一种地理先验图学习的InSAR建筑物PS点提取方法

本发明涉及遥感数据处理的，尤其是涉及一种地理先验图学习的insar建筑物ps点提取方法。

背景技术：

1、多时相合成孔径雷达干涉测量（multi-temporal interferometric syntheticaperture radar，mt-insar）通过对多景sar影像进行配准、干涉、相位解缠、误差校正和时序反演，可以获得地表目标的形变速率及形变时间序列。城市区域通常存在大量永久散射体（persistent scatterer，ps）点，散落分布在建筑物、道路、地面、裸地等多种地物上。在建筑物形变监测场景中，首先需要从全部ps点集中对应提取属于建筑物的ps点子集——即区分建筑物ps点与非建筑物ps点，并建立ps点与建筑物对象之间的归属关系。但在现有技术中的主要缺点如下：

2、（1）空间匹配不可靠导致提取精度低：采用二值叠置/缓冲匹配对sar几何畸变和轮廓误差敏感，边界ps点错提和漏提严重。

3、（2）地理先验利用不充分：建筑物轮廓、高度、结构类型等地理信息仅在匹配阶段作为空间过滤器使用，未能在标签构造、特征学习和提取决策中形成贯穿一致的多级约束。

4、（3）ps点拓扑关系缺失：离散ps点之间的同建筑物归属、跨建筑物区分等拓扑关系未被显式建模和利用，相邻地物ps点易混淆。

5、（4）提取结果缺乏可复核性：硬性二值输出缺乏对提取置信度的指示和系统性复核机制，误提的ps点难以被系统性地发现和纠正。

技术实现思路

1、本发明的目的是提供一种地理先验图学习的insar建筑物ps点提取方法，将建筑物地理先验（建筑物矢量轮廓、高度等级、结构类型等）编码为连续的空间隶属先验和建筑属性向量，使其在伪标签生成、图结构构建和图注意力消息传递三个层面形成多级耦合约束，从而在少量人工标签条件下从全部ps点集中高精度提取建筑物ps点。

2、为实现上述目的，本发明提供了一种地理先验图学习的insar建筑物ps点提取方法，包括以下步骤：

3、步骤s1：获取全部的永久散射体ps点数据，将多时相sar影像经多时相合成孔径雷达干涉测量mt-insar处理得到的观测场景内全部的ps点数据，包括个点；

4、步骤s2：从点数据中每个点中提取三类特征，包括辐射特征、形变特征和空间上下文特征，三类特征经过处理后，拼接获得节点特征向量；

5、步骤s3：获取建筑物矢量轮廓，采用垂线法来获取每个ps点计算其相对于最近建筑物轮廓的距离，并将映射为空间隶属先验，空间隶属先验表征该ps点位于建筑物内部的可能性；将最近建筑物对应的二维空间位置、高度、材料属性编码为属性向量；基于ps点之间的距离和建筑物归属关系，对应构建稀疏空间约束图，其中，表示节点，e表示边，节点与每个ps点对应，定义边e包括关系类型和边权；

6、步骤s4：生成伪标签，对多维节点特征降维并执行密度聚类，获得聚类簇和各ps点的聚类成员概率；对于每一聚类簇，联合簇内空间隶属先验的统计量和空间纯度判定该簇对应建筑物ps点还是非建筑物ps点；对满足高置信条件的簇内ps点生成伪标签及样本置信度；未满足高置信条件的ps点标记为不确定样本；

7、步骤s5：搭建包含地理知识编码器和地理偏置耦合图注意力层的提取网络，具体如下：对于满足高置信调降的簇内ps点，使用地理知识编码器将、、及缺失掩码融合为增强节点表示；对于不确定样本的ps点执行自训练扩展；在图注意力层计算节点i对邻居j的注意力打分时，引入由、、和形成的地理偏置函数：当为同一建筑物关系且和均较高时，增大注意力权重，其中表示邻居j的空间隶属先验，；当为相邻建筑物区分关系时，减小注意力权重，对应使用组合损失训练提取网络；

8、步骤s6：输出每一ps点被提取为建筑物ps点的概率和提取不确定度，并对空间隶属先验位于预设模糊区间内的边界ps点进行精炼判定。

9、优选的，所述步骤s1中，具体执行过程如下：多时相sar影像经多时相合成孔径雷达干涉测量mt-insar处理得到的观测场景内全部ps点数据如下：

10、；

11、其中，表示第i个点的数据，每个点至少包括空间坐标、高程、形变时间序列和振幅时间序列。

12、优选的，所述步骤s2中，进行多维节点特征构建的具体过程如下：从每个点中提取三类特征具体如下：（1）辐射特征，用于表征散射强度与稳定性，包括平均振幅和振幅离差指数，提取方式为基于点数据中的全部点，从多时相sar幅度影像中提取辐射特征；（2）形变特征，用于表征趋势、波动及周期性，包括线性形变速率和形变时间序列标准差，提取方式为基于点数据中每个点的时序insar分析成果，对应提取的线性形变速率和形变时间序列标准差；（3）空间上下文特征，用于表征邻域ps点的统计分布，包括局部邻域ps点的辐射特征和形变特征的统计量，对点周边的辐射特征和形变特征，经过缺失值处理和尺度归一化后，拼接为节点特征向量。

