基于图像差异检测的地基雷达高陡边坡安全监测研究

Safety monitoring of high and steep slopes by ground-based radar based on image difference detection

摘要

雷达图像变化检测是指通过对同一地区不同时期的两幅或多幅雷达图像进行分析比较，根据图像之间的差异来获取地物的变化信息。在雷达图像变化检测中，由于图像本身经回波强度发生改变产生的乘性相干斑噪声对差异图造成污染，从而增加了检测地物形变的难度。因此，对高陡边坡的精准检测成为防灾救灾工作的关键。针对雷达图像由于相干性丧失和噪声增强使得变化信息难以在原图中清晰呈现的问题，主要基于地基雷达数据，提出改进滤波和图像差异检测方法。该方法将多种滤波方法的优点结合在一起，并使用基于差异图像和阈值的方法来生成形变图。该方法去除了大量噪声，构建了更为清晰的差异图，提高了雷达图像在变化检测方面的准确性。

Abstract

Radar image change detection involves analyzing and comparing two or more radar images of the same area taken at different times to extract information about changes in the terrain. In radar image change detection, the multiplicative speckle noise caused by changes in the echo intensity of the images contaminates the difference image, increasing the difficulty of detecting terrain deformation. Therefore, accurate detection of steep slopes is crucial for disaster prevention and mitigation. To address the problem that the loss of coherence and noise enhancement in radar images make it difficult to present the change information clearly in the original image, this study proposes an improved filtering and image difference detection method based on ground-based radar data. This method combines the advantages of multiple filtering techniques and uses a difference image and threshold-based approach to generate deformation maps. The proposed method effectively removes a significant amount of noise, constructs a clearer difference image, and improves the accuracy of radar image change detection.

Graphical abstract

关键词

地基雷达 / 高陡边坡 / 滑坡识别 / 权值去噪

Key words

ground-based radar / high and steep slope / landslide identification / weight de-noising

我国地质结构独特，矿产资源丰富，但复杂的地形地貌也带来了显著的地质灾害风险。随着露天矿山开采规模的扩大，山体、大坝和矿区等区域的地质灾害问题日益突出，尤其是滑坡灾害，频发的泥石流、滑坡和坍塌对人民生命和财产安全构成严重威胁。滑坡指的是在外部因素（如流水冲刷、降雨、地下水活动和地震等）作用下，斜坡上的岩土体受重力影响沿斜坡下滑的地质现象。据统计，2020年我国共发生地质灾害7 840起，其中滑坡灾害4 810起，2021年山体滑坡数量为2 335起，这些灾害造成了不同程度的人员伤亡和财产损失。因此，利用地基雷达进行高陡边坡滑坡灾害监测，可有效防止财产的损失。

SAR技术的持续发展使其在地质灾害监测中得到了深入且全面的应用^[1]。地基合成孔径雷达(ground-based synthetic aperture radar，GB-SAR)作为一种地面应用的主动微波遥感设备，是基于差分干涉合成孔径雷达(D-InSAR)技术发展起来的，并且融合了星载和机载SAR技术的精髓。其通过干涉测量技术，实现了对微小形变物体的精准监测^[2]。GB-SAR不仅具备全天候、全时段的监测能力，还能进行大范围、远距离的非接触式测量，同时具备高方位角分辨率和快速的图像获取能力^[3]。此外，设站灵活、携带方便的特点也使其在各种环境下都能发挥出色的性能。目前，该技术已被广泛应用于地质灾害的监测和预警工作之中。

地基微变监测雷达技术将合成孔径雷达成像原理和差分干涉测量技术相融合，能精准测量和分析地表的微小变化^[4]。近年来，干涉测量技术在地质灾害预警和监测中效果显著，地基微变监测雷达的发展极大提升了滑坡、沉降等灾害的监测能力。例如，意大利IDS公司的IBIS系统和中国的S-SAR系统已经拥有成熟的成像算法^[5]，能提供高分辨率、高精度的地表形变数据，对地质灾害的预测和理解至关重要。同时，新型雷达系统如北京理工大学的MIMO-SAR系统，在滑坡监测方面仍处在不断发展和完善中^[6]，并显示出了巨大的潜力。这些系统的进步不仅推动了技术的发展，也为地质灾害的早期发现和预防提供了新的手段。

