翟瑋　王曉青　朱貴鈺　張皓然　劉海龍　鄧津

摘要： 山脊線通常是地震引發(fā)的山地災(zāi)害的起始部位。在監(jiān)測此類山地災(zāi)害時，需要明確山脊線所處位置，從而為制定出相關(guān)預(yù)防措施提供支持。根據(jù)實際經(jīng)驗，由于合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）的成像特殊性，在檢測含建筑物的全極化SAR（Polarimetric Synthetic Aperture Radar，PolSAR）影像山脊線時，往往受到高散射強(qiáng)度的建筑物干擾，從而出現(xiàn)誤判。針對PolSAR影像中山脊線受到建筑物干擾出現(xiàn)誤識的問題，提出一種結(jié)合區(qū)域生長法和變差函數(shù)的識別方法。在識別過程中，首先，對采集的PolSAR影像通過區(qū)域生長法進(jìn)行分割處理，再通過模糊C均值（Fuzzy C－Means，F(xiàn)CM）分類方法對變差紋理等特征進(jìn)行聚類分析，并進(jìn)行相似度判斷，獲取建筑物區(qū)域，在此基礎(chǔ)上，對比建筑物、山脊線的混分成分，進(jìn)而提取山脊線。通過對該方法進(jìn)行實驗對比分析，發(fā)現(xiàn)其相較于閾值分割方法提取精度有明顯提高，可以為PolSAR影像中山脊線識別提供一種新思路。

關(guān)鍵詞： PolSAR影像; 區(qū)域生長法; 變差函數(shù); 山脊線提取

中圖分類號： P237文獻(xiàn)標(biāo)志碼：A 文章編號： 1000－0844（2023）04-0792-09

DOI：10.20000/j.1000－0844.20211116004

Extraction of ridge line from PolSAR image usingthe region－growing method and variogram

ZHAI Wei WANG Xiaoqing ZHU Guiyu ZHANG Haoran LIU Hailong DENG Jin2，3

Abstract：? The ridge line is usually the starting point of mountain disasters caused by earthquakes. An accurate identification of the location of the ridge line while monitoring such mountain disasters is crucial to facilitate the development of relevant preventive measures. However， detection of the ridge line in PolSAR images containing buildings with high scattering intensity can be challenging due to some imaging issues of synthetic aperture radar （SAR）， resulting in misjudgments. A recognition method combining the region－growing method and the variogram is proposed in this paper to address this problem. During the recognition process， the collected image is first segmented by the region－growing method. Then， the texture variations and other features are clustered and analyzed by the Fuzzy C－means method， and the similarity is assessed to obtain the building area. The ridge line can then be extracted by comparing this with the mixed image. A comparative analysis of the experimental results for the proposed method show significantly improved extraction accuracy as compared with the threshold segmentation method. Thus， this study can provide a new idea for the detection of ridgelines in PolSAR images.

Keywords： PolSAR image; region－growing method; variogram; extraction of ridge line

0 引言

地震是一種容易導(dǎo)致嚴(yán)重破壞的自然災(zāi)害，相關(guān)統(tǒng)計研究結(jié)果表明［1－3］，地震誘發(fā)的山地災(zāi)害有明顯的特征性，一般起源于山脊線附近。因而在研究過程中精確獲取山脊信息有利于了解由地震觸發(fā)的山地災(zāi)害情況，例如道路損壞，山體垮塌和滑坡等，從而為救援人員、物資運(yùn)輸提供幫助［4－7］。地震發(fā)生后，在天氣情況不佳時，光學(xué)遙感獲取的影像質(zhì)量不高，地物識別度極低，無法為救援提供可靠支持［8－9］，而雷達(dá)遙感因其穿透力強(qiáng)，不依賴太陽光照等優(yōu)點(diǎn)已被廣泛應(yīng)用于地震災(zāi)害識別研究中，成為國家和地區(qū)各級防災(zāi)減災(zāi)不可或缺的災(zāi)害獲取手段［10－13］。在合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）影像中，識別山脊線時，附近建筑物的存在會帶來很大影響。建筑物的墻面和地面所形成的二面角會產(chǎn)生強(qiáng)烈的二面角散射效應(yīng)，而對于山脊而言，其表面地物構(gòu)成相對復(fù)雜，同時位置具有特殊性，常會產(chǎn)生組合散射，兩者的后向散射均為高散射強(qiáng)度，在SAR影像中呈現(xiàn)高亮區(qū)域，特征相似度很高，難以有效區(qū)分。本文在研究過程中為解決這一問題，引入了全極化合成孔徑雷達(dá)（Polarimetric Synthetic Aperture Radar，PolSAR）影像。PolSAR數(shù)據(jù)同時具有HH、HV、VH、VV四種極化方式，因為電磁波的極化對目標(biāo)的介電常數(shù)、物理特性、幾何形狀和取向等比較敏感，所以極化測量可以大大提高成像雷達(dá)對目標(biāo)各種信息的獲取能力。相比單極化SAR與雙極化SAR信息量豐富很多，且采用極化SAR相關(guān)數(shù)據(jù)處理方法能夠產(chǎn)出更豐富的極化散射特征，使得地物識別精度更高。

