王　峰,尤紅建,傅興玉,許　寧,3

(1.中國(guó)科學(xué)院電子學(xué)研究所,北京 100190;2.中國(guó)科學(xué)院空間信息處理與應(yīng)用系統(tǒng)技術(shù)重點(diǎn)實(shí)驗(yàn)室,北京 100190;

3.中國(guó)科學(xué)院研究生院,北京 100190)

?

應(yīng)用于多源SAR圖像匹配的級(jí)聯(lián)SIFT算法

王峰1,2,尤紅建1，2,傅興玉1,2,許寧1,2,3

(1.中國(guó)科學(xué)院電子學(xué)研究所,北京 100190;2.中國(guó)科學(xué)院空間信息處理與應(yīng)用系統(tǒng)技術(shù)重點(diǎn)實(shí)驗(yàn)室,北京 100190;

3.中國(guó)科學(xué)院研究生院,北京 100190)

摘要：針對(duì)多源SAR(Synthetic Aperture Radar)圖像幾何精處理需要大量離散控制點(diǎn)的問(wèn)題,文章中提出一種級(jí)聯(lián)SIFT(Scale Invariant Feature Transform)匹配算法.首先,采用大尺度自適應(yīng)各向異性高斯SIFT(Adapted Anisotropic Gaussian-SIFT,AAG-SIFT)算法進(jìn)行圖像粗配準(zhǔn),大尺度AAG尺度空間可以在模糊不穩(wěn)定局部紋理干擾的同時(shí),保持圖像的結(jié)構(gòu)信息,提高算法的魯棒性;其次,級(jí)聯(lián)一種局部SIFT匹配算法,在粗配準(zhǔn)后圖像間進(jìn)行局部匹配,避免不相關(guān)區(qū)域內(nèi)重復(fù)紋理對(duì)特征匹配的影響;最后,通過(guò)尺度和旋轉(zhuǎn)等先驗(yàn)條件篩選匹配點(diǎn)對(duì),保證匹配結(jié)果的準(zhǔn)確性.對(duì)比實(shí)驗(yàn)表明,級(jí)聯(lián)SIFT處理可以增加提取同名點(diǎn)的數(shù)量和空間分布質(zhì)量,而且匹配點(diǎn)定位準(zhǔn)確.

關(guān)鍵詞:多源SAR圖像匹配;級(jí)聯(lián)SIFT;AAG-SIFT;局部匹配

1引言

多源SAR匹配是綜合運(yùn)用不同SAR圖像,全面反映地物信息的前提,是實(shí)現(xiàn)遙感數(shù)據(jù)融合、拼接、變化檢測(cè)等過(guò)程的關(guān)鍵步驟.由于多源SAR數(shù)據(jù)的成像條件不同,圖像間存在較為復(fù)雜的幾何和輻射差異,常用的圖像匹配方法的效果不理想,算法的魯棒性和匹配結(jié)果的準(zhǔn)確度很難同時(shí)保證.