地基微变监测雷达系统是一种将星载合成孔径雷达(SAR)技术应用于地面的系统，通过在线性轨道上移动的雷达天线形成方位合成孔径，从而有效提升影像方位向分辨率^[7-8]。采用干涉测量法对重复扫描场景提取形变信息，系统角度灵活、精度高，成为局部区域高精度形变监测的重要手段。目前，其被广泛应用于滑坡监测、桥梁监测和泥石流监测等领域^[9-14]。例如，刁建鹏等^[15]成功使用微变形监测系统(IBIS)监测高层建筑和桥梁的形变。该系统结合步进频率连续波、合成孔径雷达和干涉测量技术，可监测地面目标形变，并与传统手段对比，证实其可行性。此外，Martinez-Vazquez等^[16]提出了一种基于GB-SAR图像的雪崩自动检测和分类算法，有效减少了手动监控图像的需求并降低了假阴性率，此算法在滑雪地区获得了关注。

地基雷达监测形变受人为和环境因素影响，失相干是挑战之一，影响长期定量化监测。研究地基雷达图像变化检测是了解监测区域动态的重要补充。例如，黄平平等^[17]针对地基雷达图像提出了一种无监督变化检测方法，该方法结合改进的模糊C均值聚类算法、非下采样轮廓波变换和局部能量法，融合相干系数图和均值对数比值图生成差异图。通过主成分分析提取差异图特征，并针对地基雷达图像特点优化聚类算法，实现高效变化检测。实验验证其检测效果与实地相符。段盈宏^[18]提出的地基雷达失相干区域无监督变化检测方法，结合改进的对数比值与相对熵差异图，运用优化的FLICM聚类算法和ICM模型，显著提升了细节保持、噪声抑制和检测精度。然而，在SAR图像变化检测中，由于SAR图像固有的散斑噪声较多且不易去除，传统的变化检测方法通常基于像素级别的差异计算和特征匹配。这些方法存在局限性，如对噪声点敏感，无法充分利用图像的深层次特征^[19]。

针对以上问题，通过分析和比较同一地区不同时间段的雷达图像差异，获取地面物体的变化信息。本研究基于地基雷达高陡边坡安全监测数据，利用图像融合技术提高滑坡监测的精度和效率。首先，分析新疆某矿区的岩体特征和地质条件，明确研究方向。然后，采用加权去噪方法提高雷达图像在变化检测方面的准确性和效率。最后，基于差异图像和阈值方法生成明显的形变区域和非形变区域。此种方法可以更准确地识别和分析地面物体在不同时间段内的变化，从而为地理信息系统、环境监测和灾害预防等领域提供重要的数据支持。

1 地基雷达对矿区监测

地基微变监测雷达(GB-SAR)是一种在土木工程、地质灾害监测和环境保护等多个领域中广泛应用的高精度遥感技术。与传统的星载合成孔径雷达(InSAR)相比，GB-SAR在技术实施和数据处理方面具有独特的优势，特别是在地表和结构形变监测方面^[20-21]。其核心技术之一是合成孔径技术，通过在固定的地面平台上移动接收和发射天线，模拟出一个较大的“虚拟”天线，从而产生高分辨率的雷达图像。此方法使得GB-SAR能够在没有实际移动天线的情况下，通过电子扫描方式收集大范围的数据。相比星载InSAR，地基雷达因其靠近地面，能够获得更高分辨率的图像，更适合监测小范围的细微变化。

GB-SAR传感器在导轨上完成单程运动，进行一次成像数据的采集。然后返回起点，重复步进运动和信号收发过程。多次采集图像数据后进行成像处理，获得多幅GB-SAR图像。对这些图像进行配准，生成干涉图和相干图，对干涉相位进行相位解缠后，进行相位估计，去除大气相位噪声，计算各监测单元的形变值，从而构成监测区域沿雷达视距的形变图^[22]。

图1展示了GB-SAR的成像原理^[23-24]。左侧为GB-SAR系统示意图，右侧为系统监测区域图。

本次实验利用地基雷达LSA在我国某露天矿区监测期间发生滑坡的实际监测图像数据，雷达系统参数如表1所示。在监测期间，矿区边坡因多次强降水和长时间施工运输导致滑坡。该矿区位于阿尔泰山脉中部西南边缘的山前地带，属于中低山区，海拔最高1 250 m，最低1 116 m，最大高差134 m，地形变化显著。此外，该地区气候恶劣，年平均气温4.2 ℃，年降水量143~350.4 mm，年蒸发量1 191.9~1 884 mm，常有东南风，最大风力可达10级。这些地形和气候条件对滑坡监测和预警提出了挑战。

使用新疆金宝矿区的实验数据，图2为矿区监测现场光学图像，显示出明显的滑坡区域。

金宝铁矿的岩体特征对地基雷达滑坡监测有显著影响，具体体现在以下几个方面：

岩体性质：金宝铁矿的岩体以新石为主，这种岩石类型在物理和力学性质上可能具有一定的独特性。地基雷达在监测这类岩石时，需要针对其特有的反射和散射特性进行参数调整，以确保监测数据的准确性和可靠性。

