劉 妍 余 淮 楊 文 李 立

?

利用SAR-FAST角點檢測的合成孔徑雷達圖像配準方法

劉 妍 余 淮 楊 文*李 立

(武漢大學電子信息學院 武漢 430072)

合成雷達孔徑圖像配準作為變化檢測和圖像信息融合的基礎，對多時相SAR圖像的解譯具有重要作用。該文提出一種基于SAR-FAST角點檢測的圖像配準方法。首先，選用迭代引導平滑算法抑制斑點噪聲對角點檢測的影響；然后，以檢測點為圓心，選擇合適的檢測半徑，在圓周上選取檢測窗口，統(tǒng)計與檢測點不相似的窗口數量，判斷檢測點是否為角點；最后，對候選角點進行分析，根據其強度分布特點進一步剔除誤檢點。實驗結果表明，SAR-FAST可以檢測到足夠數量且穩(wěn)定性和重復性好的角點，應用于圖像配準，也能獲得較好的配準效果。

合成孔徑雷達；角點檢測；特征描述；圖像配準

1 引言

SAR圖像配準是將不同時間、不同傳感器、不同視角及不同成像條件下獲取的兩幅或多幅SAR圖像進行(主要是幾何意義上的)空間位置上的對齊，它是變化檢測、圖像融合、3維重建以及地圖更新等圖像分析任務的基礎[1]。配準精度將直接影響后續(xù)圖像解譯的效果。

目前SAR圖像配準的方法可分為基于灰度、基于特征的方法[2]?；诨叶确椒ㄒ话闶褂没バ畔3]，但是對于梯度信息不明顯的SAR圖像并不適用[4]，且以計算復雜度為代價[5]。SAR圖像包含許多識別性特征，如點、線、區(qū)域特征，因為線特征和區(qū)域特征對場景內容具有局限性，計算消耗大，所以點特征應用的更多[6]。SAR圖像求取點特征方法，一般是基于光學圖像角點檢測算法，對其進行修改使其適用于SAR圖像。其中應用最為廣泛的是對尺度不變特征變換(Scale-Invariant Feature Transform, SIFT)[7]進行改進，由于斑點噪聲對第1層尺度空間影響最大，文獻[8]提出SIFT-OCT(skipping of the first scale-space OCTave)算法舍棄第1層尺度空間，但是細節(jié)信息的丟失會產生定位誤差；文獻[9]提出基于Voronoi 圖優(yōu)化SIFT特征分布的方法，成功獲得更好的匹配效率和更優(yōu)的特征分布情況。此外，也有對其他角點的改進，文獻[10]把Harris[11]角點檢測中梯度的計算用比值運算代替差分，提出針對SAR圖像的SAR-Harris，聯合改進的SIFT描述子得到SAR-SIFT特征，但是在斑點噪聲較大的區(qū)域會定位失敗[6]。FAST(Features from Accelerated Segment Test)[12]定義為若某像素點與其周圍鄰域內足夠多的像素點不相似，則該點為角點，與此類似，本文中，若某一區(qū)域與周圍鄰域內足夠多的區(qū)域不相似，那么該區(qū)域的中心點定義為角點。FAST算法簡單、快速，但是當圖像中的噪聲很強時它的魯棒性并不好，因此不能直接應用于SAR圖像，針對此問題，本文提出一種針對SAR圖像的角點檢測算法，SAR-FAST，并通過SAR圖像配準檢驗其效果。

為了降低斑點噪聲對角點檢測的影響，首先使用迭代引導(Rolling Guidance, RG)算法對SAR圖像進行平滑；然后，以檢測點為圓心，在圓周上選取檢測窗口，根據是否有足夠多的檢測窗口與檢測點不相似，判斷檢測點是否為角點；最后，根據角點的梯度特點，剔除誤檢點。利用SAR-FAST進行角點檢測，結合SIFT特征描述算法[7]，對特征點進行匹配，根據匹配點構建圖像之間轉換關系，進行SAR圖像配準實驗。

