基于InSAR復數影像配準方法研究綜述

唐固城 謝麗芳 劉 烜

(1. 浙江省測繪科學技術研究院, 浙江 杭州 310023;2. 浙江省國土勘測規劃有限公司, 浙江 杭州 310030)

0 引言

合成孔徑雷達干涉測量[1](synthetic aperture radar interferometry,InSAR)是一種主動式的微波遙感系統,因擁有全天候、全天時,并能大面積獲取數據的特性,近年來已在地表變形監測及數字高程模型(digital elevation model,DEM)等領域中得到充分應用[2]。目前合成孔徑雷達(synthetic aperture radar,SAR)干涉處理技術已趨于成熟,主要流程主要包括影像配準、干涉圖生成、去平地效應、相位解纏以及地理編碼等步驟。而SAR復數影像配準是合成孔徑雷達干涉技術的首要步驟之一,它的配準精度是直接影響干涉圖的生成質量以及最終成果精度與可靠性。研究表明,配準誤差精度一般要求達到1/8以下像素才對后期干涉圖的質量無明顯的影響[3]。

配準是解決影像之間內容不一致的問題,由于獲取兩張影像時的衛星觀測狀態不一致導致相同影像坐標對應的地物目標點有差異。雷達影像不同于光學影像,它受斑點噪聲的影響較光學影像嚴重而導致實現高精度的配準較難;因InSAR影像數據為單視復數,數據中除了幅度信息外,還包含有相位信息,重復軌道模式下獲取的影像相對位置隨著軌道位置的變化而變化,也導致配準的工作難度加大。為了克服噪聲對配準結果的影響,實現高精度的配準結果,近年來許多國內外學者針對SAR復數影像配準這一領域相繼提出了相關方法,如黃其歡[4]等提出了方差因子檢驗和Baarda數據探測法剔除粗差控制點方法,Sun[5]提出基于R-RANSAC算法的控制點選取配準法,Fang[6]基于Voronoi圖的InSAR影像控制點配準算法,陳華[7]提出了基于尺度不變特征變換(scale-invariant feature transform,SIFT)和隨機抽樣一致性(random sample consensus,RANSAC)配準法,Chen[8]提出的基于SAR圖像幾何特征點信息的InSAR圖像配準方法,Dellinger[9]提出一種基于類尺度不變特征變換的SAR復圖像配準算法,李彥鋒[10]提出了基于端到端網絡的SAR圖像配準方法,該方法通過分析單階段預訓練網絡的優勢進一步改進單階段深度學習方法;張嬌嬌[11]提出了基于改進SIFT和深度學習的SAR圖像配準方法等。由此可見;對于配準方法的相關研究可歸結為主要圍繞控制點選取優化、影像幾何關系特征及深度學習三個方面。本文以SAR影像振幅、相位、灰度值為核心信息,從控制點選取優化、幾何影像特征及基于深度學習三方面總結配準方法的優缺點,并對該領域未來研究方向進行展望。

1 影像配準基本原理

獲取的影像除了可以從同一傳感器上在不同的時間或者從不同的角度獲取,還來自不同的傳感器系統。由于獲取的雷達影像為復影像,可用公式表示為

(1)

雷達影像的配準是將同一目標地區的兩幅或多幅影像在空間位置上實現最佳套合。其原理是利用兩個信號相關函數,通過某種相似度準則來評價兩幅影像之間的相似度。其一般步驟如圖1所示。

圖1 影像配準步驟

控制點選取核心在兩幅及以上影像之間準確選取具有相同性質的同名點,以它作為配準的基礎,不同的傳感器及不同時段獲取影像的幾何、物理等特性也不盡相同,因而匹配的方法也有差異[12]。確定了影像之間的同名點后,需要對影響對之間的位置進行幾何變換,一般采用的模型為多項式,已知一組同名點,輔影像坐標為(x,y),主影像相對應坐標為(x′,y′),其多項式可表示為

(2)

式中,n為多項式階數;aij、bij為待定系數,一般采用最小二乘法求解各項系數。

當影像完成相對糾正后,需要對輔影像進行灰度重采樣,得到經配準后的新影像,一般采用雙線性內插法或三次樣條內插法。

綜合而言,配準影像對之間的關鍵點可歸納為兩個方面,一是根據干涉成像的衛星觀測幾何特征推算斜距投影坐標下影像對之間的幾何變換特性[13];另一是基于InSAR影像的特征信息,利用適宜的方法快速而準確地選取控制點。