現(xiàn)階段,基于SIFT[1]算法的同名點(diǎn)提取方法成為SAR圖像匹配的研究熱點(diǎn).SIFT算法具有尺度和旋轉(zhuǎn)不變性,是計(jì)算機(jī)視覺(jué)領(lǐng)域公認(rèn)的區(qū)分能力很強(qiáng)的特征匹配算法.文獻(xiàn)[2]分析了SIFT算法應(yīng)用于SAR圖像匹配時(shí)的檢測(cè)子性能,提出SIFT-OCT算法,去除受噪聲干擾嚴(yán)重的低尺度特征點(diǎn),提高了匹配魯棒性和效率.近年來(lái),各向異性尺度空間的提出明顯提升了圖像匹配算法的性能.Alcantarilla等[3]提出KAZE特征進(jìn)行特征匹配,在各向異性尺度空間檢測(cè)和描述特征點(diǎn),具有更好的區(qū)分性和準(zhǔn)確性,在自然場(chǎng)景匹配中獲得了很好的性能.王山虎等[4]根據(jù)雙邊濾波與熱擴(kuò)散方程的相似性,提出了基于雙邊濾波器建立各向異性尺度空間的BFSIFT算法,有效地增加了同名點(diǎn)提取數(shù)量.文獻(xiàn)[5]中提出根據(jù)圖像局部結(jié)構(gòu)特征,自適應(yīng)建立各向異性高斯尺度空間,在去除噪聲干擾的同時(shí),保持圖像的結(jié)構(gòu)信息,可以獲得更加穩(wěn)健的特征,增加了獲得匹配點(diǎn)對(duì)的數(shù)量和定位精度.基于各向同性尺度空間的SIFT算法全面描述圖像局部信息,得到的局部特征穩(wěn)定且定位精度高,具有較好的運(yùn)算效率,但是特征區(qū)分度不足,算法的魯棒性較差.基于各向異性尺度空間的SIFT算法,更加注重局部結(jié)構(gòu)信息的描述,有效地提高了算法的魯棒性,但是算法對(duì)大場(chǎng)景數(shù)據(jù)計(jì)算耗時(shí)較多.

針對(duì)上述問(wèn)題,本文提出級(jí)聯(lián)SIFT匹配算法,通過(guò)級(jí)聯(lián)兩類(lèi)配準(zhǔn)算法,綜合兩類(lèi)算法的優(yōu)勢(shì).首先,運(yùn)用大尺度自適應(yīng)各向異性高斯SIFT算法實(shí)現(xiàn)圖像的粗配準(zhǔn);其次,針對(duì)粗配準(zhǔn)后的圖像,級(jí)聯(lián)局部SIFT匹配算法,在圖像的局部區(qū)域內(nèi)進(jìn)行特征匹配,高效地獲得定位準(zhǔn)確的匹配結(jié)果.

2級(jí)聯(lián)SIFT匹配算法

級(jí)聯(lián)SIFT匹配算法,采用由粗到細(xì)的實(shí)現(xiàn)策略,通過(guò)級(jí)聯(lián)兩類(lèi)SIFT匹配算法實(shí)現(xiàn).首先,利用AAG-SIFT算法實(shí)現(xiàn)圖像的粗配準(zhǔn),獲得圖像間整體幾何變換關(guān)系,保證算法的魯棒性;其次,針對(duì)粗配準(zhǔn)后圖像,在局部對(duì)應(yīng)區(qū)域內(nèi)比較SIFT特征的相似性,去除不相關(guān)區(qū)域的干擾,明顯提高匹配點(diǎn)對(duì)數(shù)量;最后,通過(guò)特征的主方向和尺度參數(shù)進(jìn)行篩選,保證匹配結(jié)果的準(zhǔn)確性.整體算法流程如圖1中所示.

2.1SIFT算法簡(jiǎn)介

SIFT算法主要分為3個(gè)部分[1]:(1)構(gòu)建尺度空間;(2)檢測(cè)特征點(diǎn),生成描述符;(3)特征匹配.

首先,通過(guò)方差不斷增大的高斯函數(shù)與圖像卷積,可建立圖像的尺度空間表達(dá):

(1)

其中,L(x,y,σ)為高斯尺度空間,I(x,y)為原圖像,G(x,y,σ)為標(biāo)準(zhǔn)差為σ的高斯函數(shù),k為尺度變化量,*代表卷積運(yùn)算.建立圖像的尺度空間后,采用高斯拉普拉斯算子(LoG)檢測(cè)圖像中的極值點(diǎn),并用高斯差分尺度空間(DoG)近似,其表達(dá)式為:

D(x,y,σ)=L(x,y,kσ)-L(x,y,σ)

(2)

其中,D(x,y,σ)為高斯差分尺度空間.

