基于矢量數據的sar影像道路損毀信息提取方法
【專利摘要】一種基于矢量數據的SAR影像道路損毀信息提取方法，根據災后的SAR影像的范圍，獲取對應區(qū)域的矢量數據；將矢量數據投影到SAR影像的坐標系之后，將矢量數據配準到SAR影像上；提取SAR影像的疑似道路損毀區(qū)，包括利用道路檢測算子進行線檢測，將道路寬度信息與道路矢量數據進行形狀水平集分割，融合得到疑似道路損毀區(qū)；建立貝葉斯網絡模型對疑似道路損毀區(qū)進行進一步判斷，提取出道路損毀信息。本發(fā)明利用矢量數據作為先驗信息，輔助SAR影像道路變化檢測，檢測率高；提出的線檢測與形狀水平集相結合的方法能夠很好的提取斷裂區(qū)，漏檢率低；建立的貝葉斯網絡模型能夠有效的剔除干擾信息，減少道路損毀提取的虛警。
【專利說明】基于矢量數據的SAR影像道路損毀信息提取方法
【技術領域】
[0001]本發(fā)明涉及遙感影像處理【技術領域】，特別涉及一種矢量數據輔助下的高分辨率SAR影像道路損毀信息提取方法。
【背景技術】
[0002]道路是國家經濟和軍事的動脈，在軍事和民用上都有很重要的意義。當各種災害發(fā)生的時候，道路生命線就可能被阻斷，例如洪澇，滑坡，泥石流等自然災害都可能導致道路的堵塞，使得派遣救援人員和往災區(qū)運送救援物質受到極大的阻礙，給搶險救災帶來巨大的不便。在自然災害發(fā)生后，由于人工實地勘測的方式是一件耗時耗力的工作，遙感技術由于“天眼”的特點使之成為提取道路損毀極為重要的方式。
[0003]縱觀近年來各國學者對遙感影像道路損毀提取的研究，大多數學者都使用多光譜的光學影像作為數據源來進行道路損毀提取，而光學影像的快速獲取受災后惡劣天氣的影響較大，使其在搶險救災決策中受到了很大的限制。SAR由于其特殊的成像機理，能夠克服天氣和光照條件的影響，對目標區(qū)域進行全天候、全天時、大范圍的觀測，因此在災害發(fā)生之后，利用SAR影像來提取道路、找出道路損毀區(qū)域更具有優(yōu)勢。盡管有不少學者研究了SAR影像道路提取的方法，但是針對SAR影像、尤其是高分辨率SAR圖像的道路損毀提取則鮮有人涉足。

【發(fā)明內容】

[0004]針對上述問題，本發(fā)明采用矢量數據作為輔助引導道路的損毀提取，實現了高分辨率SAR圖像的道路損毀提取。
[0005]本發(fā)明的技術方案為一種基于矢量數據的SAR影像道路損毀信息提取方法，包括以下步驟:
[0006]步驟1，根據災后的SAR影像的范圍，獲取對應區(qū)域的矢量數據，所述矢量數據包括道路矢量數據；
[0007]步驟2，將步驟I所得對應區(qū)域的矢量數據投影到SAR影像的坐標系之后，將矢量數據配準到SAR影像上；
[0008]步驟3，提取SAR影像的疑似道路損毀區(qū)，包括以下子步驟，
[0009]步驟3.1，在根據道路矢量數據建立的緩沖區(qū)中，利用道路檢測算子進行線檢測，得到道路線段基元和道路寬度信息，根據道路線段基元的檢測結果找到道路斷裂的位置，得到疑似道路損毀區(qū)；
[0010]步驟3.2，將步驟3.1所得道路寬度信息與道路矢量數據結合，得到形狀水平集分割的先驗形狀約束，利用先驗形狀約束進行水平集演化，得到道路區(qū)域的分割結果并找到道路的斷裂位置，得到疑似道路損毀區(qū)；
[0011]步驟3.3，將步驟3.1和3.2所得疑似道路損毀區(qū)融合，得到最終的疑似道路損毀區(qū)；[0012]步驟4，建立貝葉斯網絡模型對步驟3提取出的疑似道路損毀區(qū)進行進一步判斷，提取出道路損毀信息。
[0013]而且,步驟I中，從OpenStreetMap服務器下載矢量數據。
[0014]而且，步驟I中，所述矢量數據還包括房屋輪廓矢量數據和水域輪廓矢量數據。
