利用高分影像與特征匹配算法標定滑坡位移場

張慧慧，王 茹

(1. 東北大學資源與土木工程學院，遼寧 沈陽 110819； 2. 遼寧省交通高等專科學校測繪系，遼寧 沈陽 110122)

利用高分影像與特征匹配算法標定滑坡位移場

張慧慧1，2，王 茹1

(1. 東北大學資源與土木工程學院，遼寧 沈陽 110819； 2. 遼寧省交通高等專科學校測繪系，遼寧 沈陽 110122)

滑坡災害是世界上破壞力極大的自然災害之一，滑坡監測是預防滑坡災害的重要基礎。針對SIFT算法在滑坡遙感監測應用中存在特征點數量少、分布不均的問題，提出了一種將ASIFT算法和CSIFT算法相結合進行滑坡位移場標定的方法，即利用ASIFT處理全色影像，利用CSIFT處理多光譜融合影像，將兩種方法提取的互不相同的特征點疊加綜合得到更多的特征匹配點。該方法在露天礦滑坡的應用結果表明：與SIFT算法相比，新改進的方法大幅度增加了特征點數量，提高了滑坡位移場標定精度，且成本低、效率高，非常適合于大型滑坡后期大變形場監測。

高分影像；ASIFT算法；CSIFT算法；滑坡位移場；標定

滑坡災害是同地震和火山相并列的全球性3大地質災害之一，其影響范圍廣泛，嚴重威脅和損害國家生產建設和人民的生命財產安全。減少滑坡災害的重點在于滑坡預警，而滑坡變形監測是滑坡預警的重要基礎。

目前，滑坡變形監測方法主要包括GPS觀測法[1]、InSAR技術[2]、三維激光掃描技術[3]等。但這些方法各自具有優勢，同時又存在一定的缺點。近幾年，隨著高分辨率遙感影像技術的快速發展，遙感影像能更準確地提供地表和地表物體的空間信息，使得宏觀監測地表變化成為可能[4-7]，這也為滑坡變形監測提供了新的思路。一些學者利用高分辨率遙感影像進行了滑坡變形監測方面的相關研究。如Perotto-Baldiviezo等應用SPOT全色影像結合1∶50 000航片，解譯出滑坡的覆蓋范圍、坡度、坡向等災害信息[8]；鄧輝等利用QuickBird影像提取了滑坡各要素，準確地識別出了滑坡，并對滑坡的潛在危險性進行了評價和分析[9]；Delacourt等于2004年基于多幅不同時間QuickBird影像，并結合相關系數法計算滑坡位移情況，對每年位移量在2.5～20 m的滑坡運動進行了制圖[10]；Liu Shanjun等利用Pleiades高分辨率全色遙感影像，并結合SIFT算法，提取了兩期遙感影像上的同名點并計算其位移量，獲得了滑坡位移場[11]。

上述表明，利用高分遙感影像可以進行滑坡變形監測，尤其是結合圖像匹配算法可以實現滑坡位移量的計算，但相關系數法在影像的低對比度區域或相關系數較低情況下，位移量不易計算；基于SIFT算法雖然取得了一定的效果，但位移精度仍不夠理想。因此，本文提出將ASIFT和CSIFT兩種特征匹配算法相結合進行大變形滑坡位移場的標定方法，通過ASIFT和CSIFT分別對撫順西露天礦兩期不同時相全色影像和多光譜融合影像的特征點進行提取與圖像匹配，得到更多的特征匹配點，以提高露天礦滑坡位移場的標定精度。

1 研究區概況與數據選取

1.1 研究區概況

研究區位于遼寧省撫順市西露天煤礦，該礦為亞洲第一大露天煤礦，其礦坑長6.6 km，寬2.2 km，深度近500 m。隨著礦坑不斷向深部開采，礦坑南北幫已經多次出現滑坡。2008年以來，南幫千臺山區域逐漸形成了一條長約3100 m的地裂縫，到2014年，地裂縫的最大寬度達40 m，最大落差超過18 m，3個城市測量控制點不斷北移，因此，對西露天礦坑南幫邊坡的監測和治理工作已刻不容緩。

1.2 數據選取

本文使用的遙感影像數據為Pléiades衛星的高分辨率全色和多光譜影像，其中全色影像的波段為480～830 nm，多光譜數據分別為藍波段430～550 nm、綠波段490～610 nm、紅波段600～720 nm和近紅外波段750～950 nm。為提取滑坡的位移場，選取2013年、2014年的兩期影像進行了位移場變化計算，具體參數見表1。遙感影像正射校正的DEM數據是利用30 m分辨率的Aster GDEM數據重采樣生成的[11]。

表1 高分辨率遙感影像數據

2 滑坡位移場標定方法

2.1 遙感影像預處理

本文遙感影像預處理主要包括正射校正、影像融合、影像配準、影像裁剪等。

影像融合時，遵循融合后的圖像信息量最大化原則，即標準差越大，圖像信息量越大；相關系數越小，各波段獨立性越強。根據標準差和相關系數計算結果，多光譜數據選取藍色波段、紅色波段和近紅外波段。將全色影像與多光譜的藍色波段、紅色波段、近紅外波段進行融合，融合前的全色影像和融合后的多光譜影像如圖1和圖2所示。

