基于特征點(diǎn)的SAR影像配準(zhǔn)方法

劉智勇 來立永 張耿斌 祁宏昌潘屹峰 彭林才 吳希文

1)廣東電網(wǎng)有限責(zé)任公司， 廣州供電局， 廣州 510620 2)中科云圖科技有限公司， 鄭州 450003 3)廣東工業(yè)大學(xué)， 土木與交通工程學(xué)院， 廣州 510006 4)廣東工業(yè)大學(xué)， 大灣區(qū)城市環(huán)境安全與綠色發(fā)展教育部重點(diǎn)實(shí)驗(yàn)室， 廣州 510006

0 引言

合成孔徑雷達(dá)干涉測量技術(shù)(Interferometric Synthetic Aperture Radar， InSAR)已被廣泛應(yīng)用于自然災(zāi)害的監(jiān)測工作中， 如地震(Wangetal.， 2007， 2009， 2019)、 地表沉降(王華等， 2014a； Ngetal.， 2018)、 滑坡(Tarchietal.， 2003； Sunetal.， 2015)等。通常， 在形成干涉圖之前需對SAR影像進(jìn)行配準(zhǔn)并重新采樣到與參考影像(主影像)統(tǒng)一的網(wǎng)格上。配準(zhǔn)作為InSAR數(shù)據(jù)處理的關(guān)鍵步驟， 其精度直接影響InSAR生成干涉圖的質(zhì)量。為了不影響生成干涉條紋的質(zhì)量， 對于Stripmap/ScanSAR成像模式的影像配準(zhǔn)誤差必須要控制在0.125個像素以下(王超等， 2002)， 對于方位向漸進(jìn)式掃描的地形觀測(Terrain Observation with Progressive Scans in azimuth， TOPS)成像模式， 其配準(zhǔn)精度需要達(dá)到千分之一個像素才不至于影響干涉處理(吳文豪等， 2017)。

SAR影像配準(zhǔn)主要用于匹配多時相、 多傳感器或從不同視點(diǎn)拍攝的2個或多個影像(Brown， 1992)。常規(guī)的配準(zhǔn)方法是在主強(qiáng)度圖上按照一定的間距規(guī)則選取控制點(diǎn)， 即規(guī)則點(diǎn)(Regular Points， RP)。由于規(guī)則點(diǎn)的選取不考慮地面的散射特性， 在具有較高相干性的區(qū)域效果較好， 但在實(shí)際應(yīng)用中， 規(guī)則點(diǎn)經(jīng)常位于低相干、 失相干區(qū)域(例如大面積的水域、 植被茂密的森林或季節(jié)變化的農(nóng)業(yè)區(qū)域等)， 導(dǎo)致配準(zhǔn)存在計(jì)算量大、 誤匹配率高以及可靠性低等缺陷。

為了改善常規(guī)配準(zhǔn)方法所存在的缺陷， 一些研究人員利用永久散射體(Permanent Scatterer， PS)、 孤立點(diǎn)(Isolated Points， IPs)等特殊點(diǎn)目標(biāo)替代規(guī)則點(diǎn)進(jìn)行配準(zhǔn)。雖然PS點(diǎn)具有很好的穩(wěn)定性， 但PS點(diǎn)的可靠識別需要大量SAR影像， 而研究中通常只有很少的數(shù)據(jù)可用， 致使此方法受到較大的限制。此外， IPs通常是孤立的比較明亮的點(diǎn)(Serafino， 2006)， IPs能有效避開失相干的區(qū)域(例如水體)， 但由于SAR影像的成像特性， 這些亮點(diǎn)可能會聚集在一定的空間中， 因此可能會導(dǎo)致類似斑狀的偏移估計(jì)。此外， SAR影像中存在大量的斑點(diǎn)噪聲， 呈現(xiàn)出高亮度值， 同樣會導(dǎo)致孤立點(diǎn)定位錯誤。