风化带：金宝铁矿局部区域处于风化带，风化作用会导致岩体的结构发生变化，使得岩石变得松散、破碎，从而降低其力学强度。在滑坡监测中，风化带区域往往更容易发生滑动和崩塌，因此地基雷达需要重点关注这些区域的监测。同时，风化作用可能导致岩体的反射信号变得复杂和混乱，增加了地基雷达数据处理的难度。为了准确识别滑坡隐患，可能需要采用更高级的数据处理和分析技术。

陡倾顺层节理和软弱夹层：金宝铁矿的岩体普遍发育陡倾顺层节理和软弱夹层，这些结构面是滑坡发生的重要条件之一。地基雷达在监测时需要特别关注这些结构面的分布情况，以评估滑坡的风险。同时，陡倾顺层节理和软弱夹层可能构成潜在的滑动面，地基雷达通过监测结构面的变形和位移情况，可以及时发现滑坡隐患并采取相应的预防措施。由于这些结构面的存在，地基雷达在监测时需要达到更高的精度和分辨率，以准确捕捉岩体的微小变形和位移。

综上所述，金宝矿区的岩体特征和地质条件对地基雷达滑坡监测提出了较大挑战。为应对挑战，需要采用更先进的技术手段和方法，如高分辨率的地基雷达系统和先进的数据处理与分析技术。在滑坡预警方面，通过对金宝铁矿岩体特征的深入了解和分析，地基雷达能够更加准确地识别滑坡隐患并提前发出预警，为矿山的安全生产提供保障。

本次实验采用同一滑坡地点具有时间差的14幅地基雷达图像，进行变化检测。变化检测方法根据是否需要预先的知识或数据标签分为有监督和无监督两类^[25-26]。有监督方法依赖精确的先验知识或标签数据，而无监督方法则不依赖，能够直接从变化前后的图像中识别变化信息。由于星载SAR和地基SAR图像受到成像机制、地形和环境等多因素影响，获取准确的先验知识相对困难，因此当前雷达遥感图像变化监测倾向于采用无监督方法。这些方法无须依赖先验知识，更加灵活和实用^[27]。

假设X=\left\{X_{\mathrm{1}},X_{\mathrm{2}},\dots ,X_n\right\}是表示在不同时间、同一区域获取雷达图像序列，在变化检测任务中通常取n=2，即对发生变化前后的两时相图像进行分析比较，生成二值变化检测图，从而确定图像的变化区域与未变化区域。目前，研究人员研究雷达图像变化检测任务的主流方法流程如图3所示。

2 地基雷达图像生成

GB-SAR以其高分辨率和分钟级图像获取的特点在多个领域得到广泛应用。与星载和机载SAR不同，地基雷达系统采用单轨往返重复运动方式，具有零空间基线重轨干扰特性，因此在数据处理中不需要考虑常见的基线估计和去平地效应的干扰影响。

在地基雷达系统中，相干性是一个重要的性质，指的是信号之间的相位连续性。图4展示了使用MATLAB生成的滑坡前后的地基雷达图像，其中图4(a)为滑坡前的地基雷达图像，数据获取时间为2021年4月18日，图4(b)为滑坡后的地基雷达图像，数据获取时间为2021年4月21日。

在星载SAR系统中，影响成像质量的主要噪声是相干斑噪声，这与地基雷达成像质量受影响的噪声在物理形成过程中有本质区别。地基雷达的每个分辨率单元是由该单元内所有目标点的成像结果叠加生成的，在理想状态下，这些目标点的回波幅度是处处相等的。同一分辨率单元内所有散射信号的矢量叠加之和反映了地基雷达图像的散射强度。然而，在实际应用中，地基雷达系统的干涉处理容易受到斑点噪声的影响。这种噪声表现为接收信号围绕某一散射系数均值随机起伏，导致图像目标区域的散射特性容易与噪声混淆，严重影响图像质量^[28]。

通常情况下乘性散斑噪声的模型为：

F\left(x,y\right)=R\left(x,y\right)\times N\left(x,y\right)(1)

式中：F\left(x,y\right)是空间坐标x、y上的强度值，既反映目标回波信息，也受散斑噪声的影响；R\left(x,y\right)表示随机地面目标实际的雷达散射特性；N\left(x,y\right)表示由于衰落过程所引起的相干斑噪声过程。随机过程R\left(x,y\right)和N\left(x,y\right)相互独立^[29]。