[0015]而且，步驟I包括如下子步驟，
[0016]步驟1.1，將SAR影像的4個角點坐標投影到矢量數據的坐標系下，設投影所得經緯度坐標分別為(X1, Y1), (X2, Y2), (X3, Y3) ^ (X4, Y4);
[0017]步驟1.2，求取X1, X2, X3, X4的最大、最小值Xmax，Xmin和Y1, Y2, Y3, Y4的最大、最小值
YY.丄 max， min *
[0018]步驟1.3，將(Xmin，Yfflax)，(Xfflin, Yfflin)，(Xfflax, Yfflax)，(Xfflax, Yfflin)作為下載范圍的 4 個角點，獲取對應區(qū)域的矢量數據。
[0019]而且，步驟3.1中，所述道路檢測算子如下，
[0020]道路檢測算子的模板是寬度為2W、長度為L的長方形，模板的中央區(qū)域為寬度為W、長度為L的長方形，模板的左右兩側區(qū)域分別為寬度為W/2、長度為L的長方形；采用模板計算響應值 Gap=min (l_avr2/avrl, I_avr2/avr3),如果計算得 Gap〈0,令 Gap=0。
[0021]而且，步驟3.1中，利用道路檢測算子進行線檢測，得到道路線段基元和道路寬度信息，實現方式為，
[0022]設某幅SAR影像分辨率為N米，令W1=SzU ff2=16/N, ff3=24/N, ff4=32/N,對道路矢量數據中每段道路矢量依次設道路寬度W=W1, W2, W3, W4,在每個取值下進行以下操作，在該段道路矢量兩旁進行擴展，建立總寬度為4W的緩沖區(qū)，移動道路檢測算子在緩沖區(qū)內進行檢測，當響應值Gap大于預設閾值時記錄該線段；移動道路檢測算子的移動方式為，從該段道路矢量起點開始，將緩沖區(qū)分為數個小緩沖區(qū)，每個小緩沖區(qū)長度和移動道路檢測算子的模板長度一致；在每一個小緩沖區(qū)中，從道路矢量中心沿垂直于道路矢量方向往兩側移動，寬度每相隔W/4計算一次；記錄每一個超過閾值的計算結果下相應移動道路檢測算子的模板中心線段，并計算從緩沖區(qū)內檢測出的線段總數；
[0023]比較在每個取值下從緩沖區(qū)內檢測出的線段總數，選擇檢測出最多線段的取值為道路的實際寬度。
[0024]而且，步驟3.2中，對道路矢量數據中每段道路矢量，將該段道路矢量作為中心線，根據道路的寬度往兩側擴展成一個閉合的長條型區(qū)域作為道路的形狀約束信息，長條型區(qū)域的長度為某段道路的長度，寬度為道路的寬度。
[0025]而且，步驟4中，所述貝葉斯網絡模型包括6個先驗證據信息變量A，B, C，D, E，F、2個
觀測值G，H和疑似道路損毀區(qū)實際屬性X，6個先驗證據信息變量A，B, C，D, E, F是疑似道路損
毀區(qū)實際屬性X的條件，疑似道路損毀區(qū)實際屬性X是2個觀測值G，H的條件；通過求解疑
似道路損毀區(qū)的實際屬性的后驗概率分布如下，選擇概率最大的情況作為最終判定結果，
? P ” A P(X.±B,CD,E,F)P(G Τ)Ι\Η H
「00261 汽-入.-1 氣 C A ￡..F1G, H)=--
LUU2b」IPiX^Λ,BSC,D:E,F)P(G X)B、H 21 ?\.[0027]其中，P(X/A，B，C，D，E，F)表示在各種證據條件下，疑似道路損毀區(qū)屬于某種情況的先驗概率，P(G/X)，P(H/X)分別表示疑似道路損毀區(qū)的屬性與觀測值之間的關系。[0028]而且，所述6個先驗證據信息變量A，B, C，D, E, F分別為房屋輪廓矢量數據、滑坡隱患點數據、災種和其強度、DSM數據、道路矢量數據、水域輪廓矢量數據；2個觀測值G，H分別為疑似道路損毀區(qū)灰度、疑似道路損毀區(qū)紋理。