配準(zhǔn)的主要目的是獲取主、 輔影像之間的坐標(biāo)轉(zhuǎn)換參數(shù)， 除了PS點(diǎn)和IPs點(diǎn)之外， 可利用具有明顯特征的點(diǎn)進(jìn)行配準(zhǔn)， 因此， 特征提取是SAR影像配準(zhǔn)技術(shù)中的關(guān)鍵， 準(zhǔn)確的特征提取為配準(zhǔn)的成功進(jìn)行提供了保障。Bay等(2006)提出的加速魯棒特征算子(Speeded Up Robust Feature， SURF)算法是用于遙感影像特征檢測與描述的流行方法之一， 其可利用SURF算子對SAR影像進(jìn)行配準(zhǔn)(熊智等， 2011； Durgametal.， 2016)。但由于SAR影像在成像時存在大量噪聲點(diǎn)， 僅通過使用SURF算法進(jìn)行配準(zhǔn)的精度低且誤匹配率高， 難以滿足InSAR的精度要求。

針對上述配準(zhǔn)問題， 本文提出了一種結(jié)合SURF、 土地覆蓋數(shù)據(jù)和互相關(guān)算法等的配準(zhǔn)方法。首先， 對主強(qiáng)度圖進(jìn)行分塊處理， 并將每個子塊數(shù)據(jù)的灰度值線性拉伸到0～255； 然后， 通過SURF對每個子塊進(jìn)行特征點(diǎn)探測， 接著利用土地覆蓋數(shù)據(jù)剔除不當(dāng)?shù)奶卣鼽c(diǎn)， 對保留的特征點(diǎn)進(jìn)行互相關(guān)； 最后， 通過多項(xiàng)式擬合獲取主、 輔影像之間的仿射變換參數(shù)。本文通過珠三角地區(qū)的SAR影像數(shù)據(jù)的配準(zhǔn)實(shí)驗(yàn)評估該方法的性能。

1 Sentinel-1A雷達(dá)數(shù)據(jù)及配準(zhǔn)方法

1.1 數(shù)據(jù)

本文所用的研究數(shù)據(jù)覆蓋了廣州、 佛山、 東莞等珠三角地區(qū)， 采用2015年12月12日以及2015年12月24日的一對C波段Sentinel-1A雷達(dá)影像數(shù)據(jù)， 其成像模式為TOPS模式， 影像大小為20278像素×68514像素， 在距離向和方位向上的像素大小為2.3m×14.1m， 空間分辨率為5m×23m。

1.2 基于特征點(diǎn)的SAR影像配準(zhǔn)

標(biāo)準(zhǔn)的配準(zhǔn)方法首先在主強(qiáng)度圖上按照等間距選取控制點(diǎn)， 然后采用相關(guān)系數(shù)法進(jìn)行像素級配準(zhǔn)， 接著進(jìn)行過采樣處理， 并再進(jìn)行一次互相關(guān)以實(shí)現(xiàn)亞像素級配準(zhǔn)， 最終進(jìn)行多項(xiàng)式擬合計(jì)算主、 輔影像之間的轉(zhuǎn)換參數(shù)(靳國旺， 2007)。本文提出的SAR影像配準(zhǔn)方法首先利用SURF算子探測主影像的特征點(diǎn)(Feature Points， FP)， 然后進(jìn)行水體掩膜， 剔除無效特征點(diǎn)， 并對保留的特征點(diǎn)進(jìn)行互相關(guān)， 最后進(jìn)行多項(xiàng)式擬合獲取主、 輔影像之間的轉(zhuǎn)換參數(shù)。

1.2.1 利用SURF提取特征點(diǎn)

SURF算法是由Bay等(2006)提出的尺度與旋轉(zhuǎn)不變的興趣點(diǎn)檢測和描述符， 是改進(jìn)尺度不變特征變換算子(Scaleinvariant feature transform， SIFT)(Low， 2004)的一種特征檢測算法， 在獨(dú)特性和魯棒性方面均近似甚至優(yōu)于SIFT， 且計(jì)算速度快于SIFT。其特征點(diǎn)提取主要流程是：

