基于超像素的极化SAR城区建筑密度和容积率估计方法研究

Building density and floor area ratio are import indicators of urban planning, land management, public resource allocation and living environment assessment. The buildings presented in PolSAR images have rich statistics, textures and spatial context information, which makes it hard for the traditional methods to take full advantage of these information to estimate building density and floor area ratio accurately. By introducing superpixels and depth stack network, the project develops a building density and floor area ratio estimation method for PolSAR images. The major research content is as follows: 1) Considering the characteristics of urban scene, an accurate superpixel method is developed by incorporating the G0-statistic, polarimetric signatures and spatial feature for the urban areas in PolSAR images. 2) By analyzing the characteristic difference of different orientation angles and different types of buildings, a superpixel-based depth stack network is proposed for building extraction and fine-classification in PolSAR urban areas, which aims to the accurate extraction of different types of buildings. 3) Considering the radar incidence angle, building structure and orientation angle, a floor area ratio estimation model of PolSAR buildings is established based on the building classification. The project will contribute to perfecting the theories and methods of PolSAR image classification and building extraction as well as improving the capacity of PolSAR urban development monitoring.

建筑密度和容积率是城市规划、土地管理、公共资源分配和居住环境评估的重要指标。极化SAR图像中的建筑具有丰富、复杂的统计、纹理和上下文信息，传统方法难以充分利用这些信息以准确估计建筑密度和容积率。本项目引入超像素和深度堆栈网络技术，开展极化SAR城区建筑密度和容积率估计方法研究。具体研究：1）顾及城区场景特点，建立综合G0统计特性、极化特征和空间特征的城区极化SAR超像素构建方法，生成边界准确的超像素；2）分析不同取向角、不同类型建筑的特征差异，提出基于超像素深度堆栈网络的极化SAR城区建筑提取与精细分类方法，准确提取不同类型建筑；3）顾及雷达入射角、建筑结构和取向角，建立基于建筑分类的极化SAR建筑容积率估计模型。项目的开展将完善极化SAR图像分类和建筑提取的理论与方法，提升SAR城市发展监测的分析能力。

建筑密度和容积率是城市规划、土地管理、公共资源分配和居住环境评估的重要指标。极化SAR图像中的建筑具有丰富、复杂的统计、纹理和上下文信息，传统方法难以充分利用这些信息以准确估计建筑密度和容积率。按照“超像素构建——建筑提取/分类——密度/容积率估计”这一研究主线，本项目开展了综合多特征的极化SAR城区建筑密度和容积率估计方法研究。主要研究内容和成果包括以下几个方面：1）提出了基于G0统计模型的极化SAR图像建筑物纹理描述特征和基于层次能量树模型的极化SAR图像超像素生成算法，充分利用极化、统计、空间等信息构建超像素；2）提出了利用超像素和卷积神经网络、U-Net等深度学习算法的极化SAR建筑物提取方法，综合利用多方面信息准确提取建筑并细分不同类型；3）发展了顾及建筑物类型的SAR 图像的建筑物高度信息估计方法用于容积率的估算，提出了综合双极化信息和纹理特征的SAR建筑物指数，实现多极化SAR城市建筑密度的变化监测。项目的研究完善了极化SAR图像分割、分类和建筑提取的理论与方法，提升了SAR城市发展监测的分析能力。