袁慕策 姚京川 簡(jiǎn)國(guó)輝 郭繼亮 解志峰

（1 中國(guó)鐵道科學(xué)研究院集團(tuán)有限公司鐵道建筑研究所，北京 100081）

（2 中國(guó)鐵道科學(xué)研究院集團(tuán)有限公司高速鐵路軌道系統(tǒng)全國(guó)重點(diǎn)實(shí)驗(yàn)室，北京 100081）

（3 鐵科檢測(cè)有限公司，北京 100081）

0 引言

中國(guó)鐵路運(yùn)行里程逐年增長(zhǎng)，截至2023 年11 月30 日，鐵路運(yùn)營(yíng)總里程達(dá)到15.55×104km，其中高鐵運(yùn)營(yíng)里程達(dá)到4.37×104km。由于運(yùn)行時(shí)速高，高速鐵路對(duì)基礎(chǔ)設(shè)施性能及狀態(tài)要求極高，大范圍的鐵路基礎(chǔ)設(shè)施形位變化是表征鐵路基礎(chǔ)設(shè)施運(yùn)營(yíng)狀態(tài)的重要參數(shù)。鐵路設(shè)施種類多且呈長(zhǎng)大線狀分布，其形變監(jiān)測(cè)要求持續(xù)周期長(zhǎng)、精度高。目前鐵路設(shè)施形變監(jiān)測(cè)主要利用全站儀、物位計(jì)、移動(dòng)檢測(cè)車等進(jìn)行監(jiān)測(cè)，觀測(cè)方法多為局部觀測(cè)且連續(xù)性差，作業(yè)需要申請(qǐng)?zhí)齑包c(diǎn)，傳統(tǒng)的地面測(cè)量方法難以滿足線路級(jí)別的鐵路設(shè)施形變監(jiān)測(cè)要求。

近年，中國(guó)衛(wèi)星遙感技術(shù)取得了重大進(jìn)展，衛(wèi)星星座不斷完善，遙感影像質(zhì)量、空間分辨率也不斷提升，重訪周期縮短。遙感觀測(cè)具有大范圍、周期性、可溯源等優(yōu)勢(shì)，被廣泛應(yīng)用于鐵路工程地質(zhì)監(jiān)測(cè)[1]、生態(tài)環(huán)境監(jiān)測(cè)[2]、外部環(huán)境監(jiān)測(cè)[3]、地質(zhì)災(zāi)害監(jiān)測(cè)[4]、鐵路區(qū)域[5]及設(shè)施形變監(jiān)測(cè)等定量化觀測(cè)領(lǐng)域[6]。尤其在橋梁形變觀測(cè)領(lǐng)域，高分辨率InSAR 結(jié)果應(yīng)用于橋梁形變?cè)u(píng)估的關(guān)鍵在于如何確定微波散射點(diǎn)與實(shí)際鐵路設(shè)施的對(duì)應(yīng)關(guān)系[7-8]。

應(yīng)用InSAR 技術(shù)對(duì)鐵路設(shè)施形變監(jiān)測(cè)結(jié)果只包含鐵路設(shè)施形變信息，不包含鐵路設(shè)施類別、位置等信息，無(wú)法進(jìn)一步對(duì)鐵路設(shè)施形變進(jìn)行定量化評(píng)估，利用目標(biāo)檢測(cè)技術(shù)對(duì)鐵路設(shè)施進(jìn)行提取，能夠?yàn)殍F路設(shè)施的形變定量化評(píng)估提供類別與位置等參考信息。光學(xué)遙感影像空間分辨率高，光譜信息更加豐富[9]，鐵路基礎(chǔ)設(shè)施大部分為標(biāo)準(zhǔn)化結(jié)構(gòu)件，在光學(xué)影像中具有特定的紋理特征與光譜特征。光學(xué)遙感的劣勢(shì)在于為被動(dòng)式遙感，成像質(zhì)量受天氣、地表覆蓋等影響。SAR 遙感為主動(dòng)式遙感，不受云雨天氣的限制并且穿透性強(qiáng)[10]。綜合鐵路設(shè)施在光學(xué)遙感影像中特定的幾何結(jié)構(gòu)與背景等特征，以及在SAR 影像強(qiáng)度圖中的特異性散射和散射差異進(jìn)行提取。本文綜合鐵路設(shè)施在光學(xué)影像與SAR 影像中的特征，對(duì)接觸網(wǎng)立柱進(jìn)行提取，提高鐵路設(shè)施提取的準(zhǔn)確率，為InSAR 技術(shù)設(shè)施形變監(jiān)測(cè)的定量化評(píng)估提供參考。

1 基于單一遙感影像源的典型鐵路設(shè)施提取技術(shù)

1.1 基于光學(xué)影像的典型鐵路設(shè)施提取技術(shù)