2 控制點選取優化方法

控制點的選取對于影像的正確配準有著至關重要的作用,相干性系數法是經典的配準方法之一,它充分利用了影像中包含的相位及振幅信息在主影像中以待匹配的點為中心取一定大小窗口,在輔影像中一定范圍內搜索,計算窗口內的相干系數值,最大即為最佳匹配點。由于相干性系數[14]難以準確獲取,Gbariel[15]等提出了基于信噪比的最大干涉頻譜法,該方法充分利用了影像的相位信息,當影像之間的干涉圖質量達到最佳即為最佳的配準。而平均波動函數法[16]是以同名點領域內相位差變化的一致性作為判斷準則。此外還有相關系數法[17],最小二乘匹配法[18],這些方法都在于準確尋找出合適的控制點,它們的特點如表1所示。

表1 傳統配準法

2.1 基于傳統方法改進

在單點匹配的傳統方法中,部分匹配測度是在一個相對較小區域內計算的估計值,也未充分利用影像中所包含的強度信息,對于傳統單點匹配方法存在的不足,不少學者提出了多級配準[19]方法。盧麗君[20]利用相關系數與最大干涉頻譜相結合的多級配準算法,并針對較大范圍影像數據處理引入了并行處理方案,利用三峽地區實驗結果表明經過粗、精配準后,中誤差由0.517 8降為0.058 1。該方法較傳統的單點匹配在一定程度上提高了計算的效率及精度因素。汪魯才[21]基于最大頻譜法中引入相關匹配函數法,利用相關匹配實現粗配準,并對控制點值進行內插,再利用最大頻譜圖像配準實現亞像素精配準,通過喀什地區實驗結果表明隨著相關系數值越大,相關精配準與最大頻譜精配準處理結果中像素點數也在減少。該方法較最大干涉頻譜法有較高的計算效率。張宗營[22]利用相關系數法與重采樣相結合的多級配準策略,并利用西藏那曲市實驗結果表明,控制點對應關系數均值從粗配準的0.49提高到0.7,影像試驗表明了多級配準方法在精度及可靠性方面的優勢。Suo[23]提出一種基于最小二乘法(LS)的聯合配準法,該方法利用具有小空間和時間基線的圖像對求解估計影像偏移,采用Delaunay三角剖分方法進行連接,根據基于最小二乘法估計的圖像位移對所有輔圖像進行重采樣。

傳統配準方法對于InSAR觀測時軌道不平行影像配準結果無法達到最優,Nicolas[24]在相干系數法的基礎上結合Fourier-Mellin變換函數,一定程度上解決了存在夾角的InSAR影像之間的配準問題。為克服常規SAR影像配準中由于離散窗口移動搜索導致配準誤差而致使相干性損失的問題,程海琴[25]提出利用衛星軌道狀態矢量與SAR定位模型進行影像粗配準點,利用基于相干窗口進行像素級配準和基于相干曲面移動擬合的精配準方法,通過選取平原及山地區域進行試驗,結果表明影像相干性均約有5%的提高,同名點的影像配準精度達到了(0.01～0.1)像素。鑒于大場景影像中不同區域偏移量及變化規律差異較大,傳統最大相干系數配準方法再處理時需分塊及插值處理,面臨計算量大且配準精度低等問題,韋順軍[26]提出一種基于離散傅里葉變化模型的大場景InSAR高效高精度圖像配準算法。利用基于最小均方差準則構建配準的DFT模型,采用四叉樹自適應分塊及矩陣相乘DFT快速重采樣配準方法,實現大場景影像各子塊區域的高效高精度亞像素配準。通過富士山區域實驗表明與傳統的FFT分塊方法相比,該方法在殘差點數、相干系數均值及相位梯度均值三個指標上較之分別減少8 274個、增加0.067 2、減少0.006 8。

2.2 基于粗差控制點剔除改進

針對SAR影像易受噪聲干擾導致在尋找最佳同名點的過程中出現多個錯誤極值的情況,有少數匹配結果不在合理范圍內,相關學者在控制點選取可靠性及效率方面提出了不同的方法。Petar[27]使用Harris算子進行配準點自動檢測,提高了配準點數量并改善了其空間分布;王孝青[28]從矩陣相似度的角度分析干涉影像對之間的相關性,給出了一種加權相似度度量,并提出了檢測和剔除噪聲干擾原理和方法,提高了配準精度和可靠性。意大利學者Sansosti[29]提出的利用地面控制點方法計算兩個方向上的時間參數,但對于較大的數據進行選擇時較難實現高精度配準,劉廣[30]對Sansosti提出的基于地面控制點計算時間參數的配準方法進行改進,在此基礎上提出了一種主動獲取方向與距離向的時間常數的配準法,但該方法需要精確的軌道數據和大量的控制點來實現。

