基于高分遙感影像匹配的露天礦滑坡形變場監(jiān)測方法

張慧慧 王 茹

（1.遼寧省交通高等?？茖W(xué)校測繪系，遼寧沈陽110122；2.東北大學(xué)資源與土木工程學(xué)院，遼寧沈陽110819）

滑坡是指斜坡巖土體由于各種因素的影響在重力作用下沿著貫通的剪切破壞面產(chǎn)生的滑移現(xiàn)象［1］?；聻?zāi)害是當(dāng)今世界上破壞力極大的地質(zhì)災(zāi)害之一，對滑坡進(jìn)行動態(tài)監(jiān)測，是實(shí)現(xiàn)滑坡災(zāi)害預(yù)警的重要手段。近年來，隨著遙感探測空間分辨率的提高，使得遙感技術(shù)在滑坡識別與變形監(jiān)測方面得到了廣泛的研究與應(yīng)用。Perotto-Baldiviezo等［2］通過綜合應(yīng)用1∶50 000航片和10 m分辨率的SPOT全色影像，解譯出某地區(qū)滑坡的覆蓋范圍、坡度、坡向等信息；Barlow等［3］利用DEM數(shù)據(jù)和Landsat ETM+遙感影像，進(jìn)行了Cascade山地區(qū)的滑坡變形監(jiān)測及制圖工作；Delacourt等［4］利用Quick Bird遙感影像和基于灰度的圖像匹配算法計算出了某地區(qū)的滑坡位移，并繪制出該地區(qū)的滑坡位移變化圖；Gance等［5］基于阿爾卑斯山Super-Sauze滑坡半年內(nèi)的光學(xué)影像，利用Harris角點(diǎn)特征匹配法得到了滑坡位移量；杜培軍等［6］采用遙感影像和數(shù)字地形模型相結(jié)合的方法，對邊坡移動進(jìn)行了分析和預(yù)測，并應(yīng)用到露天礦邊坡監(jiān)測中；鄧輝等［7］利用Quick Bird-2衛(wèi)星高分遙感影像準(zhǔn)確識別出了滑坡，并通過提取滑坡的各要素進(jìn)行了滑坡穩(wěn)定性評價和危險性分析；田穎穎等［8］根據(jù)Google Earth高分辨率影像與震后0.2 m分辨率的超高分辨率航片數(shù)據(jù)，通過解譯滑坡面積和滑坡點(diǎn)密度，分析了滑坡的空間分布規(guī)律。

2013年1月，遼寧省撫順市西露天煤礦出現(xiàn)了巨型滑坡，其南緣裂縫長度達(dá)到3 100 m，斷陷帶的最大寬度達(dá)40 m，最大落差達(dá)18 m，監(jiān)測點(diǎn)獲得的滑坡北移速度一度達(dá)到8～10 cm/d。在這種大變形情形下，常用的InSAR技術(shù)會出現(xiàn)相位失相干現(xiàn)象導(dǎo)致解纏困難［9-12］，此外，GPS監(jiān)測由于點(diǎn)位稀疏，無法滿足大面積形變場的監(jiān)測要求［13-16］。因此，亟需一種新的監(jiān)測方法以滿足滑坡后期大變形形變場監(jiān)測的需要。本研究課題組劉善軍等［17］前期利用SIFT特征匹配算法提取了2期Pleiades高分辨率全色影像上的特征點(diǎn)并計算了位移量，獲得了滑坡位移場，圈定了滑坡范圍，為滑坡治理及防災(zāi)減災(zāi)奠定了基礎(chǔ)，但在應(yīng)用中仍然存在提取特征匹配點(diǎn)數(shù)量少、分布不均等問題。考慮到到前期影像匹配僅使用了高分?jǐn)?shù)據(jù)的全色波段灰度信息，而該衛(wèi)星數(shù)據(jù)除了全色波段外，還有紅、綠、藍(lán)、近紅外等4個波段的多光譜數(shù)據(jù)，充分利用該類信息，對原方法進(jìn)行改進(jìn)，有助于提高影像匹配質(zhì)量以及增加特征點(diǎn)的提取數(shù)量，進(jìn)而便于詳細(xì)分析滑坡形變場和精確圈定滑坡范圍。本研究在此基礎(chǔ)上，將多光譜影像與全色影像進(jìn)行融合，利用融合影像與全色影像不同的波譜信息和顏色信息，在SIFT算法的基礎(chǔ)上增加了具有分辨顏色的CSIFT特征匹配算法，并應(yīng)用于撫順西露天煤礦南幫滑坡監(jiān)測中，以期提高滑坡形變場的監(jiān)測效果。

1 研究區(qū)概況與數(shù)據(jù)選取

1.1 研究區(qū)概況

研究區(qū)地處遼寧省撫順市城區(qū)，采坑?xùn)|西長6.6 km，南北寬2.2 km，深度近500 m，總面積約14.52 km2。隨著礦坑不斷向深部延伸，礦坑南北幫已經(jīng)多次出現(xiàn)滑坡。尤其是2013年后，南幫滑坡險情加劇，埋設(shè)的3個GPS控制點(diǎn)不斷北移，出現(xiàn)了坑底起鼓、運(yùn)輸皮帶破壞、附近建筑物變形等現(xiàn)象，形成了滑坡體體積達(dá)1億m3以上的巨型滑坡。

1.2 數(shù)據(jù)選取

本研究采用的數(shù)據(jù)為Pléiades-1B衛(wèi)星的高分辨率遙感影像?？紤]到不同季節(jié)地物的影響因素，選用了2013年4月21日、2014年3月18日的2期影像，包括全色影像與多光譜影像（圖1），具體參數(shù)見表1。

?