山脊線是典型的地形特征線。目前，山脊線提取方法主要是結(jié)合數(shù)字高程模型（Digital Elevation Model，DEM）數(shù)據(jù)加以實現(xiàn)［14－16］，而常用的邊緣檢測方法，如Sobel算子、Roberts算子、Laplace算子以及Canny邊緣檢測等在合成孔徑雷達(dá)影像處理中由于散斑互相干擾，識別效果較差，用其進(jìn)行線性特征檢測較為困難。因此，SAR影像中脊線的提取方法相對缺乏［17－19］。在SAR影像目標(biāo)檢測領(lǐng)域，恒虛警檢測（Constant False Alarm Rate，CFAR）方法的應(yīng)用頻率較高，且計算過程簡單，這種方法在處理時主要是對比單個像素灰度與閾值，以此確定目標(biāo)點(diǎn)［20］。在PolSAR影像的邊緣檢測中，基于相鄰像素比值的邊緣檢測技術(shù)是較為先進(jìn)的［21］。在PolSAR影像提取山脊線領(lǐng)域，目前應(yīng)用頻率較高的方法為Snake模型法［22］。此外在目標(biāo)識別方面，卷積神經(jīng)網(wǎng)絡(luò)有明顯優(yōu)勢，是常用的人工智能識別方法［23］。

在以往的國內(nèi)外研究中，雖有較多關(guān)于SAR影像分割的研究，例如，黃曉東等提出了一種PolSAR圖像分割模型，基于分形網(wǎng)絡(luò)進(jìn)化算法和多元線性回歸算法，融合了多極化特征和形狀特征，實現(xiàn)了建筑物分割［24］。覃發(fā)超將簡單線性迭代聚類算法引入到PolSAR圖像處理中，提出了一種超像素分割算法等［25］。同時在通過模糊分類來進(jìn)行閾值分割的研究中，F(xiàn)an等提取了一種基于神經(jīng)動力學(xué)優(yōu)化的兩階段模糊聚類算法，并將其應(yīng)用于PolSAR圖像分割，該算法從線性分配初始化階段開始，以最小相似的聚類代表彌補(bǔ)隨機(jī)初始化導(dǎo)致的聚類結(jié)果不一致，然后再進(jìn)行多核模糊C均值聚類，使每個聚類具有更好的特征和適應(yīng)性［26］。但是，針對SAR影像中山脊線提取的研究極少，幾乎沒有關(guān)于當(dāng)建筑物作為SAR影像中的背景時對山脊線提取的研究。采用PoISAR影像提取山脊線的方法相對于DEM提取山脊線有著明顯優(yōu)勢，因為極化電磁波對山脊線的幾何形狀等較為敏感，同時改善了散斑互相干擾現(xiàn)象的問題，從而方便對其進(jìn)行線性特征檢測，因此可提高山脊線提取精度。本文從這個角度出發(fā)，以四川省綿陽市北川縣的全極化SAR數(shù)據(jù)為研究對象，引入了區(qū)域生長方法對采集的PolSAR影像進(jìn)行初始分割，并對提取的特征進(jìn)行融合后獲得目標(biāo)的紋理信息，在此基礎(chǔ)上通過模糊C均值（Fuzzy C－Means，F(xiàn)CM）聚類算法提取出建筑物區(qū)域并將其與初始分割結(jié)果融合，進(jìn)而確定山脊線目標(biāo)?；谙嚓P(guān)SAR影像進(jìn)行實證分析，對比實驗結(jié)果顯示，本文提出方法識別精度為90.13%，和傳統(tǒng)方法的74.58％相比有明顯的優(yōu)勢，驗證了本文方法的應(yīng)用價值，且本文方法操作更簡單，處理速度快。

1 研究方法

本文選用區(qū)域生長法主要是因其處理過程快捷。這種方法在進(jìn)行圖像處理時，通過分割出同特征區(qū)域，再進(jìn)行組合來獲得邊緣信息。在無先驗信息情況下，所得結(jié)果精確度較高，因而在復(fù)雜圖像處理方面被廣泛應(yīng)用。但該方法的分割結(jié)果容易受初始種子點(diǎn)的影響，穩(wěn)定性不高。為此，本文提出一種種子點(diǎn)自動提取方法，提高圖像分割質(zhì)量，獲得精度較高的類別混合圖，為后續(xù)山脊線識別提供支持。