圖1 全色影像

圖2 融合影像

2.2 遙感影像匹配

目前常用的特征匹配算法主要包括SIFT算法、ASIFT算法和CSIFT算法。SIFT算法為Lowe教授于1999年提出并于2004年豐富完善的尺度不變特征變換算法[12]，具有旋轉、平移、尺度縮放不變性。

ASIFT算法是對SIFT算法的改進，是一種具備完全仿射不變性的特征提取算法[13-14]。ASIFT算法在完全尺度不變性的基礎上，又增加了經度角和緯度角兩個不變特性，用來描述相機的視角變化。其實現過程包括4個步驟：①仿射模擬：模擬相機的仿射畸變，獲得模擬圖像；②特征點檢測：構建尺度空間，檢測局部極值獲得特征點；③特征點描述：采用128維特征描述子描述特征點及特征點周圍對其有貢獻的像素點的相關信息；④特征向量匹配：利用最鄰近法找出相互匹配的特征點對。

CSIFT算法也是對SIFT算法的改進，其主要是針對彩色影像匹配的算法[15]。CSIFT算法的實現思路是先對影像提取顏色不變量，建立顏色不變量模型，然后將顏色不變量代替灰度信息進行SIFT算法處理，具體步驟為：①提取顏色不變量：根據描述物體光譜輻射特性的K-M理論提取顏色不變量；②特征點檢測；③特征點描述；④特征向量匹配。

根據SIFT、ASIFT和CSIFT特征匹配算法特點，本文在Matlab平臺上實現了利用SIFT算法和ASIFT算法分別處理全色影像，利用CSIFT算法處理融合影像。

2.3 滑坡位移量計算

在對滑坡不同時相的兩期影像進行特征點匹配后，接下來利用特征匹配點進行位移場標定。由于特征點在不同時相的遙感影像中發生了移動，因此將兩幅影像特征點在像方坐標系中的坐標作差，便可求出特征點在滑坡滑動期間的位移量。具體做法為：計算兩幅影像特征點之間的像素個數，然后與單個像素所代表的實地距離相乘以得到特征點的位移量。

3 結果分析

圖3—圖5為3種算法提取特征匹配點的位移矢量圖，圖中箭頭底端位置代表特征點位置，箭頭的指示方向代表滑動方向，箭頭的長度代表滑動位移的大小。圖3為SIFT算法處理全色影像提取特征匹配點的位移矢量圖，圖4為ASIFT算法處理全色影像提取特征匹配點的位移矢量圖，圖5為CSIFT算法處理融合影像提取特征匹配點的位移矢量圖。

圖3 SIFT算法提取的位移矢量

圖4 ASIFT算法提取的位移矢量

圖5 CSIFT算法提取的位移矢量

從圖3—圖5中可以看出，與SIFT算法相比，ASIFT特征匹配點數量明顯提高，CSIFT算法匹配點數量略少。這主要是由于ASIFT算法具有完全仿射不變性，因此在匹配性能上有所提升。而CSIFT算法處理彩色融合影像過程中也提取到很多特征點，但由于兩期影像間隔長，色彩變化大，特征點描述子之間的差異很大，造成很多特征點無法匹配，因此特征匹配點數量少。

表2統計了3種算法分別提取的特征匹配點數量。從表2中可以看出，使用SIFT處理全色影像共獲得253個匹配點，使用ASIFT處理全色影像共獲得979個匹配點，使用CSIFT處理融合影像共獲得38個匹配點。其中SIFT提取的253個匹配點與ASIFT算法提取的特征點都基本相同或接近，而CSIFT提取的匹配點都是相異的特征點。這表明利用ASIFT算法與CSIFT算法進行圖像匹配獲得的特征點是不同的，這是由于CSIFT處理融合影像的顏色不變量信息與ASIFT處理全色影像的灰度信息不同，使檢測到的特征點及特征點描述子的信息不同，最終匹配到不同的特征點。

表2 3種算法分別提取的特征匹配點數量 個

因此，可以將ASIFT和CSIFT兩種算法提取的互不相同的特征點疊加綜合，進行滑坡位移矢量標定，如圖6所示。

圖6 改進方法的位移矢量

4 精度評價

為了對本文方法的精度進行正確評價，將SIFT算法處理結果、CSIFT和ASIFT兩種算法疊加綜合處理結果分別與研究區內的3個GPS監測點結果進行對比，見表3和表4。

通過表3和表4結果比較可以看出，與SIFT算法相比，新改進的方法位移精度提高幅度很大，其精度適用于較大型滑坡位移場的監測。

表3 SIFT算法處理結果與GPS監測結果對比 m

表4 兩種算法疊加綜合結果與GPS監測結果對比 m

5 結 論

針對利用SIFT算法進行滑坡監測存在的問題，提出了利用ASIFT算法和CSIFT算法相結合提取兩期高分遙感影像上滑坡位移場的方法，并將該方法在露天礦的滑坡位移監測應用效果進行了分析:

(1) 由于ASIFT、CSIFT兩種算法提取特征點完全不同，可以相互補充，因此將兩種算法提取的特征點疊加綜合，獲取了更多的特征匹配點。

(2) 與SIFT相比，新改進方法提高了位移場標定精度，圈定的滑坡位移場范圍更加細致準確，為滑坡監測與預警提供了更可靠的依據，且成本低，操作簡便、效率高，非常適合于較大變形滑坡的空間位移場監測。

[1] 王利.地質災害高精度GPS監測關鍵技術研究[J].測繪學報,2015,44(7):826.