[0029]本發(fā)明提出了一種改進緩沖區(qū)線檢測和水平集分割相結合的方法，提取SAR影像道路的變化，進而結合其他輔助證據和斷裂區(qū)的觀測值建立貝葉斯網絡模型，對這些變化區(qū)域進行進一步的判斷，剔除虛假檢測，提取出道路的真實損毀信息。
【專利附圖】

【附圖說明】
[0030]圖1為本發(fā)明實施例的總流程圖。
[0031]圖2為本發(fā)明實施例的道路檢測算子的窗口模型圖。
[0032]圖3為本發(fā)明實施例的道路檢測模板在緩沖區(qū)內的移動方式圖。
[0033]圖4為本發(fā)明實施例的結合斷裂區(qū)觀測值和輔助證據的貝葉斯網絡模型圖。
【具體實施方式】
[0034]本發(fā)明提供一種地理信息矢量數據輔助下的SAR影像道路損毀提取方法。主要以高分辨率SAR影像道路損毀提取為研究內容，采用地理信息矢量數據作為先驗信息，基于改進的緩沖區(qū)線檢測和水平集分割集成的方法找到疑似道路損毀區(qū)。進一步考慮SAR影像中疊掩、相干斑的干擾以及道路背景本身的復雜性等因素，本發(fā)明采取貝葉斯后驗概率模型對疑似道路損毀區(qū)進行 深度分析，進而提取道路損毀。
[0035]以下結合附圖和實施例詳細說明本發(fā)明技術方案。
[0036]OpenStreetMap (簡稱0SM)是一款開源的網上地圖協(xié)作計劃，用戶可以免費的從網上下載各種矢量數據(包括道路矢量數據、房屋及水體輪廓矢量數據等)，其數據實時性強而且精度高，可以很好地作為先驗信息輔助道路損毀提取。實施例采用公開的地理信息矢量數據OpenStreetMap輔助，提供高分辨率SAR影像道路損毀提取方法。
[0037]本發(fā)明技術方案可采用計算機軟件技術實現自動運行。如圖1所示，實施例的技術方案流程包括以下步驟:
[0038]步驟一矢量數據的獲取。根據SAR影像范圍可以自動獲取對應范圍最新的OSM道路矢量數據、房屋輪廓矢量數據、水域輪廓矢量數據，SAR影像范圍內的每種矢量數據可能分別包括多段矢量線段，每段矢量線段由一系列的點組成。其中道路矢量數據被用作災前數據源，輔助提取道路的變化信息；后兩種矢量數據可以被作為輔助證據用以對變化信息是否為損毀作進一步的分析判斷。具體實施時，可以根據災后高分辨率SAR影像的范圍，從網上自動下載對應區(qū)域的矢量數據。
[0039]實施例使用OpenStreetMap API (XAPI),選擇下載區(qū)域,構建一個范圍邊界框,再構建一個下載地址，從OpenStreetMap服務器下載矢量原始數據。下載范圍的確定方式為:
[0040](I)將SAR影像的4個角點坐標投影到OpenStreetMap矢量數據的坐標系下,設投影所得經緯度坐標分別為(X1, Y1), (X2, Y2), (X3, Y3) ^ (X4, Y4) °
[0041 ] (2)求取X1, X2, X3, X4的最大、最小值Xmax，Xmin和Y1, Y2, Y3, Y4的最大、最小值
YY
丄max，Imin0
[0042](3)將(Xfflin, Yfflax), (Xfflin, Yfflin), (Xfflax, Yfflax), (Xmax) Ymin)作為下載范圍的 4 個角點，獲取對應區(qū)域的矢量數據。
[0043]在實際操作情況中，由于矢量數據和SAR影像坐標上存在著一定的偏差，因此下載的范圍實際可略大于上述方法所確定的范圍。
[0044]步驟二將對應區(qū)域的矢量數據投影到SAR影像的坐標系之后，將矢量數據配準到SAR影像上。
[0045]實施例獲取OpenStreetMap矢量數據并將其投影到SAR影像坐標系之后，SAR影像和矢量數據之間可能存在坐標偏差。具體實施時，可以SAR影像作為基準，參考現有技術中同名點或同名線的配準方式糾正OpenStreetMap矢量數據，包括對步驟一所得道路矢量數據、房屋輪廓矢量數據、水域輪廓矢量數據均進行配準。
