袁慕策 姚京川 簡國輝 郭繼亮 解志峰

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

（2 中國鐵道科學(xué)研究院集團有限公司高速鐵路軌道系統(tǒng)全國重點實驗室，北京 100081）

（3 鐵科檢測有限公司，北京 100081）

0 引言

中國鐵路運行里程逐年增長，截至2023 年11 月30 日，鐵路運營總里程達到15.55×104km，其中高鐵運營里程達到4.37×104km。由于運行時速高，高速鐵路對基礎(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)施運營狀態(tài)的重要參數(shù)。鐵路設(shè)施種類多且呈長大線狀分布，其形變監(jiān)測要求持續(xù)周期長、精度高。目前鐵路設(shè)施形變監(jiān)測主要利用全站儀、物位計、移動檢測車等進行監(jiān)測，觀測方法多為局部觀測且連續(xù)性差，作業(yè)需要申請?zhí)齑包c，傳統(tǒng)的地面測量方法難以滿足線路級別的鐵路設(shè)施形變監(jiān)測要求。

近年，中國衛(wèi)星遙感技術(shù)取得了重大進展，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。遙感觀測具有大范圍、周期性、可溯源等優(yōu)勢，被廣泛應(yīng)用于鐵路工程地質(zhì)監(jiān)測[1]、生態(tài)環(huán)境監(jiān)測[2]、外部環(huán)境監(jiān)測[3]、地質(zhì)災(zāi)害監(jiān)測[4]、鐵路區(qū)域[5]及設(shè)施形變監(jiān)測等定量化觀測領(lǐng)域[6]。尤其在橋梁形變觀測領(lǐng)域，高分辨率InSAR 結(jié)果應(yīng)用于橋梁形變評估的關(guān)鍵在于如何確定微波散射點與實際鐵路設(shè)施的對應(yīng)關(guān)系[7-8]。

應(yīng)用InSAR 技術(shù)對鐵路設(shè)施形變監(jiān)測結(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，無法進一步對鐵路設(shè)施形變進行定量化評估，利用目標檢測技術(shù)對鐵路設(shè)施進行提取，能夠為鐵路設(shè)施的形變定量化評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)施大部分為標準化結(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)遙感的劣勢在于為被動式遙感，成像質(zhì)量受天氣、地表覆蓋等影響。SAR 遙感為主動式遙感，不受云雨天氣的限制并且穿透性強[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 影像強度圖中的特異性散射和散射差異進行提取。本文綜合鐵路設(shè)施在光學(xué)影像與SAR 影像中的特征，對接觸網(wǎng)立柱進行提取，提高鐵路設(shè)施提取的準確率，為InSAR 技術(shù)設(shè)施形變監(jiān)測的定量化評估提供參考。

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)施自動提取技術(shù)主要是對光學(xué)遙感影像中的鐵路設(shè)施進行自動化檢測，給出鐵路設(shè)施的類別、位置等信息。本文以接觸網(wǎng)立柱為例進行自動提取，由于接觸網(wǎng)立柱尺寸較小，背景復(fù)雜，對其輪廓的精確提取造成干擾，因此對接觸網(wǎng)立柱的自動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表示，這即是計算機視覺領(lǐng)域中的目標檢測問題?；谏疃葘W(xué)習(xí)的目標檢測算法不依賴于人工設(shè)計特征提取因子，因此本文選取基于深度學(xué)習(xí)的目標檢測算法對光學(xué)影像中的接觸網(wǎng)立柱進行提取。

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

Mask R-CNN 是通過Faster R-CNN 網(wǎng)絡(luò)結(jié)構(gòu)改進而來，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，增加了第三個分支，輸出每個ROI 的Mask掩膜，用于對目標的分割。Mask R-CNN 的損失函數(shù)L為

