基于马尔科夫随机场的单时相震害影像受损建筑物识别方法
张凌1, 谭璇2,3, 宋冬梅2, 王斌2,*, 李睿琳2,3
1)中国地震应急搜救中心, 北京 100049
2)中国石油大学(华东), 海洋与空间信息学院, 青岛 266580
3)中国石油大学(华东), 研究生院, 青岛 266580;
*通讯作者: 王斌, 男, 讲师, E-mail: wangbin007@upc.edu.cn

作者简介:张凌, 男, 1961年生, 高级工程师, 主要从事遥感图像处理与分类方法研究, E-mail:zhanglingnerss@126.com

摘要

建筑物是地震中的主要承灾体, 其受损情况可作为评估地震破坏等级的重要参考依据。 因此, 快速准确地对震后影像中的受损建筑物进行识别显得尤为重要, 对震后救援和应急响应具有指导意义。 现有的震害遥感信息提取方法的精度低、 速度慢, 无法满足快速应急响应的迫切要求。 文中提出一种基于马尔科夫随机场(Markov Random Field, MRF)模型的建筑物受损程度检测方法, 首先利用马尔科夫随机场对影像进行分割, 再根据影像中不同程度受损建筑物所呈现的特征, 利用支持向量机在分割后的影像中提取受损建筑物。 实验表明, 该方法性能良好, 平均总体精度达93.02%。 与传统方法相比, 该方法操作简便, 且提取精度和运行时间均有显著优势, 能够精准、 快速地识别震害单时相影像中的受损建筑物。

关键词: 地震灾害; 马尔科夫随机场; 受损建筑物检测; 图像分割
中图分类号:P315.9 文献标志码:A 文章编号:0253-4967(2019)05-1273-16
STUDY ON THE MRF-BASED METHOD FOR DAMAGED BUILDINGS EXTRACTION FROM THE SINGLE-PHASE SEISMIC IMAGE
ZHANG Ling1, TAN Xuan2,3, SONG Dong mei2, WANG Bin2, LI Rui lin2,3
1)National Earthquake Response Support Service, Beijing 100049, China
2)College of Oceanography and Space Informatics, China University of Petroleum Qingdao 266580, China
3)Graduate School, China University of Petroleum, Qingdao 266580, China
Abstract

Earthquake events are one of the most extraordinarily serious natural calamities, which not only cause heavy casualties and economic losses, but also various secondary disasters. Such events are devastating, and have farreaching influences. As the main disaster bearing body in earthquake, buildings are often seriously damaged, thus it can be used as an important reference for earthquake damage assessment. Identifying damaged buildings from postearthquake images quickly and accurately is of real importance, which has guidance meaning to rescue and emergency response. At present, the assessment of earthquake damage is mainly through artificial field investigation, which is timeconsuming and cannot meet the urgent requirements of rapid emergency response. Markov Random Field(MRF)combines the neighborhood system of pixels with the prior distribution model to effectively describe the dependence between spatial pixels and pixels, so as to obtain more accurate segmentation results. The support vector machine(SVM)model is a simple and clear mathematical model which has a solid theoretical basis; in addition, it also has unique advantages in solving small sample, nonlinear and highdimensional pattern recognition problems. Thus, in this paper, a Markov random field ̄based method for damaged buildings extraction from the singlephase seismic image is proposed. The framework of the proposed method has three components. Firstly, Markov Random Field was used to segment the image; then, the spectral and texture features of the postearthquake damaged building area are extracted. After that, Support Vector Machine was used to extract the damaged buildings according to the extracted features. In order to evaluate the proposed method, 5 areas in ADS40 earthquake remote sensing image were selected as experimental data, this image covers parts of Wenchuan City, Sichuan Province, where an earthquake had struck in 2008. And in order to verify the applicability of this method to different resolution images, an experimental area was selected from different resolution images obtained by the same equipment. The experimental results show that the proposed method has good performance and could effectively identify the damaged buildings after the earthquake. The average overall accuracy of the selected experimental areas is 9302%. Compared with the result extracted by the widely used eCognition software, the proposed method is simpler in operation and can improve the extraction accuracy and running time significantly. Therefore, it has significant meaning for both emergency rescue work and accurate disaster information providing after earthquake.

Keyword:seismic disaster; Markov Random Field; damaged buildings detection; image segmentation
0 引言

地震是人类面临的最重大的自然灾害之一, 其所造成的社会、 经济损失巨大。 中国地处环太平洋和欧亚地震带的交会部位, 是世界上地震灾害最严重的国家之一。 建筑物是人们活动的主要场所, 其受损情况与人员伤亡有着紧密的联系, 可作为震后救援和应急响应的重要参考依据。 因此, 快速、 准确地对震后影像中的受损建筑物进行识别显得尤为重要。

目前, 震害损失评估主要通过人工现场调查的方式实现, 该过程不仅耗费大量人力、 物力, 且调查周期长。 同时, 由强地震所引发的山体滑坡、 泥石流和堰塞湖等地质灾害往往使地面交通道路严重受阻、 通讯中断, 严重妨碍现场勘查工作的顺利开展。 因此, 传统的人工现场调查方式难以满足灾害救援和损失评估等方面在时效上的应用要求。