[0046]如果圖像上存在大量特征明顯的交叉點和拐點，例如道路矢量數據和相應圖像上的道路存在交叉點或者拐點，那么采取選擇同名點的配準方式較為合適，在矢量數據和SAR影像上分別選擇相應交叉點或者拐點作為同名點對后，即可利用現有技術中多項式糾正的方法計算出轉換的系數。然后對每一段矢量線段上的每一個點，根據多項式方程和已經計算出的轉換系數計算出糾正之后的位置。為提高效率起見，具體實施時可通過人機交互界面(例如觸摸屏)向用戶提供矢量數據和SAR影像，同名點可由用戶指定選擇。
[0047]考慮到某些影像拐點和交叉點難以尋覓的情況，可以采用同名線的方式，只需要選擇矢量數據和SAR影像上位于同一條直線上的線段，并不需要線段之間嚴格匹配。為了簡化用戶的操作，可以設計軟件運行方式為，在矢量數據上，用戶只需要選點即可，軟件會自動遍歷所有的矢量線段，并找出離該點最近的線段(矢量上兩點連成的直線段)作為被選取的線段。選擇線段配準的具體步驟建議如下:
[0048](I)在SAR影像上選擇數條不平行的線段。為了保證配準的精度，選取線段之間的夾角不能太小。
[0049](2)在矢量數據上選擇對應的矢量線段，實行方式為，當用戶選擇距離對應線段最近的點，系統(tǒng)會自動遍歷所有矢量線段，選取包含該點(該點投影到線段的垂點位于線段之內)且距離最小的矢量線段。
[0050](3)根據SAR影像和矢量數據上選擇的線段分別求取線段交點。
[0051](4)把步驟(3)中求取的交叉點作為同名點，利用前面所介紹的選取同名點配準的方法將矢量數據配準到影像上。即可利用現有技術中多項式糾正的方法計算出轉換的系數，然后對每一段矢量上的每一個點，根據多項式方程和已經計算出的轉換系數計算出糾正之后的位置。
[0052]根據配準后的影像與矢量進行后續(xù)步驟。
[0053]步驟三結合線檢測和形狀水平集分割的方法提取SAR影像的疑似道路損毀區(qū)。
[0054]實施例實現方式如下，
[0055](I)在經步驟二配準后的OpenStreetMap道路矢量數據的輔助下，在根據道路矢量數據建立的緩沖區(qū)中，利用道路檢測算子進行線檢測，可以得到道路的線段基元和道路寬度信息?；跀嗔褏^(qū)不會檢測出道路中心線基元的思想，可以根據道路線段基元的檢測結果找到道路斷裂的位置，得到一部分疑似道路損毀區(qū)。
[0056](2)本發(fā)明將線檢測得到的道路寬度信息與道路矢量數據結合，作為形狀水平集分割的先驗形狀約束。利用先驗形狀約束進行水平集演化，也可得到道路區(qū)域的分割結果并找到道路的斷裂位置，也得到一部分疑似道路損毀區(qū)。
[0057](3)將線檢測結果和形狀水平集分割結果中疑似道路損毀區(qū)進行融合，以減少漏檢情況的發(fā)生。
[0058]在(I)中，得到道路寬度的方法是基于以下思想:當道路檢測模板的中央區(qū)域寬度越契合于某段道路的實際寬度，那么利用該模板在該段緩沖區(qū)內檢測得到的道路線段基元的總數就會越多。
[0059]在(2)中，建立形狀水平集先驗形狀約束的方法為:將每一段道路矢量線作為中心線，根據道路的寬度往兩側擴展成一個閉合的長條型區(qū)域，長條型區(qū)域的長度為某段道路的長度，寬度為道路的寬度。