僅改善種子點(diǎn)的自動提取，得到的分割結(jié)果相關(guān)信息較少，不能滿足目標(biāo)提取要求，還需獲得其他特征相關(guān)信息。變差函數(shù)可對圖像紋理進(jìn)行良好的描述，可以通過此函數(shù)描述目標(biāo)區(qū)的紋理信息。利用灰度共生矩陣（Gray Level Co－occurrence Matrix，GLCM）二階統(tǒng)計特征紋理熵［27］描述圖像紋理的非均勻程度與復(fù)雜程度。然后，通過模糊C均值方法進(jìn)行聚類處理，提取出建筑區(qū)，在此基礎(chǔ)上結(jié)合建筑物與山脊線類別混合圖，最終得到山脊線。圖1所示為本文方法識別山脊線的流程圖。

1.1 自動選取種子點(diǎn)的區(qū)域生長法

區(qū)域生長法被廣泛應(yīng)用于圖像分割，主要通過合并相似度高的像素點(diǎn)形成最大一致性區(qū)域［28－29］。區(qū)域生長法的原理是設(shè)置初始種子點(diǎn)在一定規(guī)則下不斷的生長。但是，如果選取的種子點(diǎn)不合適，則容易導(dǎo)致明顯的偏差，所以需要進(jìn)行合理的設(shè)定。在選定種子點(diǎn)后，需要將鄰域像素和種子點(diǎn)進(jìn)行歸并，將其中所有具有相似性質(zhì)的像素合并，不斷進(jìn)行這種合并操作，直到不滿足合并條件，再輸出所得的合并結(jié)果。因此，采用這種方法進(jìn)行影像分割時，需要選擇合理的初始種子點(diǎn)，為提高分割質(zhì)量提供支持［30］。

為此，本文引入自動選取種子點(diǎn)的方式，這種方法的優(yōu)點(diǎn)是：初始種子點(diǎn)在選擇時滿足一定的條件，即可以較好地反映目標(biāo)特征，在影像中邊界的穩(wěn)定性相對高，因而在選取時主要選擇了邊界像素點(diǎn)。為方便描述，假設(shè)影像I為M行×N列，各點(diǎn)像素值為I（i，j），設(shè)置的閾值為TSymbolNC@R，Symbol`A@S對應(yīng)于鄰域像素均值。在分割過程中對圖像的各像素點(diǎn)進(jìn)行遍歷，根據(jù)公式（1）計算Symbol`A@S與中心像素之差（i，j）。若根據(jù)所得結(jié)果進(jìn)行判斷發(fā)現(xiàn)像素點(diǎn)（i，j）處于目標(biāo)區(qū)，則設(shè)置其為初始種子點(diǎn)，基于此點(diǎn)進(jìn)行生長過程中，（i，j）值和［0－T］的中值差值小，且選擇的初始種子點(diǎn)趨近于目標(biāo)區(qū)的中心，則通過這種方法進(jìn)行分割后所得結(jié)果可更好地滿足應(yīng)用要求，有利于改善分割性能。

式中：ε是偏差閾值;l代表迭代步數(shù)。在不斷的迭代過程中隸屬度的梯度消失，當(dāng)兩次迭代的差值小于閾值時，則迭代結(jié)束，輸出結(jié)果。

在本文中，模糊C均值聚類算法用法如下：通過變差函數(shù)計算PolSAR圖像變差紋理特征，并計算基于灰度共生矩陣的熵紋理特征，然后利用模糊C均值聚類方法提取建筑區(qū)，結(jié)合建筑物與山脊線的類別混合分割結(jié)果，最終提取山脊線結(jié)果。

2 實驗結(jié)果

2.1 實驗數(shù)據(jù)和研究區(qū)域

本文選擇的研究區(qū)為北川縣，基于ALOS－2衛(wèi)星L波段全極化SAR數(shù)據(jù)進(jìn)行實驗分析，空間分辨率為6 m。用于實驗結(jié)果驗證的研究區(qū)光學(xué)數(shù)據(jù)是30 m空間分辨率的Landsat－8衛(wèi)星數(shù)據(jù)。實驗區(qū)Pauli基極化分解影像和光學(xué)影像如圖2所示。實驗數(shù)據(jù)大小為1 000 pixel×1 000 pixel。用于實驗結(jié)果驗證的地表真值樣本標(biāo)記如圖3所示。