3 地基雷达图像处理

3.1 图像预处理

SAR图像采集过程中，由于拍摄环境、光照条件、观测角度以及传感器类型的差异，图像序列间可能出现不一致性。为了消除这些不匹配，需实施一系列预处理步骤，包括几何校正、图像对齐（配准）、辐射标准化、图像平滑和图像融合等。这些步骤对于确保变化检测的精确性和可信度至关重要。

GB-SAR系统与星载和机载SAR存在显著区别，GB-SAR采用单轨往返重复运动模式，具有零空间基线重轨干扰特性。因此，GB-SAR获取的图像在系统内部已完成配准，无须在数据处理中额外考虑基线估计和去平地效应等常见干扰因素。然而，由于地基雷达系统的相干性特点，其图像中常常出现大量的粒子散斑噪声，因此，在对地基SAR图像进行预处理时，需要进一步实施图像滤波步骤以减少噪声的影响。

在进行变化检测任务前，相干斑噪声抑制是关键。受相干斑噪声影响严重的地基雷达图像容易淹没目标的真实信息，模糊图像的边缘和细节信息。相干斑抑制方法主要有多视预处理方法和相位滤波法。

多视预处理方法通过增加观测次数并对这些多视图像进行平均化处理来降低噪声。该方法虽然有效，但在处理边缘和纹理区域时，容易模糊细节，导致图像整体分辨率降低。

相位滤波法专注于提高信噪比和维护相位质量，从而减少在相位解缠过程中的误差。相位滤波主要分为两大类：非局部滤波和局部滤波。非局部滤波通过考虑图像中大范围的像素相似性来处理噪声，其不是关注一个局部小窗口，而是分析整个图像区域中重复的模式和结构，从而可以在不损害图像细节的前提下有效降低噪声。局部滤波则侧重于利用小范围内的像素统计信息来进行噪声抑制，包括自适应滤波、Lee滤波^[30]和Frost滤波^[31]等。自适应滤波能根据图像内容动态调整滤波强度，适应不同区域的特性；Lee滤波和Frost滤波则通过特定的数学模型调整局部区域的像素值，以保持边缘和纹理的清晰度。

针对本文地基雷达图像实验数据以及地基雷达图像固有缺陷，采用单个滤波方法无法有效抑制相干斑噪声，因此采用改进的融合Lee滤波、Frost滤波和小波变换域滤波三次滤波，能更好地抑制相干斑噪声。

Lee滤波器的基本思想是在局部窗口内对像素值进行加权平均，其中权重基于局部窗口内的统计特性。这种方法假设图像中的噪声服从高斯分布，通过估计局部窗口内的平均值和方差来调整滤波的强度。Lee滤波器特别适合处理具有高斯或近高斯噪声特性的图像，这在雷达图像中非常常见，因为斑点噪声（一种乘性噪声）可以在对数域中近似为高斯分布。Frost滤波器是一种用于降低SAR图像中斑点噪声的适应性滤波方法，目的是在去除噪声的同时保持图像边缘和结构的清晰度。其核心思想是使用一个变形的指数函数核，这个核基于局部区域内的相干性自动调整其形状。

Lee滤波和Frost滤波原理都是主要利用图像局部区域的像素均值来抑制噪声，Lee滤波适用于去除高斯噪声，Frost滤波能够更好地处理非高斯噪声，但它们在处理非高斯或混合噪声，如脉冲噪声时的性能仍有限。变换域滤波是一种在频域对图像进行处理的技术，通过将图像从空间域转换到频域，分析并修改其频率成分，从而实现对图像的优化和增强。这种方法特别适用于在保持图像重要特征的同时去除噪声。在众多变换域滤波技术中，小波变换域滤波^[32]和非下采样轮廓波变换滤波法是两种非常流行和有效的方法。

小波变换域滤波利用小波变换将图像分解为多个频率层次，包括不同水平下的高频细节和低频近似信息。高频部分通常包含图像的边缘和其他尖锐细节，低频部分则包含图像的基本形状和结构信息。通过适当的阈值处理，可以去除由噪声引起的不必要的高频细节，同时保留对图像重要的高频信息。在重构阶段，通过逆小波变换将处理过的频率层次重新合成，生成最终的图像。这种方法在多尺度分析中表现出色，特别适合处理具有复杂纹理或边缘的图像。

非下采样轮廓波变换滤波法是一种更先进的变换技术，其不涉及在变换过程中对图像的下采样，因此可以避免由下采样引起的失真和伪影。与传统小波变换相比，非下采样轮廓波变换提供了更高的空间解析度和更好的方向选择性。这种变换能够更精确地捕捉图像的局部特征，特别是在图像的边缘和角点处。通过对变换后的系数进行加权平均或阈值分割，能够有效地抑制噪声，同时增强图像的重要特征。这两种变换域滤波技术都具有将图像分解为可独立处理的子带的能力，使得图像处理变得更加灵活和有效。