13、优选的，所述步骤s3中，具体实现的过程为：

14、获取建筑物矢量轮廓及其可用属性，进行地理先验生成，使用建筑物矢量轮廓，通过垂线法来获取每个ps点相对于最近建筑物轮廓的距离，ps点在建筑物内部，符号距离设置为正值，在建筑外部时，符号距离设置为负，将通过单调不减函数映射为空间隶属先验，表征对应第个ps点位于建筑物内部的可能性，对应的公式如下：

15、，

16、为sigmoid型函数，为尺度参数，表示符号距离映射偏置参数，将最近建筑物对应的二维空间位置、高度、材料属性中的至少一种属性编码为属性向量，对无对应建筑物的ps点设置缺失掩码，使后续编码器在缺失掩码指示下以可学习默认向量来替代属性向量，并将所有属性向量进行拼接；

17、基于ps点呈现为点状态分布，对应构建空间约束图，在预设搜索半径内为每个ps点选择不超过个邻居；关系类型至少包括同一建筑物关系、相邻建筑物区分关系和非建筑邻域关系；边权由ps点间距离的归一化倒数、空间隶属先验一致度和关系类型共同确定，使得同建筑且先验一致的ps点对获得较高的边权。

18、优选的，所述步骤s4中，对多维节点特征降维并执行密度聚类，其中，降维的方法选择主成分分析方法，密度聚类方法选择k-means方法。

19、优选的，所述步骤s5中，组合损失的总损失函数如下：

20、总损失函数：；

21、上式中，为置信度加权提取损失权重，为空间图一致性损失权重，为地理先验一致性损失权重，为物理一致性损失权重，置信度加权提取损失：通过对各伪标签样本的误差加权获得；空间图一致性损失：通过对为同一建筑物关系的边所连接的节点对，约束其建筑物提取概率接近，约束强度与边权正相关；地理先验一致性损失：仅对高于第一阈值的ps点约束，对应的建筑物提取概率不低于预设高概率值，对低于第二阈值的ps点；约束其提取概率不高于预设低概率值，对应为；对处于与之间的ps点不施加该损失；物理一致性损失：包括同一建筑内形变模式相似约束、散射稳定性排序约束和温度响应相关性约束中的至少一项，在图注意力层计算节点i对邻居j的注意力打分时，对应的注意力公式如下：

22、；

23、；

24、上式中，为注意力参数向量，表示节点i对邻居j的注意力打分，表示输入地理知识编码器得到第i个增强节点，表示输入地理知识编码器得到第j个增强节点，为线性变换矩阵，表示向量拼接，为节点i的邻居集合，表示节点i和j的地理偏置编码函数。

25、优选的，所述步骤s5中，对步骤s4中未生成伪标签的ps点执行自训练扩展：使用当前网络预测，仅将预测置信度达到预设阈值且与及邻域预测一致的ps点连同预测标签加入训练集。

26、优选的，所述步骤s6中，具体实现如下：

27、对空间隶属先验位于预设模糊区间内的边界ps点，进行精炼判定：在图注意力网络输出初始提取概率后，计算该ps点与空间邻近的高置信建筑物ps点之间的形变时间序列相关性系数和空间距离；当相关性系数高于阈值且距离小于阈值时，精炼为建筑物点，提取为同一建筑物的ps点集合，计算建筑物内形变速率一致性和提取概率离散度，将不满足一致性或离散度条件的建筑物标记为待复核。

28、因此，本发明采用上述的一种地理先验图学习的insar建筑物ps点提取方法，具有以下好处：

29、（1）提取精度显著提升：在某城市建成区实验中，本发明方法的建筑物ps点提取精度达到95%以上，较传统缓冲区匹配方法提升约11%，较未耦合地理先验的图神经网络方法提升约7%。

30、（2）可复核性强：约5%的ps点因提取不确定度>0.5被标记待复核，12%的建筑物因一致性或离散度不满足条件被标记，其中约80%经人工核查确认为轮廓误差或错提。这种系统性的质量反馈机制是传统缓冲匹配方法所不具备的。

31、（3）标签效率高：仅需对聚类后不确定样本中约8%的ps点进行人工核验，即可获得足以训练提取网络的高质量伪标签，显著降低了人工标注成本。

32、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。