基于视觉认知的SAR图像城市建筑物震害损毁快速检测
发布时间：2021-01-16 03:03
地震灾害作为重大突发性自然灾害之一,具有较强的破坏力,一旦发生极易造成巨大的人民生命财产损失。因此,地震灾害发生后的城市目标损毁快速圈定可以指导科学有效地开展灾后救援工作,最大限度地减少损失。合成孔径雷达（Synthetic Aperture Radar,SAR）具有全天时、全天候进行对地观测的能力,在灾害应急监测与灾情评估中起到其他遥感技术无法替代的作用。SAR图像由于其特殊的成像方式与噪声的影响,存在视觉效果差,人眼目视解译困难的问题,并且使用常用的变化检测方法对损毁区域进行提取准确度不高。随着计算机视觉领域的不断发展,结合神经生物学和心理学,人类对视觉信息的处理研究不断深入,视觉认知在图像处理方面取得了较大的进展,其中视觉显著性检测能够让人类视觉系统对图像中的重要信息进行快速认知,显著性区域的颜色、形状、纹理等特征与周围区域形成强对比,能被人眼快速获取。因此在本文中,将视觉认知引入地震发生后的建筑物损毁检测中,分别对地震发生后不同的SAR数据获取情况进行研究。针对仅获取震后单时相SAR数据的情况,提出了基于视觉认知的SAR图像视觉优化方法,通过自适应负指数变换的方法对SAR图像视...
【文章来源】：北京建筑大学北京市
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
视觉系统对亮度的感知[11]
数见表 3-1。2.5.1. 震后大范围场景 SAR 图像优化图2-2是对地震发生后的ALOS 2图像使用本文方法进行视觉优化的结果图，由于实验区包含大量城市建筑物，二面角结构非常多，像元值在亮端也较多，因此本文方法自动选择使用修正后的负指数参数进行负指数变换计算。大范围场景中的 SAR 图像包含的地物类型较多，使用该方法能较好地展示建筑物区域、山地区域、水域和农田区域，并且城市边界明显，与自然地物的区别容易被视觉系统认知。对比图 2-3 中使用的 Linea2%线性拉伸方法，暗端像元值得到了更好的拉伸，能显示更多灰度较暗的图像细节。根据对震后光学图像的解译，选定 4 处未发生变化的建筑区（R1、R2、R3、R4，图 2-2 绿框范围）与 3 处发生大面积建筑物倒塌的区域（R5、R6、R7
图 2-3 Linear2%的震后 SAR 图像视觉优化结果图Fig.2-3SAR image visual optimization result diagram of Linear2% method after earthquake图 2-4 中展示了图 2-2 与图 2-3 中四处绿色方框中使用本文方法与常用的Linear2%方法进行视觉优化后的结果，是本次地震后建筑物未损毁区域（R1、R2、R3、R4）的细节图。四处均为熊本市建筑较为密集区域，其中 R1 建筑物排列整齐，R2 中的建筑物较为分散，R3 位于建筑物密集区域，二面角结构较多，R4 中的未倒塌建筑物范围位于本次地震受灾较为严重的益城町区域附近，这四个区域能较好代表地震后城市中未损毁建筑物特点。R1 与 R3 中建筑物排列较为规则，使用 Linear2%的方法进行视觉增强，可以较好地保持建筑区的纹理特征，但是建筑物二次散射亮线表现为间隔较大的亮点组成，使用本文方法进行视觉优化后，图像中建筑物的强散射亮线排列较为整齐，由间隔较小的亮点组成，暗端细节得以展示，纹理特征保持的较好，可以帮助解译人员快速判定该区域未发生建筑物损毁；R2 中的建筑物较为分散，使用Linear2%的拉伸结果仍然较暗，建筑物细节显示效果不适合解译人员判读，由于城市范围的建筑物朝向一致，强散射亮线的方向性较强，经过本文方法视觉优化后亮线较为连续，并且暗端细节经过变换后显示效果较好，可以判定该区域未发
本文编号：2980031
【文章来源】：北京建筑大学北京市
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
视觉系统对亮度的感知[11]
数见表 3-1。2.5.1. 震后大范围场景 SAR 图像优化图2-2是对地震发生后的ALOS 2图像使用本文方法进行视觉优化的结果图，由于实验区包含大量城市建筑物，二面角结构非常多，像元值在亮端也较多，因此本文方法自动选择使用修正后的负指数参数进行负指数变换计算。大范围场景中的 SAR 图像包含的地物类型较多，使用该方法能较好地展示建筑物区域、山地区域、水域和农田区域，并且城市边界明显，与自然地物的区别容易被视觉系统认知。对比图 2-3 中使用的 Linea2%线性拉伸方法，暗端像元值得到了更好的拉伸，能显示更多灰度较暗的图像细节。根据对震后光学图像的解译，选定 4 处未发生变化的建筑区（R1、R2、R3、R4，图 2-2 绿框范围）与 3 处发生大面积建筑物倒塌的区域（R5、R6、R7
图 2-3 Linear2%的震后 SAR 图像视觉优化结果图Fig.2-3SAR image visual optimization result diagram of Linear2% method after earthquake图 2-4 中展示了图 2-2 与图 2-3 中四处绿色方框中使用本文方法与常用的Linear2%方法进行视觉优化后的结果，是本次地震后建筑物未损毁区域（R1、R2、R3、R4）的细节图。四处均为熊本市建筑较为密集区域，其中 R1 建筑物排列整齐，R2 中的建筑物较为分散，R3 位于建筑物密集区域，二面角结构较多，R4 中的未倒塌建筑物范围位于本次地震受灾较为严重的益城町区域附近，这四个区域能较好代表地震后城市中未损毁建筑物特点。R1 与 R3 中建筑物排列较为规则，使用 Linear2%的方法进行视觉增强，可以较好地保持建筑区的纹理特征，但是建筑物二次散射亮线表现为间隔较大的亮点组成，使用本文方法进行视觉优化后，图像中建筑物的强散射亮线排列较为整齐，由间隔较小的亮点组成，暗端细节得以展示，纹理特征保持的较好，可以帮助解译人员快速判定该区域未发生建筑物损毁；R2 中的建筑物较为分散，使用Linear2%的拉伸结果仍然较暗，建筑物细节显示效果不适合解译人员判读，由于城市范围的建筑物朝向一致，强散射亮线的方向性较强，经过本文方法视觉优化后亮线较为连续，并且暗端细节经过变换后显示效果较好，可以判定该区域未发
本文编号：2980031
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2980031.html