2.2 種子點(diǎn)選取及影像分割

為提高PolSAR影像分割效果，分割前需對PolSAR影像配準(zhǔn)、濾噪，通過自動選取種子點(diǎn)方法選擇適宜的初始種子點(diǎn)，種子點(diǎn)選擇地合理與否會直接影響分割結(jié)果。當(dāng)選擇的種子點(diǎn)性能良好，分割過程明顯縮短，影像分割結(jié)果也更好。本文在對PolSAR影像進(jìn)行遍歷時，設(shè)置的窗口大小為3 pixel×3 pixel，計算窗口中領(lǐng)域8個點(diǎn)灰度值的均值，再計算該均值與中心點(diǎn)灰度值的差值，對全部窗口所得結(jié)果進(jìn)行統(tǒng)計分析，在此基礎(chǔ)上進(jìn)行圖像分割。

在研究過程中為改善分割結(jié)果，應(yīng)結(jié)合經(jīng)驗等因素設(shè)置適宜的閾值?；谶@種方法進(jìn)行影像分割時，下一個像素點(diǎn)的加入與否主要是基于此閾值進(jìn)行判斷。選擇山脊和非山脊樣本各100例對閾值影響因素進(jìn)行分析。如圖4所示，此圖中縱橫坐標(biāo)分別對應(yīng)樣本量和其灰度級，圖中有兩種顏色曲線，其中藍(lán)色和黃色曲線分別對應(yīng)于非山脊和山脊樣本灰度均值，二者在179灰度級處存在交點(diǎn)。兩種樣本的灰度均值分布存在明顯差異，其中非山脊樣本灰度均值較小，灰度級普遍小于179，山脊樣本灰度級基本都大于179，因而在進(jìn)行閾值設(shè)定時根據(jù)此結(jié)果，同時考慮到圖像特征，確定閾值為76。在判斷最優(yōu)初始種子點(diǎn)時，主要依據(jù)如下條件：（1）該點(diǎn)對應(yīng)的差值趨近于［0，76］的中值;（2）對應(yīng)的位置在目標(biāo)區(qū);（3）和目標(biāo)中心點(diǎn)的距離小。選擇滿足這三方面要求的點(diǎn)為種子點(diǎn)，這種情況下進(jìn)行區(qū)域生長時，所需時間少，分割結(jié)果更精確，可能滿足圖像分割要求。

本文在研究時依據(jù)以上條件進(jìn)行篩選，確定種子點(diǎn)是坐標(biāo)為（651，443）的點(diǎn)，分割結(jié)果如圖5所示，圖中白色代表建筑物與山脊線的混合區(qū)域。僅基于區(qū)域生長法分割SAR圖像得到的是無法確定地物類別的混合地類結(jié)果，因而還需繼續(xù)處理建筑物與山脊線的混分問題。

2.3 山脊線的識別

SAR影像中，建筑區(qū)灰度變化較強(qiáng)，其他區(qū)域灰度變化較小，因此，可基于這種差異剔除建筑區(qū)。本文引入變差函數(shù)計算變差紋理特征，由于建筑區(qū)的灰度變化方向不一，各方向的灰度變化差異較大，因而選擇0°、45°、90°、135°四個方向的全方向變差函數(shù)計算變差紋理。

在計算分析時為更好地保留建筑紋理信息，且盡可能提高建筑與山脊的區(qū)分度，在計算時設(shè)置了不同的變程值，然后對所得結(jié)果進(jìn)行適當(dāng)篩選得到最優(yōu)解。實驗發(fā)現(xiàn)在變程值為3，計算窗口為15 pixel×15 pixel時區(qū)分度最高，識別結(jié)果最優(yōu)，變差紋理計算結(jié)果如圖6（a）所示。由于建筑區(qū)的紋理顯著，且區(qū)域化變量關(guān)聯(lián)性強(qiáng)，灰度的梯度較高，因而建筑物區(qū)域變差紋理特征值明顯高于其他區(qū)域，表現(xiàn)在圖6（a）中亮度也更高。實驗數(shù)據(jù)中建筑物的尺寸較小，且在交界處對應(yīng)的灰度變化大，相關(guān)性不強(qiáng)，在這些因素影響下容易導(dǎo)致一些山脊區(qū)域被誤識，嚴(yán)重影響最終山脊識別結(jié)果。

鑒于這種誤識情況，本文同時利用兩種紋理特征并結(jié)合模糊C均值聚類方法對山脊線進(jìn)行高精度識別。提取基于GLCM的紋理特征過程中設(shè)置窗口尺寸為7 pixel×7 pixel，計算方向為45°，窗口中的像素間距為1。一般情況下特征的相關(guān)系數(shù)和特征信息冗余性存在正相關(guān)關(guān)系，即相關(guān)系數(shù)越小對應(yīng)的冗余越小，因而本文選擇熵特征量進(jìn)行目標(biāo)識別，該特征量可描述紋理的混亂水平，且有很強(qiáng)的穩(wěn)定性，不容易受到相關(guān)因素干擾，紋理熵特征提取結(jié)果如圖6（b）所示。