其次,在尺度空間中檢測(cè)極值點(diǎn),去除低對(duì)比度的不穩(wěn)定點(diǎn),得到最終的特征點(diǎn).對(duì)檢測(cè)到的特征點(diǎn),統(tǒng)計(jì)鄰域梯度方向直方圖,確定主方向,旋轉(zhuǎn)鄰域到水平方向,統(tǒng)計(jì)分塊梯度方向直方圖,生成128維描述子.

最后,利用描述子間歐式距離建立匹配對(duì),通過(guò)RANSAC(RANdom SAmple Consensus)[6]算法篩選出正確匹配點(diǎn).

2.2自適應(yīng)各向異性高斯尺度空間

高斯尺度空間是一種簡(jiǎn)單的尺度空間,但不是唯一的尺度空間表示[3].高斯濾波核函數(shù)不能保持目標(biāo)結(jié)構(gòu),紋理細(xì)節(jié)和圖像噪聲都會(huì)被同樣模糊處理,而且它只能擬合圓形目標(biāo),對(duì)實(shí)際場(chǎng)景中大量存在的具有一定方向性和扁曲率的目標(biāo)擬合效果很差.另外,隨著濾波尺度的增加,圖像模糊程度增加,控制點(diǎn)的定位精度降低.自適應(yīng)各向異性高斯濾波器克服了高斯尺度空間的上述不足,其在模糊圖像噪聲干擾的同時(shí),可以保持圖像的邊緣紋理信息,因此,各向異性高斯尺度空間提取的特征對(duì)圖像噪聲干擾的魯棒性和穩(wěn)定性更佳[5].

各向異性高斯濾波器的一般表示為[7]:

gθ(u,v;σu,σv,θ)=

(3)

其中,*表示卷積運(yùn)算,θ代表濾波器的方向,σu和σv分別表示u軸和v軸方向的尺度參數(shù),u軸與水平方向夾角為θ,v軸垂直于u軸,并且有:

(4)

相比于普通的高斯濾波器,各向異性高斯增加了空間旋轉(zhuǎn)角度θ和兩個(gè)尺度參數(shù)σu、σv(如圖2所示),可以更好地?cái)M合局部結(jié)構(gòu).空間旋轉(zhuǎn)角度θ對(duì)應(yīng)邊緣方向,以待濾波點(diǎn)為中心建立采樣鄰域窗口,統(tǒng)計(jì)窗口內(nèi)采樣點(diǎn)的梯度方向直方圖,以空間高斯模板和梯度幅值為權(quán)重對(duì)梯度方向加權(quán),可以消弱噪聲影響.直方圖最大峰值對(duì)應(yīng)的方向就對(duì)應(yīng)了局部梯度的垂直方向,因此,各向異性高斯的空間旋轉(zhuǎn)角度θ對(duì)應(yīng)梯度直方圖最大峰值角度的垂直方向.

第o組s層各向異性高斯濾波器的長(zhǎng)軸尺度設(shè)置與原始高斯濾波器相同,如式(5)所示:

σu=σ(o,s)=σ02(o+s)/S,o∈[0,…,O-1],

s∈[0,…,S-1]

(5)

其中,σo是濾波器的基本尺度參數(shù),O和S分別代表尺度空間的組數(shù)和層數(shù),o和s分別表示當(dāng)前組和層的標(biāo)號(hào).短軸尺度由圖像的局部二階矩矩陣決定,局部二階矩矩陣常用來(lái)擬合圖像的局部結(jié)構(gòu)形狀[8,9].點(diǎn)P(x0,y0)附近σ尺度的二階矩矩陣M定義如下式所示:

(6)

其中Ix和Iy表示點(diǎn)(x,y)處x和y方向的偏導(dǎo)數(shù),σ對(duì)應(yīng)濾波器的當(dāng)前濾波尺度σ(o,s).權(quán)重參數(shù)wσ(x,y)是空間高斯濾波函數(shù):

(7)

二階矩矩陣的特征值表征局部像素的結(jié)構(gòu)形狀,有三種情況[8]:

(1)當(dāng)一個(gè)特征值大,另一個(gè)較小時(shí),對(duì)應(yīng)邊緣區(qū)域;

(2)當(dāng)兩個(gè)特征值都較小時(shí),對(duì)應(yīng)平坦的勻質(zhì)區(qū)域;

(3)當(dāng)兩個(gè)特征值都較大時(shí),對(duì)應(yīng)角點(diǎn)區(qū)域.