[0060]實施例在OpenStrertMap道路矢量數據的輔助下，利用改進Dl算子的道路檢測算子檢測出道路中心線基元和道路寬度信息。本發(fā)明改進Dl算子后采用的道路檢測算子的模板見附圖2。其中模板寬度為2W，中央區(qū)域寬度為W (W是選擇的道路寬度，為可選擇的變量);L為模板長度，即模板是寬度為2W、長度為L的長方形，模板中長度為L的中心線段可將模板分為兩個寬度為W、長度為L的長方形。實施例的算子主要考慮中心區(qū)域和左右區(qū)域，模板的中央區(qū)域為寬度為W、長度為L的長方形，模板的左右兩側區(qū)域分別為寬度為W/2、長度為L的長方形。具體實施時，L可以根據道路矢量線段長度計算，例如某段道路矢量線段長為S，一般預設L為模板寬度W的2倍，那么這段道路矢量線段可分為N=integer(S/L)整數段，最終將L的長度修正為L=S/N，integer表示取整。設其中央區(qū)域(如圖2中黑色區(qū)域部分)灰度均值為avr2，左右兩側區(qū)域灰度均值分別為avrl，avr3。采用模板計算該線段的響應值Gap的方法為:
[0061]Gap=min (l-avr2/avrl, l-avr2/avr3)；
[0062]如果上式計算得Gap〈0，令Gap=O,否則保存上式計算結果不變。
[0063]道路根據其功能的不同分為各種級別，不同級別的道路寬度是不同的。2車道、4車道、6車道、8車道的道路是我們最常見的，而且由于道路旁的人行道的影響，在高分辨率SAR影像上道路呈現的實際寬度還要略大一些。本發(fā)明實施例粗略的把道路按照寬度劃分成8米，16米，24米，32米幾個級別，假定某幅SAR影像分辨率為N米，那么道路在SAR影像上的可選擇的寬度分別為Α=8/Ν，ff2=16/N, ff3=24/N, W4=32/N。具體實施時，可根據實際道路情況設置級別。
[0064]實施例利用線檢測的方法，對道路矢量數據中每段道路矢量進行處理得到道路線段基元和道路寬度的具體方法為:
[0065](I)先假定道路寬度W為W1，則相應的道路檢測算子寬度為2W1;中央區(qū)域的寬度為W1，然后在某段道路矢量兩旁進行擴展，建立總寬度為4Wi的緩沖區(qū)。移動道路檢測算子(見上述改進Dl算子而來的道路檢測算子)在緩沖區(qū)內進行檢測，當算子響應值Gap大于預設閾值(本領域技術人員可自行預設取值，建議取值為0.12-0.2之間)時記錄該線段。檢測算子的移動方式為:在寬度為4Wi的緩沖區(qū)中，道路檢測模板從該段道路矢量起點開始，將緩存區(qū)分為數段(即N段)的小段緩沖區(qū)域，每個分段小區(qū)域記為一個小緩沖區(qū)，長度為L。在每一個小緩沖區(qū)中，從道路矢量中心沿垂直于道路矢量方向往兩側移動，寬度每相隔W/4計算一次，設道路矢量中心處記為0，將模板從O處往一側移動至巧#%、
處分別計算，在另一側同樣的移動并分別計算。在一個小緩沖區(qū)的17次計算完成之后沿緩沖區(qū)向下移動一個模板的長度L，在下一部分的小緩沖區(qū)內繼續(xù)重復上述操作，直到整個緩沖區(qū)檢測完畢為止。記錄每一個超過閾值的計算結果下相應移動道路檢測算子的模板中心線段并計算從緩沖區(qū)內檢測出的線段總數。道路檢測模板在緩沖區(qū)內的移動方式如附圖3所示。
[0066](2)把道路寬度換成W2，W3，W4分別再重新建立緩沖區(qū)用本發(fā)明提出的道路檢測算子計算每個位置算子的響應值，并記錄響應值超過閾值的線段。
[0067](3)如果道路檢測算子的中央區(qū)域寬度越契合道路的實際寬度，那么在緩沖區(qū)內檢測出來符合要求的線段也就越多。因此比較算子中央區(qū)域寬度分別為W1, W2，W3，W4不同情況下從緩沖區(qū)內檢測出的線段條數，選擇檢測出線段條數最多的中央區(qū)域寬度為道路的實際寬度，并把這次檢測出來最多線段的檢測結果作為后續(xù)處理的初始數據，即以這次檢測出的每一個超過閾值的線段為道路基元。
