一种基于多时相SAR特征与深度学习约束的建筑候选区域筛选及TomoSAR三维散射体提取方法
本发明涉及合成孔径雷达遥感图像处理、时序散射特征分析、深度学习语义分割以及层析合成孔径雷达三维成像,具体涉及一种从多时相高分辨率sar复数影像中构建稳定散射特征,结合建筑空间先验形成建筑弱标签,通过深度学习分割获得建筑相关候选概率,并利用双阈值结构保持和高质量稳定散射候选补救形成层析候选区域,再将所述候选区域映射至sar复数数据栈,仅对候选像元执行tomosar稀疏反演以获得建筑相关三维散射体的方法。
背景技术:
1、高分辨率sar具有全天时、全天候和对人工结构敏感等优势。城市建筑、体育场馆、厂房和金属构筑物在sar影像中常表现为屋顶散射、墙地二次散射、亮边和稳定角反射。tomosar利用同一地区不同垂直基线的多景复数sar观测恢复高程向散射分布,可在叠掩严重的城市区域实现三维散射体分离。
2、传统tomosar处理通常先在较大区域内进行候选散射点筛选,再逐像元构建高程向字典并执行omp或其他稀疏反演。对于大范围高分辨率sar数据,建筑之外的道路、植被、阴影、空地和噪声区域仍可能进入候选集合,导致大量无效像元参与字典构建和稀疏求解,不仅增加计算量,还可能在低质量区域产生伪峰。
3、另一方面,仅使用单景sar强度或固定阈值难以稳定表达建筑范围。车辆、临时设施和随机散斑可能形成瞬时亮点,而真正建筑散射结构更具有多时相持续性和幅度稳定性。仅依赖建筑地面轮廓也存在不足,因为sar侧视几何中的建筑亮边、叠掩和墙地二次散射与地面投影轮廓并不完全一致。
4、现有深度学习建筑分割方法多采用单景图像或通用数据集,模型容易受传感器、分辨率、入射角、辐射尺度和区域差异影响。若模型完全决定层析候选区,还可能因训练标签误差和泛化不足漏掉少量但物理质量很高的稳定散射点。因而有必要将目标区自身的多时相物理特征、建筑空间先验、深度学习连续区域识别和高质量稳定散射候选保留机制统一起来,并与tomosar反演直接衔接。
技术实现思路
1、本发明的目的旨在解决以下问题:一是传统tomosar中大量非建筑或低价值像元参与稀疏反演、计算范围过大;二是单景sar强度对建筑提取不稳定;三是建筑矢量轮廓与sar实际散射影响区存在几何差异;四是纯深度学习结果可能漏掉稳定强散射候选;五是地图坐标中的建筑识别结果与sar复数层析数据之间缺少直接可执行的坐标回传和候选读取链路。
2、为实现上述目的,本发明采用的技术方案:一种基于多时相sar特征与深度学习约束的建筑候选区域筛选及tomosar三维散射体提取方法,包括以下步骤:
3、s1,获取覆盖同一目标区域的n景高分辨率sar复数影像,将各景影像共注册至统一sar方位向-距离向网格,保留共注册复数sar数据栈,同时生成用于多时相特征计算和地理编码的幅度或强度数据,并建立地图坐标与sar方位向-距离向坐标之间的映射关系;
4、s2,在统一研究区域内逐像元构建六通道多时相sar特征,所述六通道包括多时相中值对数幅度f1、幅度离散度f2、强散射持续性f3、候选点综合评分f4、候选等级f5以及有效区掩膜f6;
5、s3,将建筑轮廓或其他建筑空间先验映射至与所述六通道特征一致的地图网格,并结合像元与建筑空间先验之间的空间关系、多时相sar物理特征以及有效观测信息生成建筑弱标签,所述建筑弱标签至少包括建筑相关候选类、背景类和忽略类;
6、s4,将所述六通道多时相sar特征作为深度学习分割网络输入,利用所述建筑弱标签训练所述深度学习分割网络,获得逐像元建筑相关候选概率pb;