針對低相干、低信噪比區域出現錯誤匹配,孫增輝[31]在基于信噪比的基礎上針對控制點的正確選取方面,提出了利用總體方差檢驗和趨勢面參數模型粗差診斷法實現控制點粗差檢測及剔除,提高了影像之間的配準精度。實驗表明，經過粗差剔除后,方位向最大殘差0.603 4像素降到0.088 6,距離向最大殘差0.258 0像素降到0.079 1像素。Zhang[32]提出了一種基于InSAR相干變化檢測的有效地理配準方法。該方法通過計算地面控制點(ground control point,GCP)周圍的張性子圖像的互相關和周圍子圖像的強度互相關值，從而獲得距離和方位偏移量值。除此之外,王邦松[33]采用Voronoi圖方法對影像中特征點進行進一步優選,通過與傳統的方法(如最大頻譜法等)相比較,經粗差剔除后匹配點間成功率達100%。

3 基于影像幾何關系特征方法

基于特征的影像配準方法,也是影像配準常用的方法之一。該方法從不同影像中提取具有代表性和相似的特征量,經常用到的影像邊緣、輪廓及結構特征等。基于特征的影像匹配方法一定程度上壓縮了影像的信息量,使得減少了計算量,并對影像的灰度具有較好的魯棒性。

3.1 基于影像特征信息改進

邊緣信息是影像常見的結構特征,也是SAR影像中重要的信息之一,單一的邊緣檢測方法實現SAR影像的配準精度不足以滿足要求,因此學者提出了聯合邊緣信息與其他方法相結合。張澤昆[18]提出了一種基于邊緣和紋理特征相結合的圖像配準方法,它以邊緣和紋理作為基本特征,通過紋理特征的提取對經邊緣特征提取后的影像進行修正來提高配準精度。R.Scheiber[34]提出基于頻譜差別的配準方法,該方法以SAR影像為模型,不需地面控制點,然后利用相位與配準偏移量的關系得到偏移值。劉寶泉[35]通過邊緣檢測和模板相關提取特征點,建立點的對應關系,然后利用兩步法完成復圖像的亞像元級配準,具有較高的配準精度,實驗結果較基于區域特征方法,該算法均方根誤差與之相比減少了0.005 7,表明基于點特征的全自動配準方法有較高的精度。

SIFT算法是一種基于特征點匹配算法,該方法在影像縮放、旋轉等變換下能保持較好的配準效果,因而被應用于SAR影像配準。喻小東[36]等提出了基于SIFT算法的配準方法,該方法采用分塊方式提高影像匹配效率,通過設定閾值減少配準誤差點,并通過Enta火山地區實驗分析可知,相較基于相干系數法,均方根誤差(root mean square error,RMSE)由1.51降到0.32。Zhu[37]提出了一種新的合成孔徑雷達圖像配準方法,包括兩個用于特征檢測的算子SIFT和R-SIFT用于檢測SAR圖像中的角點和紋理點和用于特征匹配的樹狀網絡匹配(ANM),該方法的優點是能同時保留SAR圖像中的兩種特征信息,該算法將特征約束與特征點之間的空間關系結合起來,具有更多的匹配對和更高的亞像素匹配精度。實驗結果表明，相比KNN-TAR方法,該算法RMSE降低了0.632 8,BPP(殘差距離大于1.0像素百分比)降低了0.527 1。SIFT算法因不需要額外的信息(如軌道參數),直接根據幅度獲取較為精確的偏移多項式,但該方法中使用的特征向量依賴與主方向,如果影像中無明顯的紋理信息,該方法配準精度難以保證。

除邊緣信息外,SAR影像還有紋理、振幅等特征信息。焦明連[38]等提出了一種充分利用復數影像中幅度分量所包含的信息進行多種匹配的方法,該方法可確保匹配結果的精度達0.1個像素以上。InSAR技術所獲取的影像除復數影像外,其輔助數據里包含衛星傳感參數、遙感平臺過程中位置矢量及相對應的時間參數、影像四角和中心地理坐標等信息,湯曉濤[39]提出了一種基于輔助數據的對SLC影像的基線進行估計并自動進行影像概略配準法,經過數據驗證斜距方向上偏移量達到5像素,方位向上偏移量達10像素。