2 SAR-FAST

利用SAR-FAST對SAR圖像進行角點檢測步驟如圖1所示。檢測過程包括定位個窗口，檢測每個窗口與中心窗口相似度，若存在連續(xù)個以上窗口與中心窗口不相似，那么該點為候選點，由角點梯度特點剔除誤檢點，再進行非極大值抑制，完成SAR-FAST角點檢測。

2.1 圖像預處理

由于斑點噪聲的存在，SAR圖像存在很多干擾角點檢測的細小紋理，對其進行平滑處理，可以減少斑點噪聲的影響。

本文采用可以濾除細小紋理并充分保留圖像顯著性結構與邊緣信息的迭代引導平滑算法[13]。迭代引導平滑算法首先使用高斯濾波移除圖像中的細小紋理。然后，根據包含了重要結構以及邊緣的原始SAR圖像對濾波圖像進行邊緣增強。它是一個迭代平滑過程，迭代次數越多圖像的主要紋理結構越清晰。迭代引導算法對SAR圖像的平滑效果如圖2所示，圖2(c)、圖2 (d)分別是圖2(a)、圖2 (b)中方框細節(jié)放大圖，由圖2(c)、圖2 (d)對比發(fā)現，濾波后圖像變得平滑，且邊緣結構依舊明顯。

圖1 SAR-FAST角點檢測過程

2.2 角點檢測

FAST是由Rosten[12]等人提出來的一種適用于光學圖像的角點檢測算法，其在角點提取精度和計算效率上表現出良好的性能。FAST的主要原理是，以檢測點為圓心，檢測半徑為3像素，如果在圓周16個像素點中(如圖3(a)所示)，有連續(xù)9個或9個以上的點與檢測點不相似，那么判斷此檢測點為角點。因為斑點噪聲的存在，FAST并不能直接用于提取SAR圖像角點。因此本文結合SAR圖像的特點，提出面向SAR圖像的改進FAST角點提取算法，并將其應用于SAR圖像的配準。

斑點噪聲使圖像中相鄰像素之間強度差異較大。為了增強角點檢測的魯棒性，SAR-FAST在計算相似度的時候用的窗口代替FAST算法中的單個像素點。為了更好地體現檢測點與周圍窗口的梯度變化情況，SAR-FAST的窗口覆蓋范圍更大，選用半徑為像素內的個小窗口。取=9,=16時的SAR-FAST的檢測示意圖如圖3(b)所示。

圖2 平滑效果

圖3 像素點分布情況

(2)

由此，在理想情況下，可以得到不同區(qū)域下的像素分布特點如圖4所示，圖中箭頭指向梯度方向。假設由中心點發(fā)出的箭頭用表示，數量為.表示箭頭指向中心點，數量為。若為邊緣區(qū)域，兩者相差不大，；對于角點，由于存在角度，總有一個數量大于等于9，即或；平坦地區(qū)，因為平滑作用，兩者均遠小于9，即。

在真實SAR圖像中，因其特殊性，除了圖4的情況，還會在平坦地區(qū)出現強度值的起伏。本文先分析這些點的特性，再進行篩選。圖5給出了典型誤檢情況的梯度分布。由圖可知，誤檢點特點有或，與中心窗口相似的窗口存在不連續(xù)。首先，對不連續(xù)窗口之間的數量按大小順序進行統(tǒng)計。假設梯度方向指向中心點的窗口中不連續(xù)窗口數量集合為，梯度方向背離中心點的窗口中不連續(xù)窗口數量集合為，其中表示相同指向的箭頭出現不連續(xù)窗口的次數，因為窗口數量有限，且同時存在和，設置,，如圖5(c)中,,,。其次，設置的約束條件為：(1); (2)。因為在平滑之后，圖像中出現強度突變的可能性降低，但是不排除這種可能，所以把閾值設置為2，即不連續(xù)窗口之間允許存在不大于兩個窗口的間斷。由圖4(b)可知角點的和均不為0，所以條件(1)、條件(2)須同時滿足。