根據(jù)圖像的統(tǒng)計(jì)特性描述局部區(qū)域的各向異性程度可以定義為[9]:

(8)

其中λmax(M)表示較大的特征值,λmin(M)表示較小的特征值.因此,我們根據(jù)局部區(qū)域的各向異性程度確定各向異性高斯濾波器的形狀如下式所示:

σv=σu*γn

(9)

通過(guò)實(shí)驗(yàn)驗(yàn)證,推薦指數(shù)參數(shù)n=1/3[5].通過(guò)局部區(qū)域二階矩矩陣自適應(yīng)調(diào)節(jié)濾波器的扁曲程度,可以很好的擬合圖像局域區(qū)域的結(jié)構(gòu)特性:在均勻區(qū)域,σv≈σu,具有圓濾波器的模糊效果;在邊緣區(qū)域,扁曲程度增加,具有較好的邊緣保持效果.

2.3大尺度空間的構(gòu)建

在原始分辨率處理SAR圖像,容易受到局部紋理的干擾,這種干擾的來(lái)源主要包括斑點(diǎn)噪聲和成像條件兩個(gè)方面.例如不同時(shí)相下河岸線的變化,不同視角條件下建筑物位置的偏移,不同極化方式導(dǎo)致的局部紋理差異,都會(huì)影響特征的匹配.但是在大尺度觀察圖像,圖像主要呈現(xiàn)的是圖像的整體結(jié)構(gòu)信息,穩(wěn)定性好,圖像噪聲對(duì)局部紋理的干擾降低[2].如圖3所示,從大尺度圖像上觀察,湖泊的形狀以及城市間道路的方向等圖像的全局結(jié)構(gòu)表征是穩(wěn)定的,但是在低尺度圖像上,局部細(xì)節(jié)明顯不同.因此,在大尺度空間檢測(cè)和描述特征,可以提高算法的魯棒性[4].

另一方面,各向異性高斯尺度空間的構(gòu)建,計(jì)算量較大[3,4],而提高尺度空間的尺度,可以降低待處理圖像的尺寸,提高計(jì)算效率.雖然隨著尺度空間的增加,濾波器濾波參數(shù)變大,圖像的模糊程度增加,會(huì)部分降低提取特征點(diǎn)的定位精度,但是部分特征精度的降低不會(huì)影響圖像整體的粗配準(zhǔn)過(guò)程.因此,我們采用在大尺度構(gòu)建AAG尺度空間,獲得AAG-SIFT特征.

對(duì)獲得的大尺度AAG-SIFT特征進(jìn)行匹配,通過(guò)RANSAC算法獲得圖像間的剛體變換關(guān)系[6],然后校正圖像,就可以實(shí)現(xiàn)圖像的粗配準(zhǔn),剛體變換模型如下式所示:

(10)

其中,(x,y)和(u,v)表示兩幅圖像的坐標(biāo),λ是圖像間的尺度參數(shù),θ是圖像間的旋轉(zhuǎn)角度,(x0,y0)表示圖像間的整體平移量.