在实际应用中，如医学成像、卫星图像处理和视频压缩等领域，通过合理选择阈值和加权系数，可以显著提高图像的视觉质量和分析的准确性^[33]。此外，变换域滤波也是现代图像处理软件和工具中不可或缺的一部分，提供了一种强大的方法来解决图像去噪和增强的问题，确保了图像处理结果的高质量和实用性。

每种滤波方法都有其自身的优势和适用场景。通过综合使用滤波方法，可以在一定程度上克服单一方法的局限性，提高图像质量和形变检测的准确性。以上相干斑抑制方法均能提升地基雷达图像质量，保证变化检测信息提取的准确性和有效性。图5为经过改进的系统配准、去噪等预处理后地基雷达图像。

为了定量对滤波结果进行评价，通过相位残差点数(residual phase number，RPN)、相位标准信息差(phase standard deviation，PSD)、绝对相位梯度和(sum of phase differences，SPD)指标对滤波结果进行评价、比较和分析。其中，RPN用于衡量滤波前后相位变化的点数，即在滤波后的图像中，与原始图像相比相位发生显著变化的点数。评价滤波结果时，可以通过计算滤波后相位信号与原始相位信号之间的残差，并统计残差超过一定阈值的点数来评估滤波效果。PSD表示滤波后相位信号的标准偏差，用于衡量相位信号的离散程度。在滤波效果评价中，PSD可以反映相位信号的平滑度和一致性。SPD表示相位信号中相邻采样点之间相位差的绝对值之和，可以反映相位信号的局部变化率，对于评价滤波后的相位平滑性和细节保留程度有重要意义。这三种评价方法对不同滤波图像的评价指标如表2所示。

RPN越高，表示滤波后信号的相位失真越严重。一个较低的RPN值意味着滤波器在保持原始信号相位信息方面做得更好。PSD值越小，说明滤波后信号的相位分布越集中，滤波器的相位响应越稳定，滤波效果越好。如果SPD值较小，说明滤波后信号的相位变化较为平滑，滤波器在保持信号相位平滑性方面表现较好。

本文提出基于优化改进的三次滤波的方法，旨在处理图像去噪时强调干涉相位的平滑处理及重要相位信息的保持。研究结果显示，该算法不仅具有显著的去噪能力，尤其在高噪声环境下能有效提升图像质量，还通过动态调整滤波过程中的参数，根据图像区域的噪声特性和内容复杂度优化滤波效果。在平坦区域应用更强的滤波以去除噪声，而在包含重要纹理和边缘的区域则减弱滤波作用，以防损失细节信息。此外，算法优化了干涉相位的平滑性，增强了相位的一致性和可靠性，有助于提高相位解缠的准确性并改善地形重建或运动检测的应用结果。综合考虑，该滤波方法在真实数据上表现出良好的滤波效果，能在去除噪声的同时较好地保持相位信息，显示出其在滑坡识别领域的可靠性和广泛适用性。

3.2 构造差异图

时间序列的多幅地基雷达图像X_{\mathrm{1}},X_{\mathrm{2}},\dots ,X_n已经过降噪处理，每幅图像是在相同的地理区域不同的时间分别获取的。地基雷达图像变化检测的目的是检测出监测区域发生滑坡前后的真实变化部分，并生成差异图像。相干系数是衡量两个变量之间相似性的量度^[34]。在地基雷达图像中，其可以衡量两幅雷达图像对应像素之间的相似程度，时序上的两幅雷达图像通过相干系数计算可以得到相干系数差异图，为待检测的区域提供重要的变化信息。时序的地基雷达图像X_{\mathrm{1}}\left(i,j\right),X_{\mathrm{2}}\left(i,j\right),\dots ,X_n\left(i,j\right)的相干系数公式为：

Y_{tn}(i,j)=\frac{\sum \left|X_{n-\mathrm{1}}\left(i,j\right)\times X_n^{*}\left(i,j\right)\right|}{\sqrt[]{\sum \left|X_{n-\mathrm{1}}\left(i,j\right)\times X_{n-\mathrm{1}}^{*}\left(i,j\right)\right|\times \sum \left|X_n\left(i,j\right)\times X_n^{*}\left(i,j\right)\right|}}(2)

式中：^*表示共轭复数；X_{n-\mathrm{1}}\left(i,j\right)和X_n\left(i,j\right)为经过配准滤波的时序相邻的地基雷达图像；相干系数Y_{tn}\left(i,j\right)的值在0~1之间，相干系数的大小代表发生变化的概率^[35]，相干性越小就代表发生变化的概率越大，反之同理，其中0表示完全失相干，1表示完全相干。