基于光學(xué)影像的鐵路設(shè)施自動(dòng)提取技術(shù)主要是對(duì)光學(xué)遙感影像中的鐵路設(shè)施進(jìn)行自動(dòng)化檢測(cè)，給出鐵路設(shè)施的類別、位置等信息。本文以接觸網(wǎng)立柱為例進(jìn)行自動(dòng)提取，由于接觸網(wǎng)立柱尺寸較小，背景復(fù)雜，對(duì)其輪廓的精確提取造成干擾，因此對(duì)接觸網(wǎng)立柱的自動(dòng)提取研究工作主要是將其以最小范圍圈定，用矩形包圍框或中心點(diǎn)表示，這即是計(jì)算機(jī)視覺(jué)領(lǐng)域中的目標(biāo)檢測(cè)問(wèn)題?；谏疃葘W(xué)習(xí)的目標(biāo)檢測(cè)算法不依賴于人工設(shè)計(jì)特征提取因子，因此本文選取基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法對(duì)光學(xué)影像中的接觸網(wǎng)立柱進(jìn)行提取。

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法分為單階段目標(biāo)檢測(cè)和雙階段階段目標(biāo)檢測(cè)。單階段目標(biāo)檢測(cè)算法的特點(diǎn)是僅需將遙感影像送入網(wǎng)絡(luò)一次就可以預(yù)測(cè)出目標(biāo)的類別與位置，速度相對(duì)較快，但精度稍遜，代表算法有YOLO 系列[11]與SSD[12]等；雙階段目標(biāo)檢測(cè)要先生成預(yù)選框，然后進(jìn)行細(xì)粒度的物體檢測(cè)，速度較慢但精度較高，代表算法有RCNN 系列算法[13-15]等。考慮到要檢測(cè)的目標(biāo)是接觸網(wǎng)立柱，屬于小尺度目標(biāo)，因此采用包含多尺度特征融合與池化精度更高的Mask R-CNN 作為目標(biāo)檢測(cè)算法。

Mask R-CNN 是通過(guò)Faster R-CNN 網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)而來(lái)，區(qū)域生成網(wǎng)絡(luò)（Region Proposal Network，RPN）與Faster R-CNN 相同，其在Faster R-CNN 的基礎(chǔ)上，增加了第三個(gè)分支，輸出每個(gè)ROI 的Mask掩膜，用于對(duì)目標(biāo)的分割。Mask R-CNN 的損失函數(shù)L為

式中Lcls為分類損失函數(shù)；Lbox為目標(biāo)檢測(cè)損失函數(shù)；Lmask為分割損失函數(shù)。

Mask R-CNN 將Faster R-CNN 的ROI pooling改為ROI Align，使得目標(biāo)的范圍與輪廓更精確。Mask R-CNN 的整體架構(gòu)如圖1 所示。

1.2 基于SAR 影像的典型鐵路設(shè)施提取技術(shù)

基于SAR 影像的鐵路設(shè)施提取技術(shù)主要是根據(jù)不同地物微波散射特性的不同來(lái)完成特定鐵路設(shè)施目標(biāo)的提取工作。SAR 可以穿透云層、雨雪以及夜晚等復(fù)雜環(huán)境，并且對(duì)于不同地物具有不同的散射特性，在目標(biāo)檢測(cè)和識(shí)別方面具有獨(dú)特的優(yōu)勢(shì)。通過(guò)對(duì)SAR 影像中鐵路設(shè)施進(jìn)行檢測(cè)與識(shí)別，最終達(dá)到對(duì)特定鐵路目標(biāo)的定位和識(shí)別?；赟AR 影像的目標(biāo)檢測(cè)與識(shí)別流程主要包括：1）數(shù)據(jù)準(zhǔn)備。獲取SAR 圖像數(shù)據(jù)，并進(jìn)行預(yù)處理操作，如去噪、輻射校正、幾何校正等，以提高圖像質(zhì)量和一致性。2）目標(biāo)識(shí)別。首先是進(jìn)行特征提取，對(duì)于檢測(cè)到的目標(biāo)，進(jìn)一步提取詳細(xì)的特征描述信息，如形狀、尺寸、紋理、角點(diǎn)、極化信息等，這些特征信息有助于進(jìn)一步區(qū)分和識(shí)別不同類型的目標(biāo)；然后應(yīng)用適當(dāng)?shù)哪繕?biāo)分類算法對(duì)目標(biāo)進(jìn)行識(shí)別，如支持向量機(jī)（Support Vector Machine, SVM）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）等。利用這些算法通過(guò)學(xué)習(xí)和訓(xùn)練可以識(shí)別不同的目標(biāo)類別。3）結(jié)果評(píng)估。采用準(zhǔn)確率、召回率等指標(biāo)或現(xiàn)場(chǎng)驗(yàn)證的方式對(duì)檢測(cè)和識(shí)別結(jié)果進(jìn)行評(píng)估，以驗(yàn)證算法的性能和效果。