2.4局部SIFT匹配算法

通過(guò)大尺度AAG-SIFT算法實(shí)現(xiàn)圖像的粗配準(zhǔn),去除圖像整體間的尺度和旋轉(zhuǎn)差異.根據(jù)粗配準(zhǔn)的先驗(yàn)信息,在圖像局部進(jìn)行圖像匹配,可以減少計(jì)算量.另一方面,局部匹配僅在圖像局部相關(guān)區(qū)域搜索匹配點(diǎn)對(duì),去除其他區(qū)域中重復(fù)場(chǎng)景的干擾,保證匹配結(jié)果的正確性,因此,可以獲得更多準(zhǔn)確的匹配點(diǎn)對(duì).考慮到粗配準(zhǔn)已經(jīng)去除了待匹配圖像間的尺度差異,圖像處于同樣的尺度條件下,因此,可以只構(gòu)建一組尺度空間進(jìn)行局部圖像匹配.也就是說(shuō),局部SIFT匹配算法只構(gòu)建組數(shù)o=0的高斯尺度空間,然后生成SIFT特征.

粗配準(zhǔn)后的圖像間,同名點(diǎn)對(duì)間只存在局部范圍內(nèi)的平移,如圖4所示.ui(x,y)和vj(x′,y′)分別表示兩幅圖像中的第i個(gè)和第j個(gè)特征向量,(x,y)和(x′,y′)分別表示這兩個(gè)特征點(diǎn)的坐標(biāo),假設(shè)空間搜索范圍半徑為R,則對(duì)于圖4(b)中特征vj(x′,y′)的局部空間限制可以表示為:

ui(x,y):(x-x′)2+(y-y′)2≤R2

(11)

圖4(a)中,以點(diǎn)(x′,y′)為圓心,R為半徑圓區(qū)域內(nèi)可以找到符合式(11)空間限制的一系列待匹配特征點(diǎn)u0,…,u3,ui.計(jì)算這些待匹配特征向量與特征向量vj的相似性,如下式所示:

(12)

其中,|*|2表示計(jì)算向量的二范數(shù),Td表示特征向量相似性閾值.在搜索范圍R內(nèi),特征向量間最小距離小于閾值Td,則特征vj(x′,y′)的最佳匹配特征為ui(x,y).為了保證匹配的正確性,這里采用雙向匹配策略:假設(shè)以特征ui(x,y)為基準(zhǔn)局部匹配得到的最佳匹配特征為vj(x′,y′),相應(yīng)地,要求以vj(x′,y′)為基準(zhǔn)的局部匹配得到的最佳匹配特征也必須是ui(x,y),才能認(rèn)定特征ui(x,y)和vj(x′,y′)是最佳匹配的.

除了特征向量,SIFT特征還具有主方向和尺度參數(shù).由于圖像間已經(jīng)去除了整體尺度和旋轉(zhuǎn)差異,對(duì)應(yīng)匹配點(diǎn)對(duì)的主方向角度和尺度參數(shù)差異應(yīng)該在一定范圍內(nèi).因此,我們可以通過(guò)特征主方向和尺度參數(shù)進(jìn)一步篩選匹配點(diǎn)對(duì),保證匹配結(jié)果的準(zhǔn)確性.特征主方向限制可以表示為:

(13)

其中,θ(ui)和θ(vj)分別表示特征的主方向,Tθ表示特征主方向角度偏差閾值.特征尺度參數(shù)限制可以表示為:

(14)

其中,σ(ui)和σ(vj)分別表示特征對(duì)應(yīng)的尺度參數(shù),計(jì)算公式見(jiàn)式(5),Tσ表示特征尺度參數(shù)偏差閾值.