(1)構(gòu)造Hessian矩陣， 并通過Hessian矩陣的行列式初步判定特征點(diǎn)位置

當(dāng)行列式值為0時， 可判定該點(diǎn)比鄰域內(nèi)的其他點(diǎn)更加明亮或者暗淡。為提高計(jì)算性能， SURF使用盒式濾波器模板代替高斯二階微分模板。圖 1 為9×9的盒式濾波器， 左側(cè)2張圖分別是y方向和xy的二階高斯微分模板， 右側(cè)2張圖是采用盒子濾波器對其近似的結(jié)果， 模板中的數(shù)字(-1、 1、 -2)表示對應(yīng)顏色區(qū)域的權(quán)值， 灰色區(qū)域權(quán)值為0。因?yàn)楹惺綖V波器在積分影像上的計(jì)算速度非?？欤?故SURF與SIFT相比在性能上有了很大的提升。

圖 1 盒式濾波器模板示意圖Fig. 1 Schematic diagram of box filter template.

(2)建立影像金字塔

SIFT通過保持濾波器模板不變， 對原始影像進(jìn)行降采樣獲得影像金字塔(圖 2a)。SURF通過改變?yōu)V波器的尺寸而影像不變來保持尺度不變性(圖 2b)。與SIFT相比， SURF具有更快的速度和更高的精度。

圖 2 影像的金字塔Fig. 2 The image pyramid.

(3)定位特征點(diǎn)

經(jīng)Hessian矩陣處理后的像素點(diǎn)須與相同或相鄰尺度空間中的26個像素進(jìn)行比較(圖 3)， 濾除響應(yīng)值較弱及錯誤定位的像素點(diǎn)， 并選定穩(wěn)定像素點(diǎn)作為特征點(diǎn)。

圖 3 特征點(diǎn)定位Fig. 3 Location of feature points.

SAR影像的成像過程是由不同散射體的回波路徑相干疊加而成， 導(dǎo)致SAR影像中存在大量或明或暗的斑點(diǎn)， 即相干斑(Eom， 2011)， 這降低了SAR影像的目標(biāo)識別能力。為了抑制SAR影像的相干斑， 可進(jìn)行多視處理， 但該處理同時會降低SAR影像的分辨率。本文中， 為在確保不犧牲SAR影像分辨率的前提下提高特征點(diǎn)識別的速度并抑制噪聲， 首先對每個子塊的灰度值進(jìn)行初步處理， 以保證整體影像不會太明亮或太過暗淡。在0.5%≤灰度值 ≤99.5% 的范圍內(nèi)將其進(jìn)行線性拉伸到0～255， 對于灰度值 >99.5% 或 <0.5% 的像素則分別設(shè)置其值為255和0。對主強(qiáng)度圖進(jìn)行初步處理后， 使用SURF算子探測特征點(diǎn)。SURF可處理大塊數(shù)據(jù)， 具體窗口大小可根據(jù)計(jì)算機(jī)的物理內(nèi)存進(jìn)行配置。本文為加快計(jì)算速度并防止整個檢測窗口位于水體中， 統(tǒng)一將特征點(diǎn)的探測窗口大小設(shè)置為5000像素×5000像素。

