基于变分与条件随机场模型的高分辨率遥感影像灾害损失实物量评估研究

The past decade has shown an increase in the severity and destruction of natural disasters with the abnormal global climate changes. It is increasingly urgent to alleviate the disaster impact using the infomation extracted from high spatial resolution remote sensing data and evaluating the physical quantity of disaster damage automatically. In recent years, there is still little encouraging progress in building and road damage detection and evaluation with use of a single phase post-disaster data. This project focuses on physical quantity assessment of disaster damage and proposes a variational framework with embeded conditional random fields to evaluate the damage of building and road by using a single phase post-disaster image. The framework can use the existing disater information sufficiently, combine spectral, shape, statistics features effectively,and consider the distribution of pixel labes as a Markov fields appropriately. In addition, building and road extraction and damage evaluation can be implemented wholly in the framework. Firstly, we put shape, structure and other constraints into the energy model to extract those undamaged buildings and road regions before disaster; then integrate many kinds of features,constraints between features and labels, and Markov constraint between labels to extract the damaged buildings and road areas; finally give the damage assessment of buildings and roads. The preliminary results will help to deepen the variational theory, extend the detection and evaluation methods on disaster damage analysis, strength the capability to mitigate the impact of disaster using high spatial resolution remote sensing images.

随着全球气候的异变，各种突发自然灾害事故有加重的趋势，如何自动实现灾害损失实物量的评估为抢灾救灾提供准确信息变得日益迫切。近年来，应用灾后单时相影像数据进行损毁建筑和道路的识别与评估仍然没有取得可喜的进展。针对该问题，本项目提出了一种在变分演化方法中嵌入条件随机场模型的毁损评估框架。该框架能充分利用已有的灾害信息，有效结合影像数据的光谱、形状以及统计等特征，并考虑邻域内特征以及像素类别间的马尔可夫性，将灾后房屋建筑及道路的提取与损毁评估融合在一个框架体系中。在条件随机场模型中对已有灾害信息进行学习；在改进的变分能量模型中运用形状、结构等约束实现灾后未受损建筑物及道路灾前区域的提取，融合像素特征与类别的关系以及像素类别间的马尔可夫性，准确提取出损毁的建筑物和道路区域，最终给出损毁评价。初期成果将有助于深化变分理论的研究内涵，拓展灾害损失实物量的提取评估途径，强化高分数据减灾应用的业务能力。

随着全球气候变化的日益频繁，各种突发自然灾害事故有加重的趋势，如何自动的实现灾害区域房屋建筑以及道路损毁的评估为抢灾救灾提供准确信息变得日益迫切。近年来，应用灾后单时相影像数据进行损毁建筑和道路的识别与评估成果还不多，有待于进一步深入地研究。.针对该问题，我们首先要进行遥感影像的特征提取分析，研究了损毁建筑的形态剖面滤波特征，形态学建筑物指数（MBI）特征以及能够反映受损区域与其它区域差异的纹理特征如Gabor小波特征，LBP特征等。然后，重点研究了条件随机场（CRF）模型交互势函数的构造，标记连接约束范围对于分类效果的影响。掌握其复杂的参数学习算法以及推断算法，利用监督训练方法对已有灾害进行学习，并在参数学习计算效率上进行研究，提出改进算法。进一步对模型中一阶、二阶和高阶势函数的表达根据应用任务进行相应的改进。.由于变分模型可以十分方便地嵌入不同特征乃至条件随机场模型，这就使得在变分演化提取目标的不同阶段灵活地控制输入的特征或模型。重点研究如何在变分模型中运用多级演化思想，恰当地控制全局与局部能量约束，以及结构和纹理等多种特征约束实现图像的分割。将改进的曲线演化模型和条件随机场模型与遥感应用密切结合，研究灾害区域损毁道路的提取，损毁建筑物的提取等工作，并研究相关地物目标的检测识别评价原则，对提出的研究方法进行精度检验。.经过该项目的研究，我们发表了24篇学术论文，其中8篇SCI索引，申报了5项发明专利，还有4篇文章投稿SCI期刊。培养了十余名硕士研究生，其中1人获2017年江苏省优秀硕士论文。在灾害损毁区域分析，建筑物以及道路提取方面我们都取得了一定的成绩，研究成果有助于深化变分理论的研究内涵，拓展灾害损失实物量的提取评估途径，强化我国高分数据减灾应用的业务能力。