圖4 不同區(qū)域的梯度分布

圖5 出現在平坦地區(qū)的誤檢

3 特征描述子

角點檢測是通過一定的變換或者算法在圖像的局部定位極值點，比如說Harris角點[11]，FAST角點[12]，其定位的特征點一般具有特殊性。特征描述是對特征點鄰域的“特殊性”或者“唯一性”信息進行編碼，編碼之后形成描述子，描述子對應于特征的尺度、旋轉等不變性，同時體現鄰域的特殊性。描述子使角點具有區(qū)分性，用于后續(xù)的特征匹配。特征匹配可以獲取不同圖像在特征點信息上的一致性，再通過圖像全局的幾何變換一致性，獲取全局配準信息。

通過實驗比較，本文選擇SIFT(Scale Invariant Feature Transform)描述子對角點進行描述。SIFT是由Lowe[7]提出來的一種被廣泛使用的局部特征點，可以分為特征點檢測以及特征描述兩階段。本文使用SAR-FAST進行特征點檢測，使用SIFT描述子進行特征描述。首先，對角點鄰域窗口采樣，使用直方圖統(tǒng)計鄰域像素梯度方向，直方圖的峰值即為角點的方向。將坐標旋轉至角點的方向，以確保旋轉不變性。接著，以角點為中心，取大小的窗口，計算每一個像素的梯度，使用高斯下降函數降低遠離中心的權重。然后，取窗口為一個單元，對其中的梯度在8個方向上進行直方圖統(tǒng)計，串聯統(tǒng)計值，得到128維的SIFT描述子。

4 實驗分析

4.1 SAR-FAST角點檢測實驗

在實驗過程中，檢測半徑設置為9，若過小，檢測窗口不能夠表達出梯度的變化，若過大，則會增加消耗。當=9時，檢測窗口既可以覆蓋梯度變化，計算代價也較小，此時相應的檢測窗口數量=16,=9。

本文使用兩組實驗數據，一組是模擬SAR圖像(利用光學圖像疊加服從Gamma分布的斑點噪聲形成)，一組是真實SAR圖像。實驗中，閾值Th的設置為20。圖6(a)，圖6 (b)、圖6 (c)和圖6(d)分別給出了SAR-Harris，SAR-FAST在兩組SAR圖像中角點檢測的結果。

由圖6(c)、圖6(d)可知，對于模擬SAR圖像，SAR-FAST全部角點檢測無誤，對于更加復雜的真實SAR圖像，也有較好的角點定位效果，由圖6對比可知，相比較于SAR-Harris, SAR-FAST在誤檢、虛檢均有更好的表現。為了進一步驗證SAR-FAST的性能，本文對SAR-FAST的重復性[11]、角點數量的一致性(Consistency of Corner Numbers, CCN)[14]兩個指標進行分析。重復性是指檢測算法能否在兩幅圖像中相同位置檢測出角點，對于兩幅圖像，檢測到角點集合分別為P, P，檢測數量分別為N, N，重復性的計算方法為

其中，為兩點的歐式距離，為距離變量，為兩點距離小于的數量。實驗圖像為5組已經配準好的圖像，誤差為范圍為0~5，步長為0.2。以的數量為基數以百分比的形式表現重復性，兩種檢測方法比較結果如圖7所示，SAR-FAST具有比SAR-Harris更好的重復性。

CCN的計算公式方法為

其中，n為原圖像檢測到的角點的數量，n為旋轉之后的圖像檢測到的角點數量，它反映了在旋轉之后角點的數量變化情況，若角點數量穩(wěn)定也可以證明檢測算子的旋轉不變性。本文選用的旋轉角度區(qū)間[-90°,90°]，步長為10°，實驗圖像為圖6(d)。由于圖像在旋轉的時候，用0補齊為矩形，而SAR-Harris利用比值法得到梯度圖像，在補值邊緣會形成遠大于圖像梯度的梯度值，從而使角點落在補值邊緣，因此，CNN實驗沒有使用SAR-Harris進行對比。SAR-FAST的CCN的指標如圖8(a)所示，為了更好地表示角點數量一致性，圖8(b)給出相應角度的角點數量，由圖可知，SAR-FAST檢測數量穩(wěn)定。