從圖 4 中可以比較明顯地看出水體與陸地之間的灰度值差異， 這對陸地特征點(diǎn)的準(zhǔn)確定位有所幫助。設(shè)置Hessian的閾值為25000， Octaves為4， Octaves layers為3， 一共探測到了8693個特征點(diǎn)， 大部分都集中于陸地(圖4a中的紅色圓圈)， 但有一部分特征點(diǎn)仍落入水體中(圖4a中的藍(lán)色圓圈)， 其主要原因是在珠江流域及入海口停泊了大量船只。圖4a黃色方框區(qū)域的放大圖如圖4b、 c所示， 從圖4b中可以明顯看出這些船只在雷達(dá)強(qiáng)度圖中相對于周圍水體具有非常明顯的差異， 導(dǎo)致SURF將其識別為特征點(diǎn)(圖4b右側(cè))。但經(jīng)過一段時間后在相同區(qū)域再次進(jìn)行檢測， 探測到的特征點(diǎn)位置隨船只的移動具有很大的差異(圖4c右側(cè))， 而陸地上探測到的特征點(diǎn)仍然具有非常穩(wěn)定的特性， 其相應(yīng)的位置基本保持不變。因此， 在進(jìn)行配準(zhǔn)之前， 需利用外部土地覆蓋數(shù)據(jù)剔除落入水中的特征點(diǎn)， 以剔除不穩(wěn)定的特征點(diǎn)。

圖 4 特征點(diǎn)分布圖Fig. 4 Distribution map of feature points.a 主強(qiáng)度圖的特征點(diǎn)； b 主影像局部特征點(diǎn)； c輔影像局部特征點(diǎn)

1.2.2 水體掩膜

在水域中， 干涉圖的相干性均非常低(接近0)(王華等， 2014b)。同樣， 在大面積水域中進(jìn)行互相關(guān)， 相關(guān)度極低且偏移量極不穩(wěn)定， 這不僅大大降低了配準(zhǔn)的計(jì)算效率， 同時還導(dǎo)致錯誤的偏移量估計(jì)， 使得最終計(jì)算的主、 輔影像轉(zhuǎn)換模型不可靠， 故必須對水體進(jìn)行掩膜處理。盡管SURF可有效避開水體， 但當(dāng)Hessian閾值太低、 探測窗口太小或整個探測窗口都在水中時， SURF探測到的特征點(diǎn)可能位于水中。因此， 針對在主強(qiáng)度圖中探測到的特征點(diǎn)需要進(jìn)行水體掩膜處理， 以剔除位于水體中的特征點(diǎn)。

本文利用SWBD(Shuttle Radar Topography Mission Water Body Dataset)數(shù)據(jù)濾除SAR強(qiáng)度圖中不適當(dāng)?shù)奶卣鼽c(diǎn)， SWBD數(shù)據(jù)可從相關(guān)網(wǎng)站(1)http: ∥geodata.policy support.org/swbd。下載。SWBD數(shù)據(jù)是僅有-1和0的二值二進(jìn)制文件， -1為水體， 0為陸地。由于SWBD是地理坐標(biāo)， 而強(qiáng)度圖是雷達(dá)坐標(biāo)， 故需要將SWBD數(shù)據(jù)轉(zhuǎn)換到雷達(dá)坐標(biāo)系下， 判斷特征點(diǎn)所在位置的SWBD值是否為0， 否則舍棄。

1.2.3 互相關(guān)計(jì)算

經(jīng)水體掩膜后， 進(jìn)行互相關(guān)計(jì)算?；ハ嚓P(guān)可衡量2幅影像的相關(guān)程度， 計(jì)算公式為

(1)

式中，M、S表示主、 輔影像的強(qiáng)度，E為求平均。當(dāng)|ρ|=0時， 表示主、 輔影像完全不相關(guān)； 當(dāng)|ρ|=1時， 表示主、 輔影像完全相關(guān)。

圖 5 左側(cè)是主強(qiáng)度圖的參考窗口m，m的窗口大小一般取2的倍數(shù)， 如32×32、 64×64、 128×128等， 中間是輔強(qiáng)度圖的搜索窗口s，s的窗口尺寸必須>m， 紅框是與m窗口大小相等的輔匹配窗口s0， 右側(cè)為相關(guān)系數(shù)ρ， 計(jì)算的過程為： 保持m不變，s0逐行逐列地在s內(nèi)移動， 每移動1次， 就利用式(1)計(jì)算1次m與s0之間的相關(guān)系數(shù)ρ， 并記錄此時計(jì)算得到的相關(guān)系數(shù)、 信噪比以及方位向和距離向的偏移量， 依次遍歷整個搜索窗口。最終， 相關(guān)系數(shù)極值所在的位置對應(yīng)的偏移量， 即為2幅影像的最佳偏移。

圖 5 互相關(guān)計(jì)算示意圖Fig. 5 Schematic diagram of cross-correlation calculation.