式中Lcls為分類損失函數(shù)；Lbox為目標檢測損失函數(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完成特定鐵路設(shè)施目標的提取工作。SAR 可以穿透云層、雨雪以及夜晚等復(fù)雜環(huán)境，并且對于不同地物具有不同的散射特性，在目標檢測和識別方面具有獨特的優(yōu)勢。通過對SAR 影像中鐵路設(shè)施進行檢測與識別，最終達到對特定鐵路目標的定位和識別?；赟AR 影像的目標檢測與識別流程主要包括：1）數(shù)據(jù)準備。獲取SAR 圖像數(shù)據(jù)，并進行預(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）目標識別。首先是進行特征提取，對于檢測到的目標，進一步提取詳細的特征描述信息，如形狀、尺寸、紋理、角點、極化信息等，這些特征信息有助于進一步區(qū)分和識別不同類型的目標；然后應(yīng)用適當(dāng)?shù)哪繕朔诸愃惴▽δ繕诉M行識別，如支持向量機（Support Vector Machine, SVM）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）等。利用這些算法通過學(xué)習(xí)和訓(xùn)練可以識別不同的目標類別。3）結(jié)果評估。采用準確率、召回率等指標或現(xiàn)場驗證的方式對檢測和識別結(jié)果進行評估，以驗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，從而造成部分目標檢測精度低或無法檢測；SAR 影像為主動式遙感，具有一定的穿透能力，且對鐵路設(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)施提取的準確率。

鐵路場景下的影像融合是對觀測區(qū)域內(nèi)的多幅遙感影像進行融合，形成滿足鐵路觀測任務(wù)需求的單幅遙感影像。遙感影像融合可分為像元級融合、特征級融合及決策級融合。像元級融合是從像元層級對光學(xué)影像與SAR 影像融合，可以保持鐵路設(shè)施的散射特征，同時保留更高的空間分辨率及高精度的位置信息。特征級融合是對預(yù)處理和特征提取后的邊緣、形狀、紋理等進行融合處理，相較于像元級融合，對原始圖像的利用率較低。決策級融合是對提取到的目標進行融合處理，需要設(shè)定準則與決策對有價值的復(fù)合數(shù)據(jù)（圖像特征數(shù)據(jù)和輔助信息）的可信度進行綜合評估，需要強大的外部知識庫來進行決策評估。因此采用保留更多細節(jié)信息的像元級的融合方法對光學(xué)影像與SAR 影像進行融合。像元級的光學(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圖像進行多級、多尺度分解，中間數(shù)據(jù)較多，計算過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，同時融合影像會保留源圖像的近似信息和細節(jié)信息，如目標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 變換將二維圖像進行多層級分解（見圖2），每一層級的分解，都可以獲得一個低頻子圖像（LL）與3 個方向（水平HL、垂直LH、對角線HH）的高頻子圖像，經(jīng)過N次分解后，源圖像被分解為1 個低頻子圖像和3N個高頻子圖像。

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。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，低頻圖像和高頻圖像的分解公式如下：

式中Cj為第j-1 級分解后圖像的低頻圖像；Dj1，Dj2，Dj3分別為第j-1 級分解后的垂直方向、水平方向和對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”A 衛(wèi)星影像與TerraSAR-X 影像作為源圖像進行融合處理。主要過程包括：1）數(shù)據(jù)預(yù)處理。對待融合的光學(xué)影像與SAR 影像進行預(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。對預(yù)處理得到的光學(xué)遙感影像與SAR 影像分別進行3 級分解，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)則進行融合，再將低頻部分與高頻部分通過式（3）進行DWT 重構(gòu)，獲得最終的融合影像。

上述過程中，低頻部分和高頻部分的融合分兩個步驟進行：

1）影像低頻部分能量計算。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)的計算公式分別為：

式中 ω (m,n) 為權(quán)重系數(shù)矩陣在滑動窗口區(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、角點等信息，采用局部方差最大規(guī)則進行融合。SAR 影像和光學(xué)影像原始圖像的方差計算公式分別為：

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 分別對應(yīng)高頻圖像水平、垂直、對角線三個方向； 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)施提取過程類似，首先計算鐵路設(shè)施在融合影像中的特征，再利用分類器對特征進行分類，從而完成鐵路設(shè)施的提取。

本文采用DWT 對光學(xué)影像與SAR 影像進行融合，DWT 將光學(xué)影像與SAR 影像進行低頻與高頻分解，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)為一個或幾個像元，因此采用角點檢測與SVM[17]方法對接觸網(wǎng)立柱進行提取。