圖6 SAR-FAST與SAR-Harris的檢測結果比較

4.2 SAR圖像配準

通過實驗比較，使用SIFT, SURF[15], BRISK[16], BRIEF[17]對角點進行描述，對相應的匹配點數量進行比較，結果如表1所示，由表1可知，SIFT的性能更好。因此本文選擇SIFT描述子進行圖像配準，使用最近鄰匹配算法[18]進行粗匹配，RANSAC算法進行精匹配，對精配準點使用最小二乘算法優(yōu)化得到轉換矩陣。

表1 描述子匹配點對數比較

實驗使用的配準誤差評價指標為均方根誤差(Root Mean Squared Error, RMSE)，即

其中，為精匹配對的數量，表示仿射變化矩陣，,分別為兩圖的匹配點。

圖9分別為使用SAR-FAST和SAR-Harris角點檢測后兩幅圖像的匹配效果，圖9(a)、圖9(b)匹配的點數分別為103和30，圖10為47和32，比較匹配結果可知，使用SAR-FAST算法的匹配點數量更多，且分布更加均勻。圖11、圖12表示相應的配準結果，為了便于直接觀察配準效果，兩圖重疊部分用方框標記，使用馬賽克表示。由圖可以直觀地看到配準的效果，配準之后的圖像中直線部分、曲線部分銜接的比較好，沒有出現明顯的斷裂和彎折。SAR-FAST和SAR-Harris的RMSE分別為1.9689, 2.8816。

圖7 重復性比較????????????????????圖8 角點數量一致性

圖9 SAR-FAST匹配效果

圖10 SAR-Harris 匹配效果

圖11 SAR-FAST配準效果

圖12 SAR-Harris配準效果

4 結束語

本文提出一種適用于SAR圖像的角點檢測算法，SAR-FAST。它通過擴大檢測半徑，增大檢測窗口，并根據候選點的梯度特征對誤檢進行剔除，解決了FAST角點檢測方法不能直接應用于SAR圖像的問題。該方法在角點的重復性，角點數量的穩(wěn)定性方面均有很好的表現，應用于SAR圖像配準也能獲得較高的配準精度。對于復雜場景SAR圖像的配準，特別是在城區(qū)，往往會出現同名角點對應不同地物目標的情況，需要結合更多信息進行配準，比如線特征，面特征等，這些將作為下一步的研究方向。

[1] 王國力, 周偉, 柴勇, 等. 基于單演信號理論的SAR圖像配準[J]. 電子與信息學報, 2013, 35(8): 1779-1785doi: 10.3724/ SP.J.1146.2012.01487.

WANG Guoli, ZHOU Wei, CHAI Yong,. SAR image registration based on monogenic signal theory[J].&, 2013, 35(8): 1779-1785. doi: 10.3724/SP.J.1146.2012.01487.

[2] DALIMIYA C and DHARUN V.A survey of registration techniques in remote sensing images[J]., 2015, 26(8). Paper No. 24,doi: 10.17485/ijst/ 2015/v8i26/81048.

[3] ZHANG H, NI W, YAN W,. Robust SAR image registration based on edge matching and refined coherent point drift[J].2015, 12(10): 2115-2119. doi:10.1109/LGRS.2015.2451396.

[4] 李英杰, 張俊舉, 常本康, 等. 一種多波段紅外圖像聯合配準和融合方法[J]. 電子與信息學報, 2016, 38(1): 8-14.doi: 10.11999/JEIT150479.

LI Yingjie, ZHANG Junju, CHANG Benkang,. Joint image registration and fusion for multispectral infrared images[J].&, 2016, 38(1): 8-14. doi: 10.11999/JEIT150479.

[5] 鄧梁, 史儀凱, 張均田. 基于時變醫(yī)學先驗信息的約束成像及圖像配準方法[J]. 電子與信息學報, 2013, 35(12): 2942-2947. doi:10.3724/SP.J.1146.2012.01565.

DENG Liang, SHI Yikai, and ZHANG Juntian. A constrained imaging and registration scheme based on time-varying anatomical priors [J].&, 2013, 35(12): 2942-2947. doi:10.3724/SP.J.1146.2012.01565.