3.2 基于外部數據輔助方法

SAR衛星所獲取的影像的軌道近似平行,利用DEM數據根據主影像參數模擬SAR影像,并利用移動窗口技術獲取與輔影像的粗略偏差,確保影像之間的相干性不會受到配準的影響,當利用幾何配準精度不足時,利用DEM數據信息能確保估計影像的偏移量值。

王超[40]提出了一種基于DEM的自適應配準算法,該方法解決了在復雜地形下因測度函數選取單一導致配準精度較低的問題,通過秦嶺地區的實驗結果表明，相較于互相關系數法及頻譜極大值法,該算法所得干涉圖的相干系數均值較之增加0.040 4、0.029 8。Massonner[41]提出基于衛星軌道和外部DEM的配準方法,該方法對影像上所有像素都有相同的配準精度,即使在相干性較低區域也有較好的配準精度,但必須要獲得方位向和距離向上的有效時間常數。針對Sentinel-1A成像方式導致SAR影像方位向多普勒頻率變化較大,黃其歡[42]提出了基于DEM和精密軌道的TOPS影像高精度配準法,并通過實驗表明粗差剔除后擬合的標準差方位向為0.173像素,距離向為0.077像素。吳文豪[43]利用Sentinel-1衛星TOPS影像進行不同軌道和DEM條件下幾何配準測試,并分析了外部DEM對影像配準精度的影響,通過實驗表明目前常用的外度DEM(如SRTM)均能滿足Sentinel-1影像配準的要求,其幾何配準差異在0.001像素內可任意選擇不同類型。另外,Mao[44]等提出了一種利用多源信息和聯合數據融合的影像自適應共配準方法,并使用均方差來評估配準方法的準確性。

4 基于深度學習配準方法

隨著計算機存儲和計算能力的提高,深度學習[45]在影像處理方面也得到了快速發展,尤其是卷積神經網絡。深度學習在特征點的可重復性與匹配精度等指標中表現出較好的性能被廣泛應用于影像檢測、識別及分割等領域。目前深度學習應用于影像配準可概括為以下幾個方面[46]：利用卷積神經網絡替代人工進行特征提取,利用深度卷積神經網絡通過有監督學習的方式直接對變換參數進行回歸影像配準,利用深度卷積神經網絡對變換后的圖像與目標圖像的相似性進行優化,通過無監督學習的方式實現圖像的配準。

朱慶濤[47]等提出了將鄰域一致性與稀疏卷積神經網絡應用于影像配準中,實現利用弱監督學習的端到端極化SAR影像一步配準方法。常釗[48]提出了基于稀疏自編碼(sparse autoencoder,SAE)的半監督SAR影像配準方法,通過調整網絡參數從而是影像之間的配準達到較好的配準效果,但該算法人工干預較多,存在效率較低的缺點。Kelany[49]提出了一種基于傳統神經網絡學習的圖像超分辨率改進SAR圖像配準算法,該方法是將Scale-Invariant Super-Resolution與影像匹配相結合,從而實現了影像的配準,并通過溫哥華地區的影像配準結果表明該方法得到的均誤差為0.000 6,樣本方差為0.003 7,標準差為0.060 9。

5 結束語

影像配準作為InSAR技術處理流程的首要步驟,它的準確度影響后續處理步驟精度,傳統的配準方法適應性較差,特別是對復雜的區域,如最大干涉頻譜法能克服SAR影像中與頻率域有關噪聲,但對于疊掩、陰影較多區域效果較差。為此,國內外學者對提高影像的匹配精度做了較多的研究,這些研究方法可以概括為基于控制點優化選取、影像結合關系特征及深度學習配準三個方面。這些算法在質量較好SAR影像或影像受固有噪聲影響較小的情況下均能使復數影像之間的配準精度達到子像素級要求,但目前都存在不同的缺點。

對于基于控制點優化算法方面,主要存在控制點剔除算法判定的測度函數與統計量合理設計,控制點剔除影響算法的穩健性等問題。基于影像關系特征算法充分利用影像的邊緣、輪廓及結構特征等信息,但對于受噪聲影響嚴重的影像無法充分利用影像的特征信息,另外，外部DEM的精度也直接影響到影像的配準精度。目前深度學習的最大難點之一主要在于卷積神經網絡學習中訓練樣本數量和樣本集及復雜配準模型下如何優化神經網絡的結構等問題。