王 妍 郭 浩 黃 超 安居白

(大連海事大學(xué) 遼寧 大連 116026)

0 引 言

SAR因具有全天時、全天候的優(yōu)點(diǎn)而被廣泛應(yīng)用于海冰漂移監(jiān)測研究，海冰漂移跟蹤的精度依賴短時間間隔圖像序列，由于同源SAR衛(wèi)星重訪時間普遍偏長，可以采用非同源SAR構(gòu)建短時間間隔圖像序列。由于非同源SAR之間波段、極化方式、入射角、噪聲水平等都存在差異，導(dǎo)致異源SAR圖像間往往會存在顯著灰度差異。海冰漂移跟蹤的實(shí)現(xiàn)依賴于圖像匹配，當(dāng)目標(biāo)的特征顯著性偏低，且存在顯著灰度差異時，會給圖像匹配帶來了極大的難度。近年來為了解決SAR圖像海冰匹配的種種問題，國內(nèi)外提出了各種解決方法。

目前圖像匹配多采用基于SIFT描述子的匹配算法[1]。但SIFT特征由于采用高斯濾波會不加甄別地去除重要的圖像細(xì)節(jié)和邊緣信息導(dǎo)致海冰特征顯著度進(jìn)一步降低?；赟IFT改進(jìn)的SURF算法在SAR圖像匹配中依然存在線性濾波所共有的細(xì)節(jié)和邊緣信息丟失問題[2]。Flora等[3]提出了一種SAR-SIFT算法。該算法對斑點(diǎn)噪聲具有魯棒性，不過當(dāng)存在顯著灰度差異時匹配效果并不好。

針對線性空間濾波固有問題，Alcantarilla等[4]提出了一種基于非線性尺度空間的KAZE特征適用于特征顯著性低的目標(biāo)的特征提取。Demchev等[5]在此基礎(chǔ)上提出了AKAZE特征描述符用于海冰漂移跟蹤領(lǐng)域。該算法采用非線性擴(kuò)散濾波可以獲得更多有效的多尺度特征，但是對于灰度差異大的圖像缺乏適應(yīng)性。吳含前等[6-7]在AKAZE算法的基礎(chǔ)上，提出了LDB描述子，提高了灰度差異的適應(yīng)性，但對于灰度差異顯著的非同源SAR圖像匹配時，普遍存在匹配點(diǎn)少，且錯誤匹配點(diǎn)過多的問題[8]。

針對存在顯著性灰度差異的SAR圖像匹配問題，本文提出一種GLDB-AKAZE方法，考慮到LDB描述子對灰度差異適應(yīng)性的固有優(yōu)勢，以及GLOH描述子在匹配主方向判斷上的優(yōu)勢，本文將二者結(jié)合提出GLDB描述子。重點(diǎn)對Mikolajczyk等[9]提出的GLOH特征的關(guān)鍵點(diǎn)鄰接區(qū)域劃分方法進(jìn)行了改進(jìn)，由田字格劃分修改為八象限圓格劃分，使灰度差異下主方向計算更加準(zhǔn)確。在特征點(diǎn)匹配階段，本文提出一種基于幾何對應(yīng)匹配和灰度差異對應(yīng)匹配的兩步匹配策略。通過實(shí)驗(yàn)對比可以看出，本文算法獲取的圖像特征點(diǎn)匹配點(diǎn)個數(shù)增多，同時有效地抑制了正確的匹配點(diǎn)被剔除現(xiàn)象的發(fā)生，確保匹配精度。