2 基于多源遙感影像鐵路設(shè)施提取技術(shù)

2.1 光學(xué)影像與SAR 影像融合技術(shù)

光學(xué)遙感影像空間分辨率高，影像中鐵路設(shè)施具有豐富紋理以及光譜等信息，但是光學(xué)遙感為被動(dòng)式遙感，成像質(zhì)量受天氣、地表覆蓋等影響，從而造成部分目標(biāo)檢測(cè)精度低或無(wú)法檢測(cè)；SAR 影像為主動(dòng)式遙感，具有一定的穿透能力，且對(duì)鐵路設(shè)施具有特異性散射的特征，若融合光學(xué)影像與SAR 影像，則能夠保留鐵路設(shè)施在兩類影像中的特征，提高鐵路設(shè)施提取的準(zhǔn)確率。

鐵路場(chǎng)景下的影像融合是對(duì)觀測(cè)區(qū)域內(nèi)的多幅遙感影像進(jìn)行融合，形成滿足鐵路觀測(cè)任務(wù)需求的單幅遙感影像。遙感影像融合可分為像元級(jí)融合、特征級(jí)融合及決策級(jí)融合。像元級(jí)融合是從像元層級(jí)對(duì)光學(xué)影像與SAR 影像融合，可以保持鐵路設(shè)施的散射特征，同時(shí)保留更高的空間分辨率及高精度的位置信息。特征級(jí)融合是對(duì)預(yù)處理和特征提取后的邊緣、形狀、紋理等進(jìn)行融合處理，相較于像元級(jí)融合，對(duì)原始圖像的利用率較低。決策級(jí)融合是對(duì)提取到的目標(biāo)進(jìn)行融合處理，需要設(shè)定準(zhǔn)則與決策對(duì)有價(jià)值的復(fù)合數(shù)據(jù)（圖像特征數(shù)據(jù)和輔助信息）的可信度進(jìn)行綜合評(píng)估，需要強(qiáng)大的外部知識(shí)庫(kù)來(lái)進(jìn)行決策評(píng)估。因此采用保留更多細(xì)節(jié)信息的像元級(jí)的融合方法對(duì)光學(xué)影像與SAR 影像進(jìn)行融合。像元級(jí)的光學(xué)與SAR 影像融合方法包括：基于成分替換的圖像融合、基于多尺度變換的圖像融合以及基于PCNN 模型的圖像融合[16]。

基于多尺度變換的圖像融合是對(duì)圖像進(jìn)行多級(jí)、多尺度分解，中間數(shù)據(jù)較多，計(jì)算過(guò)程和處理難度要明顯高于基于成分替換的圖像融合方法，但是能夠提供空間域與頻率域定位，同時(shí)融合影像會(huì)保留源圖像的近似信息和細(xì)節(jié)信息，如目標(biāo)地物與周邊地物的紋理特征與梯度信息等。

多尺度變換主要有金字塔分解、小波分解等，離散小波變換是小波變換的一種，具有良好的時(shí)頻特性，被廣泛應(yīng)用于圖像融合。

2.1.1 二維圖像DWT 變換

離散小波變換（Discraete Wavelet Transform，DWT）是一種典型的基于多尺度變換的圖像融合方法。DWT 變換將二維圖像進(jìn)行多層級(jí)分解（見(jiàn)圖2），每一層級(jí)的分解，都可以獲得一個(gè)低頻子圖像（LL）與3 個(gè)方向（水平HL、垂直LH、對(duì)角線HH）的高頻子圖像，經(jīng)過(guò)N次分解后，源圖像被分解為1 個(gè)低頻子圖像和3N個(gè)高頻子圖像。

圖2 二維圖像小波分解Fig.2 The discrete wavelet decomposition of 2D image

二維圖像的DWT 分解與重構(gòu)方法根據(jù)一維小波分解與重構(gòu)方法轉(zhuǎn)化而來(lái)。分別設(shè)置一維縱向低通濾波器Hc與高通濾波器Gc，橫向低通濾波器Hr與高通濾波器Gr，則按照Mallat 算法，在二維圖像分解尺度為j時(shí)，低頻圖像和高頻圖像的分解公式如下：

式中Cj為第j-1 級(jí)分解后圖像的低頻圖像；Dj1，Dj2，Dj3分別為第j-1 級(jí)分解后的垂直方向、水平方向和對(duì)角線方向上的高頻圖像。根據(jù)Mallat 算法，二維圖像DWT 重構(gòu)方式可表示為