對比地表真值圖像（圖3）和特征圖像（圖6）可知，山脊特征很明顯，但仍有一些細(xì)碎山脊未被檢測出。由此可判斷，在進(jìn)行特征提取過程中，單獨(dú)通過灰度共生矩陣紋理進(jìn)行提取存在一定應(yīng)用局限性，無法獲得全部的山脊線。因而本文在研究時結(jié)合了兩種類型的紋理信息，通過FCM方法聚類處理，從而有效解決上述問題。在進(jìn)行聚類時設(shè)置了兩個聚類中心，根據(jù)設(shè)定的條件不斷迭代，最終輸出建筑區(qū)，然后將所得結(jié)果與建筑物山脊線混合圖像融合，最終識別出山脊線。對識別結(jié)果，將不同地物分別映射到R、G、B通道中，進(jìn)行偽彩色合成處理，結(jié)果如圖7所示，其中白色區(qū)域?qū)?yīng)帶狀山脊區(qū)域和線狀山脊線（以下簡稱為山脊線），綠色區(qū)域?qū)?yīng)建筑物，其中一些寬山脊處出現(xiàn)誤分問題，但總體可滿足識別要求。

2.4 實驗分析

為驗證本文識別山脊方法的準(zhǔn)確性，對比傳統(tǒng)閾值分割方法，選擇PolSAR圖像中的標(biāo)記山脊樣本進(jìn)行實驗驗證。從實驗數(shù)據(jù)PolSAR影像中選取山脊樣本，篩選依據(jù)原則是山脊在影像中盡可能均勻分布，不可明顯集中分布。設(shè)置樣本屬性值為1，非樣本為0，然后對圖中同屬性值的像素點(diǎn)數(shù)量進(jìn)行統(tǒng)計分析，并對最終所得結(jié)果進(jìn)行統(tǒng)計處理，如表1所列，根據(jù)表1計算出本文方法識別山脊線的總體識別精度為90.13%。

2.5 對比分析

在同樣條件下，采用經(jīng)典的閾值分割法進(jìn)行分割處理，并將所得結(jié)果和上述結(jié)果對比分析，以便驗證本文方法的應(yīng)用性能優(yōu)勢。閾值分割時可選擇全局、局部閾值法兩種，前者在分割時主要利用圖像整體信息，例如整幅圖的灰度直方圖，之后對整幅圖像求出最優(yōu)的分割閾值;局部閾值法是把原始圖像分為不同的子圖像，再對每個子圖像應(yīng)用全局閾值法分別求出對應(yīng)的最佳分割閾值，局部閾值分割法雖然能改善圖像的分割效果，但其要求每幅子圖像的尺寸不能太小，否則統(tǒng)計出的結(jié)果沒有意義。

此外，由于每幅圖像的分割是任意的，如果有一幅子圖像正好完全落在目標(biāo)區(qū)域或者背景區(qū)域，根據(jù)統(tǒng)計結(jié)果對其進(jìn)行分割可能會得到更差的結(jié)果［37］。本文采用了自適應(yīng)閾值法，即根據(jù)影像不同區(qū)域亮度分布，計算其局部灰度均值來確定閾值，從而對影像進(jìn)行分割，由自適應(yīng)閾值圖像分割法得到的結(jié)果。將此結(jié)果與原實驗結(jié)果作對比，如圖8所示。對此方法得到的結(jié)果做精度評估，設(shè)置山脊線像素點(diǎn)屬性為1，其余的設(shè)為0，然后對同屬性值像素點(diǎn)數(shù)量進(jìn)行統(tǒng)計分析，得出采用這種方法做圖像分割時山脊線識別精度為74.58%。

對比分析上述結(jié)果可知，本文使用的自適應(yīng)閾值圖像分割法在分割時，可以很好地提取出圖像中連續(xù)寬山脊，不過針對間斷的小山脊無法滿足提取要求，容易出現(xiàn)漏失問題，在此因素影響下其提取精度不高，需要進(jìn)行一定改進(jìn)優(yōu)化。而單純通過閾值法來分割時容易導(dǎo)致一些建筑物被誤判，從而影響到山脊的識別效果。