近年来, 随着遥感技术的蓬勃发展, 震后受损建筑物的遥感提取方法在国内外已有广泛深入的研究, 并取得了一系列成果。 根据所使用影像的数目, 可将该类方法分为多时相检测技术和单时相检测技术。 其中, 多时相检测技术通过对地震前后的遥感影像进行变化检测, 以提取受损的建筑物信息。 例如, Li等(2010)利用单类支持向量机(OCSVM)分类算法, 结合光谱和空间信息对2008年汶川地震前后的影像进行了变化检测, 从而得到受损建筑物信息; Marin等(2015)利用地震前后TerraSAR-X影像的后向散射强度差和相关性组成的区分指标, 对建筑物单体的屋顶区域进行了震害分析与提取, 正确率达到75%; Janalipour等(2016)利用震前矢量图和震后高分辨率影像对基于像素和面向对象的分类结果进行了整合, 并提取了建筑物的面积、 矩形度和凸度等几何特征, 最后基于这些特征和自适应网络建立了模糊推断系统(ANFIS), 以检测建筑物受损程度; Bruzzone等(2015)结合了条带式和聚束式影像, 提出利用条带式高分(3~5m)影像快速检测变化的区域, 然后利用聚束式高分(1m)影像对每个变化区域进行分析以检测单体倒塌建筑物。 利用多时相技术提取建筑物震害信息具有方便、 快捷的优点, 但其检测结果对配准精度较为敏感。 同时, 同一地区地震前后的影像往往不易获取。 因此, 在实际应用中, 多时相检测技术受到了很大限制。

基于单幅影像的受损建筑物检测按照信息处理单元的不同可以分为基于像素的检测和面向对象的检测。 基于像素的震害受损建筑检测, 主要是利用震后遥感影像中不同地物具有不同光谱值这一特点, 对图像进行解译后人工设计并提取地物特征, 确定特征参量规则集, 再利用图像分割和分类的方法提取震害信息(Mitomi et al., 2001)。 例如, Mitomi等(2001)使用最大似然估计将震害建筑物分为完全倒塌、 部分倒塌和完整建筑物; 张景发等(2003)对震害影像中所具有的特征进行了归纳和总结, 并以1976年唐山地震震后影像为例进行了震害分级; Tong等(2013)提出了一种基于混合阴影的分析方法, 同时结合影像特征, 对高分辨率震害影像中倒塌的建筑物进行识别与探测。 然而, 基于像元的检测往往没有考虑目标的整体特征, 因此存在较大误差。

面向对象检测方法(Object-based Image Analysis, OBIA)能够结合对象的多种特征, 因此在基于高分辨率震害图像提取震害信息领域中得到了广泛的应用(Yamazaki et al., 2008; 王岩, 2009; Kaya et al., 2011; 翟永梅等, 2015; 叶昕等, 2016; 任峰, 2017)。 面向对象方法先将影像分割成不同大小的图像块, 再提取对象所具有的特征, 然后利用分类算法提取震后受损建筑物。 刘明众等(2013)采用汶川8.0级地震震后理县境内某道路局部路段的高分辨率航空遥感影像数据, 在图像分割的基础上, 结合SVM算法分类, 实现了道路震害的快速提取; Kaya等(2011)结合面向对象分析与自适应的SVM算法, 采用2010年海地地震后太子港的Quickbird图像对特定建筑物进行损伤检测。 此外, 还有一些商用软件也可实现面向对象的检测方法, 如德国Definiens Imaging公司开发的智能化影像分析软件eCognition。 然而, 传统的面向对象分类法对于遥感影像震害信息识别精度低、 速度慢, 需要设置大量的参数, 且极易受到操作者主观性的影响, 进而降低分类效率。

针对以上问题, 本文提出一种基于马尔科夫随机场(Markov Random Field, MRF)的单时相震害影像受损建筑物识别方法。 马尔科夫随机场模型将像素的邻域系统与先验分布模型相结合, 能有效地描述空间像素与像素之间的依赖关系, 从而得到较为精准的分割结果。 而支持向量机模型在小样本、 非线性和高维模式识别问题中具有独特的优势, 同时, 其具有坚实的理论基础和简单明了的数学模型。 因此, 本方法首先利用马尔科夫随机场模型对原始影像进行分割, 得到震后影像区域的初始分割结果; 在此基础上提取震后建筑物区域的光谱、 纹理等特征; 最后利用支持向量机分类方法对震后不同程度受损的建筑物进行提取。 其流程如图 1所示。 本文选择2008年5月16日四川省汶川县的ADS40震后遥感影像作为实验数据, 并从中截取了5块子区域进行实验。 结果表明, 此方法能够有效地识别震后受损建筑物。

图 1 技术路线框架图Fig. 1 Technical route frame.

1 基于马尔科夫随机场模型的震后受损建筑物提取方法
1.1 基于马尔科夫随机场的影像分割方法

基于马尔科夫随机场的图像分割算法一直以来被国内外学者广泛研究, 并在各领域广泛应用(李旭超等, 2007; Li S Z, 2009; Li Y et al., 2011; 温航宇, 2013; 徐迪, 2013; 徐胜军等, 2013; Zheng et al., 2013; 李铁, 2014; Mignotte, 2014; 宋艳涛等, 2014; 朱瑶, 2014; 曹家梓等, 2015; 罗欣, 2015; 许妙忠等, 2015; 杨鹏, 2015)。 该模型具有以下几个鲜明的特点: 1)空间约束性强, 将像素的邻域系统与先验分布模型相结合, 能够有效地描述空间像素与像素之间的依赖关系; 2)既能反映图像的随机性, 又能反映图像的潜在结构, 可有效地描述图像的性质; 3)既从物理模型出发, 又与图像数据(灰度值或特征)拟合直接联系起来。 MRF模型运用Gibbs场和最大后验概率(Maximum A Posteriori, MAP)实现图像分割, 其过程可概述如下:

