNN的前向传播。为评价预测地震动类型与实际地震动类型的距离，即判断识别是否正确，目标函数选取为分类交叉损失函数：
$$ {E_0} = - \frac{1}{m}\left[\sum\limits_{i = 1}^m {\sum\limits_{k = 1}^{{N_{\rm{c}}}} {{\rm{label}}_k^i\log ({y_k})} } \right] $$ (4) 式中，m为样本输入量；label为真实地震动类型标签的独热编码。
在反向传播过程中，为使权重w和偏置b更新更稳定、快速，本文使用Adam算法与小批量随机梯度下降算法相结合的方法加快训练速度，其中小批量随机梯度下降算法能够综合考虑随机梯度下降和批量梯度下降，实现对每次选取部分的小批量数据的梯度更新，同时Adam算法能够节省内存，进而更精准快速地计算梯度值。
为提高模型特征提取能力，本文在基本结构的基础上加深网络深度，增加了卷积层、池化层和全连接层数量，建立了深度为7的CNN模型，如图2所示。
1.2 评价指标
本文利用准确率Acc作为模型的评价指标，在评价过程中准确率值越大，代表该模型的效果越理想，Acc计算式为：
$$ {A_{{\rm{cc}}}} = \frac{{T_{\rm{P}} + T_{\rm{N}}}}{{T_{\rm{P}} + T_{\rm{N}} + F_{\rm{P}} + F_{\rm{N}}}} $$ (5) 式中，TP和TN分别为正确识别的速度大脉冲和不包含速度大脉冲的地震动记录数量，FN和FP分别为错误识别的速度大脉冲和不包含速度大脉冲的地震动记录数量。
2. 数据收集与预处理
本文使用的地震动记录来源于美国太平洋地震工程研究中心提供的强震数据库NGA-West1，该数据库为本研究利用卷积神经网络进行速度大脉冲识别提供了必要的训练数据和测试数据。
2.1 数据集收集
Baker（2007）提出的速度大脉冲识别方法是目前较成熟的方法（杨福剑等，2019），广泛应用于速度大脉冲识别中，基于NGA-West1数据库识别的91条脉冲型地震动记录，为本文提供了宝贵的数据集，另在NGA-West1数据库中收集了6 000条非速度脉冲型地震动。
当地震动记录满足以下条件，则该记录含有速度大脉冲，反之该地震动记录为非脉冲型地震动：
（1）原始记录峰值速度PGV>30 cm/s。
（2）脉冲指标PI>0.85（PI<0.15则不含速度大脉冲；PI为0.15～0.85则需人工进行处理）。
$$ {{\rm{PGV}}_{{\text{ra}}{\rm{tio}}}} = \frac{{{{\rm{PGV}}_{{\text{residual}}}}}}{{{{\rm{PGV}}_{{\rm{original}}}}}} $$ (6) 式中，PGVresidual为提取速度脉冲后的残余记录的峰值速度；PGVorginal为原始记录的峰值速度。
$$ {{\rm{Energy}}_{{\text{ratio}}}}{\text{ = }}\frac{{{{\rm{Energy}}_{{\rm{residual}}}}}}{{{{\rm{Energy}}_{{\rm{original}}}}}} $$ (7) 式中，Energyresidual为提取速度脉冲后的残余能量；Energyoriginal为原始记录的能量。
$$ {\rm{PI}} = \frac{1}{{1 + {{\rm{e}}^{ - 23.3 + 14.6{{\rm{PGV}}_{{\rm{ratio}}}} + 20.5{{\rm{Energy}}_{{\rm{ratio}}}}}}}} $$ (8) （3）速度大脉冲应出现在速度时程的早期，判定标准如下：
$$ {t_{20\% ,{\rm{original}}}} > {t_{10\% ,{\rm{pulse}}}} $$ (9) 式(9)中，t20%,original为原始记录速度时程的累计速度平方法达到其总累计速度平方法20%的时刻，t10%,pulse为速度脉冲的累计速度平方法达到其总累计速度平方法10%的时刻。
2.2 数据集预处理
大样本数据是开展深度学习的必要前提，否则会导致模型识别能力不足和过拟合，本文收集的91条含有速度大脉冲的记录难以满足模型训练需求。此外，数据集中含有速度大脉冲的记录与非速度脉冲型地震动记录数量出现严重的不均衡。遇到不均衡数据集时，常用的深度学习算法无法获得较好的效果，此类算法通常以总体的最大准确率作为目标函数，这会造成算法过多地关注多数类，造成模型对少数类样本分类性能的降低。
本文将依次采用以下方法解决样本不均衡问题：一是在原始速度记录中加入信噪比1～10 dB的高斯噪声，如式（10）所示；二是利用随机过采样技术随机复制少数类样本，以增加其频数，直至2类地震动记录的数量达到均衡。
$$ F({t})={{f}}({{t}})+{\rm{Gauss}}(\mu ,\sigma ) $$ (10) 式中，f（t）为原始速度记录，Gauss（μ,σ）为均值为μ、标准差为σ的高斯噪声，F（t）为加入高斯噪声后的速度记录。