3多源SAR圖像匹配對(duì)比實(shí)驗(yàn)

為了測(cè)試本文算法的性能,分別基于機(jī)載和星載SAR圖像,與常用的OCT-SIFT[2]以及BF-SIFT[4]算法進(jìn)行對(duì)比實(shí)驗(yàn).本文算法參數(shù)設(shè)置如下:大尺度AAG-SIFT尺度空間o=2～4,局部SIFT尺度空間o=0,空間搜索半徑R=50,特征向量相似性閾值Td=100000,主方向旋轉(zhuǎn)角度偏差閾值Tθ=10°,尺度參數(shù)偏差閾值Tσ=1.3.實(shí)驗(yàn)對(duì)比準(zhǔn)則包括:

(1)匹配點(diǎn)數(shù)量:

由于SAR圖像的成像特點(diǎn),不同成像條件下的圖像會(huì)存在局部幾何畸變,需要在圖像局部處理,更多的匹配點(diǎn)對(duì)更利于圖像局部的精處理.

(2)匹配點(diǎn)空間分布質(zhì)量:

控制點(diǎn)的離散分布對(duì)于圖像的精確處理具有重要的意義,文獻(xiàn)[10]中嘗試用不同數(shù)量和分布的控制點(diǎn)對(duì)遙感圖像進(jìn)行配準(zhǔn),發(fā)現(xiàn)配準(zhǔn)精度不僅取決于同名點(diǎn)的數(shù)目,而且與同名點(diǎn)的分布質(zhì)量有重要的關(guān)系.描述控制點(diǎn)分布離散性的分布質(zhì)量公式見(jiàn)式(15):

(15)

(16)

3.1不同視角機(jī)載SAR實(shí)驗(yàn)

本組實(shí)驗(yàn)中選取兩幅機(jī)載X波段不同視角的長(zhǎng)治郊區(qū)圖像,拍攝時(shí)間分別為2010年12月4日和7日.匹配結(jié)果見(jiàn)圖5,右圖獲取的視角較小,距離向壓縮明顯.圖5(a)～5(c)中分別展示了不同算法在原始圖像上的匹配結(jié)果,圖5(d)中展示了在粗配準(zhǔn)后的圖像上,局部SIFT匹配的結(jié)果.幾種匹配算法提取匹配點(diǎn)數(shù)以及匹配結(jié)果空間分布質(zhì)量如表1所示.

對(duì)比實(shí)驗(yàn)結(jié)果可以看出,本文中提出的級(jí)聯(lián)變換SIFT匹配算法提取匹配點(diǎn)數(shù)最多,而且匹配點(diǎn)的空間分布質(zhì)量最好.常用的SIFT-OCT和BFSIFT算法的尺度空間是由1～3組尺度構(gòu)成,在降采樣后圖像進(jìn)行圖像匹配,而局部SIFT算法在原始分辨率圖像構(gòu)成尺度空間,因此,級(jí)聯(lián)SIFT算法可以提取更多的特征點(diǎn),并保證了最終獲得匹配點(diǎn)的數(shù)量.另一方面,級(jí)聯(lián)SIFT算法采用局部匹配策略,匹配過(guò)程在局部區(qū)域內(nèi)進(jìn)行,去除了圖像其他區(qū)域的相似紋理對(duì)匹配結(jié)果的干擾,大大提高了獲得圖像匹配點(diǎn)對(duì)的數(shù)量.SIFT-OCT和BFSIFT算法獲得的預(yù)匹配點(diǎn)對(duì),需要通過(guò)RANSAC算法進(jìn)行篩選.RANSAC算法假設(shè)圖像間符合一定的幾何模型,常用的幾何模型有仿射變換模型和剛體變換模型,這種圖像間幾何模型的假設(shè)限制了控制點(diǎn)的幾何分布,而且不能應(yīng)對(duì)圖像間的局部幾何畸變問(wèn)題.在級(jí)聯(lián)SIFT匹配算法中,圖像的粗配準(zhǔn)為局部匹配算法提供了先驗(yàn)幾何限制,因此,局部最佳匹配結(jié)果可以作為全局最佳匹配位置.特征向量相似性、特征主方向一致性以及特征尺度參數(shù)的篩選進(jìn)一步確保匹配結(jié)果的正確性.不假設(shè)圖像間的幾何模型關(guān)系,使得級(jí)聯(lián)SIFT算法能獲得更好的匹配點(diǎn)對(duì)空間分布質(zhì)量,更適用于處理存在局部幾何畸變的SAR圖像數(shù)據(jù).