式中Hr?和G?r分別為Hr和Gr的共軛轉(zhuǎn)置矩陣；Hc?和G?c分別為Hc和Gc的共軛轉(zhuǎn)置矩陣。

2.1.2 基于DWT 變換的影像融合

選擇“北京三號(hào)”A 衛(wèi)星影像與TerraSAR-X 影像作為源圖像進(jìn)行融合處理。主要過(guò)程包括：1）數(shù)據(jù)預(yù)處理。對(duì)待融合的光學(xué)影像與SAR 影像進(jìn)行預(yù)處理，使得兩幅影像具有相同的投影系統(tǒng)、地理范圍等。2）DWT 分解。對(duì)預(yù)處理得到的光學(xué)遙感影像與SAR 影像分別進(jìn)行3 級(jí)分解，得到光學(xué)遙感影像與SAR 影像的低頻部分與高頻部分。3）低頻和高頻部分融合。選擇特定的融合方法與策略，分別對(duì)SAR影像與光學(xué)影像的低頻部分與高頻部分融合。4）DWT 重構(gòu)。將光學(xué)影像低頻部分與SAR 影像的低頻部分采用局部能量最大規(guī)則進(jìn)行融合，得到融合圖像的低頻部分，將光學(xué)影像高頻部分與SAR 影像高頻部分采用局部方差最大規(guī)則進(jìn)行融合，再將低頻部分與高頻部分通過(guò)式（3）進(jìn)行DWT 重構(gòu)，獲得最終的融合影像。

上述過(guò)程中，低頻部分和高頻部分的融合分兩個(gè)步驟進(jìn)行：

1）影像低頻部分能量計(jì)算。SAR 影像和光學(xué)影像的p行q列處低頻部分的局部能量ESAR(p,q)、E光(p,q)的計(jì)算公式分別為：

式中 ω (m,n) 為權(quán)重系數(shù)矩陣在滑動(dòng)窗口區(qū)域 (m,n) 處的權(quán)重值；C0,SAR(p+m,q+n) 和C0,光(p+m,q+n)分別為SAR 和光學(xué)影像DWT 分解后的低頻圖像在 (p+m,q+n)處的像元值。根據(jù)局部能量最大原則，則融合后的低頻子影像在 (p,q) 處的像元值C0,F(p,q)為：

式中C0,SAR(p,q)和C0,光分別為SAR 和光學(xué)影像DWT 分解后的低頻圖像在 (p,q)處的像元值。

2）高頻部分包含光學(xué)影像與SAR 影像原始圖像的形狀、邊緣、角點(diǎn)等信息，采用局部方差最大規(guī)則進(jìn)行融合。SAR 影像和光學(xué)影像原始圖像的方差計(jì)算公式分別為：

式中Djk,SAR(p+m,q+n) 和Djk,光(p+m,q+n)分別為SAR 影像和光學(xué)影像第j層DWT 高頻分解的圖像，其中k=1, 2, 3 分別對(duì)應(yīng)高頻圖像水平、垂直、對(duì)角線三個(gè)方向； σjk,SAR(p,q) 和 σjk,光(p,q)分別為Djk,SAR(p,q) 和Djk,光(p,q) 在以 (p,q)為中心的窗口區(qū)域內(nèi)的局部方差；jk,SAR(p,q) 和jk,光(p,q)分別為Djk,SAR(p,q)和Djk,光(p,q) 在以 (p,q)為中心的窗口區(qū)域內(nèi)的像元值均值。

融合后第j級(jí)分解的高頻圖像在 (p,q) 處的像元值Djk,F(p,q)為：

2.2 多源遙感影像典型鐵路設(shè)施提取技術(shù)

融合影像的鐵路設(shè)施提取算法及流程與1.2 節(jié)中提到的SAR 影像鐵路設(shè)施提取過(guò)程類似，首先計(jì)算鐵路設(shè)施在融合影像中的特征，再利用分類器對(duì)特征進(jìn)行分類，從而完成鐵路設(shè)施的提取。

本文采用DWT 對(duì)光學(xué)影像與SAR 影像進(jìn)行融合，DWT 將光學(xué)影像與SAR 影像進(jìn)行低頻與高頻分解，保留圖像中的低頻與高頻信息。高頻信息代表圖像變化劇烈的部分，如物體的邊緣、角點(diǎn)等。由于接觸網(wǎng)立柱尺寸較小，通常在SAR 影像表現(xiàn)為一個(gè)或幾個(gè)像元，因此采用角點(diǎn)檢測(cè)與SVM[17]方法對(duì)接觸網(wǎng)立柱進(jìn)行提取。

角點(diǎn)檢測(cè)算法主要包括基于灰度圖像的角點(diǎn)檢測(cè)、基于二值圖像的角點(diǎn)檢測(cè)和基于輪廓曲線的角點(diǎn)檢測(cè)這3 類方法。利用接觸網(wǎng)立柱與周圍地物的梯度差異進(jìn)行角點(diǎn)檢測(cè)一般采用Harris 角點(diǎn)檢測(cè)算法，該算法是典型的基于灰度圖像梯度的角點(diǎn)檢測(cè)算法，對(duì)二維平移、少量的光照及視角的變化具有魯棒性。