2 滑坡形變場監(jiān)測

本研究滑坡形變場監(jiān)測實(shí)施步驟主要包括數(shù)據(jù)預(yù)處理、影像特征匹配、形變場標(biāo)定等。

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理主要是針對2期遙感影像進(jìn)行正射校正、影像融合、影像配準(zhǔn)、影像裁剪等前期影像處理工作。為確保影像融合后能夠獲取最大的信息量，本研究利用標(biāo)準(zhǔn)差和相關(guān)性2個指標(biāo)來選取參與融合的多光譜波段［18］：①圖像灰度值的標(biāo)準(zhǔn)差越大，圖像的灰度級分布越分散，圖像信息量越大；②3個波段的波譜信息相關(guān)系數(shù)越小，各波段獨(dú)立性越強(qiáng)。多光譜影像包含的4個波段波譜信息的標(biāo)準(zhǔn)差和相關(guān)系數(shù)分別如表2、表3所示。

?

?

根據(jù)表2、表3，本研究選取多光譜的藍(lán)色波段、近紅外波段、紅色波段與全色影像進(jìn)行了融合處理，結(jié)果如圖2所示。

2.2 影像特征匹配

本研究采用SIFT、CSIFT算法進(jìn)行遙感影像匹配。SIFT算法［19-20］是一種基于特征的圖像匹配算法，由哥倫比亞大學(xué)的David G.Lowe教授于1999年首次提出，并于2004年進(jìn)一步完善。該算法主要原理是將影像之間的匹配轉(zhuǎn)化成特征向量之間的相似性度量，具有影像平移、旋轉(zhuǎn)、縮放保持不變性等特點(diǎn)，其實(shí)現(xiàn)過程主要包括3個步驟：①在高斯差分尺度空間上檢測局部極值點(diǎn)，獲取特征點(diǎn)；②利用128維特征描述子描述特征點(diǎn)信息；③利用歐式距離法實(shí)現(xiàn)特征點(diǎn)匹配。CSIFT算法是針對SIFT算法在處理彩色圖像時需將彩色圖像轉(zhuǎn)換為灰度圖像處理的問題，進(jìn)一步發(fā)展的一種專門處理彩色影像匹配的算法。該算法實(shí)現(xiàn)包含2個環(huán)節(jié)：①根據(jù)物體光譜輻射特性的K-M理論建立顏色不變量模型，提取顏色不變量［21］；②利用SIFT算法處理顏色不變量信息，完成特征匹配。由于融合影像的波譜信息和全色影像的波譜信息不同，所以，本研究利用SIFT算法分別對全色影像和多光譜融合影像進(jìn)行特征提取與匹配，利用CSIFT算法匹配多光譜融合彩色影像的特征點(diǎn)。

2.3 形變場標(biāo)定

在獲取滑坡不同時相影像中的特征點(diǎn)后，以遙感影像的左上角點(diǎn)為原點(diǎn)建立像方坐標(biāo)系，計算2幅影像特征點(diǎn)的像素坐標(biāo)差，并將2幅影像中獲取的滑坡體的特征點(diǎn)依次首尾相連，連接成特征矢量集。2幅影像各特征點(diǎn)滑動的像素個數(shù)乘以圖像中每個像素代表的實(shí)際距離即為各特征點(diǎn)在監(jiān)測階段的滑動位移量，特征矢量方向即為各特征點(diǎn)的滑動方向，具體監(jiān)測流程如圖3所示。

3 結(jié)果分析

3.1 變形矢量提取結(jié)果

圖4為不同處理方法提取的特征點(diǎn)形變矢量圖，圖中箭頭底端為特征點(diǎn)滑動初始位置，箭頭指示方向為特征點(diǎn)滑移方向，箭頭長度代表特征點(diǎn)的滑移距離。

利用SIFT算法從全色影像中共提取了253個特征點(diǎn)，利用SIFT算法處理融合影像共獲得了363個特征點(diǎn)，其中有297個相異特征點(diǎn)，使用CSIFT算法處理融合影像共獲得38個特征點(diǎn)，并且都為相異特征點(diǎn)。這表明不同的圖像匹配方法獲得的特征點(diǎn)數(shù)量不同，原因如下。