经过预处理后，包含速度大脉冲的样本数量达6 000条，保证了大样本数据及数据集的均衡性。
预处理前后的波形如图3所示，由图3可知，原始记录记入噪声后，波形虽存在区别，但大致趋势未有明显改变，脉冲部分特征均较明显。为进一步研究加入噪声后对原始地震动记录脉冲特性的影响，采用Baker（2007）研究方法对原始记录和加入噪声后的记录进行脉冲时程的提取，并进行对比，结果如图4所示。由图4可知，噪声的加入几乎未对原始时程记录中脉冲特性产生任何影响。除展现出来的示例外，其他时程的对比结果也均未发现噪声带来的影响。故可证明，在原始记录中记入噪声以扩充包含速度大脉冲样本数量的方法行之有效。
3. 试验与结果分析
为保证模型的泛化能力，防止模型过拟合，按8∶1∶1的比例在打乱的原始数据集中随机抽取训练集、验证集和测试集，各数据集合样本数量分别为9 600、1 200、1 200。训练集数据用于建立CNN模型的训练，使模型能够自动提取速度大脉冲的特征信息；验证集数据用于超参数的调整；测试集数据可用于评估模型的可靠性及泛化能力。正常情况下，由于测试集数据未参与训练、调参，测试集准确率低于训练集准确率。
3.1 模型训练
本文构建的卷积神经网络模型训练的软件环境为python3.6、Tensorflow1.15深度学习框架及NumPy包，硬件环境为Intel i7 9750H和英伟达RTX 2060显卡。
为使训练集准确率达到最高，通过验证集调整超参数。网络设置参数为学习率0.000 1、批量500。图5所示为训练过程中准确率和损失值曲线，由图5可知，随着迭代次数的增加，经过400步曲线即达到稳定，准确率达99.5%，损失值为0.05，且未出现过拟合现象。结合图5的曲线变化，最终选取迭代训练800步的模型。
3.2 模型测试
为验证模型的可靠性及泛化能力，利用测试集1 200条强地震动数据（未参与模型训练和调参的数据）对保存好的模型进行测试，识别准确率达99%，用时仅为1 s，可见该方法可在极短的时间内完成测试，并保证较高的识别准确率，这为速度脉冲型地震动记录的快速准确识别奠定了基础。结果表明本文的CNN模型能够自动提取速度大脉冲的信息，进而用于速度大脉冲识别，具有较高的可靠性和泛化能力。
4. 与传统方法对比
小波分析是信号的时间-尺度或时间-频率的分析方法，是可在时间域对信号进行离散变换，在频率域进行谱分析的方法。小波分析具有非常高的分辨率，在时间域和频率域均具有表征信号局部特征的能力，是分析地震动信号的有效方法（朱继梅，1996）。Baker（2007）利用小波分解方法提出了量化识别方法，通过四阶Daubechies小波基，利用小波分解方法提取地震动速度时程中最大速度脉冲，通过分析残余记录与原始记录的能量比和峰值速度比，给出了速度脉冲的定量判别标准。当脉冲指标PI>0.85且峰值速度>30 cm/s时，该记录为速度大脉冲记录；当PI<0.15时，该记录不包含速度大脉冲，当PI为0.15～0.85时，无法判别该记录，需人工处理。此外，该方法对于包含多速度脉冲的地震动记录无法识别（Zhai等，2013；Zhao等，2016）。
为与Baker（2007）方法进行对比，选取6条记录，其中3条记录PI<0.15，按照Baker（2007）的判别准则，这3条记录为非速度脉冲记录；3条记录PI为0.15～0.85，需人工识别。本文的CNN模型识别结果全部为速度大脉冲，与其他学者识别结果相似（Zhai等，2013；Zhao等，2016），具体记录信息及识别结果如表1和图6、7所示。
表 1 地震动记录信息及识别结果Table 1. Ground motion record information and identification results地震动编号 地震名称 PI（Baker，2007） CNN识别结果 RSN180 Imperial Valley-06 0.23 速度脉冲 RSN292 Irpinia, Italy-01 0.13 速度脉冲 RSN1013 Northridge-01 0.08 速度脉冲 RSN1489 Chi-Chi 0.77 速度脉冲 RSN2628 Chi-Chi 0.04 速度脉冲 RSN3317 Chi-Chi 0.28 速度脉冲 由图6可知，当PI为0.15～0.85时，Baker（2007）提出的传统方法无法识别，需人工识别，而本文建立的CNN模型能够识别。图7中PI<0.15，按Baker（2007）提出的传统方法可将其判定为非速度脉冲，而由图7可明显看出存在多个脉冲（框选部分），其未被Baker（2007）提出的方法认定为脉冲记录的原因是速度时程中存在多个明显的次脉冲，次脉冲的存在降低了PI值。本文方法能够识别含有多速度脉冲强地震动记录的原因是CNN模型自动提取的速度大脉冲特征更全面。综上所述，本文提出的CNN模型判别结果明确，无须人工判别，且在识别含有多个速度脉冲的强地震动记录方面具有优势。
5. 结论与展望