假定Sn个位置的像素集合, S={1, 2, …, n}, 其中{1, 2, …, n}代表位置索引, 不同的位置索引表示不同的像素或特征。 将一个大小为M× M的图像作为二维方形格网, 则S可表示为S={(i, j)|1≤ iM, 1≤ jM}。LD为2个符号集, L={1, 2, …, l}, D={1, 2, …, d} , XY为2个随机场, 分别对应于图像的类别标识和灰度, 它们的状态空间分别是LD, 即对于∀ iS, XiL, YiD。 在集合S中可用邻域系统来表示每个像素之间的关系, 二维网格S中邻域系统的定义是N={Ni|∀ iS}, 其中Ni代表位置i处的邻域集合。

根据贝叶斯估计, x的后验概率可以表示为

P(x|y)=P(y|x)P(x)P(y)(1)

其中, y代表观测图像, P(y|x)代表在给定x的情况下y的条件概率, P(x)代表x的先验概率, P(y)代表观测密度。

令$\hat{x}$是图像真实类别标号的估计, 由最大后验概率(MAP)准则有:

$\hat{x}$=argmaxxM{P(y|x)P(x)}(2)

其中, x表示随机场X的一组配置, MX所有可能配置的集合, y表示随机场Y的一组配置。要得到 $\hat{x}$, 首先需计算类别的先验概率P(x)和观测量的似然概率P(y|x)。

由Hammersley-Clifford定理可知, MRF能够等价描述为Gibbs分布; x可视为MRF的具体实例, 其先验概率近似表示为

P(x)exp(-U(x))(3)

能量函数 U(x)=-βcCVc(x), 为基团C的势能Vc(x)之和。 引入Potts模型有Vc(xi)=δ (xi, xj)-1, jNi, 则:

u(xi)=-βicCVc(xi)=βijNi(δ(xi, xj)-1), 其中δ(xi, xj)=1xi=xj0xixj(4)

式中, xi代表当前分割结果, xj代表真实分割结果。 对比当前的分割结果和真实分割结果, 若像素之间的标记不同, 则δ (xi, xj)取1, 反之取0。 MAP准则的目的是将图像中每个像素的错分概率降到最低。

而对于给定类别标号xi=, 通常假定像素颜色深度值yi服从高斯分布θ i={μ , σ }, 即:

P(yi|xi=l)=(1/2πσl2)·exp(-(yi-μl)2/2σl2)(5)

常用的MRF-MAP求解方法有很多, 通常通过迭代搜索能量函数最小的解作为建筑物的分割结果。 本文选择条件迭代(Iteration Condition Model, ICM)算法进行迭代运算, 以求出最优解。

迭代条件模型是基于局部条件概率求解局部最小值的算法, 该模型通过对每个像素点进行逐点扫描来更新图像的标记, 经过数次迭代以寻找局部最优或全局最优的建筑物分割结果。 其公式为

$\hat{x}$=argmaxxiLf(yi|xi)·f(xi|xNi), iS(6)

由于ICM算法的分割效果较为依赖初始分割, 因此选择模糊k-means聚类算法求取ICM迭代算法的初始分割。 ICM算法的具体流程为:

(1)影像读取, 根据影像中目标的特征设置需要分割的类别数K、 势函数β 和迭代次数。

(2)输入影像, 利用k-means分类方法得到影像初始分割结果。

(3)针对特征场数据, 选取高斯混合模型建模, 计算出特征场参数均值μ 和方差σ 2

(4)对特征场的能量进行求解。

(5)根据标记场数据, 选取Potts模型进行建模, 并求出标记场的能量函数。

(6)计算全局能量的值, 通过迭代搜索求出能量函数最小的解, 得到新的分割结果。

(7)判断是否满足收敛条件。 若满足条件, 迭代结束, 得到最终的分割结果; 若不满足条件, 则转到步骤(3)。

1.2 基于分割结果的特征提取

随着遥感影像空间分辨率的提升, 图像信息也更加丰富。 建筑物的典型特征是具有明显的外形轮廓和规律的排列形式, 在遥感影像上表现为灰度及其结构具有规则性和有序性。 地震使建筑物发生不同程度的倒塌, 建筑物的规则结构也受到了不同程度的破坏, 主要体现在波谱特征和纹理结构2个方面。 在波谱特征方面, 完好的建筑物往往呈现出高亮度的特征, 与倒塌建筑物、 半倒塌建筑物及其它地物形成鲜明对比, 因而可凭借影像区域的明暗程度对受损程度不同的建筑物进行区分。 在纹理结构方面, 完好的建筑物与受损建筑物的纹理特征具有明显差异。 完好建筑物的几何结构较规整, 且表面往往呈现出均一的图像纹理; 而对于倒塌建筑物或者半倒塌建筑物, 由于破坏截面比较粗糙, 在图像上通常呈现出斑块状的低灰度值区域(柳稼航, 2003)。 因此, 可以依据影像中建筑物的纹理特征来区分震害影像中的完好建筑物和受损建筑物。

灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)是描述影像灰度值变化的二阶统计量, 它体现了影像中每个像元的灰度在方向、 邻域间隔以及变化幅度上的特征, 是研究影像局部区域特征及排列属性的基础。 本文在大量实验后, 从中选取了3种纹理特征参数参与分类, 分别是对比度(Contrast)、 非相似性(Dissimilarity)及方差(Variance)。 研究发现, 完好建筑物的对比度较大, 非相似性与对比度线性正相关, 方差值较小; 而受损建筑物对比度较小, 非相似性较低, 方差较高。

对比度反映了像素与其周围像素灰的对比情况。 其计算公式为

C=i=0n-1j=0n-1p(i, j)(i-j)2(7)

其中, ij分别代表灰度共生矩阵中行、 列的灰度值, p(i, j)代表第i行、 第j列的标准化值, n代表行或列的总数。

非相似性的计算公式为

D=i=0n-1j=0n-1p(i, j)|i-j|(8)

方差的计算公式为

V=12i=0n-1j=0n-1[p(i, j)(i-μ)2+p(i, j)(j-μ)2](9)

其中, μ 代表均值。

1.3 支持向量机分类模型

支持向量机(Support Vector Machine, SVM)是基于统计学习理论而发展起来的一种新的学习方法, 在遥感影像分类、 人脸检测与识别、 回归分析、 图像分类和模式识别等领域都得到了广泛的应用(Weston, 1999; 杜培军等, 2006; 谭琨等, 2008; 刘晓亮等, 2010; Niu et al., 2012; 高晓健, 2013; Vijayan et al., 2016; Dilmen et al., 2017; Ebrahimi et al., 2017)。 支持向量机具有众多优越性, 该模型基于结构风险最小的原则, 具有较高的泛化能力, 不仅学习速度快, 在高维数据的处理上更是有着独特的优势。

支持向量机是一种二分类模型, 其目的是寻找一个超平面对样本进行分割, 最终转化为一个凸优化问题, 以获得全局范围内的最优解。 该模型遵循以下原则: 对于线性可分的情况, 直接进行分类; 对于线性不可分的情况, 利用非线性映射核函数(如线性核函数、 多项式核函数、 径向基函数等)将输入向量映射到一个高维甚至无穷维的特征空间, 在特征空间中构造最优分类超平面, 使原本非线性不可分的问题转换为线性可分的问题, 即找到一个超平面, 在该平面内训练样本的样本点被分为2类, 且2类样本点与该超平面的距离之和最大。

如图 2所示(以二维情况为例), 图中粉色和蓝色的点分别代表2类样本, 超平面A和超平面B是2种分类超平面, 其中超平面B为最终的分类超平面, 因为超平面B不仅能将2类样本点正确区分开, 而且使得2类样本点与超平面的距离之和最大。

图 2 最优分类超平面Fig. 2 Optimal classification hyperplane.

根据支持向量机理论, 其最优分类超平面为

f(x)=sgn[i=1naiyiK(xi, x)+b](10)

其中, ai> 0, 为拉格朗日乘值, 满足ai> 0的样本点代表支持向量; yi为结果类别标签, 通常取-1或1; K(xi, x)是支持向量机中的核函数, 满足K(xi, x)=< φ (xiφ (x)> ; b为分类域值。

支持向量机对二分问题具有较好的分类效果, 对于多类分类问题, 一般采取多次二分的方法实现(Debnath et al., 2004; 郭显娥等, 2010; 陈中杰等, 2013; 刘绍毓等, 2015)。

2 应用与分析

为了验证本文方法的效果, 分别利用本文方法和面向对象方法对实验选区中的不同程度的受损建筑物进行提取, 并采用平均生产者精度(Average Producer’ s Accuracy, APA)、 平均用户精度(Average User’ s Accuracy, AUA)、 总体分类精度(Overall Accuracy, OA)和Kappa系数4个指标对震后受损建筑物提取结果的精度进行评价与对比。

2.1 实验数据

采用分辨率为0.5m的ADS40数字航空影像作为实验数据, 以2008年5月12日发生M8.0地震的四川省汶川县作为研究区域。 汶川M8.0地震的震源深度为14km, 其将汶川县的大部分建筑物摧毁。 从2008年5月16日汶川县ADS40震后遥感影像中截取了5块子区域, 同时, 为了验证本文方法对于不同分辨率影像的受损建筑物的提取能力, 从同等设备获取的具有不同分辨率的影像中选取了1块子区域。 实验区的详细信息见表1

表1 实验子区域概况 Table1 Overview of subareas

实验包括2个部分: 1)利用本文提出的算法对所选取的6个实验子区域进行实验与精度评定; 2)与面向对象分类方法所得的结果进行比较研究, 以证明本方法的优越性。

2.2 结果分析

2.2.1 本文方法的实验结果与分析

运用本文方法对6个子区域中不同程度的受损建筑物进行提取, 结果如图3— 8所示。 此方法需设置的参数包括: 1)影像分类的类别数; 2)势函数的取值, 本方法利用Potts模型构建势函数; 3)算法的迭代次数。

从图3— 8可以看出, 本文所提出的方法能够较好地提取出完整建筑物, 在提取半倒塌建筑物及完全倒塌建筑物时, 本方法所得结果与真实结果相比面积偏大, 这是由于完全倒塌建筑物部分与裸地部分极为相似; 此外, 半倒塌建筑物与完全倒塌建筑物之间存在少许错分现象, 这是由于在半倒塌建筑物中, 受损的部分与倒塌建筑物的特征十分相似, 故本方法将一些半倒塌建筑物的受损部分识别为倒塌建筑物。

图 3 T1的原始影像(a)、 分类结果(b)及真实分类结果(c)Fig. 3 Original image(a), classification results(b) and groundtruth(c) of T1.