2.2.1 Harris 算子

Harris 算子[18]是Harris 和Stephenes 提出的特征點(diǎn)提取算子，應(yīng)用微分方程和像元的自相關(guān)函數(shù)來(lái)檢測(cè)圖像中存在的角點(diǎn)。圖像中，若某點(diǎn)的像元值與周圍像元值差異較大時(shí)，被判定為角點(diǎn)。在檢測(cè)過(guò)程中，向x方向與y方向移動(dòng)檢測(cè)窗口，在這兩個(gè)方向分別產(chǎn)生u和v的像元值變化量，對(duì)應(yīng)產(chǎn)生的灰度值變化的自相關(guān)函數(shù)E(u,v)可描述為：

式中 φ (x,y) 為權(quán)重系數(shù)矩陣在滑動(dòng)窗口區(qū)域 (x,y) 處的權(quán)重值；I(x+u,y+v)與I(x,y) 分別代表檢測(cè)窗口移動(dòng)前后的像元值。

用泰勒公式展開(kāi)并簡(jiǎn)化后，形成自相關(guān)矩陣，其特征值為自相關(guān)函數(shù)的一階曲率，用于計(jì)算角點(diǎn)響應(yīng)值，自相關(guān)矩陣M為

式中Ix、Iy分別為圖像在水平、垂直方向的偏導(dǎo)函數(shù)。

則角點(diǎn)響應(yīng)函數(shù)R的數(shù)學(xué)定義為

式中k是設(shè)置的經(jīng)驗(yàn)參數(shù)； λ1與 λ2為自相關(guān)矩陣的特征值，特征值反映了像元之間的變化程度。通過(guò)設(shè)置角點(diǎn)響應(yīng)閾值T，若R≥T，則判定該像元點(diǎn)為角點(diǎn)。

2.2.2 SVM

SVM 是一種用于二分類學(xué)習(xí)的監(jiān)督分類算法，通過(guò)尋找兩類目標(biāo)間隔最大的分割超平面完成目標(biāo)的二分類。該分類方法在一組類別已知的數(shù)據(jù)集中，通過(guò)特征向量與標(biāo)簽值訓(xùn)練分類器，獲得目標(biāo)分類的參數(shù)與邊界，從而更好地對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類。

線性二分類是對(duì)特征向量χ的線性組合。存在一組線性變化參數(shù)(w,b)（其中w為線性映射向量，b為平移參數(shù)），使得其線性變化值與標(biāo)簽值符號(hào)一致，若χ的線性組合值大于0，其值取1，若小于0，其值取-1，用數(shù)學(xué)形式可表示為

式中t為向量χ的線性組合值的符號(hào)值。

當(dāng)目標(biāo)向量線性可分時(shí)，需要訓(xùn)練獲得一組參數(shù)(w,b)，使得數(shù)據(jù)線性變化之后的值與標(biāo)簽值乘積k(χ)>0，即：

當(dāng)目標(biāo)向量線性不可分時(shí)，無(wú)法找到超平面將數(shù)據(jù)集分開(kāi)，需要利用核函數(shù)對(duì)目標(biāo)向量進(jìn)行高維空間變化，使得目標(biāo)向量在高維空間線性可分。

3 試驗(yàn)與分析

3.1 試驗(yàn)區(qū)域

選取某鐵路作為試驗(yàn)區(qū)域，該鐵路位于華北平原，于2020 年12 月27 日全線運(yùn)營(yíng)，全長(zhǎng)106 km，設(shè)6 座車站，運(yùn)營(yíng)速度按250 km/h 與350 km/h 分段設(shè)計(jì)。試驗(yàn)區(qū)域內(nèi)有接觸網(wǎng)立柱約950 根，常用接觸網(wǎng)立柱尺寸如表1 所示。根據(jù)《鐵路電力牽引供電設(shè)計(jì)規(guī)范》（TB10009—2016）要求，接觸網(wǎng)線距軌面的最高高度不應(yīng)大于6 500 mm[19]，接觸網(wǎng)立柱的整體高度通常在7.5 m 以上，在分辨率為3.5 m×3.5 m的SAR 影像中，表現(xiàn)為一個(gè)或幾個(gè)像元；在分辨率為0.5 m×0.5 m 的光學(xué)影像中，其包圍框大于3 像元×3 像元。

表1 常用接觸網(wǎng)立柱尺寸Tab.1 Common dimensions of overhead contact line pillars

3.2 試驗(yàn)數(shù)據(jù)

選取2022 年4 月“北京三號(hào)”A 衛(wèi)星光學(xué)影像、TerraSAR-X 影像強(qiáng)度圖像以及兩者的融合影像作為試驗(yàn)數(shù)據(jù)，對(duì)鐵路接觸網(wǎng)立柱進(jìn)行提取。