表1　不同視角影像間同名點(diǎn)提取結(jié)果

圖6展示了圖5(d)中矩形框標(biāo)示的4對(duì)匹配點(diǎn)附近區(qū)域的交叉顯示圖.從圖中可以看出,同名點(diǎn)附近紋理過(guò)渡平滑,河流、道路、山脊等明顯地物結(jié)構(gòu)特征連續(xù),匹配點(diǎn)定位準(zhǔn)確.

3.2不同傳感器星載SAR實(shí)驗(yàn)

本部分實(shí)驗(yàn)選取兩幅來(lái)自TerraSAR-X和Cosmo的星載數(shù)據(jù),圖像經(jīng)過(guò)正射校正,都是HH極化方式,圖像的空間分辨率分別是2.5m和3.0m.表2中列出了不同匹配算法得到的同名點(diǎn)數(shù)量和空間分布質(zhì)量.

從表中看出,級(jí)聯(lián)SIFT算法明顯地提高了提取的匹配點(diǎn)對(duì)數(shù)量,而且控制點(diǎn)的空間分布質(zhì)量最佳.圖7中展示了不同算法得到的匹配結(jié)果,從圖中可以看出,由于數(shù)據(jù)來(lái)自不同傳感器,同一地物的輻射差異明顯,匹配難度較大.級(jí)聯(lián)SIFT算法能找到數(shù)量最多的同名點(diǎn),而且控制點(diǎn)遍布圖像的各個(gè)區(qū)域,分布質(zhì)量最好,為后續(xù)圖像精處理提供了有力的依據(jù).

表2　不同傳感器影像間同名點(diǎn)提取結(jié)果

圖8展示了圖7中標(biāo)注的4個(gè)典型匹配點(diǎn)對(duì)附近區(qū)域的交叉顯示結(jié)果.相同地物在不同圖像中的表征變化明顯,圖像間存在明顯的輻射差異性,匹配難度較大.通過(guò)級(jí)聯(lián)SIFT算法獲得的匹配點(diǎn)對(duì),地物的結(jié)構(gòu)特征過(guò)度平滑,定位精度高.局部SIFT匹配是由組數(shù)o=0的尺度構(gòu)成,圖像模糊程度最低,特征點(diǎn)的定位精度最高.同時(shí),局部匹配算法充分利用了圖像間已知的幾何關(guān)系,在圖像局部比較相似性,圖像的不相關(guān)區(qū)域不會(huì)對(duì)匹配結(jié)果產(chǎn)生干擾,而特征向量的相似性、方向性和尺度參數(shù)限制,保證了匹配結(jié)果的準(zhǔn)確性.

4結(jié)論

文章針對(duì)多源SAR圖像匹配問(wèn)題,提出一種級(jí)聯(lián)SIFT匹配算法.首先通過(guò)大尺度AAG-SIFT算法實(shí)現(xiàn)圖像的粗配準(zhǔn),然后采用局部SIFT匹配算法獲得大量離散分布的匹配點(diǎn)對(duì).算法可以應(yīng)用于不同場(chǎng)景下的多源SAR圖像間的匹配,大尺度AAG-SIFT算法通過(guò)在大尺度構(gòu)建各向異性尺度空間,保證算法魯棒性;局部SIFT匹配算法在低尺度空間獲得大量特征點(diǎn),定位精度高,同時(shí)充分利用預(yù)知幾何先驗(yàn)篩選匹配結(jié)果,保證匹配結(jié)果的準(zhǔn)確性.與已有的SIFT-OCT和BFSIFT算法相比,本文提出的算法有效地增加了獲得匹配點(diǎn)的數(shù)量和分布質(zhì)量.