[0068]經過上述道路緩沖區(qū)線檢測步驟之后，得到了每一段道路矢量的線段基元和道路寬度信息。由于每段小緩沖區(qū)之間是不完全重合的(見附圖2所示)，因此即便是道路未發(fā)生斷裂，道路基元之間也可能存在細微的斷裂。具體實施時，在檢測出道路基元之后，可利用線段基元之間的距離、曲率、曲率變化等信息，將道路基元進行編組成為折線段。另外由于道路兩側可能存在和道路相似的干擾信息(例如成排建筑物形成的和道路特征相似的陰影)，因此在編組之后還要對編組結果進行篩選。篩選的算法是基于干擾信息弱于真實的道路信息的思想進行的:對于編組之后的折線段，如果兩條折線段在道路矢量上投影的重疊范圍達到一定閾值(可設為較短折線段的1/3)，根據折線段包含的道路線段基元段數，剔除線段基元數量較少的折線段，保留線段基元數量較大的折線段。經過編組和篩選步驟之后，將得到的折線段投影到道路矢量之上，其中不存在線段投影的道路矢量范圍，則被認定為斷裂區(qū)域。
[0069]而經過緩沖區(qū)線檢測得到的道路寬度信息則和道路矢量數據相結合，組成形狀水平集的先驗形狀約束。具體方法是對道路矢量數據中每段道路矢量，將該段道路矢量作為中心線，根據道路的寬度往兩側擴展成一個閉合的長條型區(qū)域作為道路的形狀約束信息，長條型區(qū)域的長度為某段道路的長度，寬度為道路的寬度。得到道路的形狀約束信息之后，利用現有技術中形狀水平集分割的方法分割得到每段道路矢量的道路區(qū)域。對每段道路矢量的道路區(qū)域可以進行分段判斷，例如根據L進行分段，并根據每小段道路區(qū)域所占道路像素個數的多少來判斷是否發(fā)生斷裂(例如每小段道路區(qū)域所占道路像素個數少于相應預設閾值時判斷為發(fā)生斷裂)，從而找出道路斷裂的區(qū)域。本發(fā)明加入道路目標的形狀約束，用目標的先驗形狀來約束水平集分割就能有效的剔除干擾，獲得更加精確的提取結果。
[0070]為了減少可能存在的漏檢，本發(fā)明將這基于線檢測和形狀水平集分割的兩種方法提取出的疑似道路損毀區(qū)結合起來，將兩者結果融合(可采用求并的方式融合)。
[0071]步驟四利用各種輔助信息和疑似道路損毀區(qū)觀測值，建立貝葉斯網絡模型，對步驟三提取出的疑似道路損毀區(qū)進行進一步判斷，提取出道路的損毀信息。
[0072]傳統(tǒng)的道路損毀提取方法中，只是根據災前災后影像(災前的影像可利用道路矢量數據代替)提取出道路變化信息，然后將這些變化的區(qū)域作為道路的損毀區(qū)域。但是實際上由于其他各種干擾的影響，變化檢測得到的道路變化信息并非一定是真實損毀所引起的，因此本發(fā)明采用了貝葉斯網絡模型對檢測的斷裂區(qū)作了進一步分析判斷，具有更高的可靠度。
[0073]本發(fā)明把前面提取出的道SAR影像疑似損毀區(qū)域分為以下幾類情況:
[0074](I)道路兩旁建筑物在地震后倒塌，導致道路堵塞。
[0075](2)地震或者其他原因造成的滑坡泥石流阻斷道路。
[0076](3)暴雨或者地震引起的堰塞湖等原因造成道路被洪水淹沒。
[0077](4)高大建筑物和地形起伏引起的疊掩。
[0078](5)復雜的道路交叉口和橋梁。
[0079](6)相干斑噪聲和其他干擾。
[0080]與前面這六項事件相關聯的包括決定其先驗概率的各種輔助證據和這些事件在影像上的觀測值。首先和前面三項損毀相關的就是具體的災種，比如房屋倒塌基本都是由于地震引起的，如果沒有發(fā)生地震，那么可以認為由于房屋倒塌造成道路損毀的概率為0，如果發(fā)生了地震那么房屋倒塌的概率還與具體震級有關。另外還有很多原因與這六項事件相關，下面將分別加以說明。
[0081]房屋倒塌主要與是否發(fā)生地震和其震級有關，但是房屋倒塌造成的道路損毀則與房屋與道路的距離相關了。如果在該段道路兩旁不存在著房屋，那么這段區(qū)域因為房屋倒塌造成損毀的概率就為O。因此房屋和道路的距離是造成這類損毀的原因之一。