[2] SUN Q， ZHANG L， DING L，et al. Slope Deformation Prior to Zhouqu, China Landslide from InSAR Time Series Analysis [J]. Remote Sensing of Environment, 2015,156(1):45-57.

[3] SAGID G，BALAZS S，ANDREAS R，et al. Landslide Displacement Monitoring Using 3D Range Flow on Airborne and Terrestrial Lidar Data [J]. Remote Sensing, 2013, 5(6): 2720-2745.

[4] 陳華，鄧喀中，張以文，等.結合SIFT和RANSAC 算法的InSAR影像配準[J].測繪通報,2015(12): 30-34.

[5] 常青，張斌，邵金玲.基于SIFT和RANSAC的特征圖像匹配方法[J].華東理工大學學報(自然科學版),2012,38(6):747-751.

[6] 戴激光，宋偉東，李玉.漸進式異源光學衛星影像SIFT匹配方法[J].測繪學報,2014,43(7):746-752.

[7] 趙朝賀，楊化超，張磊，等.一種大角度亞像素的圖像自動配準算法[J].測繪通報,2014(8):30-35.

[8] PEROTTO-BALDIVIEZO H L，THUROW T L，SMITH C T， et al. GIS Based Spatial Analysis and Modeling for Landslide Hazard Assessment in Steep Lands, Southern Honduras[J]. Agriculture, Ecosystems & Environment, 2004,103(1): 165-176.

[9] 鄧輝，巨能攀，向喜瓊.高分辨率衛星遙感數據在白衣庵滑坡調查研究中的應用[J].地球與環境,2005,33(4):96-100.

[10] DELACOURT C，ALLEMAND P，CASSON B， et al. Velocity Field of the “La Clapière” Landslide Measured by the Correlation of Aerial and Quick Bird Satellite Images[J].Geophysical Research Letters,2004, 31(15): 1-5.

[11] LIU S J，WANG H， HUANG J W，et al. High-resolution Remote Sensing Image Based Extensive Deformation Induced Landslide Displacement Field Monitoring Method[J]. Int J Coal Sci Technol, 2015,2(3):170-177.

[12] LOWE D G. Object Recognition from Local Scale-Invariant Features [C]∥Proceedings of the Seventh IEEE International Conference on Computer Vision. Corfu:IEEE Computer Society,1999.

[13] 肖雄武，郭丙軒，李德仁，等.一種具有仿射不變性的傾斜影像快速匹配方法[J].測繪學報,2015,44(4):414-420.

[14] MOREL J M，YU G. ASIFT: A New Framework for Fully Affine Invariant Image Comparison[J]. SIAM Journal on Imaging Sciences, 2009, 2(2): 438-469.

[15] ABDEL-HAKIM A E，FARAG A A. CSIFT: A SIFT Descriptor with Color Invariant Characteristics[C]∥IEEE Computer Society Conference on Computer Vision and Pattern Recognition. New York:IEEE Computer Society,2006.

Calibrating Landslide Displacement Field by Using High-resolution Image and Feature Matching Algorithm

ZHANG Huihui1,2，WANG Ru1

(1. College of Resources and Civil Engineering, Northeastern University, Shenyang 110819, China;2. Surveying and Mapping Department of Liaoning Provincial College of Communications, Shenyang 110122, China)

Landslide hazard is one of the most destructive natural disasters in the world. Landslide monitoring is an important foundation for preventing landslide hazard. In view of the problem that feature points extracted by SIFT which is applied to landslide remote sensing monitoring is few and uneven distribution, a new improved method of calibrating landslide displacement field which uses ASIFT to process panchromatic images and CSIFT to process multi-spectral fusion images is proposed. This method can combine the different feature points extracted from ASIFT and CSIFT to get more feature matching points. The results show that compared with the SIFT algorithm, this method greatly increases the number of feature points and improves the calibration precision of the landslide displacement field. It has the advantages of low cost and high efficiency, and is very suitable for large scale large deformation field monitoring in later stage of landslide.

high-resolution image；ASIFT algorithm；CSIFT algorithm；landslide displacement field；calibration

張慧慧，王茹.利用高分影像與特征匹配算法標定滑坡位移場[J].測繪通報，2017(8)：41-44.

10.13474/j.cnki.11-2246.2017.0251.

2016-12-14；

2017-03-10

國家自然科學基金(41440032；41074127)；國家重點基礎研究發展計劃(973)項目(2011CB707102)

張慧慧(1982—)，女，博士生，副教授，主要從事測繪遙感教學與科研工作。E-mail:zhanghuihui1982@163.com

P23

A

0494-0911(2017)08-0041-04