地基雷达图像常受到一种特殊的噪声干扰，即相干斑点噪声，也称为乘性斑点噪声。这种噪声在计算相干系数图时会对结果产生显著影响，降低图像的质量。问题在于，仅通过比较两个不同时刻的雷达图像所得到的相干系数差异图，无法明确区分是由噪声导致的失相干还是由真正的滑坡现象引起的失相干。这种不确定性使得在检测变化区域时面临挑战，影响了检测的准确性。

对数比值算子(LR)是一种有效的工具，其能够将地基雷达图像中的乘性斑点噪声转化为加性噪声，从而便于更有效地消除这些噪声。对于时序的地基雷达相干系数图像Y_{t\mathrm{1}}\left(i,j\right),Y_{t\mathrm{2}}\left(i,j\right),\dots ,Y_{tn}\left(i,j\right)，可以利用对数比值计算来区分不同时刻的图像：

Y\mathrm{l}\mathrm{o}{\mathrm{g}}_n\left(i,j\right)=\mathrm{l}\mathrm{o}\mathrm{g}\frac{Y_{tn}\left(i,j\right)}{Y_{tn-\mathrm{1}}\left(i,j\right)}(3)

式中，Y\mathrm{l}\mathrm{o}{\mathrm{g}}_n\left(i,j\right)为第n时刻的相干对数比值图。在相干系数图像的处理中，采用对数比值计算能有效区分图像中的变化与未变化区域。由于相干系数值域在0~1之间，对于未变化区域，对数比值差异图中的值通常较小，而对应变化区域的值则显著增大。理想状态下，无变化区域在差异图中的值应为0，便于准确识别。然而，在实际应用中，地基雷达图像中的斑点噪声成为一大挑战。尽管对数比值法有助于减少噪声影响，但差异图中未变化区域的值可能仍非0，因为斑点噪声对变化检测的影响显著。虽然不同滤波方法能缓解这一问题，但完全消除噪声影响仍具挑战性。针对上述单一的相干系数差异图与对数比值差异图均受噪声影响无法得到高质量差异图的问题，同时结合矿区特殊的岩体性质与气候特征，本文提出一种基于差异图像和阈值的方法。图像经过预处理后，用以下方法生成明显的形变区域和非形变区域。

振幅差异分析：对不同时间或条件下的雷达图像进行振幅差异分析，通过计算两幅图像之间的振幅差异来识别形变区域。采用阈值分割等方法将形变区域和非形变区域分割开来。

相位差异分析：进行相位差异分析是一种在遥感、光学和其他科技领域中广泛应用的技术，其可以通过相位解调和相位校正等技术精确提取出相位信息，从而有效识别和分析物体或地面的形变区域。过程中首先涉及的是相位解调，随后进行的相位校正则是为了消除由于仪器误差、环境干扰等因素造成的相位错误。

差分图像分析：主要是通过计算不同时间点或不同条件下获取的雷达图像之间的差异，从而有效地识别出地表或其他目标的形变区域。此方法通过对比图像集合中各个图像的相应像素，提取出由于自然变化、人为干预或其他外部因素导致的亮度或相位差异，这些差异在差分图像中表现为不同的强度变化。图像差分法通过计算前后两张图像的差分来识别形变区域：

Y_t\left(i,j\right)=I_{\mathrm{1}}\left(i,j\right)-I_{\mathrm{2}}\left(i,j\right)(4)

将差分图像Y_t\left(i,j\right)进行阈值分割，以识别出形变区域：

(5)

式中：T是预设的阈值；M\left(i,j\right)是形变区域的二值掩码图像。通过以上方法，可以明显地识别出地表的形变区域和非形变区域，从而形成差异图。用MATLAB获取具有时间差的相邻两幅图像，生成明显的形变区域和非形变区域，结果如图6所示。此方法通过比较每个像素的相干系数与预先设定的阈值来确定其所属的区域（阈值设置为0.001 7）。其中：黄色区域像素值为1，表示检测出的变化区域；蓝色区域像素值为0，表示检测的未变化区域。

通过观察上方最终形变图，可以明显看出滑坡区域，基于差异图像和阈值法获得的最终形变图与光学图像对比如图7所示。

金宝矿区现场光学图像中展示的横向层层矿坑结构，主要是由于分阶段开采、地质条件、开采技术和安全生产需要，在日积月累矿山开采过程中形成的，根据本文创新方法生成的最终形变图完美地还原了矿坑结构，并且在滑坡发生区域产生了明显的形变。