“北京三號(hào)”A 衛(wèi)星和TerraSAR-X 光學(xué)影像的參數(shù)如表2 所示，影像如圖3 所示。

表2 “北京三號(hào)”A 衛(wèi)星和TerraSAR-X 衛(wèi)星參數(shù)Tab.2 Beijing 3A satellite and TerraSAR-X satellite parameters

圖3 試驗(yàn)區(qū)域的光學(xué)遙感影像和SAR 影像Fig.3 Optical remote sensing image and SAR image of the experimental area

3.3 目標(biāo)提取試驗(yàn)

在試驗(yàn)區(qū)域內(nèi)開(kāi)展基于光學(xué)影像、SAR 影像以及融合影像的接觸網(wǎng)立柱提取試驗(yàn)，獲得接觸網(wǎng)立柱的類別與位置信息，該區(qū)域內(nèi)有接觸網(wǎng)立柱約950 根，考慮工程實(shí)際需求，通過(guò)現(xiàn)場(chǎng)驗(yàn)證的方式，對(duì)提取結(jié)果進(jìn)行分析，為鐵路設(shè)施InSAR 形變定量化評(píng)估提供參考。

（1）光學(xué)遙感影像接觸網(wǎng)立柱提取

1）數(shù)據(jù)準(zhǔn)備。首先進(jìn)行緩沖區(qū)分析，建立鐵路線路2 000 m 緩沖區(qū)，利用緩沖區(qū)對(duì)光學(xué)遙感影像進(jìn)行裁剪；然后進(jìn)行數(shù)據(jù)集制備，將“北京三號(hào)”A 衛(wèi)星R，G，B 三個(gè)波段的遙感影像裁剪為256×256 大小，橫向重疊度與縱向重疊度為25%，對(duì)影像中的接觸網(wǎng)立柱進(jìn)行標(biāo)注，并按照7∶2∶1 劃分訓(xùn)練集、驗(yàn)證集與測(cè)試集。數(shù)據(jù)集影像與標(biāo)簽如圖4 所示。

圖4 數(shù)據(jù)集影像與標(biāo)簽Fig.4 Dataset images and labels

2）模型訓(xùn)練與測(cè)試。首先用特征提取網(wǎng)絡(luò)處理原始圖像，得到特征圖像，同時(shí)將特征提取網(wǎng)絡(luò)輸出的特征輸入到RPN 網(wǎng)絡(luò)中，得到相應(yīng)的錨框。得到錨框和特征圖后，采用ROI Align 算法，將每個(gè)錨框?qū)?yīng)的特征圖歸一為相同尺寸。在得到每個(gè)錨框的特征圖之后，將該特征圖輸入到全連接層中，再分別經(jīng)過(guò)回歸層和分類層得到Box Regression，也就是錨框位置矯正和分類，從而獲得該錨框中目標(biāo)劃歸為每一類的概率。鐵路線路接觸網(wǎng)立柱樣本較少，訓(xùn)練過(guò)程中模型權(quán)重不易收斂，所以采用了遷移學(xué)習(xí)的策略，將其他線路的接觸網(wǎng)立柱樣本[20]訓(xùn)練權(quán)重作為初始權(quán)重，利用試驗(yàn)區(qū)域內(nèi)的接觸網(wǎng)立柱樣本進(jìn)行訓(xùn)練微調(diào)，直至模型權(quán)重收斂；對(duì)數(shù)據(jù)集中的所有接觸網(wǎng)立柱進(jìn)行提取測(cè)試，得到試驗(yàn)區(qū)域的接觸網(wǎng)立柱提取結(jié)果。

3）提取結(jié)果后處理。將所有接觸網(wǎng)立柱提取結(jié)果賦予投影并進(jìn)行拼接，得到試驗(yàn)區(qū)域內(nèi)接觸網(wǎng)立柱的提取結(jié)果。對(duì)于影像重疊區(qū)域內(nèi)的提取結(jié)果，若兩個(gè)識(shí)別框交疊度大于60%，則認(rèn)定為一個(gè)接觸網(wǎng)立柱。

（2）SAR 影像接觸網(wǎng)立柱提取

1）數(shù)據(jù)準(zhǔn)備。首先進(jìn)行數(shù)據(jù)預(yù)處理，對(duì)SAR 影像進(jìn)行輻射校正與幾何校正，得到SAR 影像的強(qiáng)度圖像；然后進(jìn)行重投影與緩沖區(qū)分析，將SAR 影像投影到與光學(xué)影像相同的坐標(biāo)系，并利用2 000 m 的緩沖區(qū)對(duì)SAR 影像進(jìn)行裁剪。