3 結(jié)論

本文提出了一種自動區(qū)域生長法和變差函數(shù)結(jié)合的算法，用于提取SAR影像中的山脊。基于這種方法進(jìn)行處理時，自動篩選初始種子點(diǎn)來分割圖像，獲得相應(yīng)的混合圖像，接著基于變差函數(shù)分析確定出建筑紋理信息以及熵特征，在此基礎(chǔ)上通過FCM算法對所得特征進(jìn)行聚類，識別出山脊線。在研究過程中為驗證本文方法的應(yīng)用性能，和傳統(tǒng)閾值分割方法做了對比研究，根據(jù)實驗結(jié)果發(fā)現(xiàn)本文方法在處理過程中，可以更精確地區(qū)分建筑物和山脊，且對非連續(xù)的小山脊不容易產(chǎn)生遺漏問題，表現(xiàn)出良好的識別性能優(yōu)勢，其識別準(zhǔn)確率為90.13%，和傳統(tǒng)閾值分割法相比增加15.55%，因而本文方法在PolSAR數(shù)據(jù)山脊識別中有較高的應(yīng)用價值。不過這種方法也存在一定的應(yīng)用局限性，表現(xiàn)為需要SAR影像的分辨率較高，否則在進(jìn)行識別時，由于山脊線特征差異不明顯，導(dǎo)致識別準(zhǔn)確性不高。除此之外，鑒于實驗數(shù)據(jù)有限，在未來的研究中獲得相關(guān)數(shù)據(jù)之后會進(jìn)一步驗證該方法的可靠性。

在今后研究中，我們還將在以下方面做進(jìn)一步研究：首先，本文采用的是ALOS－2衛(wèi)星的PolSAR影像，可以用同樣的方法對其他傳感器PolSAR數(shù)據(jù)進(jìn)行研究。其次，本文使用的遙感影像分辨率為6 m，在今后研究中，可使用更高分辨率的PolSAR數(shù)據(jù)，比如3 m甚至1 m的影像做進(jìn)一步算法驗證。再次，對于坡度較大的山脊將著重考慮SAR圖像中的疊掩現(xiàn)象;對于區(qū)域生長算法中的初始種子點(diǎn)選取問題，將進(jìn)行改進(jìn)，例如采用連續(xù)性種子點(diǎn)選取方式。同時一些更優(yōu)秀的神經(jīng)網(wǎng)絡(luò)模型還將被考慮使用，例如EfficientPS模型、Mask R－CNN模型、空洞卷積模型等，以求在精度、魯棒性、泛化能力等方面更優(yōu)化。

參考文獻(xiàn)（References）

［1］ZHAI W，SHEN H F，HUANG C L，et al.Building earthquake damage information extraction from a single post－earthquake PolSAR image［J］.Remote Sensing，2016，8（3）：171.

［2］ZHAI W，SHEN H F，HUANG C L，et al.Fusion of polarimetric and texture information for urban building extraction from fully polarimetric SAR imagery［J］.Remote Sensing Letters，2016，7（1）：31－40.

［3］ZHAI W，HUANG C L，PEI W S.Building damage assessment based on the fusion of multiple texture features using a single post－earthquake PolSAR image［J］.Remote Sensing，2019，11（8）：897.

［4］王虹.地形特征提取算法的研究［D］.西安：西安電子科技大學(xué)，2018.

WANG Hong.Research on terrain feature extraction algorithm［D］.Xi'an：Xidian University，2018.

［5］王文娟.規(guī)則格網(wǎng)DEM的地形特征線提取研究［D］.西安：長安大學(xué)，2018.

WANG Wenjuan.Research on extracting terrain characteristic line from DEM with regular grid［D］.Xi'an：Chang'an University，2018.

［6］蘇鳳環(huán)，劉洪江，韓用順.汶川地震山地災(zāi)害遙感快速提取及其分布特點(diǎn)分析［J］.遙感學(xué)報，2008，12（6）：956－963.

SU Fenghuan，LIU Hongjiang，HAN Yongshun.The extraction of mountain hazard induced by Wenchuan earthquake and analysis of its distributing characteristic［J］.Journal of Remote Sensing，2008，12（6）：956－963.

［7］田述軍，孔紀(jì)名，阿發(fā)友，等.地質(zhì)構(gòu)造對汶川大地震山地災(zāi)害發(fā)育的影響［J］.水土保持通報，2010，30（6）：52－55，59.

TIAN Shujun，KONG Jiming，A Fayou，et al.Geological structure effects on development of mountain hazards in Wenchuan earthquake［J］.Bulletin of Soil and Water Conservation，2010，30（6）：52－55，59.

［8］ZHAI W，HUANG C L，PEI W S.Two new polarimetric feature parameters for the recognition of the different kinds of buildings in earthquake－stricken areas based on entropy and eigenvalues of PolSAR decomposition［J］.Remote Sensing，2018，10（10）：1613.

［9］劉云華，屈春燕，單新建，等.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，2010，32（2）：214－223，256.

LIU Yunhua，QU Chunyan，SHAN Xinjian，et al.Application of SAR data to damage identification of the Wenchuan earthquake［J］.Acta Seismologica Sinica，2010，32（2）：214－223，256.

［10］陳立澤，申旭輝，田勤儉.合成孔徑雷達(dá)（SAR）及其在地質(zhì)和地震研究中的應(yīng)用［J］.地震，2003，23（1）：29－35.