[0082]滑坡泥石流的發(fā)生也與該區(qū)域的地質條件有關，如果有滑坡隱患點數據，那么就能把滑坡隱患點數據與該處發(fā)生滑坡造成道路損毀的概率聯系起來。另外該段道路旁山地的坡度等也是可以與滑坡造成道路損毀的概率聯系在一起的，如果根據DEM/DSM判斷出道路兩旁沒有山坡，屬于平地，那么也就不可能發(fā)生滑坡泥石流了。
[0083]洪水淹沒則與該段道路所處的高程有關，該地的DEM/DSM模型與其是否會被洪水淹沒有著重要的聯系。另外該段區(qū)域旁的水域信息，也是與這段道路被洪水淹沒的概率有關的。
[0084]除了災害造成真實道路損毀之外，疊掩是由高大建筑物和地形起伏造成的，它主要是跟DEM/DSM信息相關聯；道路經過水域(橋梁)造成的斷裂與水域信息相關。
[0085]另外斷裂區(qū)的實際屬性除了與這六件證據相關聯之外，還與該區(qū)域本身在SAR影像上表現出的觀測值是直接關聯的。不同的情況造成的道路斷裂在SAR影像上的觀測值是有所區(qū)別的，通常情況下觀測值以灰度和紋理來加以表示，附圖4是本發(fā)明所采取的道路損毀的貝葉斯網絡模型。
[0086]本發(fā)明的主要目的是為了計算出在各種證據的輔助下結合實際觀測值判斷斷裂區(qū)屬于各種情況可能性，所以并不需要計算出所有變量之間的聯合概率密度。除房屋輪廓矢量數據、水域輪廓矢量數據，本發(fā)明還可考慮其他輔助證據。附圖4所示網絡模型中暴露出的6個先驗證據信息變量——房屋輪廓數據(即步驟二配準后的房屋輪廓矢量數據)、滑坡隱患點數據、災種和其強度、DSM數據、道路矢量數據、水域信息(即步驟二配準后的水域輪廓矢量數據)分別用A，B, C，D, E, F來代替，2個觀測值——疑似道路損毀區(qū)灰度、疑似道路損毀區(qū)紋理分別用G，H來表示，隱藏的疑似道路損毀區(qū)實際屬性用X表示，6個先驗證據信息變量A，B, C，D, E, F是疑似道路損毀區(qū)實際屬性X的條件，疑似道路損毀區(qū)實際屬性X是2個觀測值G，H的條件。那么本發(fā)明需要求取的條件概率為P (X/A, B, C，D, E, F，G，H)，其計算公式為:
【權利要求】
1.一種基于矢量數據的SAR影像道路損毀信息提取方法，其特征在于，包括以下步驟: 步驟1，根據災后的SAR影像的范圍，獲取對應區(qū)域的矢量數據，所述矢量數據包括道路矢量數據；
步驟2，將步驟I所得對應區(qū)域的矢量數據投影到SAR影像的坐標系之后，將矢量數據配準到SAR影像上； 步驟3，提取SAR影像的疑似道路損毀區(qū)，包括以下子步驟， 步驟3.1，在根據道路矢量數據建立的緩沖區(qū)中，利用道路檢測算子進行線檢測，得到道路線段基元和道路寬度信息，根據道路線段基元的檢測結果找到道路斷裂的位置，得到疑似道路損毀區(qū)； 步驟3.2，將步驟3.1所得道路寬度信息與道路矢量數據結合，得到形狀水平集分割的先驗形狀約束，利用先驗形狀約束進行水平集演化，得到道路區(qū)域的分割結果并找到道路的斷裂位置，得到疑似道路損毀區(qū)； 步驟3.3，將步驟3.1和3.2所得疑似道路損毀區(qū)融合，得到最終的疑似道路損毀區(qū)；步驟4，建立貝葉斯網絡模型對步驟3提取出的疑似道路損毀區(qū)進行進一步判斷，提取出道路損毀信息。
2.根據權利要求1所述基于矢量數據的SAR影像道路損毀信息提取方法，其特征在于:步驟I中，從OpenStreetMap服務器下載矢量數據。
3.根據權利要求1或2所述基于矢量數據的SAR影像道路損毀信息提取方法，其特征在于:步驟I中，所述矢量數據還包括房屋輪廓矢量數據和水域輪廓矢量數據。