2）特征提取。SAR 影像空間分辨率較低，接觸網(wǎng)立柱在影像中只占據(jù)一個(gè)或幾個(gè)像元，現(xiàn)有算法難以對(duì)其輪廓及范圍進(jìn)行檢測(cè)，利用接觸網(wǎng)立柱與周圍地物的梯度差異，通過(guò)Harris 算子對(duì)整個(gè)影像進(jìn)行角點(diǎn)檢測(cè)，同時(shí)利用線路的位置及范圍對(duì)線路中的角點(diǎn)進(jìn)行篩選檢測(cè)，從而獲得鐵路線路在SAR 影像中的角點(diǎn)特征。

3）接觸網(wǎng)立柱提取。構(gòu)建影像中接觸網(wǎng)立柱的角點(diǎn)數(shù)據(jù)集，按7∶3 的比例將數(shù)據(jù)集劃分為訓(xùn)練集、測(cè)試集，其中訓(xùn)練集數(shù)據(jù)用于對(duì)支持向量機(jī)進(jìn)行分類訓(xùn)練，測(cè)試集用于對(duì)支持向量機(jī)的分類性能進(jìn)行測(cè)試。測(cè)試直至支持向量機(jī)收斂，此時(shí)得到SAR 影像中接觸網(wǎng)立柱角點(diǎn)的分類邊界，即獲取式（13）中的線性變化參數(shù)(w,b)，利用該組參數(shù)對(duì)試驗(yàn)區(qū)域內(nèi)的接觸網(wǎng)立柱進(jìn)行提取。

（3）光學(xué)影像與SAR 影像融合影像接觸網(wǎng)立柱提取

1）數(shù)據(jù)準(zhǔn)備。光學(xué)遙感影像與SAR 影像融合需將光學(xué)遙感影像與SAR 影像進(jìn)行裁剪與重投影，使待融合影像具有相同的投影系統(tǒng)與地理范圍。以光學(xué)遙感影像為基準(zhǔn)，將兩幅影像進(jìn)行幾何精校正，在校正過(guò)程中，對(duì)鐵路區(qū)域進(jìn)行配準(zhǔn)點(diǎn)加密，使得鐵路設(shè)施在兩幅影像中具有良好的空間對(duì)應(yīng)關(guān)系。

2）光學(xué)影像與SAR 影像融合。對(duì)光學(xué)遙感影像與SAR 影像利用DWT 算法進(jìn)行三級(jí)分解，得到光學(xué)影像與SAR 影像的低頻部分與高頻部分；然后根據(jù)局部能量最大原則，利用式（6），對(duì)光學(xué)影像與SAR 影像的低頻部分進(jìn)行融合，從而得到融合影像的低頻部分；再根據(jù)局部方差最大原則，利用式（9）將光學(xué)影像與SAR 影像的高頻部分融合，從而得到融合圖像的高頻部分；最后對(duì)融合圖像的低頻部分與高頻部分進(jìn)行DWT 重構(gòu)，獲得試驗(yàn)區(qū)域內(nèi)光SAR 融合影像。

3）特征提取。融合影像空間分辨率高，同時(shí)具有對(duì)鐵路設(shè)施的特異性散射特征，接觸網(wǎng)立柱特征明顯。與SAR 影像接觸網(wǎng)立柱提取的方法相同，首先利用Harris 算子對(duì)融合影像中的角點(diǎn)進(jìn)行檢測(cè)，然后，利用線路的位置及范圍對(duì)影像中的角點(diǎn)進(jìn)行篩選，從而獲得鐵路線路在光SAR 融合影像中的角點(diǎn)特征。

4）接觸網(wǎng)立柱提取。融合影像的接觸網(wǎng)立柱提取與SAR 影像相同，首先構(gòu)建接觸網(wǎng)立柱的角點(diǎn)數(shù)據(jù)集，并對(duì)數(shù)據(jù)集按7∶3 進(jìn)行劃分，得到訓(xùn)練集與測(cè)試集，然后分別利用訓(xùn)練集和測(cè)試集對(duì)支持向量機(jī)進(jìn)行訓(xùn)練和分類性能測(cè)試，直至支持向量機(jī)收斂，得到光SAR 融合影像中接觸網(wǎng)立柱角點(diǎn)的分類邊界，最后利用分類邊界對(duì)接觸網(wǎng)立柱的角點(diǎn)盡心提取。

3.4 試驗(yàn)結(jié)果分析

選取3 個(gè)典型驗(yàn)證區(qū)域，主要包括路基區(qū)域、橋梁區(qū)域以及多橋梁跨穿區(qū)域，對(duì)提取結(jié)果進(jìn)行現(xiàn)場(chǎng)驗(yàn)證，光學(xué)影像、SAR 影像以及光SAR 融合影像在驗(yàn)證區(qū)域內(nèi)的提取結(jié)果如表3 所示。

表3 不同影像在驗(yàn)證區(qū)域內(nèi)提取結(jié)果Tab.3 Extracting results from different images within the validation area

