一种融合模板匹配与DEM超分辨率的北极水下地形匹配方法

《International Journal of Applied Earth Observation and Geoinformation》：An Arctic underwater terrain matching method integrating template matching and DEM super-resolution

　　

地形匹配是水下地形辅助导航系统中的关键技术，在确保高精度定位和导航稳定性方面发挥着重要作用。然而，在复杂的北极水域中，水下地形匹配面临两个核心挑战：参考数字高程模型（Digital Elevation Models，DEMs）的低分辨率以及实测多波束声纳图像的低质量。这两个因素严重制约了匹配精度，使其难以满足高精度水下定位与导航的需求。为了解决这些挑战，研究人员提出了一种融合模板匹配与DEM超分辨率的水下地形匹配方法。具体而言，首先设计了一种基于自监督学习的超分辨率方法，用于增强参考DEM的空间分辨率，实现与实测多波束声纳图像的分辨率对齐。随后，引入了一种融合地形坡度特征的多通道方向梯度模板匹配方法，从对齐后的图像中提取更具判别性的高层次地形信息，显著提高了声纳图像与DEM之间的匹配精度和抗噪声能力。该方法平衡了图像细节恢复与特征匹配精度，显著提升了导航系统的整体性能。在四个北极航线的多波束测量数据上进行的广泛对比实验表明，所提出的方法在匹配精度和鲁棒性方面均优于现有主流方法，并在各种噪声条件下保持稳定性能。仿真测试进一步验证了该方法在崎岖地形和平坦地形区域均能达到优异的定位精度，展现出广阔的应用前景。

在复杂的北极海域中，水下地形匹配面临两大核心挑战：参考数字高程模型（Digital Elevation Model，DEM）的低分辨率与实测多波束声纳图像的低质量。这两者严重制约了匹配精度，使传统单一方法难以满足高精度水下定位与导航需求。为系统解决分辨率不匹配和图像质量差的问题，研究人员提出一种融合模板匹配与DEM超分辨率的水下地形匹配方法，发表于《International Journal of Applied Earth Observation and Geoinformation》。该方法采用两阶段策略：首先通过自监督学习增强参考DEM分辨率，然后引入融合地形坡度特征的多通道方向梯度模板匹配（Terrain-aware Channel Features of Oriented Gradients，T-CFOG）提高匹配精度。在四个北极航线多波束数据上的对比实验及仿真测试表明，该方法在匹配精度和鲁棒性上均优于现有主流方法，并且在崎岖和平坦地形区域均能保持高定位精度，具有广阔应用前景。

**关键技术方法（不超过250字）：** 研究人员采用两个核心技术方法：一是基于自监督学习的DEM超分辨率方法，利用预训练图像处理Transformer（Image Processing Transformer，IPT）模型，通过迁移学习和微调在有限样本下实现4倍超分辨率（从400米提升至100米），参考DEM来源于北极国际测深图（International Bathymetric Chart of the Arctic Ocean，IBCAO）。二是地形感知通道方向梯度特征（T-CFOG）模板匹配方法，在通道方向梯度特征（Channel Features of Oriented Gradients，CFOG）基础上引入坡度信息作为额外特征通道，结合三维快速傅里叶变换（3D Fast Fourier Transform，3D FFT）计算相似度。多波束数据来自新罕布什尔大学（University of New Hampshire，UNH）海岸与海洋测绘中心（Center for Coastal and Ocean Mapping，CCOM）组织的四次北极航线（HLY0805、HE0905、HLY1102、HLY1202，2008–2012年），空间分辨率100米。超分辨率训练使用Li等人发布的沿海区域数据集（6400对高-低分辨率图像对）进行微调。

**研究结果：**

**4.3.1 不同地形匹配方法的性能比较：** 通过在四个测试数据集（Test1–Test4）上进行对比实验，将所提T-CFOG方法与TERCOM、NCC、HOPC和CFOG方法比较。结果显示，T-CFOG在匹配精度和均方根误差（Root Mean Square Error，RMSE）上均最优，RMSE为1.24网格，在容忍阈值ε=3时匹配精度达89.15%，而CFOG分别为1.39和86.93%。这表明引入坡度信息显著提升了匹配准确性和可靠性，并减少了虚假峰值。

