一种识别损毁建筑物的方法

本发明涉及遥感检测领域，尤其涉及一种识别损毁建筑物的方法。

背景技术：

1、地震作为最具破坏性的自然灾害之一，其发生往往会造成大范围的建筑物损毁，严重威胁人民生命财产安全。此外，军事冲突也会导致大量的建筑物等基础设施出现损毁的情况。在地震等灾害事件发生后，快速获取建筑物损毁的空间分布信息，对于人道主义救援以及灾后决策具有重要意义。然而，传统的人工排查方式不仅耗时耗力，而且易受到现场条件的限制；基于高分辨率光学影像的识别方法则易受云层和降雨等气象因素干扰，且单幅影像覆盖范围有限，人工目视解译效率低、依赖专业知识程度高；深度学习识别技术虽然发展迅速，但往往依赖大量震后损毁样本进行训练，在复杂的救灾场景中难以满足其数据需求。相较之下，合成孔径雷达（sar, synthetic aperture radar）数据不受光照和天气条件影响，具备全天时、全天候观测能力，具有显著优势。然而，当前基于相干性变化的sar识别方法通常需要大量灾害前sar数据作为先验信息，数据依赖性强、处理流程复杂，难以满足快速响应的应急需求。此外，在开展全球尺度的地震建筑物损毁影响因素耦合分析中，现有方法因适应性差在量化损毁范围和程度方面仍难以满足要求。

2、现有技术目前遇到的技术问题包括以下几个方面：

3、1）数据需求严苛：基于光学影像的识别方法受云雨天气和成像时机限制，难以获取高质量的震后高分辨遥感图像开展损毁建筑物识别工作；基于sar识别方法需要大量（震前1年甚至更长）重访周期相同的影像，受卫星成像计划影响不易满足。

4、2）处理流程复杂、效率低：现有sar相干性识别方法依赖众多震前sar影像，处理流程繁琐、技术门槛高，难以实现快速处理、满足地震应急响应的时效性需求。

5、3）深度学习模型训练依赖大量标注数据，且模型在不同应用场景中的泛化能力较弱，迁移性差，缺乏适用于多种灾区场景的高适应性识别方法。

技术实现思路

1、为了克服或缓解以上一个或多个技术问题，本发明目的是提供一种识别损毁建筑物的方法，具有适用性强、识别效率高、处理流程简便的特点，既能为灾后人道主义救援与物资调配提供及时可靠的信息支持，也能够服务于全球尺度的地震损毁建筑物影响因素分析与趋势研究。

2、本发明提供了如下的技术方案：

3、一种识别损毁建筑物的方法，其包括以下步骤：

4、s1、获取研究区域的sar数据后进行影像配准，随后进行相干性生成和地理编码后，得到地理坐标系下的初始相干性图；

5、s2、采用直方图优化方法处理相邻所述初始相干性图，减少相邻初始相干性图空间基线不一致所产生的相干性误差，得到优化后的相干性图；

6、s3、相干性差图计算，通过优化前的相干性图，即所述初始相干性图，依次减去所述优化后的相干性图，得到时序相干差图；

7、s4、对所述时序相干差图进行z-score值异常检测输出异常点，通过所述异常点所在位置的同震相干性差值提取形成潜在的地震受损建筑物地图，然后利用同震相干性大于0.5区域以及overture建筑物分布图对获取的潜在地震受损建筑物地图进行掩膜，得到最终的地震建筑物损毁分布图。

8、根据一些实施方式，步骤s1包括以下步骤：

9、s11、获得sar数据：根据研究范围检索并下载哨兵-1 sar数据；

10、s12、影像配准：在覆盖研究区域的时序影像中选取位于最中间的一景影像作为主影像，其余定义为辅影像，并依次基于sar强度互相关方法完成主影像和辅影像之间的配准工作；