[6] WANG S, YOU H, and FU K.BFSIFT:A novel method to find feature matches for SAR image registration[J]., 2012, 9(4): 649-653. doi:10.1109/LGRS.2011.2177437.

[7] LOWE D. Object recognition from local scale-invariant features[C]. IEEE International Conference on Computer Vision, Corfu, Greece, 1999: 1150-1157.

[8] SCHWIND P, SURI S, and REINARTZ P. Applicability of the SIFT operator to geometric SAR image registration[J]., 2010, 31(8): 1959-1980. doi: 10.1080/01431160902927622.

[9] WANG B, ZHANG J, LU L,A uniform SIFT-like algorithm for SAR image registration[J]., 2015, 12(7): 1426-1430. doi:10.1109/LGRS.2015.2406336.

[10] DELLINGER F, DELON J, GOUSSEAU Y,. SAR-SIFT: A SIFT-like algorithm for SAR images[J]., 2015, 53 (1): 453-466. doi:10.1109/TGRS.2014.2323552.

[11] HARRIS C and STEPHENS M. A combined corner and edge detector[C]. Proceedings of the Fourth Alvey Vision Conference, Manchester, UK. 1988: 147-151.

[12] ROSTEN E, PORTER R, and DRUMMOND T. Faster and better: a machine learning approach to corner detection[J]., 2010, 32(1): 105-119. doi:10.1109/ TPAMI.2008.275

[13] ZHANG Q, SHEN X, XU L,.Rolling guidance filter[C]. European Conference on Computer Vision, Zurich, Switzerland, 2014: 815-830.

[14] MOHANNA F, MOKHTARIAN F. Performance evaluation of corner detection algorithms under affine and similarity transforms[C]. 12th British Machine Vision Conference, Manchester, UK, 2001: 1-10

[15] BAY H, TUYTELAARS T, VAN G,SURF: speeded-up robust features[J]., 2008, 110(3): 346-359. doi: 10.1007/11744023_32.

[16] LEUTENEGGER S, CHLI M, SIEGWART R,BRISK: Binary robust invariant scalable keypoints[C]. IEEE International Conference on Computer Vision, Barcelona, Spain, 2011: 2548-2555.

[17] CALONDER M, LEPETIT V, STRECHA C,Brief: Binary robust independent elementary features[C]. European Conference on Computer Vision 2010, Heraklion, Greece, 2010: 778-792.

[18] ANDONI A and INDYK P. Near-optimal hashing algorithms for approximate nearest neighbor in high dimensions[J]., 2008, 51(1): 117-122.

SAR Image Registration Using SAR-FAST Corner Detection

LIU Yan YU Huai YANG Wen LI Li

(,430072,)

As the basis of change detection and image fusion, SAR image registration plays an important role in the interpretation of multi-temporal SAR images. This paper presents a method of SAR image registration based on corner detection using SAR-FAST, which is a customizedversion of Features from Accelerated Segment Test (FAST) for processing SAR images. The proposed method firstly employs rolling guidance filter to suppress speckle noise. Secondly, the candidate corner point is determined by quantitative analysis of the dissimilarities of the detection windows on the extended circle and the center window. Finally, the error detections are removed by analyzing the intensity distribution properties of the candidate corners. The experimental results show that SAR-FAST can detect a sufficient number of corners with stability and high repeatability, and when applying to image registration, it also can get better registration results.

SAR; Corner detection, Feature description; Image registration

TN958; TP751

A

1009-5896(2017)02-0430-07

10.11999/JEIT160386

2016-04-20；改回日期：2016-08-30；

2016-10-21

楊文 yangwen@whu.edu.cn

國家自然科學基金(61271401, 61331016)

The National Natural Science Foundation of China (61271401, 61331016)

劉 妍： 女，1992年生，博士生，研究方向為SAR圖像配準.

余 淮： 男，1992年生，博士生，研究方向為無人機圖像處理與分析.

楊 文： 男，1976年生，教授，博士生導師，研究方向為圖像處理與計算機視覺.

李 立： 男，1971年生，副教授，碩士生導師，研究方向為信號處理、圖像分析.