CHEN Lize，SHEN Xuhui，TIAN Qinjian.SAR technique and its application to geologic and seismic research［J］.Earthquake，2003，23（1）：29－35.

［11］ZHAI W，HUANG C L.Fast building damage mapping using a single post－earthquake PolSAR image：a case study of the 2010 Yushu earthquake［J］.Earth，Planets and Space，2016，68（1）：86.

［12］張繼賢，黃國滿，劉紀(jì)平.玉樹地震災(zāi)情SAR遙感監(jiān)測與信息服務(wù)系統(tǒng)［J］.遙感學(xué)報，2010，14（5）：1038－1052.

ZHANG Jixian，HUANG Guoman，LIU Jiping.SAR remote sensing monitoring of the Yushu earthquake disaster situation and the information service system［J］.Journal of Remote Sensing，2010，14（5）：1038－1052.

［13］陳坤.雷達(dá)遙感在地震監(jiān)測中的應(yīng)用研究［D］.西安：西安科技大學(xué)，2017.

CHEN Kun.Research on the application of radar remote sensing in seismic monitoring［D］.Xi'an：Xi'an University of Science and Technology，2017.

［14］劉澤慧，黃培之.DEM數(shù)據(jù)輔助的山脊線和山谷線提取方法的研究［J］.測繪科學(xué)，2003，28（4）：33－36.

LIU Zehui，HUANG Peizhi.Derivation of skeleton line from topographic map with DEM data［J］.Science of Surveying and Mapping，2003，28（4）：33－36.

［15］聶文，萬晨，張倩.基于DEM的山脈線提取方法研究［J］.信息通信，2016，29（8）：67－70.

NIE Wen，WAN Chen，ZHANG Qian.Extraction of mountain line using a variety of terrain features，data model［J］.Information & Communications，2016，29（8）：67－70.

［16］陳婷，周汝良，朱大運(yùn)，等.基于DEM的2種提取地形特征線算法對比研究［J］.林業(yè)調(diào)查規(guī)劃，2011，36（6）：1－4，28.

CHEN Ting，ZHOU Ruliang，ZHU Dayun，et al.Comparative study on two line algorithm methods of terrain feature extraction based on DEM［J］.Forest Inventory and Planning，2011，36（6）：1－4，28.

［17］BOVIK A C.On detecting edges in speckle imagery［J］.IEEE Transactions on Acoustics，Speech，and Signal Processing，1988，36（10）：1618－1627.

［18］LOPEZ A M，LUMBRERAS F，SERRAT J，et al.Evaluation of methods for ridge and valley detection［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1999，21（4）：327－335.

［19］ZHOU G Y，CUI Y，CHEN Y L，et al.Linear feature detection in polarimetric SAR images［J］.IEEE Transactions on Geoscience and Remote Sensing，2011，49（4）：1453－1463.

［20］GANDHI P P，KASSAM S A.Analysis of CFAR processors in nonhomogeneous background［J］.IEEE Transactions on Aerospace and Electronic Systems，1988，24（4）：427－445.

［21］TUPIN F，MAITRE H，MANGIN J F，et al.Detection of linear features in SAR images：application to road network extraction［J］.IEEE Transactions on Geoscience and Remote Sensing，1998，36（2）：434－453.

［22］SUN J P，MAO S Y.River detection algorithm in SAR images based on edge extraction and ridge tracing techniques［J］.International Journal of Remote Sensing，2011，32（12）：3485－3494.

［23］田壯壯，占榮輝，胡杰民，等.基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識別研究.［J］.雷達(dá)學(xué)報，2016，5（3）：320－325.

TIAN Zhuangzhuang，ZHAN Ronghui，HU Jiemin，et al.SAR ATR based on convolutional neural network［J］.Journal of Radars，2016，5（3）：320－325.

［24］黃曉東，劉修國，陳啟浩，等.一種綜合多特征的全極化SAR建筑物分割模型［J］.武漢大學(xué)學(xué)報（信息科學(xué)版），2013，38（4）：450－454.

HUANG Xiaodong，LIU Xiuguo，CHEN Qihao，et al.An integrated multi－characteristics buildings segmentation model of PolSAR images［J］.Geomatics and Information Science of Wuhan University，2013，38（4）：450－454.

［25］覃發(fā)超.極化SAR影像超像素分割和面向?qū)ο蠓诸惙椒ㄑ芯浚跠］.武漢：武漢大學(xué)，2017.

QIN Fachao.Research on polarimetric SAR imagery superpixel segmentation and object－oriented classification［D］.Wuhan：Wuhan University，2017.

［26］FAN J C，WANG J.A two－phase fuzzy clustering algorithm based on neurodynamic optimization with its application for PolSAR image segmentation［J］.IEEE Transactions on Fuzzy Systems，2018，26（1）：72－83.