11、s13、干涉图生成：将sar影像依次进行单连接构成干涉对组合，根据组合将配准后slc数据共轭相乘生成干涉图同时移除基于外部dem数据模拟获得的地形相位的贡献，以获得时序差分干涉图；

12、s14、相干性图生成：根据生成的差分干涉图生成相干性图，衡量两个sar影像，即用于构成同一干涉对的两个sar影像图之间的相似性；

13、s15、相干性图地理编码：生成查找表，然后依据所述查找表将相干性图从雷达影像坐标系转换为地理坐标系，得到地理坐标系下的初始相干性图。

14、根据一些实施方式，所述sar数据的干涉对时间基线为12天时。

15、根据一些实施方式，步骤s2包括以下步骤：

16、s21、计算第一张初始相干性图和第二张初始相干性图中像素值分布的直方图，将第一张所述初始相干性图的直方图作为参考；

17、s22、将计算出的直方图归一化为[0, 1]范围；

18、s23、计算归一化直方图的累积分布函数cdf，以获得每个灰度级的累积概率；

19、s24、将第二张初始相干图的cdf映射到第一张初始相干图的cdf，以建立两者之间的映射关系；

20、s25、利用建立的映射关系将第二张初始相干图中每个像素的灰度值映射到第一张初始相干图中，得到第二张初始相干图优化后的相干图。

21、根据一些实施方式，步骤s4包括以下步骤：

22、s41:进行z-score值异常检测，如下式：

23、 (1)

24、式中，z表示同震相干性差图中某一像素点的z-score，x为同震相干性差图cd 5中的某一像素点的值；μ为震前时序相干性差值的均值；σ为震前时序相干性差值的标准差；

25、计算震前时序相干性差值（cd 1-4）的平均值和标准偏差，然后计算每个相干性点的z值；

26、然后进行地震受损建筑物地图的生成，利用z-score异常检测输出异常点，异常点所在位置的同震相干性差值提取形成潜在的地震受损建筑物地图，然后利用同震相干性大于0.5区域以及overture建筑物分布图对获取的潜在地震受损建筑物地图进行掩膜，得到最终的地震建筑物损毁分布图。

27、根据一些实施方式，对所述最终的地震建筑物损毁分布图进行损毁点密度分析，得到损毁点密度图，其步骤为：将所述最终的地震建筑物损毁分布图的栅格转换为点位图，转换时将栅格像素的值（同震相干性差值）设定为点的属性值，然后利用点密度分析模块对点位图开展密度分析，在计算时点的属性值作为权重参与计算，并按要求输出指定分辨率的损毁点密度图。

28、相比于现有技术，本发明具备以下有益效果：

29、1）针对基于sar识别方法需要大量（震前1年甚至更长）重访周期相同的影像，受卫星成像计划影响不易满足的技术问题。本发明仅利用震后一景、震前6景的sar数据（sar数据的获取不受云雨天气的影响、覆盖范围广），能够显著提升建筑物损毁识别方法在复杂环境下的应用能力和响应速度。

30、2）针对现有sar相干性识别方法处理流程繁琐、技术门槛高，难以实现快速处理、满足地震应急响应的问题。本发明仅利用震前5个相干性图、1个同震相干性图以及overture建筑物分布图，结合简单的z-score时序异常检测方式可以实现地震损毁建筑物的快速识别。

31、3）针对深度学习模型训练依赖大量标注数据，且模型在不同应用场景中的泛化能力较弱，迁移性差，缺乏适用于多种灾区场景的高适应性识别方法的问题。本发明采取无监督异常值检测方式，无需依赖震后标注数据和模型训练，仅借助震前时序相干性、同震相干性以及建筑物分布先验信息，从而能够快速、准确获得损毁建筑物的分布结果。

32、此外，该方法适用性强、识别效率高、处理流程简便，能够获取一致性、标准化的全球尺度的地震建筑物损毁数据，支持开展全球尺度的地震建筑物损毁影响因素耦合分析。