7、s5,对所述建筑相关候选概率pb设置低阈值和高阈值,并采用滞后连接方式保留低阈值候选区域中与高阈值核心区域空间连通的像元,得到深度学习建筑候选掩膜mdl;
8、s6,根据候选等级f5确定预设高质量稳定散射候选集合,将所述高质量稳定散射候选集合与深度学习建筑候选掩膜mdl进行保留式融合,并通过有效区掩膜f6进行约束,得到最终层析候选掩膜mc;
9、s7,利用步骤s1建立的映射关系,将最终层析候选掩膜mc中的候选像元映射至共注册sar复数数据栈的方位向-距离向索引,并从n景复数sar数据中提取对应像元的多基线复数观测;
10、s8,仅对最终层析候选掩膜mc中的候选像元构建高程向观测模型并执行稀疏tomosar反演,对非候选像元跳过所述高程向观测模型构建和稀疏反演,获得候选像元的高程散射体及其地图坐标,并形成建筑相关三维散射点云。
11、步骤s1中的n景sar复数影像采用相同轨道方向、相同观测视向和相同极化通道的重复观测影像,并具有满足共注册及层析高程成像要求的垂直基线分布;主影像根据共同有效覆盖范围、时间位置、共注册稳定性以及垂直基线分布确定,使共注册后的多景sar复数数据保持统一的方位向-距离向采样网格,并形成满足tomosar高程向成像要求的有效垂直基线孔径。
12、步骤s2中,先由第k景复数sar像元sk获得幅度ak和对数幅度lk;多时相中值对数幅度f1由各有效时相lk的中位数获得;幅度离散度f2由有效时相幅度标准差与幅度均值之比获得;强散射持续性f3由像元在有效时相中超过对应影像高分位强散射阈值的次数与有效观测次数之比获得;
13、步骤s2中像元的有效观测比例rv为该像元有效时相数nv与总时相数n之比,并将rv与预设有效观测阈值比较生成二值有效区掩膜v,定义第六通道f6=v;在深度学习样本文件中,所述有效区掩膜v还可作为valid_mask保存,用于限制网络损失计算和模型精度统计的有效空间范围;
14、步骤s2中的候选点综合评分f4由归一化后的多时相中值对数幅度、幅度稳定性、强散射持续性和有效观测比例进行加权组合获得;候选等级f5根据候选点综合评分f4以及强散射持续性、幅度离散度和有效区条件对像元进行分级,其中至少设置一个用于表征高质量稳定散射候选的预设等级;在具体实施例中,所述预设高质量稳定散射候选等级记为level 2。
15、步骤s3中的建筑空间先验包括公开建筑轮廓、光学遥感影像提取的建筑轮廓、实景三维建筑边界、人工矢量建筑轮廓中的至少一种;计算像元与建筑空间先验之间的包含关系或者最近距离,并结合f3、f4、f5和f6确定弱标签:位于建筑内部或建筑邻近区域且具有预设sar物理响应的有效像元标记为建筑相关候选类,远离建筑空间先验且sar物理响应低于预设条件的有效像元标记为背景类,处于建筑边界过渡区域、不同判别条件相互冲突或者有效观测不足的像元标记为忽略类。
16、步骤s4中的样本输入格式为浮点型六通道特征张量,标签为单通道整数型图像;训练集、验证集和测试集按不重叠空间区域划分,同一地理位置产生的重叠切片仅属于其中一个子集,以避免空间泄漏;
17、步骤s4中的深度学习分割网络采用轻量级u-net,包括多级编码器、瓶颈层、逐级上采样解码器以及编码器与解码器之间的跳跃连接,网络输入为六通道多时相sar特征,输出端通过sigmoid函数获得0至1范围的建筑相关候选概率pb;网络损失函数包括二元交叉熵损失和dice损失中的至少一种,并将忽略类像元从损失计算和精度统计中排除。
18、步骤s5中的低阈值τl满足0.40≤τl≤0.60,高阈值τh满足0.70≤τh≤0.90,且τl<τh;首先将pb≥τh的像元定义为高置信核心集合,将pb≥τl的像元定义为低阈值候选集合,再按照预设像元邻接关系对低阈值候选集合执行连通域分析,仅保留与所述高置信核心集合连通的候选分量,形成深度学习建筑候选掩膜mdl。