［27］韓晶，鄧喀中，李北城.基于灰度共生矩陣紋理特征的SAR影像變化檢測方法研究［J］.大地測量與地球動力學(xué)，2012，32（4）：94－98.

HAN Jing，DENG Kazhong，LI Beicheng.SAR image change detection methods based on GLCM texture features［J］.Journal of Geodesy and Geodynamics，2012，32（4）：94－98.

［28］李政國.基于區(qū)域生長法的高空間分辨率遙感圖像分割與實現(xiàn)［D］.南寧：廣西大學(xué)，2008.

LI Zhengguo.The segmentation and realization of high spatial resolution remote sensing image based on region growing algorithm［D］.Nanning：Guangxi University，2008.

［29］王義敏，秦永元.基于區(qū)域生長的SAR圖像目標(biāo)檢測方法研究［J］.計算機(jī)應(yīng)用，2009，29（1）：45－46.

WANG Yimin，QIN Yongyuan.Target detection in SAR images based on region growing［J］.Journal of Computer Applications，2009，29（1）：45－46.

［30］陳忠，趙忠明.基于區(qū)域生長的多尺度遙感圖像分割算法［J］.計算機(jī)工程與應(yīng)用，2005，41（35）：7－9.

CHEN Zhong，ZHAO Zhongming.A multi－scale remote sensing image segmentation algorithm based on region growing［J］.Computer Engineering and Applications，2005，41（35）：7－9.

［31］薛寒，劉正堂，馬光圓，等.基于變差函數(shù)的SAR圖像分類方法［J］.現(xiàn)代電子技術(shù)，2013，36（6）：93－96.

XUE Han，LIU Zhengtang，MA Guangyuan，et al.Method for SAR image classification based on variogram theory［J］.Modern Electronics Technique，2013，36（6）：93－96.

［32］吳剛，楊敬安，王洪燕.一種基于變差函數(shù)的紋理圖像分割方法［J］.電子學(xué)報，2001，29（1）：44－47.

WU Gang，YANG Jing'an，WANG Hongyan.An algorithm for segmentation of texture image based on image variogram function［J］.Acta Electronica Sinica，2001，29（1）：44－47.

［33］林晨曦，周藝，王世新，等.基于變差函數(shù)的中高分辨率SAR影像農(nóng)村建筑區(qū)提取［J］.中國圖象圖形學(xué)報，2016，21（5）：674－682.

LIN Chenxi，ZHOU Yi，WANG Shixin，et al.Variogram－based rural build－up area extraction from middle and high resolution SAR images［J］.Journal of Image and Graphics，2016，21（5）：674－682.

［34］丁震，胡鐘山，楊靜宇，等.FCM算法用于灰度圖象分割的研究［J］.電子學(xué)報，1997，25（5）：39－43.

DING Zhen，HU Zhongshan，YANG Jingyu，et al.FCM algorithm for the research of intensity image segmentation［J］.Acta Electronica Sinica，1997，25（5）：39－43.

［35］匡泰，朱清新，孫躍.FCM算法用于灰度圖像分割的初始化方法的研究［J］.計算機(jī)應(yīng)用，2006，26（4）：784－786.

KUANG Tai，ZHU Qingxin，SUN Yue.Research on initialization of image segmentation with FCM algorithm［J］.Journal of Computer Applications，2006，26（4）：784－786.

［36］王瑞花，宋建社.基于改進(jìn)FCM算法的SAR圖像分類［J］.西北大學(xué)學(xué)報（自然科學(xué)版），2008，38（4）：574－578.

WANG Ruihua，SONG Jianshe.SAR image classification based on improved FCM algorithm［J］.Journal of Northwest University （Natural Science Edition），2008，38（4）：574－578.

［37］韓思奇，王蕾.圖像分割的閾值法綜述［J］.系統(tǒng)工程與電子技術(shù)，2002，24（6）：91－94，102.

HAN Siqi，WANG Lei.A survey of thresholding methods for image segmentation［J］.Systems Engineering and Electronics，2002，24（6）：91－94，102.

（本文編輯：任 棟）

收稿日期：2021-11-16

基金項目：甘肅省科技計劃項目自然科學(xué)基金（22JR5RA822）;國家自然科學(xué)基金項目（41601479）;中國地震局地震科技星火計劃（XH18049）

第一作者簡介：翟 瑋（1981-），女，甘肅蘭州人，博士，副研究員，主要從事SAR影像信息提取、震害遙感技術(shù)與方法方面的研究。E－mail：zwxzzzdsyhq@163.com。

通信作者：王曉青（1963-），男，研究員，主要從事地震災(zāi)害評估方法研究和遙感與GIS應(yīng)用研究。E－mail：wangxiaoq517@163.com。