**4.3.2 不同超分辨率方法的性能比较：** 比较了双三次插值、SRCNN、SRGAN与所提自监督超分辨率方法的重建效果。所提方法在训练损失最低且最稳定，在区域A和B的视觉重建中保留了更细微的地形特征。定量匹配结果中，所提方法重建的DEM与多波束数据匹配RMSE为1.24网格，在ε=3时匹配精度达89.15%，远优于低分辨率DEM（RMSE=3.12，精度49.26%）及其他方法，证明了超分辨率对改善对准精度的关键作用。

**4.3.3 噪声条件下的性能：** 在Test1数据集的多波束图像中添加不同标准差σ（1至10）的零均值高斯噪声，评估所提方法的鲁棒性。结果显示，尽管匹配精度和精度随噪声增大略有下降，但最差情况下的RMSE仍保持在1.49网格以内，当ε=3时匹配精度始终高于97%。这表明所提方法对不同程度的高斯噪声具有较强的抗干扰能力。

**4.3.4 坡度特征的消融研究：** 在Test1–Test4数据集上对比了不含坡度特征的CFOG方法与含坡度特征的T-CFOG方法。引入坡度后，RMSE降低了10.8%（从1.39降至1.24），匹配精度在ε=1.5时提升3.5%（从78.14%到80.88%），ε=3时提升2.6%，ε=10时提升2.0%。同时匹配相关峰图显示T-CFOG的峰值更尖锐、虚假峰更少，验证了坡度信息增强了特征判别力并抑制了误匹配。

**4.3.5 仿真测试：** 在HLY0805和HLY1102航线段（分别对应地形区域A和B）上建立3000 m×3000 m的DEM参考图，对多波束图像块（A1–A12和B1–B12）施加6至200 m的人为偏移，然后进行匹配定位。结果显示，所有图像块校正后的中心位置误差（Center-Location Error，CLE）均收敛至约4.14–5.16 m（区域A）和4.49–4.88 m（区域B），即使初始偏移高达198.31 m或特征稀疏（如B4、B6、B9处匹配点少于23个），校正后仍保持高精度。这表明所提框架在崎岖和平坦地形中均能有效抑制初始误差，实现可靠的水下定位。

**讨论与结论：**
讨论部分指出，当前方法依赖于目标区域已有的水下地形数据作为参考图，这限制了其应用范围。若预存DEM存在显著误差、缺乏时效性或完全缺失，系统定位性能将受到严重影响，尤其在海床地形动态变化（如海底滑坡或沉积物迁移）的区域，过时的参考图可能导致匹配失败或定位偏差增大。在未知水域执行探测任务时，因缺乏先验地形信息，该方法无法直接应用。因此，未来研究将探索结合同步定位与地图构建（Simultaneous Localization and Mapping，SLAM）技术与基于抽象特征的水下地形匹配方法，以消除对预存参考图的依赖。所提出的T-CFOG特征提取方法具有良好的地形表征能力和鲁棒性，可为SLAM系统的回环检测与地图更新提供可靠技术基础，有望实现适用于未知水下环境的自主导航系统。

研究结论部分翻译如下：研究人员提出了一种融合模板匹配与地形超分辨率的水下地形匹配方法，以解决北极海床DEM参考数据分辨率低和实测多波束声纳图像质量差的问题。基于自监督学习策略，该方法在北极海床DEM数据上微调IPT预训练模型实现超分辨率重建，有效提升了参考DEM的空间分辨率。同时，引入融合地形结构信息的多通道方向梯度特征匹配方法，增强了声纳图像与DEM之间的匹配精度，提升了导航系统的整体性能。实验结果表明，在仅有低分辨率DEM和低质量声纳图像的有限数据条件下，该方法仍能实现高精度地形匹配，展现出良好的鲁棒性和泛化能力。在两个典型航线上的仿真测试表明，该方法在地形起伏剧烈区域和相对平坦区域均能保持较高的定位精度。