图 4 T2的原始影像(a)、 分类结果(b)及真实分类结果(c)Fig. 4 Original image(a), classification results(b) and groundtruth(c) of T2.

图 5 T3的原始影像(a)、 分类结果(b)及真实分类结果(c)Fig. 5 Original image(a), classification results(b) and groundtruth(c) of T3.

图 6 T4的原始影像(a)、 分类结果(b)及真实分类结果(c)Fig. 6 Original image(a), classification results(b) and groundtruth(c) of T4.

图 7 T5的原始影像(a)、 分类结果(b)及真实分类结果(c)Fig. 7 Original image(a), classification results(b) and groundtruth(c) of T5.

图 8 T6的原始影像(a)、 分类结果(b)及真实分类结果(c)Fig. 8 Original image(a), classification results(b) and groundtruth(c) of T6.

2.2.2 面向对象方法的实验结果与分析

eCognition是目前广泛应用的面向对象分类方法的智能化影像分析软件。 为了验证本文方法的有效性和优越性, 利用eCognition对研究区进行实验, 并将其结果(图9— 14)与本文所提出方法的结果进行对比。 eCognition软件提取震害信息主要分为3个步骤, 即影像分割、 特征提取和影像监督分类。 影像分割是指基于颜色、 形状和灰度等性质将影像分割成具有不同特征且互不相交的区域, 每个区域内部的灰度、 纹理等特征相近, 而相邻区域之间不具有一致性特征。 由于本文主要研究建筑物的损毁情况, 因此实验中采取层次分割的方法进行分割, 首先划分出建筑物区域和非建筑物区域, 再在建筑物区域内提取出完好建筑物和损毁建筑物。

震后遥感影像中建筑物的大小、 形状各异, 且不同影像、 不同区域中建筑物的密度、 类型也不尽相同, 在适宜的尺度上进行震害信息提取非常重要, 因此, 2层分割均采用多尺度分割方法。 影像分割完成后, 根据不同建筑物以及建筑物与周围背景的差异, 选取了亮度值、 长宽比、 形状指数和灰度共生矩阵等指标构建特征规则集。 面向对象分类的最后一步是影像监督分类, 进行分类之前, 在影像中随机选择一定数量的样本区域, 再从这些区域中选取一部分作为训练样本, 剩下的区域作为检验样本, 采用最邻近距离法进行分类。

从图9— 14可以看出, 利用面向对象分类法提取震害影像中的受损建筑物具有较好的效果。 对于完整建筑物和半倒塌建筑物, 面向对象的分类方法能够较好地对其边界轮廓进行描述, 保存建筑物的边界信息, 这是由于面向对象分类方法在分类前先将具有相同特征的像素聚为图像块, 从而使分类结果均以 “ 块状” 进行呈现, 很少出现细小的噪声点。 但是, 面向对象的分类方法对于像素灰度值具有一定的依赖性, 使得部分灰度值较低的完整建筑物被分为半倒塌建筑物, 如图中红色圆圈所示。 同时, 对于完全倒塌建筑物, 面向对象的分类方法不能将其与土地进行有效区分, 如T1的影像所示。 除此之外, 利用面向对象分类法对震后遥感影像中的建筑物进行提取时需要设置大量的参数, 且分类结果极易受到操作者主观性的影响, 因而不能快速准确地获取震害信息。

图 9 T1的原始影像(a)、 分类结果(b)及真实分类结果(c)Fig. 9 Original image(a), classification results(b) and groundtruth(c) of T1.

图 10 T2的原始影像(a)、 分类结果(b)及真实分类结果(c)Fig. 10 Original image(a), classification results(b) and groundtruth(c) of T2.

图 11 T3的原始影像(a)、 分类结果(b)及真实分类结果(c)Fig. 11 Original image(a), classification results(b) and groundtruth(c) of T3.

图 12 T4的原始影像(a)、 分类结果(b)及真实分类结果(c)
红色圆圈表示完整建筑物被错分为半倒塌建筑物的部分
Fig. 12 Original image(a), classification results(b) and groundtruth(c) of T4.

图 13 T5的原始影像(a)、 分类结果(b)及真实分类结果(c)
红色圆圈表示完整建筑物被错分为半倒塌建筑物的部分
Fig. 13 Original image(a), classification results(b) and groundtruth(c) of T5.

图 14 T6的原始影像(a)、 分类结果(b)及真实分类结果(c)Fig. 14 Original image (a), classification results (b) and groundtruth (c) of T6.