1.2.4 多項(xiàng)式擬合

通過互相關(guān)計(jì)算得到所有控制點(diǎn)的偏移量后， 再進(jìn)行多項(xiàng)式擬合， 計(jì)算模型如式(2)所示， 可初步通過設(shè)置閾值剔除粗差， 如設(shè)置SNR>5或相關(guān)系數(shù)>0.45， 并對剩下的數(shù)據(jù)通過最小二乘反演主、 輔影像之間的幾何轉(zhuǎn)換參數(shù)， 刪除超限值， 然后重新計(jì)算轉(zhuǎn)換參數(shù)， 不斷迭代計(jì)算， 直到剩下的所有數(shù)據(jù)滿足條件為止。對于主、 輔影像而言， 只有1組轉(zhuǎn)換參數(shù)， 即旋轉(zhuǎn)參數(shù)(m1，m2，m3，m4)與平移參數(shù)(m5，m6)， 而(x1，y1)、 (x2，y2)分別為主、 輔影像的像素坐標(biāo)。

(2)

2 標(biāo)準(zhǔn)配準(zhǔn)方法與基于特征點(diǎn)的配準(zhǔn)方法的比較

我們首先對特征點(diǎn)和規(guī)則點(diǎn)分別在距離向和方位向的偏移量進(jìn)行了比較。圖6a與6b是經(jīng)過水體掩膜后整個SAR影像偏移量的統(tǒng)計(jì)直方圖。規(guī)則點(diǎn)的取樣間隔為256像素×512像素， 為了更加客觀地比較， 設(shè)置Hessian閾值為25000， 獲取的特征點(diǎn)數(shù)量與規(guī)則點(diǎn)的數(shù)量接近。由于本文所選的雷達(dá)數(shù)據(jù)不存在變形或偏移量小于配準(zhǔn)所能識別精度的情況， 偏移量一般呈現(xiàn)為常數(shù)或按照一定規(guī)律變化， 本文通過偏移量與0之間的偏差評估算法的準(zhǔn)確性。我們以十分之一個像素作為評估指標(biāo)， 經(jīng)過水體掩膜后， 在距離向上基于特征點(diǎn)的配準(zhǔn)方法獲取的偏移量約有80%介于-0.1～0.1像素之間， 而標(biāo)準(zhǔn)的配準(zhǔn)方法僅有約54%； 在方位向上， 分別有82%、 62%的偏移量介于-0.1～0.1像素之間， 可見本文提出的方法所獲得的偏移量更加穩(wěn)定可靠。

圖 6 特征點(diǎn)和規(guī)則點(diǎn)的偏移量及相關(guān)系數(shù)比較Fig. 6 Comparison of offset and cross correlation between feature points and regular points.a 距離向偏移量統(tǒng)計(jì)； b 方位向偏移量統(tǒng)計(jì)； c 相關(guān)系數(shù)統(tǒng)計(jì)