19、步骤s6中从候选等级f5中提取满足预设高质量稳定散射条件的像元形成稳定散射补救集合ms,并按照mc=f6∩(mdl∪ms)的关系形成最终层析候选掩膜,使未被深度学习建筑相关候选概率充分覆盖、但具有较高多时相散射稳定性的像元仍被保留;在具体实施例中,所述稳定散射补救集合ms由f5取level 2的像元组成。
20、步骤s7中通过地理编码正向或反向查找表,将地图网格中mc=1的像元转换为共注册sar数据栈中的行列索引,并形成n×nc的复数观测矩阵,其中nc为最终候选像元数量,每一列对应一个候选像元,每一行对应一景sar影像。
21、步骤s8中根据n景sar影像相对于主影像的垂直基线、雷达波长、目标斜距和入射角确定各景对应的高程向空间频率,在预设高程搜索区间内对高程位置进行离散化并构建tomosar高程向观测字典,以候选像元的n景复数观测作为输入,通过稀疏谱估计获得一个或多个高程向散射分量;
22、所述稀疏谱估计采用正交匹配追踪omp,通过预设稀疏度k选择高程向散射分量;当k=1时恢复候选像元的一个主导散射分量,当k大于1时恢复多个高程向散射分量;所述稀疏谱估计还可采用l1正则化稀疏重建方法替代omp。
23、在步骤s7至s8之间对反映射后的候选像元进行有效观测校验,仅使有效观测数不低于预设阈值的候选像元进入tomosar稀疏反演,同时保存候选像元的地图坐标、sar方位向-距离向索引、有效观测数、f1至f6特征值、建筑相关候选概率pb以及候选筛选来源,用于后续三维散射点质量控制和结果追踪
24、本发明的有益效果:
25、(1)本发明直接由目标区域自身的多时相sar数据构建散射强度、幅度稳定性、强散射持续性、候选评分以及有效观测特征,相对于单景强度阈值能够降低瞬时亮点和随机散斑对建筑相关候选识别的影响。
26、(2)建筑空间先验仅用于限定建筑大致空间位置和构建弱标签,而不直接等同于sar中的建筑真实散射范围,并与多时相sar物理响应联合确定训练标签,因此能够更好地适应侧视sar中屋顶散射、建筑边缘、墙地二次散射及叠掩影响区与地面建筑轮廓不完全一致的特点。
27、(3)深度学习分割网络用于学习建筑相关候选区域的空间连续结构,并通过双阈值滞后连接同时利用高置信核心和中等概率候选,能够降低单一高阈值导致的候选区域断裂以及单一低阈值导致的大量孤立误检。
28、(4)预设高质量稳定散射候选作为独立于深度学习概率的物理补救来源,可保留部分由于弱标签误差、低散射区域或模型泛化不足而未获得较高网络概率、但具有较高多时相物理稳定性的sar散射体。
29、(5)通过地理编码映射关系将地图坐标空间中的建筑候选结果重新映射至sar方位向-距离向复数数据栈,使深度学习候选识别结果能够直接控制tomosar多基线复数观测的读取和高程向反演范围。
30、(6)仅对最终候选像元构建高程向观测字典并执行tomosar稀疏反演,非候选像元直接跳过高成本层析计算,从而减少进入tomosar处理的像元数量和搜索空间,同时保留候选像元完整的多景复数幅度及相位信息用于高程恢复。
31、(7)本发明输出内容包括建筑相关候选概率、最终层析候选掩膜、候选筛选来源、sar方位向-距离向索引、高程散射体和地图坐标,可进一步形成建筑相关三维散射点云,并用于地理信息系统或三维场景中的结果展示和质量核查。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com