2.3 精度评价与分析

将本文所提出的方法与eCognition的实验结果(图3— 14)进行对比可知, 首先, 由于受像素灰度值影响较小, 本文的方法与面向对象分类方法相比, 能够更好地区分完整建筑物和半倒塌建筑物, 从而使最终结果在精度上有较大幅度的提升; 其次, 在建筑物的形状轮廓描述方面, 虽然本文方法略逊于面向对象分类方法, 但也能较为准确地保存建筑物的边界信息; 最后, 本文的方法对于倒塌建筑物和土地也有较好的区分能力。 地震发生后, 救援的黄金时间只有短短的72h, 快速准确地获取灾情信息尤为重要。 而本文方法最大的优点就是只需设置少量参数(影像分类类别数、 势函数取值和算法迭代次数), 且运行速度快, 缩短了获取震害灾情信息的时间。

对比2种方法的混淆矩阵, 通过APA、 AUA、 OA及Kappa系数4种指标对震害建筑物分类精度进行评价, 结果见表2

表2 利用本文所提方法与面向对象对比实验精度结果 Table2 Comparison of accuracy between the method proposed in this paper and the object-oriented experiment

表2中可以看出, 本文的方法在提取完整和倒塌建筑物时准确性较高, 无论在何种评价指标下, 识别精度均在90%以上; 总体精度最高可达94.6%。 与面向对象方法相比, 本文所提出的方法在T1影像中的总体分类精度提高了13.3%。 此外, 本文方法比面向对象方法的速度更快、 参数更少且更易调节。 因此, 利用该方法可在地震后快速提取建筑物的损伤信息, 为救灾和减轻灾害损失赢得时间。

3 结论

本文提出了一种基于马尔科夫随机场(Markov Random Field, MRF)的单时相震害影像受损建筑物识别方法。 此方法首先利用马尔科夫随机场模型对影像进行分割, 得到震后影像区域的初始分割结果, 再根据高分辨率震害遥感影像中建筑物的纹理特征, 利用支持向量机方法对震后影像中的受损建筑物区域进行提取。 本文也对该方法与目前广泛应用的面向对象分类软件eCognition的提取结果进行了对比, 选用2008年汶川M8.0地震后震区5月16日的ADS40影像作为实验数据, 其中包括大量复杂的地形地貌, 如滑坡、 泥石流、 道路和森林等, 增加了震害建筑物识别的难度。 从实验结果的精度来看, 与面向对象的方法相比, 本文提出的方法取得了更好的效果。 此外, 本文所提出的方法速度快、 参数少且易调节, 可适用于多种尺度的震害建筑物信息提取。 然而, 此方法仍存在一些待改进的方面: 首先, 基于马尔科夫随机场的单时相震害影像受损建筑物识别方法对于完好建筑物与完全倒塌建筑物具有良好的识别效果, 但是对介于它们之间的部分倒塌建筑物, 本方法的识别效果一般; 其次, 本方法不能较好地识别灰度值较低的建筑物; 此外, 本方法对建筑物的边界形状描述不够精准, 往往将建筑物的边缘识别成完全损毁建筑物或半倒塌建筑物。 在未来的工作中, 将针对上述问题对震后受损建筑物进行更深入的研究, 寻找出其更深层次的特征, 以便更加快速、 精确地识别震害建筑物。

The authors have declared that no competing interests exist.