（1）融合影像的波譜信息為藍(lán)色波段430～550 nm、紅色波段600～720 nm和近紅外波段750～950 nm，而全色影像的波譜信息為480～830 nm，2幅影像所包含的波譜信息不同。

（2）SIFT算法處理彩色融合影像時將其轉(zhuǎn)化為灰度圖像處理，其轉(zhuǎn)換原理是根據(jù)RGB與YUV顏色空間的變化關(guān)系，建立亮度Y與R、G、B 3個顏色分量的對應(yīng)關(guān)系［22］，公式為

Y=0.298 9R+0.587 0G+0.114 0B，

式中，Y為融合圖像灰度化后的像素灰度值；R為融合圖像紅色分量波段的像素灰度值；G為融合圖像綠色分量波段的像素灰度值；B為融合圖像藍(lán)色分量波段的像素灰度值。因此，采用SIFT算法處理全色影像和彩色融合影像時，2幅影像的不同灰度值導(dǎo)致提取到的特征點(diǎn)位置信息不同，進(jìn)而匹配到的特征點(diǎn)數(shù)量也不同。

（3）CSIFT算法處理融合影像時，采用SIFT算法對提取的顏色不變量信息進(jìn)行匹配過程中獲取的特征點(diǎn)位置不同。

綜上所述，全色影像的灰度信息、彩色融合影像轉(zhuǎn)換為灰度圖像后的灰度信息、融合影像的顏色不變量信息均不同，最終導(dǎo)致匹配到了不同的特征點(diǎn)。

3.2 滑坡范圍圈定

為了直觀顯示滑坡形變場范圍，繪制了如圖5所示的滑坡形變場等值線圖。分析該圖可知：圖5（b）由于邊界處特征點(diǎn)增多，生成的位移場邊界更為精確，可以更加精確確定滑坡體范圍，同時由于生成的位移場內(nèi)部數(shù)據(jù)增多，可以更細(xì)致地描述滑坡體內(nèi)部的滑動情況。

4 精度評價

為評價本研究方法生成的形變場精度，分別將SIFT算法、本研究方法獲取的滑坡位移量與GPS監(jiān)測數(shù)據(jù)進(jìn)行對比分析?？紤]到GPS點(diǎn)位選擇的定點(diǎn)性以及SIFT、CSIFT算法識別特征點(diǎn)的隨機(jī)性，本研究在選取GPS點(diǎn)進(jìn)行驗證時，主要考慮以下方面：

（1）在諸多GPS監(jiān)測點(diǎn)中，選擇分布于特征匹配點(diǎn)密集且相對安全區(qū)域內(nèi)的GPS點(diǎn)位，依據(jù)GPS點(diǎn)的空間坐標(biāo)與遙感影像上的空間坐標(biāo)，將GPS點(diǎn)標(biāo)記于遙感影像上，并獲取相應(yīng)點(diǎn)位的圖像平面坐標(biāo)信息。

（2）利用最鄰近插值方法，內(nèi)插得到GPS點(diǎn)的位移量，在此基礎(chǔ)上對2種算法得到的位移量與GPS點(diǎn)的位移量進(jìn)行對比分析。研究區(qū)內(nèi)選取的符合要求的GPS監(jiān)測點(diǎn)位置分布如圖6所示，位移量對比分析結(jié)果如表5所示。

?

對表5進(jìn)行適當(dāng)計算可知：采用SIFT算法對全色影像進(jìn)行處理時，在M1、M2、M3點(diǎn)處獲得的位移總誤差分別為1.2，1.9，1.5 m；采用本研究方法對全色影像進(jìn)行處理時，在M1、M2、M3點(diǎn)處獲得的位移總誤差分別為0.8，1.0，1.4 m ，精度分別提高了0.4，0.9，0.1 m。

本研究方法之所以能夠提高位移標(biāo)定精度，是因為：①相對于SIFT算法，本研究方法充分利用了地面點(diǎn)的紋理、顏色特征進(jìn)行匹配，增加了匹配點(diǎn)數(shù)量，使得特征點(diǎn)分布更加密集與均勻，從而可以更加準(zhǔn)確圈定出變形部位與滑坡范圍；②考慮到特征匹配算法識別的同名點(diǎn)與GPS點(diǎn)無法完全直接準(zhǔn)確對應(yīng)的問題，采用了最鄰近算法內(nèi)插得到GPS點(diǎn)的位移量，當(dāng)特征點(diǎn)空間分布較為密集時，有助于提高點(diǎn)位的內(nèi)插精度。

5 結(jié)語

針對利用SIFT算法提取全色影像獲取滑坡形變場存在的不足，提出了利用SIFT與CSIFT 2種特征匹配算法提取全色影像和多光譜影像的滑坡位移場變形監(jiān)測新方法，并在撫順西露天煤礦南幫滑坡監(jiān)測應(yīng)用中進(jìn)行了驗證。結(jié)果表明：與SIFT算法相比，新方法明顯提高了滑坡形變場的標(biāo)定精度，有助于進(jìn)一步精確圈定滑坡范圍，可為滑坡治理提供可靠依據(jù)。