基于高分遙感影像匹配的露天礦滑坡形變場監測方法

張慧慧 王 茹

（1.遼寧省交通高等專科學校測繪系，遼寧沈陽110122；2.東北大學資源與土木工程學院，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生的滑移現象［1］。滑坡災害是當今世界上破壞力極大的地質災害之一，對滑坡進行動態監測，是實現滑坡災害預警的重要手段。近年來，隨著遙感探測空間分辨率的提高，使得遙感技術在滑坡識別與變形監測方面得到了廣泛的研究與應用。Perotto-Baldiviezo等［2］通過綜合應用1∶50 000航片和10 m分辨率的SPOT全色影像，解譯出某地區滑坡的覆蓋范圍、坡度、坡向等信息；Barlow等［3］利用DEM數據和Landsat ETM+遙感影像，進行了Cascade山地區的滑坡變形監測及制圖工作；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的滑坡位移，并繪制出該地區的滑坡位移變化圖；Gance等［5］基于阿爾卑斯山Super-Sauze滑坡半年內的光學影像，利用Harris角點特征匹配法得到了滑坡位移量；杜培軍等［6］采用遙感影像和數字地形模型相結合的方法，對邊坡移動進行了分析和預測，并應用到露天礦邊坡監測中；鄧輝等［7］利用Quick Bird-2衛星高分遙感影像準確識別出了滑坡，并通過提取滑坡的各要素進行了滑坡穩定性評價和危險性分析；田穎穎等［8］根據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據，通過解譯滑坡面積和滑坡點密度，分析了滑坡的空間分布規律。

2013年1月，遼寧省撫順市西露天煤礦出現了巨型滑坡，其南緣裂縫長度達到3 100 m，斷陷帶的最大寬度達40 m，最大落差達18 m，監測點獲得的滑坡北移速度一度達到8～10 cm/d。在這種大變形情形下，常用的InSAR技術會出現相位失相干現象導致解纏困難［9-12］，此外，GPS監測由于點位稀疏，無法滿足大面積形變場的監測要求［13-16］。因此，亟需一種新的監測方法以滿足滑坡后期大變形形變場監測的需要。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，為滑坡治理及防災減災奠定了基礎，但在應用中仍然存在提取特征匹配點數量少、分布不均等問題。考慮到到前期影像匹配僅使用了高分數據的全色波段灰度信息，而該衛星數據除了全色波段外，還有紅、綠、藍、近紅外等4個波段的多光譜數據，充分利用該類信息，對原方法進行改進，有助于提高影像匹配質量以及增加特征點的提取數量，進而便于詳細分析滑坡形變場和精確圈定滑坡范圍。本研究在此基礎上，將多光譜影像與全色影像進行融合，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算法的基礎上增加了具有分辨顏色的CSIFT特征匹配算法，并應用于撫順西露天煤礦南幫滑坡監測中，以期提高滑坡形變場的監測效果。

1 研究區概況與數據選取

1.1 研究區概況

研究區地處遼寧省撫順市城區，采坑東西長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，礦坑南北幫已經多次出現滑坡。尤其是2013年后，南幫滑坡險情加劇，埋設的3個GPS控制點不斷北移，出現了坑底起鼓、運輸皮帶破壞、附近建筑物變形等現象，形成了滑坡體體積達1億m3以上的巨型滑坡。

1.2 數據選取

本研究采用的數據為Pléiades-1B衛星的高分辨率遙感影像。考慮到不同季節地物的影響因素，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），具體參數見表1。

?

2 滑坡形變場監測

本研究滑坡形變場監測實施步驟主要包括數據預處理、影像特征匹配、形變場標定等。

2.1 數據預處理

數據預處理主要是針對2期遙感影像進行正射校正、影像融合、影像配準、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，本研究利用標準差和相關性2個指標來選取參與融合的多光譜波段［18］：①圖像灰度值的標準差越大，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系數越小，各波段獨立性越強。多光譜影像包含的4個波段波譜信息的標準差和相關系數分別如表2、表3所示。

?

?

根據表2、表3，本研究選取多光譜的藍色波段、近紅外波段、紅色波段與全色影像進行了融合處理，結果如圖2所示。

2.2 影像特征匹配

本研究采用SIFT、CSIFT算法進行遙感影像匹配。SIFT算法［19-20］是一種基于特征的圖像匹配算法，由哥倫比亞大學的David G.Lowe教授于1999年首次提出，并于2004年進一步完善。該算法主要原理是將影像之間的匹配轉化成特征向量之間的相似性度量，具有影像平移、旋轉、縮放保持不變性等特點，其實現過程主要包括3個步驟：①在高斯差分尺度空間上檢測局部極值點，獲取特征點；②利用128維特征描述子描述特征點信息；③利用歐式距離法實現特征點匹配。CSIFT算法是針對SIFT算法在處理彩色圖像時需將彩色圖像轉換為灰度圖像處理的問題，進一步發展的一種專門處理彩色影像匹配的算法。該算法實現包含2個環節：①根據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。

2.3 形變場標定

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

3 結果分析

3.1 變形矢量提取結果

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

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

（1）融合影像的波譜信息為藍色波段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化為灰度圖像處理，其轉換原理是根據RGB與YUV顏色空間的變化關系，建立亮度Y與R、G、B 3個顏色分量的對應關系［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致提取到的特征點位置信息不同，進而匹配到的特征點數量也不同。

（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行匹配過程中獲取的特征點位置不同。

綜上所述，全色影像的灰度信息、彩色融合影像轉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，最終導致匹配到了不同的特征點。

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部數據增多，可以更細致地描述滑坡體內部的滑動情況。

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監測數據進行對比分析。考慮到GPS點位選擇的定點性以及SIFT、CSIFT算法識別特征點的隨機性，本研究在選取GPS點進行驗證時，主要考慮以下方面：

（1）在諸多GPS監測點中，選擇分布于特征匹配點密集且相對安全區域內的GPS點位，依據GPS點的空間坐標與遙感影像上的空間坐標，將GPS點標記于遙感影像上，并獲取相應點位的圖像平面坐標信息。

（2）利用最鄰近插值方法，內插得到GPS點的位移量，在此基礎上對2種算法得到的位移量與GPS點的位移量進行對比分析。研究區內選取的符合要求的GPS監測點位置分布如圖6所示，位移量對比分析結果如表5所示。

?

對表5進行適當計算可知：采用SIFT算法對全色影像進行處理時，在M1、M2、M3點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行處理時，在M1、M2、M3點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的紋理、顏色特征進行匹配，增加了匹配點數量，使得特征點分布更加密集與均勻，從而可以更加準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與GPS點無法完全直接準確對應的問題，采用了最鄰近算法內插得到GPS點的位移量，當特征點空間分布較為密集時，有助于提高點位的內插精度。

5 結語

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測新方法，并在撫順西露天煤礦南幫滑坡監測應用中進行了驗證。結果表明：與SIFT算法相比，新方法明顯提高了滑坡形變場的標定精度，有助于進一步精確圈定滑坡范圍，可為滑坡治理提供可靠依據。