4 结论

本文首先分析了新疆某矿区的岩体特征和地质条件，为后续图像处理奠定了基础。鉴于SAR图像固有的散斑噪声难以去除，提出了一种改进的融合Lee滤波、Frost滤波和小波变换域滤波的三重滤波方法，可以更有效地抑制相干斑噪声。通过基于差异图像和阈值的方法生成明显的形变区域和非形变区域，并将识别出的形变区域与地质灾害发生的历史记录进行对比分析，从而验证结果的准确性和可靠性。具体结论如下：

1) 本文提出的融合Lee滤波、Frost滤波和小波变换域滤波的三重滤波策略显著提高了滤波效果，特别适用于含有复杂噪声类型的图像处理。通过对比改进后的滤波图像与未滤波图像，发现结合多种滤波方法后可以更好地适应不同类型的噪声，如高斯噪声和脉冲噪声，从而提高了图像处理的鲁棒性和泛用性。

2) 相较于单一滤波技术，改进的融合Lee滤波、Frost滤波和小波变换域滤波三次滤波能够有效地去除图像中的噪声和干扰，平滑图像细节，增强目标特征，从而提高了图像的质量和清晰度。对于后续的形变区域检测和分析非常重要，能够减少误检和漏检的可能性，提高形变检测的准确性和可靠性，并通过定量评价结果证明了该方法的可行性和优越性。

3) 在形变区域生成过程中，通过设定灵活的形变检测阈值，根据图像差异的大小和特征灵活确定形变的敏感度。该方法可以根据具体应用场景进行调整，以适应不同形变程度的检测需求。此外，通过将形变区域可视化展示，能够直观呈现形变区域的位置和分布情况，有助于用户快速理解图像变化特征，为进一步的形变分析和识别提供直观参考。

本研究针对地基雷达在高陡边坡安全监测中面临的精度要求高、噪声干扰严重等技术难题，提出并验证了改进的滤波方法。实验结果显示，所提出的方法在地基雷达高陡边坡监测中表现出较高的精度和抗噪能力，有效去除了大量噪声，构建了更为清晰的差异图，提高了雷达图像在变化检测方面的准确性。这不仅为地基雷达图像的变化检测提供了一种有效方法，也为地基雷达长期高陡边坡安全监测研究提供了参考。

未来研究可以继续优化变化检测算法，重点提高地基雷达在噪声干扰较大的环境中的检测精度。此外，未来还可以开发高效的算法优化方法，以减少三重滤波方法的计算复杂度，提高实时监测的可行性。通过这些改进，将有助于在更加复杂和多变的环境中，实现对地基雷达图像的精确分析和高效监测。

参考文献

[1] 云烨, 吕孝雷, 付希凯, 等. 星载InSAR技术在地质灾害监测领域的应用[J]. 雷达学报, 2020, 9(1): 73-85.

[2] 吴星辉, 马海涛, 张杰. 地基合成孔径雷达的发展现状及应用[J]. 武汉大学学报(信息科学版), 2019, 44(7): 1073-1081.

[3] 洪文. 圆迹SAR成像技术研究进展[J]. 雷达学报, 2012, 1(2): 124-135.

[4] 周志伟, 程翔, 周伟, 等. 地基SAR在滑坡形变监测中的应用[J]. 测绘通报, 2022(7): 60-63.

[5] Anonymous. SAFETY: IDS GeoRadar and worldsensing launch mine monitoring system[J]. Canadian Mining Journal, 2020, 141(4): 12-12.

[6] ZHAO Y Z, CHEN L Y, ZHANG F B, et al. A novel MIMO-SAR system based on simultaneous digital beam forming of both transceiver and receiver[J]. Sensors (Basel, Switzerland), 2020, 20(22): 6604.

[7] WANG Y P, HONG W, ZHANG Y, et al. Ground-based differential interferometry SAR: a review[J]. IEEE Geoscience and Remote Sensing Magazine, 2020, 8(1): 43-70.

[8] 刘斌, 葛大庆, 李曼, 等. 地基合成孔径雷达干涉测量技术及其应用[J]. 国土资源遥感, 2017, 29(1): 1-6.

[9] DE LA CRUZ L, MILLA M A.Comparison of GB-SAR imaging algorithms for a landslide monitoring application[C]//2020 IEEE XX‍Ⅶ International Conference on Electronics, Electrical Engineering and Computing (INTERCON). Lima, Peru: IEEE, 2020: 1-4.

[10] 张浩, 杨晓琳, 马海涛, 等. 基于地基干涉雷达的含水土质边坡变形监测研究[J]. 北京理工大学学报, 2023, 43(11): 1154-1163.

[11] 刘玉溪, 秦宏楠, 杨凤芸, 等. 地基SAR用于矿山应急救援地表沉陷监测研究[J]. 中国安全生产科学技术, 2022, 18(S1): 25-30.