利用CNN在图像特征自动提取方面的优势，提出基于CNN图像识别的速度大脉冲识别方法。利用在原始记录中加入高斯噪声与过采样的方法解决了样本不均衡问题。训练后的CNN模型能够自动提取速度大脉冲的特征，进而将速度大脉冲记录结果复现。
传统的速度大脉冲识别方法需通过统计分析构造速度大脉冲识别的特征，较繁琐、单一。本文方法能够自动从速度波形图中提取全面的速度大脉冲特征，用于速度大脉冲识别，更智能、简单。本文方法将强地震动记录转化为波形图像，将速度大脉冲识别转化为图像识别，以99%的准确率进行分类，表明本文建立的CNN模型能够自动提取速度大脉冲信息，进而可用于速度大脉冲识别中。将本文方法与传统方法进行对比，结果表明本文方法在识别含有多个速度脉冲的强地震动记录方面优于传统方法，证明了本文方法具有较高的可靠性、鲁棒性、灵活性。
本文建立的CNN模型仅对速度大脉冲进行了识别，未给出模型自动提取的速度大脉冲特征、周期及所在位置，未来的研究中将解决这些问题。另外，由于已有含多速度脉冲的记录数量较少，本文未给出较细致的对比，随着数据数量的增多，将进行深入的对比研究。
-
图 6 纹理特征影像的建筑区与非建筑区均值-方差分布
Figure 6. The mean-variance distribution diagram of texture feature image in building area and no-building area
图 8 综合LBP、Gabor纹理特征主成分的特征组合影像
Figure 8. Feature combination image combining LBP and Gabor texture feature principal components
图 9 综合LBP、Gabor纹理特征主成分的建筑区提取结果
Figure 9. Extraction results of building area based on LBP and Gabor texture features principal components
图 10 单独使用ULBP、Gabor纹理特征的建筑区提取结果
Figure 10. Extraction results of building area using LBP and Gabor texture features alone
表 1 Gabor纹理特征主成分分析的特征值和累计贡献率
Table 1. Eigenvalue and cumulative contribution rate of Gabor texture feature principal component analysis
主分量序号 特征值 累计贡献率/% 1 169 895.662 9 78.57 2 35 276.230 6 94.89 3 4 141.754 3 96.80 4 3 023.798 2 98.20 5 2 138.256 2 99.19 6 1 011.151 3 99.66 7 527.956 9 99.90 8 180.849 1 100.00 
下载: 导出CSV
表 2 试验区混淆矩阵及精度评价
Table 2. Confusion matrix and accuracy evaluation of experimental area
方法 类别 非建筑区/ m2 建筑区/ m2 总数/ m2 错分率/% 误分率/% 生产者精度 /% 用户精度/% Kappa系数 综合使用ULBP、Gabor纹理特征 非建筑区 258 436 25 560 283 996 8 6 94 91 0.78 建筑区 17 933 120 017 137 950 13 18 82 87 总体精度/% 90 单独使用ULBP纹理特征 非建筑区 238 958 75 461 314 419 24 5 95 76 0.57 建筑区 11 233 113 576 124 809 9 40 60 91 总体精度/% 80 单独使用Gabor纹理特征 非建筑区 259 773 53 207 312 980 17 4 96 83 0.64 建筑区 13 295 112 894 126 189 11 32 68 89 总体精度/% 84
下载: 导出CSV
-
邓鸿儒, 崔宸洋, 单文龙等, 2018. 基于高分三号卫星SAR影像的城市建筑区提取. 地理信息世界, 25（6）: 79—84 doi: 10.3969/j.issn.1672-1586.2018.06.015Deng H. R. , Cui C. Y. , Shan W. L. , et al. , 2018. Urban building area extraction based on GF-3 satellite SAR images. Geomatics World, 25(6): 79—84. (in Chinese) doi: 10.3969/j.issn.1672-1586.2018.06.015 邓磊, 李京, 聂娟等, 2008. 