參考文獻(xiàn)

[1]Lowe DG.Distinctive image features from scale-invariant keypoints[J].International journal of computer vision,2004,60(2):91-110.

[2]Schwind P,Suri S,Reinartz P,et al.Applicability of the SIFT operator to geometric SAR image registration[J].International Journal of Remote Sensing,2010,31(8):1959-1980.

[3]Alcantarilla PF,Bartoli A,Davison AJ.KAZE features[A].Computer Vision—ECCV 2012[C].Firenze:Springer.214-227.

[4]Wang S,You H,Fu K.BFSIFT:A novel method to find feature matches for SAR image registration[J].Geoscience and Remote Sensing Letters,IEEE,2012,9(4):649-653.

[5]Wang F,You H,Fu X.Adapted anisotropic gaussian SIFT matching strategy for SAR registration[J].Geoscience and Remote Sensing Letters,IEEE,2015,10(3):573-577.

[6]Fischler MA,Bolles RC.Random sample consensus:a paradigm for model fitting with applications to image analysis and automated cartography[J].Communications of the ACM,1981,24(6):381-395.

[7]Geusebroek J-M,Smeulders AW,Van De Weijer J.Fast anisotropic gauss filtering[J].Image Processing,IEEE Transactions on,2003,12(8):938-943.

[8]Harris C,Stephens M.A combined corner and edge detector[A].Fourth Alvey Vision Conference[C].Manchester,UK:AVC,1988,147-151.

[9]Mikolajczyk K,Schmid C.Scale & affine invariant interest point detectors[J].International journal of computer vision,2004,60(1):63-86.

[10]Zhu Q,Wu B,Xu Z.Seed point selection method for triangle constrained image matching propagation[J].Geoscience and Remote Sensing Letters,IEEE,2006,3(2):207-211.

王峰男,1988年出生于山東省日照市,現(xiàn)工作于中國(guó)科學(xué)院電子學(xué)研究所,博士,主要研究方向?yàn)槎嘣催b感圖像配準(zhǔn)處理.

E-mail:wfeng-gucas@126.com

Cascade SIFT Matching Method for Multi-Source SAR Images

WANG Feng1,2,YOU Hong-jian1,2,FU Xing-yu1,2,XU Ning1,2,3

(1.InstituteofElectronics,ChineseAcademyofSciences,Beijing100190,China;2.KeyLaboratoryofTechnologyinGeo-spatialInformationProcessingandApplicationSystem,InstituteofElectronics,ChineseAcademyofSciences,Beijing100190,China;3.GraduateSchool,ChineseAcademyofSciences,Beijing100190,China)

Abstract:This paper presents a cascade SIFT matching method to get large numbers of discrete distributed matches for accurate procedure of multi-source SAR images.Firstly,to obtain more robust matching result,a large scale adapted anisotropic Gaussian scale-invariant feature transform (AAG-SIFT) method is proposed.It is constructed based on large scale AAG scale space,where unstable local textures are blurred,but the structures remain unaffected.Secondly,a local SIFT matching method is recommended which extracts SIFT features from the coarse registered images.And then the features are matched in the local regions to avoid the interferences of the repeated textures from uncorrelated regions.Finally,the priori condition of scale and rotation consistency is used to filter matches,guaranteeing the accuracy of the matching results.Compared with traditional matching methods,the proposed method increases the number and distribution quality of the matches,and the location of the matches is accurate.

Key words:multi-source SAR images matching;cascade SIFT;AAG-SIFT;local matching

作者簡(jiǎn)介

DOI:電子學(xué)報(bào)URL:http://www.ejournal.org.cn10.3969/j.issn.0372-2112.2016.03.008

中圖分類(lèi)號(hào):TN957.52

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0372-2112 (2016)03-0548-07

收稿日期:2014-10-20;修回日期:2015-07-06；責(zé)任編輯：梅志強(qiáng)

E-mail：luoying2002521@163.com