[12] 朱庆辉. 地基雷达在大坝及滑坡监测中的应用研究[D]. 北京: 中国地质大学, 2018.

[13] 汪金霞, 张俊仁, 周明. 地基InSAR技术在门头沟滑坡灾害监测中的应用[J]. 北京测绘, 2019, 33(3): 318-322.

[14] 杜年春, 王玉明, 沈向前, 等. 滑坡灾害监测的圆弧合成孔径雷达大气相位校正方法[J]. 测绘学报, 2022, 51(10): 2139-2148.

[15] 刁建鹏, 黄声享. 地面干涉雷达在建筑变形监测中的应用[J]. 测绘通报, 2009(9): 45-47.

[16] MARTINEZ-VAZQUEZ A, FORTUNY-GUASCH J. Snow avalanche detection and classification algorithm for GB-SAR imagery[C]//proceedings of the 2007 IEEE International Geoscience and Remote Sensing Symposium. Barcelona, Spain: IEEE, 2007: 3740-3743.

[17] 黄平平, 任慧芳, 谭维贤, 等. 基于地基雷达图像的无监督变化检测[J]. 雷达学报, 2020, 9(3): 514-524.

[18] 段盈宏. 多源遥感图像变化检测算法研究[D]. 呼和浩特: 内蒙古工业大学, 2021.

[19] 刘龙龙, 张继贤, 赵争, 等. GB-SAR变形监测技术研究现状与展望[J]. 测绘通报, 2019(11): 1-7.

[20] 孟韫祺, 韩春明, 李广福, 等. 地基雷达差分干涉形变监测的精度仿真与验证[J]. 计算机仿真, 2023, 40(7): 15-19.

[21] 邹进贵, 张士勇, 李琴, 等. 基于GBSAR的变形监测方法综述[J]. 测绘地理信息, 2016, 41(6): 5-8.

[22] 黄毅, 谢翔, 沈向前. 圆弧式地基雷达在某露天矿山的应用[J]. 现代矿业, 2022, 38(3): 171-174.

[23] 张思麒, 王韬, 何秀凤, 等. 一种微型地基干涉变形监测雷达[J]. 武汉大学学报(信息科学版), 2020, 45(11): 1801-1808.

[24] 王晓波, 李江, 武丽梅, 等. 露天矿边坡地基雷达形变监测应用研究[J]. 矿山测量, 2021, 49(6): 82-87.

[25] 李卫鹏, 刘全胜, 刘学宇, 等. 露天煤矿边坡监测地基雷达技术[J]. 露天采矿技术, 2023, 38(4): 49-52.

[26] 王军飞, 肖慎轲, 刘东烈, 等. 地基合成孔径雷达的边坡形变监测应用研究[J]. 测绘科学, 2021, 46(5): 58-65.

[27] 刘小阳, 李峰, 孙广通, 等. 一种露天矿高边坡形变监测的新方法[J]. 金属矿山, 2020(11): 59-65.

[28] 魏钟铨. 合成孔径雷达卫星[M]. 北京: 科学出版社, 2001: 271.

[29] 刘帅奇, 扈琪, 刘彤, 等. 合成孔径雷达图像去噪算法研究综述[J]. 兵器装备工程学报, 2018, 39(12): 106-112, 252.

[30] YOMMY A S, LIU R, WU A S. SAR Image despeckling using refined lee filter[C]//2015 7th International Conference on Intelligent Human-Machine Systems and Cybernetics. Hangzhou, China: IEEE, 2015: 260-265.

[31] SUN Z G, ZHANG Z H, CHEN Y L, et al. Frost filtering algorithm of SAR images with adaptive windowing and adaptive tuning factor[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 17(6): 1097-1101.

[32] GAGNON L, JOUAN A.Speckle filtering of SAR images: a comparative study between complex-wavelet-based and standard filters[C]//Optical Science, Engineering and Instrumentation 1997. San Diego, CA: SPIE, 1997: 3169.

[33] LI Q W, HUO G Y, LI H, et al. Bionic vision-based synthetic aperture radar image edge detection method in non-subsampled contourlet transform domain[J]. IET Radar, Sonar & Navigation, 2012, 6(6): 526-535.

[34] TOUZI R, LOPES A, BRUNIQUEL J, et al. Coherence estimation for SAR imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(1): 135-149.

[35] 杨祥立, 徐德伟, 黄平平, 等. 融合相干/非相干信息的高分辨率SAR图像变化检测[J]. 雷达学报, 2015, 4(5): 582-590.

基金资助

国家自然科学基金地区项目(52064039)

国家自然科学基金青年基金项目(52304173)

内蒙古自治区科技领军人才团队项目