互相關(guān)系數(shù)是互相關(guān)質(zhì)量的重要指標(biāo)， 因此， 接下來將對規(guī)則點(diǎn)以及不同Hessian閾值的特征點(diǎn)所獲取的相關(guān)系數(shù)進(jìn)行對比。圖6c為互相關(guān)系數(shù)的概率分布， 互相關(guān)系數(shù)越高表示互相關(guān)越穩(wěn)健， 偏移量將更精確。標(biāo)準(zhǔn)配準(zhǔn)方法的峰值約為0.4， 本文提出的配準(zhǔn)方法的峰值約為0.9， 遠(yuǎn)遠(yuǎn)高于前者。通常認(rèn)為相關(guān)系數(shù)>0.45的配準(zhǔn)是相對可靠的， 我們統(tǒng)計(jì)了這2種方法相關(guān)系數(shù)>0.45的同名點(diǎn)數(shù)量， 其中標(biāo)準(zhǔn)方法僅有約43%， 而本文提出的方法 >94% ， 具有非常明顯的優(yōu)勢。此外， 隨著Hessian的閾值從25000增加到34000， 特征點(diǎn)的數(shù)量減少， 通常獲取的相關(guān)系數(shù)整體將提高， 但Hessian增加到達(dá)一定的程度后， 相關(guān)系數(shù)的峰值就不再增大， 所求得的相關(guān)系數(shù)已無法進(jìn)一步提高， 而是更多集中于高相關(guān)性區(qū)間， 這與獲取的SAR影像數(shù)據(jù)的質(zhì)量相關(guān)。

之后， 為了測試本文提出方法的性能， 我們分別評估了利用特征點(diǎn)與規(guī)則點(diǎn)進(jìn)行多項(xiàng)式擬合的精度與效率。利用式(2)對偏移量數(shù)據(jù)進(jìn)行最小二乘估計(jì)， 設(shè)置后驗(yàn)標(biāo)準(zhǔn)差為0.05， 如果計(jì)算的殘差值超過了后驗(yàn)標(biāo)準(zhǔn)偏差的1.5倍則將其剔除， 接著利用余下的數(shù)據(jù)進(jìn)行迭代計(jì)算， 直到所有數(shù)據(jù)的殘差值符合條件為止。

首先對主強(qiáng)度圖設(shè)置256像素×512像素的間隔， 獲取了8821個規(guī)則點(diǎn)， 作為比較， 設(shè)置Hessian為25000， 獲得8693個特征點(diǎn)。在迭代反演中， 規(guī)則點(diǎn)和特征點(diǎn)分別保留了為56%和18%。接下來， 進(jìn)一步提高Hesssian閾值至34000， 獲取了2164個特征點(diǎn)， 經(jīng)計(jì)算其得到與8821個規(guī)則點(diǎn)的精度近似甚至更好， 對主、 輔影像的轉(zhuǎn)換參數(shù)模型的約束同樣好。這說明在配準(zhǔn)的過程中， 利用規(guī)則點(diǎn)進(jìn)行互相關(guān)計(jì)算浪費(fèi)了大量時間， 且在相同的精度條件下， 特征點(diǎn)的數(shù)量和計(jì)算時間僅約為規(guī)則點(diǎn)的1/4， 可極大提高配準(zhǔn)效率。

3 智利地震

3.1 數(shù)據(jù)

2015年9月16日， 智利Illapel的近海發(fā)生了8.3級強(qiáng)烈地震， 且引發(fā)了海嘯(2)http://earthquake.usgs.gov/。， 其首都圣地亞哥震感強(qiáng)烈。本文使用的數(shù)據(jù)是2015年8月26日與2015年9月19日018軌道的Sentinel 1A的SAR影像數(shù)據(jù)， 通過偏移追蹤研究2015年智利MW8.3地震產(chǎn)生的同震形變場， 并對本文提出的方法進(jìn)行驗(yàn)證。