抑制斑点噪声的SAR与多光谱图像融合方法. 自然灾害学报, 17（6）: 87—90 doi: 10.3969/j.issn.1004-4574.2008.06.018Deng L. , Li J. , Nie J. , et al. , 2008. A method fusing SAR with multi-spectral image and reducing speckle noise. Journal of Natural Disasters, 17(6): 87—90. (in Chinese) doi: 10.3969/j.issn.1004-4574.2008.06.018 杜妍开, 龚丽霞, 李强等, 2021. 基于多纹理特征融合的震后SAR图像倒塌建筑物信息提取. 遥感技术与应用, 36（4）: 865—872Du Y. K. , Gong L. X. , Li Q. , et al. , 2021. Earthquake induced building damage assessment on SAR multi-texture feature fusion. Remote Sensing Technology and Application, 36(4): 865—872. (in Chinese) 李向辉, 陈一祥, 王海斌等, 2015. 基于Gabor滤波和局部特征点密度的居民区提取. 国土资源遥感, 27（3）: 59—64Li X. H. , Chen Y. X. , Wang H. B. , et al. , 2015. Urban area detection based on Gabor filtering and density of local feature points. Remote Sensing for Land & Resources, 27(3): 59—64. (in Chinese) 刘康, 2012. 基于高分辨率SAR影像提取建筑物高度的研究. 武汉: 武汉大学.Liu K., 2012. Advanced methods for building height extraction from high resolution SAR images. Wuhan: Wuhan University. (in Chinese) 孙萍, 2013. 极化SAR图像建筑物提取方法研究. 北京: 首都师范大学. 谭衢霖, 2002. 鄱阳湖湿地生态环境遥感变化监测研究. 北京: 中国科学院研究生院（遥感应用研究所）.Tan Q. L., 2002. Study on remote sensing change detection and its application to Poyang international importance wetland. Beijing: Graduate University of Chinese Academy of Sciences Institute of Remote Sensing Applications. (in Chinese) 王军敏, 李宁, 王艳辉, 2019. 基于Gabor特征和局部二值模式融合的纹理图像识别. 平顶山学院学报, 34（5）: 32—36 doi: 10.3969/j.issn.1673-1670.2019.05.007Wang J. M. , Li N. , Wang Y. H. , 2019. Texture image recognition based on the fusion of Gabor features and local binary patterns. Journal of Pingdingshan University, 34(5): 32—36. (in Chinese) doi: 10.3969/j.issn.1673-1670.2019.05.007 吴樊, 王超, 张红, 2005. 基于纹理特征的高分辨率SAR影像居民区提取. 遥感技术与应用, 20（1）: 148—152 doi: 10.3969/j.issn.1004-0323.2005.01.027Wu F. , Wang C. , Zhang H. , 2005. Residential areas extraction in high resolution SAR image based on texture features. Remote Sensing Technology and Application, 20(1): 148—152. (in Chinese) doi: 10.3969/j.issn.1004-0323.2005.01.027 徐佳, 陈媛媛, 黄其欢等, 2012. 综合灰度与纹理特征的高分辨率星载SAR图像建筑区提取方法研究. 