現(xiàn)場(chǎng)驗(yàn)證區(qū)域?yàn)榘坊?、橋梁以及多橋梁跨穿等典型背景環(huán)境的鐵路區(qū)域，在驗(yàn)證區(qū)域內(nèi)有接觸網(wǎng)立柱120 根。其中光學(xué)影像中有107 根接觸網(wǎng)立柱被正確提取，準(zhǔn)確率可達(dá)到89.17%，在區(qū)域背景不復(fù)雜的橋梁以及路基部分的接觸網(wǎng)立柱檢測(cè)結(jié)果較好；SAR 影像中有100 根接觸網(wǎng)立柱被正確提取，準(zhǔn)確率可達(dá)到83.33%，在南北向或近南北向鐵路的接觸網(wǎng)立柱檢測(cè)結(jié)果較好，主要與線路方向、衛(wèi)星觀測(cè)角度以及角點(diǎn)檢測(cè)算法的梯度計(jì)算方向有關(guān)；光SAR 融合影像中有111 根接觸網(wǎng)立柱被正確提取，準(zhǔn)確率達(dá)到92.50%，融合后的影像綜合了光學(xué)影像的高分辨率特征及SAR 影像對(duì)鐵路設(shè)施的散射特征，在該區(qū)域內(nèi)檢測(cè)結(jié)果精度較高，同時(shí)根據(jù)線路以及接觸網(wǎng)在影像中的位置可以看出，光SAR 融合影像較SAR 影像的接觸網(wǎng)立柱位置更準(zhǔn)確。不同影像針對(duì)不同背景環(huán)境的提取結(jié)果如圖5 所示。

圖5 某鐵路光學(xué)影像、SAR 影像、光SAR 融合影像的接觸網(wǎng)立柱提取結(jié)果Fig.5 The extraction results of a railway optical image, SAR image and the optical SAR fusion image catenary column

4 結(jié)論

本文針對(duì)InSAR 在鐵路設(shè)施沉降定量化評(píng)估工作中對(duì)鐵路設(shè)施類別與位置信息的需求，利用深度學(xué)習(xí)的方法對(duì)光學(xué)遙感影像解譯，利用角點(diǎn)檢測(cè)結(jié)合支持向量機(jī)分類的方法對(duì)SAR 影像及光SAR 融合影像進(jìn)行解譯，得到鐵路設(shè)施的類別及位置信息；再選取某鐵路試驗(yàn)區(qū)域，以鐵路設(shè)施中的接觸網(wǎng)立柱為目標(biāo)進(jìn)行提取與現(xiàn)場(chǎng)驗(yàn)證。3 個(gè)典型區(qū)域中120 根接觸網(wǎng)立柱的現(xiàn)場(chǎng)驗(yàn)證結(jié)果表明：

1）光學(xué)遙感影像的接觸網(wǎng)立柱提取準(zhǔn)確率為89.17%，SAR 影像的接觸網(wǎng)立柱提取準(zhǔn)確率為83.33%，光SAR 融合影像的接觸網(wǎng)立柱提取準(zhǔn)確率為92.50%。

2）光SAR 融合影像綜合光學(xué)遙感影像的高分辨率特征及SAR 影像對(duì)鐵路設(shè)施的特異性散射特征，可以提高鐵路設(shè)施提取的準(zhǔn)確率，同時(shí)可對(duì)SAR 影像提取的鐵路設(shè)施位置結(jié)果進(jìn)行校正。

3）在實(shí)際工程應(yīng)用中，可以對(duì)光學(xué)遙感影像提取結(jié)果與光SAR 融合影像的提取結(jié)果進(jìn)行決策級(jí)融合，提高鐵路設(shè)施的提取準(zhǔn)確率，同時(shí)為鐵路設(shè)施InSAR 定量化評(píng)估提供類別與位置等參考信息，提高設(shè)施監(jiān)測(cè)的準(zhǔn)確度。

4）光學(xué)遙感和SAR 遙感由于成像性能的差異，本身采用像元級(jí)配準(zhǔn)融合并不適應(yīng)于所有鐵路設(shè)施提取，后續(xù)應(yīng)根據(jù)鐵路設(shè)施自身特性與成像特征，選取適當(dāng)?shù)姆椒ㄟM(jìn)行提取。

對(duì)于鐵路設(shè)施沉降定量化評(píng)估，漏檢與錯(cuò)檢會(huì)導(dǎo)致設(shè)施定量化評(píng)估不準(zhǔn)確，影響列車行車安全，應(yīng)進(jìn)一步分析不同鐵路設(shè)施在融合影像中的特征，設(shè)計(jì)針對(duì)不同設(shè)施的提取算法、參數(shù)以及提取結(jié)果應(yīng)用策略，提高鐵路設(shè)施提取的準(zhǔn)確率與魯棒性。

致謝 感謝國(guó)家遙感數(shù)據(jù)與應(yīng)用服務(wù)平臺(tái)對(duì)本工作提供的支持！