3.2 基于FP的偏移追蹤

配準(zhǔn)獲得的偏移量可直接應(yīng)用于地表形變研究， 即進(jìn)行密集的配準(zhǔn)， 稱為偏移追蹤。常規(guī)的偏移追蹤(Regular Points Offset Tracking， RPOT)估計(jì)的是均勻分布于2個SAR影像上同名點(diǎn)之間的變形， 不考慮地面的散射特性， 從而導(dǎo)致配準(zhǔn)或偏移追蹤的效率低下且結(jié)果不可靠。下面對常規(guī)偏移追蹤和特征點(diǎn)偏移追蹤(FP Offset Tracking， FPOT)進(jìn)行比較。RPOT設(shè)置規(guī)則點(diǎn)間距為32像素×32像素， 并進(jìn)行偏移量計(jì)算， 結(jié)果如圖7a、 b所示， FPOT設(shè)置Hessian閾值為6000以獲取特征點(diǎn)， 然后進(jìn)行偏移量計(jì)算， 結(jié)果如圖7c、 d所示。FPOT和RPOT均屏蔽水體， 通過對比可以發(fā)現(xiàn)， RPOT的偏移量結(jié)果中含有大量噪點(diǎn)， 特別是圖7a、 b的左下角與右上角， 其中左下角是海洋， 右上角是植被茂密的森林， 獲取的偏移量極不可靠。由于在海洋或森林中極少存在特征點(diǎn)， 因此FPOT能很好地規(guī)避這些低相干區(qū)域， 可見本文提出的方法適用于植被茂密、 水體覆蓋率大等復(fù)雜而又易失相干的區(qū)域， 極大提高了計(jì)算的效率和可靠性。

圖 7 智利地震初始偏移量散點(diǎn)圖Fig. 7 Scatter plot of initial offset of Chile earthquake.a RPOT距離向偏移量； b RPOT方位向偏移量； c FPOT距離向偏移量； d FPOT方位向偏移量

3.3 實(shí)驗(yàn)結(jié)果

為了移除噪點(diǎn)對多項(xiàng)式模型的影響， 將相關(guān)系數(shù)<0.45或者信噪比<5的同名點(diǎn)予以剔除， 并屏蔽形變近場進(jìn)行多項(xiàng)式擬合， 獲取偏移量殘差， 最后進(jìn)行濾波處理。為了能更有效地比較FPOT和RPOT的性能， 在進(jìn)行水體掩膜后， 對偏移追蹤數(shù)據(jù)設(shè)置相同的參數(shù)， 以獲取最終的變形場， 如圖 8 所示。最終， FPOT約保留了75%的數(shù)據(jù)， 而RPOT僅保留了約30%的數(shù)據(jù)， 可見前者極大提高了偏移追蹤的計(jì)算效率。此外， 與GPS觀測數(shù)據(jù)進(jìn)行了對比， 在距離向、 方位向與GPS的均方根RMS分別約為15cm、 19cm， 精度約為 1/15 像素。

4 結(jié)論

精確配準(zhǔn)是InSAR數(shù)據(jù)處理的關(guān)鍵。標(biāo)準(zhǔn)的配準(zhǔn)方法存在冗余計(jì)算、 相關(guān)性低或可靠性差等缺陷。為了提高標(biāo)準(zhǔn)配準(zhǔn)方法的可靠性和效率， 我們提出了一種利用特征點(diǎn)進(jìn)行配準(zhǔn)的方法， 該方法結(jié)合了特征點(diǎn)探測、 水體掩膜以及互相關(guān)等步驟。通常情況下， 如果地表類型差異大、 強(qiáng)度圖區(qū)分明顯， 常規(guī)配準(zhǔn)算法也能獲得較好的配準(zhǔn)效果， 此時配準(zhǔn)方法對結(jié)果影響較小。然而， 在地表植被茂密或者水體較多的情況下， 配準(zhǔn)精度較難提高， 本文旨在解決這方面的問題。通過對珠三角地區(qū)的SAR影像數(shù)據(jù)的配準(zhǔn)實(shí)驗(yàn)以及智利地震的偏移追蹤的應(yīng)用表明， 與標(biāo)準(zhǔn)的配準(zhǔn)方法相比， 基于特征點(diǎn)的配準(zhǔn)方法適用性廣， 并能實(shí)現(xiàn)更高的互相關(guān)度， 從而獲得更加可靠的偏移估計(jì)， 并能以更小的計(jì)算量達(dá)到與標(biāo)準(zhǔn)方法相同的精度， 進(jìn)一步提高配準(zhǔn)效率。