参考文献
[1] 陈中杰, 蒋刚, 蔡勇. 2013. 基于SVM一对一多分类算法的2次细分法研究[J]. 传感器与微系统, 32(4): 4447.
CHEN Zhong-jie, JIANG Gang, CAI Yong. 2013. Research of secondary subdivision method for one-versus-one multi-classification algorithm based on SVM[J]. Transducer and Microsystem Technologies. 32(4): 4447(in Chinese). [本文引用:1]
[2] 曹家梓, 宋爱国. 2015. 基于马尔科夫随机场的纹理图像分割方法研究[J]. 仪器仪表学报, 36(4): 776786.
CAO Jia-zi, SONG Ai-guo. 2015. Research on the texture image segmentation method based on Markov Rand om Field[J]. Chinese Journal of Scientific Instrument, 36(4): 776786(in Chinese). [本文引用:1]
[3] 杜培军, 林卉, 孙敦新. 2006. 基于支持向量机的高光谱遥感分类进展[J]. 测绘通报, (12): 3740.
DU Pei-jun, LIN Hui, SUN Dun-xin. 2006. On progress of support vector machine based hyperspectral RS classification[J]. Bulletin of Surveying and Mapping, (12): 3740(in Chinese). [本文引用:1]
[4] 郭显娥, 武伟, 刘春贵, . 2010. 多类SVM分类算法的研究[J]. 山西大同大学学报(自然科学版), 26(3): 68.
GUO Xian-e, WU Wei, LIU Chun-gui, et al. 2010. Research of multi-class support vector machines classification algorithm[J]. Journal of Shanxi Datong University(Natural Science Edition), 26(3): 68(in Chinese). [本文引用:1]
[5] 高晓健. 2013. 基于支持向量机的高光谱遥感图像分类方法研究 [D]. 杭州电子科技大学.
GAO Xiao-jian. 2013. On classification of hyperspectral remotely sensed imagery based on support vector machines [D]. Hangzhou Dianzi University, Hangzhou(in Chinese). [本文引用:1]
[6] 李旭超, 朱善安. 2007. 图像分割中的马尔可夫随机场方法综述[J]. 中国图像图形学报, 12(5): 789798.
LI Xu-chao, ZHU Shan-an. 2007. A survey of the Markov Rand om Field method for image segmentation[J]. Journal of Image and Graphics, 12(5): 789798(in Chinese). [本文引用:1]
[7] 李铁. 2014. 基于马尔科夫随机场的图像分割算法[J]. 电脑知识与技术, (33): 79737975.
LI Tie. 2014. Image segmentation algorithm based on Markov Rand om Field[J]. Computer Knowledge and Technology, (33): 79737975(in Chinese). [本文引用:1]
[8] 刘晓亮, 丁世飞. 2010. SVM用于文本分类的适用性[J]. 计算机工程与科学, 32(6): 106108.
LIU Xiao-liang, DING Shi-fei. 2010. Appropriateness in applying SVMs to text classification[J]. Computer Engineering and Science, 32(6): 106108(in Chinese). [本文引用:1]
[9] 刘明众, 张景发, 李成龙, 2013. 高分辨率遥感影像道路震害的快速提取[J]. 地震, (2): 7986.
LIU Ming-zhong, ZHANG Jing-fa, LI Cheng-long, et al. 2013. Rapid extraction of road damages from high resolution remote sensing images[J]. Earthquake, (2): 7986(in Chinese). [本文引用:1]
[10] 柳稼航. 2003. 利用遥感技术进行城市建筑物震害的自动识别与分类方法研究 [D]. 中国地震局地质研究所.
LIU Jia-hang. 2003. A method study on automatic recognition and classification of earthquake-caused building damage in cities using remote sensing [D]. Institute of Geology, China Earthquake Administration, Beijing(in Chinese). [本文引用:1]
[11] 刘绍毓, 周杰, 李弼程, . 2015. 基于多分类SVM-KNN的实体关系抽取方法[J]. 数据采集与处理, 30(1): 202210.
LIU Shao-yu, ZHOU Jie, LI Bi-cheng, et al. 2015. Entity relation extraction method based on multi-SVM-KNN classifier[J]. Journal of Data Acquisition & Processing, 30(1): 202210(in Chinese). [本文引用:1]
[12] 罗欣. 2015. 马尔可夫随机场的小波域图像建模及应用研究 [D]. 长安大学.
LUO Xin. 2015. The research on modeling by Morkov Rand om Field in wavelet domain and application [D]. Chang'an University, Xi'an(in Chinese). [本文引用:1]
[13] 任峰. 2017. 基于卫星遥感技术的地震灾害评估研究[J]. 科技资讯, (19): 810.
REN Feng. 2017. Study based on satellite remote sensing technology of earthquake disaster assessment[J]. Science & Technology Information, (19): 810(in Chinese). [本文引用:1]
[14] 宋艳涛, 纪则轩, 孙权森. 2014. 基于图像片马尔科夫随机场的脑MR图像分割算法[J]. 自动化学报, 40(8): 17541763.
SONG Yan-tao, JI Ze-xuan, SUN Quan-sen. 2014. Brain MR image segmentation algorithm based on Markov Rand om Field with image patch[J]. Acta Automatica Sinica, 40(8): 17541763(in Chinese). [本文引用:1]
[15] 谭琨, 杜培军. 2008. 基于支持向量机的高光谱遥感图像分类[J]. 红外与毫米波学报, 27(2): 123128.
TAN Kun, DU Pei-jun. 2008. Hyperspectral remote sensing image classification based on support vector machine[J]. Journal of Infrared and Millimeter Waves, 27(2): 123128(in Chinese). [本文引用:1]
[16] 王岩. 2009. 面向对象图像处理方法在遥感震害提取中的应用研究 [D]. 中国地震局地震预测研究所.
WANG Yan. 2009. Study on application of object-oriented analysis to earthquake damage extraction from remote sensing image [D]. Instituteof Earthquake Forecasting, CEA(in Chinese). [本文引用:1]
[17] 温航宇. 2013. 基于马尔科夫随机场的图像分割算法及其在变化检测中的应用研究 [D]. 南京理工大学.
WEN Hang-yu. 2013. MRF-based image segmentation algorithm and its application in change detection [D]. Nanjing University of Science and Technology, Nanjing(in Chinese). [本文引用:1]
[18] 徐迪. 2013. 马尔科夫随机场在图像分割方法中的应用研究 [D]. 哈尔滨: 哈尔滨工业大学.
XU Di. 2013. Research on image segmentation applications of Markov Rand om Field [D]. Harbin Institute of Technology, Harbin(in Chinese). [本文引用:1]
[19] 徐胜军, 韩九强, 刘光辉. 2013. 基于马尔可夫随机场的图像分割方法综述[J]. 计算机应用研究, 30(9): 25762582.
XU Sheng-jun, HAN Jiu-qiang, LIU Guang-hui. 2013. Survey of image segmentation methods based on Markov Rand om Fields[J]. Application Research of Computers, 30(9): 25762582(in Chinese). [本文引用:1]
[20] 许妙忠, 丛铭, 万丽娟, . 2015. 视觉感受与Markov随机场相结合的高分辨率遥感影像分割法[J]. 测绘学报, 44(2): 198205.