角點檢測算法主要包括基于灰度圖像的角點檢測、基于二值圖像的角點檢測和基于輪廓曲線的角點檢測這3 類方法。利用接觸網(wǎng)立柱與周圍地物的梯度差異進行角點檢測一般采用Harris 角點檢測算法，該算法是典型的基于灰度圖像梯度的角點檢測算法，對二維平移、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 提出的特征點提取算子，應(yīng)用微分方程和像元的自相關(guān)函數(shù)來檢測圖像中存在的角點。圖像中，若某點的像元值與周圍像元值差異較大時，被判定為角點。在檢測過程中，向x方向與y方向移動檢測窗口，在這兩個方向分別產(chǎn)生u和v的像元值變化量，對應(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) 分別代表檢測窗口移動前后的像元值。

用泰勒公式展開并簡化后，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，用于計算角點響應(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。通過設(shè)置角點響應(yīng)閾值T，若R≥T，則判定該像元點為角點。

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，通過尋找兩類目標間隔最大的分割超平面完成目標的二分類。該分類方法在一組類別已知的數(shù)據(jù)集中，通過特征向量與標簽值訓(xùn)練分類器，獲得目標分類的參數(shù)與邊界，從而更好地對測試數(shù)據(jù)進行分類。

線性二分類是對特征向量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簽值符號一致，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值。

當(dāng)目標向量線性可分時，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簽值乘積k(χ)>0，即：

當(dāng)目標向量線性不可分時，無法找到超平面將數(shù)據(jù)集分開，需要利用核函數(shù)對目標向量進行高維空間變化，使得目標向量在高維空間線性可分。

3 試驗與分析

3.1 試驗區(qū)域

選取某鐵路作為試驗區(qū)域，該鐵路位于華北平原，于2020 年12 月27 日全線運營，全長106 km，設(shè)6 座車站，運營速度按250 km/h 與350 km/h 分段設(shè)計。試驗區(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)為一個或幾個像元；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 試驗數(shù)據(jù)

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

“北京三號”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”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 目標提取試驗

在試驗區(qū)域內(nèi)開展基于光學(xué)影像、SAR 影像以及融合影像的接觸網(wǎng)立柱提取試驗，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，考慮工程實際需求，通過現(xiàn)場驗證的方式，對提取結(jié)果進行分析，為鐵路設(shè)施InSAR 形變定量化評估提供參考。

（1）光學(xué)遙感影像接觸網(wǎng)立柱提取

1）數(shù)據(jù)準備。首先進行緩沖區(qū)分析，建立鐵路線路2 000 m 緩沖區(qū)，利用緩沖區(qū)對光學(xué)遙感影像進行裁剪；然后進行數(shù)據(jù)集制備，將“北京三號”A 衛(wèi)星R，G，B 三個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%，對影像中的接觸網(wǎng)立柱進行標注，并按照7∶2∶1 劃分訓(xùn)練集、驗證集與測試集。數(shù)據(jù)集影像與標簽如圖4 所示。

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

2）模型訓(xùn)練與測試。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，將每個錨框?qū)?yīng)的特征圖歸一為相同尺寸。在得到每個錨框的特征圖之后，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，利用試驗區(qū)域內(nèi)的接觸網(wǎng)立柱樣本進行訓(xùn)練微調(diào)，直至模型權(quán)重收斂；對數(shù)據(jù)集中的所有接觸網(wǎng)立柱進行提取測試，得到試驗區(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)果賦予投影并進行拼接，得到試驗區(qū)域內(nèi)接觸網(wǎng)立柱的提取結(jié)果。對于影像重疊區(qū)域內(nèi)的提取結(jié)果，若兩個識別框交疊度大于60%，則認定為一個接觸網(wǎng)立柱。

（2）SAR 影像接觸網(wǎng)立柱提取

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

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)一個或幾個像元，現(xiàn)有算法難以對其輪廓及范圍進行檢測，利用接觸網(wǎng)立柱與周圍地物的梯度差異，通過Harris 算子對整個影像進行角點檢測，同時利用線路的位置及范圍對線路中的角點進行篩選檢測，從而獲得鐵路線路在SAR 影像中的角點特征。