4.根據權利要求3所述基于矢量數據的SAR影像道路損毀信息提取方法，其特征在于:步驟I包括如下子步驟， 步驟1.1，將SAR影像的4個角點坐標投影到矢量數據的坐標系下，設投影所得經緯度坐標分別為(X1, Y1), (X2, Y2), (X3, Y3) ^ (X4, Y4)； 步驟1.2，求取X1, X2, X3, X4的最大、最小值Xmax，Xmin和Y1, Y2, Y3, Y4的最大、最小值Y V.丄 max， min *
步驟 1.3，將(Xmin，Yfflax)，(Xfflin, Yfflin)，(Xfflax, Yfflax)，(Xfflax, Yfflin)作為下載范圍的 4 個角點，獲取對應區(qū)域的矢量數據。
5.根據權利要求4所述基于矢量數據的SAR影像道路損毀信息提取方法，其特征在于:步驟3.1中，所述道路檢測算子如下， 道路檢測算子的模板是寬度為2W、長度為L的長方形，模板的中央區(qū)域為寬度為W、長度為L的長方形，模板的左右兩側區(qū)域分別為寬度為W/2、長度為L的長方形；采用模板計算響應值 Gap=min (l_avr2/avrl, I_avr2/avr3),如果計算得 Gap〈0,令 Gap=0。
6.根據權利要求5所述基于矢量數據的SAR影像道路損毀信息提取方法，其特征在于:步驟3.1中，利用道路檢測算子進行線檢測，得到道路線段基元和道路寬度信息，實現方式為， 設某幅SAR影像分辨率為N米，令W1=SzU ff2=16/N, ff3=24/N, ff4=32/N,對道路矢量數據中每段道路矢量依次設道路寬度W=W1, W2, W3, W4,在每個取值下進行以下操作，在該段道路矢量兩旁進行擴展，建立總寬度為4W的緩沖區(qū)，移動道路檢測算子在緩沖區(qū)內進行檢測，當響應值Gap大于預設閾值時記錄該線段；移動道路檢測算子的移動方式為，從該段道路矢量起點開始，將緩存區(qū)分為數個小緩沖區(qū)，每個小緩沖區(qū)長度和移動道路檢測算子的模板長度一致；在每一個小緩沖區(qū)中，從道路矢量中心沿垂直于道路矢量方向往兩側移動，寬度每相隔W/4計算一次；記錄每一個超過閾值的計算結果下相應移動道路檢測算子的模板中心線段，并計算從緩沖區(qū)內檢測出的線段總數； 比較在每個取值下從緩沖區(qū)內檢測出的線段總數，選擇檢測出最多線段的取值為道路的實際寬度。
7.根據權利要求6所述基于矢量數據的SAR影像道路損毀信息提取方法，其特征在于:步驟3.2中，對道路矢量數據中每段道路矢量，將該段道路矢量作為中心線，根據道路的寬度往兩側擴展成一個閉合的長條型區(qū)域作為道路的形狀約束信息，長條型區(qū)域的長度為某段道路的長度，寬度為道路的寬度。
8.根據權利要求7所述基于矢量數據的SAR影像道路損毀信息提取方法，其特征在于:步驟4中，所述貝葉斯網絡模型包括6個先驗證據信息變量A，B, C，D, E, F、2個觀測值G，H和疑似道路損毀區(qū)實際屬性X，6個先驗證據信息變量A，B, C，D, E, F是疑似道路損毀區(qū)實際屬性X的條件，疑似道路損毀區(qū)實際屬性X是2個觀測值G，H的條件；通過求解疑似道路損毀區(qū)的實際屬性的后驗概率分布如下，選擇概率最大的情況作為最終判定結果，
9.根據權利要求8所述基于矢量數據的SAR影像道路損毀信息提取方法，其特征在于:所述6個先驗證據信息變量A，B, C，D, E, F分別為房屋輪廓矢量數據、滑坡隱患點數據、災種和其強度、DSM數據、道路矢量數據、水域輪廓矢量數據；2個觀測值G，H分別為疑似道路損毀區(qū)灰度、疑似道路損毀區(qū)紋理。
【文檔編號】G06K9/46GK103714339SQ201310750917
【公開日】2014年4月9日 申請日期:2013年12月30日 優(yōu)先權日:2013年12月30日
【發(fā)明者】眭海剛, 吳弦駿, 劉俊怡, 范一大, 陳 光 申請人:武漢大學