XU Miao-zhong, CONG Ming, WAN Li-juan, et al. 2015. A methodology of image segmentation for high resolution remote sensing image based on visual system and Markov Rand om Field[J]. Acta Geodaetica et Cartographica Sinica, 44(2): 198205(in Chinese). [本文引用:1]
[21] 杨鹏. 2015. 基于马尔科夫随机场的纹理图像分割研究 [D]. 哈尔滨工程大学.
YANG Peng. 2015. Research on texture images segmentation based on Markov Rand om Field [D]. Harbin Engineering University, Harbin(in Chinese). [本文引用:1]
[22] 叶昕, 王俊, 秦其明. 2016. 基于高分一号卫星遥感图像的建筑物震害损毁检测研究——以2015年尼泊尔 MS8. 1地震为例[J]. 地震学报, 38(3): 477485.
YE Xin, WANG Jun, QIN Qi-ming. 2016. Damaged building detection based on GF-1 satellite remote sensing image: A case study for Nepal MS8. 1 earthquake[J]. Acta Seismologica Sinica, 38(3): 477485(in Chinese). [本文引用:1]
[23] 翟永梅, 陈刚, 黄晓峰. 2015. 面向对象遥感图像处理方法在建筑物震害评估中的应用研究[J]. 防灾减灾学报, (1): 1621.
ZHAI Yong-mei, CHEN Gang, HUANG Xiao-feng. 2015. Research on application of object-oriented analysis to assessment of earthquake damage from remote sensing image[J]. Seismological Research of Northeast China, (1): 1621(in Chinese). [本文引用:1]
[24] 张景发, 谢礼立, 陶夏新. 2003. 建筑物震害遥感图像特征信息的增强、 提取与震害识别技术[M]. 地壳构造与地壳应力文集.
ZHANG Jing-fa, XIE Li-li, TAO Xia-xin. 2003. Information enhancing, extracting and pattern recognizing technology of earthquake damaged buildings on seismic disaster remote sensing image and its application to seismic disaster assessment[M]. Bulletin of the Institute of Crustal Dynamics(in Chinese). [本文引用:1]
[25] 朱瑶. 2014. 基于马尔科夫随机场模型的图像分割算法研究 [D]. 哈尔滨工程大学.
ZHU Yao. 2014. Research on Markov Rand om Field model for image segmentation [D]. Harbin Engineering University, Harbin(in Chinese). [本文引用:1]
[26] Bruzzone L, Marin C, Bovolo F. 2015. Damage detection in built-up areas using SAR images [A]∥ Encyclopedia of Earthquake Engineering: 473500. [本文引用:1]
[27] Dilmen E, Beyhan S. 2017. A novel online LS-SVM approach for regression and classification[C]∥ IFAC 2017 World Congress: 86428647. [本文引用:1]
[28] Debnath R, Takahide N, Takahashi H. 2004. A decision based one-against-one method for multi-class support vector machine[J]. Pattern Analysis & Applications, 7(2): 164175. [本文引用:1]
[29] Ebrahimi M A, Khoshtaghaza M H, Minaei S, et al. 2017. Vision-based pest detection based on SVM classification method[J]. Computers & Electronics in Agriculture, 137: 5258. [本文引用:1]
[30] Janalipour M, Mohammadzadeh A. 2016. Building damage detection using object-based image analysis and ANFIS from high-resolution image(Case study: BAM earthquake, Iran)[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 9(5): 19371945. [本文引用:1]
[31] Kaya G T, Musaoglu N, Ersoy O K. 2011. Damage assessment of 2010 Haiti earthquake with post-earthquake satellite image by support vector selection and adaptation[J]. Photogrammetric Engineering & Remote Sensing, 77(10): 10251035. [本文引用:1]
[32] Li S Z. 2009. Markov Rand om Field Modeling in Image Analysis[M]. London: Springer-Verlag. [本文引用:1]
[33] Li Y, Mao X, Feng D, et al. 2011. Fast and accuracy extraction of infrared target based on Markov Rand om Field[J]. Signal Processing, 91(5): 12161223. [本文引用:1]
[34] Li P, Xu H, Liu S, et al. 2010. Urban building damage detection from very high resolution imagery using one-class SVM and spatial relations[C]∥ Geoscience & Remote Sensing Symposium. IEEE. [本文引用:1]
[35] Marin C, Bovolo F, Bruzzone L. 2015. Building change detection in multitemporal very high resolution SAR images[J]. IEEE Transactions on Geoscience & Remote Sensing, 53(5): 26642682. [本文引用:1]
[36] Mitomi H, Saita J, Matsuoka M, et al. 2001. Automated damage detection of buildings from aerial television images of the 2001 Gujarat, India earthquake[C]. IEEE International Geoscience & Remote Sensing Symposium. IEEE. [本文引用:1]
[37] Mignotte M. 2014. A non-stationary MRF model for image segmentation from a soft boundary map[J]. Pattern Analysis & Applications, 17(1): 129139. [本文引用:1]
[38] Niu X X, Suen C Y. 2012. A novel hybrid CNN-SVM classifier for recognizing hand written digits[J]. Pattern Recognition, 45(4): 13181325. [本文引用:1]
[39] Tong X, Lin X, Feng T, et al. 2013. Use of shadows for detection of earthquake-induced collapsed buildings in high-resolution satellite imagery[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 79(5): 5367. [本文引用:1]
[40] Vijayan A, Kareem S, Kizhakkethottam J J. 2016. Face recognition across gender transformation using SVM classifier[J]. Procedia Technology, 24: 13661373. [本文引用:1]
[41] Weston J. 1999. Support vector machines for multi-class pattern recognition[C]∥ Proc. European Symposium on Artificial Neural Networks: 219224. [本文引用:1]
[42] Yamazaki F, Suzuki D, Maruyama Y. 2008. Use of digital aerial images to detect damages due to earthquakes[C]∥ World Conference on Earthquake Engineering. [本文引用:1]
[43] Zheng C, Wang L, Chen R, et al. 2013. Image segmentation using multiregion-resolution MRF model[J]. IEEE Geoscience & Remote Sensing Letters, 10(4): 816820. [本文引用:]