遥感技术与应用, 27（5）: 692—698 doi: 10.11873/j.issn.1004-0323.2012.5.692Xu J. , Chen Y. Y. , Huang Q. H. , et al. , 2012. Built-up areas extraction in high resolution spaceborne SAR image based on the integration of grey and texture features. Remote Sensing Technology and Application, 27(5): 692—698. (in Chinese) doi: 10.11873/j.issn.1004-0323.2012.5.692 赵凌君, 秦玉亮, 高贵等, 2009. 利用GLCM纹理分析的高分辨率SAR图像建筑区检测. 遥感学报, 13（3）: 483—490 doi: 10.11834/jrs.20090311Zhao L. J. , Qin Y. L. , Gao G. , et al. , 2009. Detection of built-up areas from high-resolution SAR images using the GLCM textural analysis. Journal of Remote Sensing, 13(3): 483—490. (in Chinese) doi: 10.11834/jrs.20090311 Gabor D. , 1946. Theory of communication. Part 1: The analysis of information. Journal of the Institution of Electrical Engineers - Part III: Radio and Communication Engineering, 93(26): 429—441. doi: 10.1049/ji-3-2.1946.0074 Hu D. Y., Li X. J., Zhao W. J., et al., 2009. Texture analysis and its application for single-band SAR thematic information extraction. In: 2008 IEEE International Geoscience and Remote Sensing Symposium. Boston: IEEE. Ojala T. , Pietikainen M. , Harwood D. , 1996. A comparative study of texture measures with classification based on featured distributions. Pattern Recognition, 29(1): 51—59. doi: 10.1016/0031-3203(95)00067-4 Ojala T. , Pietikainen M. , Maenpaa T. , 2002. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(7): 971—987. doi: 10.1109/TPAMI.2002.1017623 Tison C. , Nicolas J. M. , Tupin F. , et al. , 2004. A new statistical model for Markovian classification of urban areas in high-resolution SAR images. IEEE Transactions on Geoscience and Remote Sensing, 42(10): 2046—2057. doi: 10.1109/TGRS.2004.834630 Zhai W. , Shen H. F. , Huang C. L. , et al. , 2016. Fusion of polarimetric and texture information for urban building extraction from fully polarimetric SAR imagery. Remote Sensing Letters, 7(1): 31—40. doi: 10.1080/2150704X.2015.1101179 期刊类型引用(2)
1. 郭茂祖，张欣欣，赵玲玲，张庆宇. 面向结构地震响应预测的Phy-LInformers方法. 智能系统学报. 2024(04): 1027-1041 . 
百度学术2. 郑史雄，雷川鹤，贾宏宇，杨健，赵灿晖. 人工智能技术在桥梁抗震领域的应用综述. 地震工程与工程振动. 2023(04): 1-13 . 百度学术其他类型引用(1)
-
下载:
点击查看大图
计量
- 文章访问数: 173
- HTML全文浏览量: 23
- PDF下载量: 33
- 被引次数: 3