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、測試集，其中訓(xùn)練集數(shù)據(jù)用于對支持向量機進行分類訓(xùn)練，測試集用于對支持向量機的分類性能進行測試。測試直至支持向量機收斂，此時得到SAR 影像中接觸網(wǎng)立柱角點的分類邊界，即獲取式（13）中的線性變化參數(shù)(w,b)，利用該組參數(shù)對試驗區(qū)域內(nèi)的接觸網(wǎng)立柱進行提取。

（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，將兩幅影像進行幾何精校正，在校正過程中，對鐵路區(qū)域進行配準點加密，使得鐵路設(shè)施在兩幅影像中具有良好的空間對應(yīng)關(guān)系。

2）光學(xué)影像與SAR 影像融合。對光學(xué)遙感影像與SAR 影像利用DWT 算法進行三級分解，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），對光學(xué)影像與SAR 影像的低頻部分進行融合，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；最后對融合圖像的低頻部分與高頻部分進行DWT 重構(gòu)，獲得試驗區(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，同時具有對鐵路設(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 算子對融合影像中的角點進行檢測，然后，利用線路的位置及范圍對影像中的角點進行篩選，從而獲得鐵路線路在光SAR 融合影像中的角點特征。

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)立柱的角點數(shù)據(jù)集，并對數(shù)據(jù)集按7∶3 進行劃分，得到訓(xùn)練集與測試集，然后分別利用訓(xùn)練集和測試集對支持向量機進行訓(xùn)練和分類性能測試，直至支持向量機收斂，得到光SAR 融合影像中接觸網(wǎng)立柱角點的分類邊界，最后利用分類邊界對接觸網(wǎng)立柱的角點盡心提取。

3.4 試驗結(jié)果分析

選取3 個典型驗證區(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，對提取結(jié)果進行現(xiàn)場驗證，光學(xué)影像、SAR 影像以及光SAR 融合影像在驗證區(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)場驗證區(qū)域為包含路基、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，準確率可達到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)立柱檢測結(jié)果較好；SAR 影像中有100 根接觸網(wǎng)立柱被正確提取，準確率可達到83.33%，在南北向或近南北向鐵路的接觸網(wǎng)立柱檢測結(jié)果較好，主要與線路方向、衛(wèi)星觀測角度以及角點檢測算法的梯度計算方向有關(guān)；光SAR 融合影像中有111 根接觸網(wǎng)立柱被正確提取，準確率達到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 影像對鐵路設(shè)施的散射特征，在該區(qū)域內(nèi)檢測結(jié)果精度較高，同時根據(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)立柱位置更準確。不同影像針對不同背景環(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InSAR 在鐵路設(shè)施沉降定量化評估工作中對鐵路設(shè)施類別與位置信息的需求，利用深度學(xué)習(xí)的方法對光學(xué)遙感影像解譯，利用角點檢測結(jié)合支持向量機分類的方法對SAR 影像及光SAR 融合影像進行解譯，得到鐵路設(shè)施的類別及位置信息；再選取某鐵路試驗區(qū)域，以鐵路設(shè)施中的接觸網(wǎng)立柱為目標進行提取與現(xiàn)場驗證。3 個典型區(qū)域中120 根接觸網(wǎng)立柱的現(xiàn)場驗證結(jié)果表明：

1）光學(xué)遙感影像的接觸網(wǎng)立柱提取準確率為89.17%，SAR 影像的接觸網(wǎng)立柱提取準確率為83.33%，光SAR 融合影像的接觸網(wǎng)立柱提取準確率為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)施提取的準確率，同時可對SAR 影像提取的鐵路設(shè)施位置結(jié)果進行校正。

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

4）光學(xué)遙感和SAR 遙感由于成像性能的差異，本身采用像元級配準融合并不適應(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行提取。

對于鐵路設(shè)施沉降定量化評估，漏檢與錯檢會導(dǎo)致設(shè)施定量化評估不準確，影響列車行車安全，應(yīng)進一步分析不同鐵路設(shè)施在融合影像中的特征，設(shè)計針對不同設(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)施提取的準確率與魯棒性。

致謝 感謝國家遙感數(shù)據(jù)與應(yīng)用服務(wù)平臺對本工作提供的支持！