1 數(shù)據(jù)集及預(yù)處理

表1列出了三對(共六景，其中1、2為數(shù)據(jù)集1；3、4為數(shù)據(jù)集2；5、6為數(shù)據(jù)集3。)非同源星載SAR海冰場景相關(guān)主要信息，表2列出了兩對(共四景，其中1、2為測試集1；3、4為測試集2。)同源星載SAR海冰場景相關(guān)主要信息。五組數(shù)據(jù)均為SAR海冰圖像都受到一定程度的相干斑噪聲影響，數(shù)據(jù)集1分辨率區(qū)別不大，光照區(qū)別較大，入射角度不同，且極化方式不同，其灰度有較大差異；數(shù)據(jù)集2分辨率區(qū)別較大，光照幾乎沒有區(qū)別，入射角度相似，但極化方式不同，其灰度有較小差異；數(shù)據(jù)集3分辨率沒有區(qū)別，入射角度相似，但光照區(qū)別較大，且極化方式不同，其灰度有較小差異；測試集1與測試集2為同源數(shù)據(jù)分辨率，入射角度、極化方式等幾乎沒有區(qū)別，但兩組圖像的光照都有很大區(qū)別，更適合研究基于灰度差異產(chǎn)生的匹配問題。在預(yù)處理階段，進(jìn)行了幾何校正，5×5的增強(qiáng)Lee濾波去噪(本文分別使用3×3、5×5、7×7、9×9的增強(qiáng)Lee濾波進(jìn)行去噪，實(shí)驗(yàn)后發(fā)現(xiàn)，7×7、9×9的增強(qiáng)Lee濾波去噪后，噪聲依然會匹配影響海冰有效匹配，3×3的增強(qiáng)Lee濾波去噪后模糊了部分邊緣信息丟失有效匹配點(diǎn))，為配合后續(xù)的實(shí)驗(yàn)對比，對部分圖像進(jìn)行灰度增強(qiáng)處理以及反色處理，并給測試集進(jìn)行分辨率變換，并依次加椒鹽噪聲、斑點(diǎn)噪聲、高斯噪聲。

表1 非同源SAR海冰圖像信息

表2 非同源SAR海冰圖像信息(測試集

2 GLDB-AKAZE算法介紹

本文提出的GLDB-AKAZE算法主要思想基于AKAZE特征非線性濾波保持海冰的有效特征，然后利用GLDB描述子確定有效的特征主方向，最后通過兩步匹配策略完成配準(zhǔn)。本文研究思路如圖1所示。

圖1 技術(shù)路線

2.1 非線性尺度空間的構(gòu)建

考慮到SAR圖像的非顯著性，本文首先基于AKAZE特征非線性濾波最大程度地保留海冰的邊緣信息以及重要的圖像細(xì)節(jié)。式(1)為非線性擴(kuò)散公式：

(1)

式中：div和▽分別是發(fā)散和梯度算子；L是圖像灰度；c表示電導(dǎo)率函數(shù)，在本文使用Perona等提出的g2電導(dǎo)率函數(shù)。代碼如下：

int Create_Nonlinear_Scale_Space(const cv::Mat&1mg)

{

if(evolution.size()==0)

{

std::cout<<"--->Error generating the nonlinear scale space!!"<

std::cout<<"--->Firstly you need to call

KAZE::Allocate_Memory_Evolution()"<

return -1;

}

img.convertTo(evolution[0].Lt,CV 32F,0.005,0.002);

Gaussian_2D_Convolution(evolution[0].Lt,evolution[0].Lt,0,0,soffset);

Gaussian_2D_Convolution(evolution[0].Lt,evolution[0].Lsmooth,0,0,sderivatives);

//現(xiàn)在生成其余的進(jìn)化等級

for(unsigned int i=1;i

{

evolution[i].sImg=cv::Mat::zeros(img_width,img_height,CV_32F);

evolution[i].cImg=cv::Mat::zeros(img width,img height,CV 32F);

Gaussian_2D_Convolution(evolution[i-1].Lt,evolution[i].Lsmooth,0,0, sderivatives);

//計算高斯導(dǎo)數(shù)Lx和Ly

Image_Derivatives_Scharr(evolution[i].Lsmooth, evolution[i].Lx,1,0);

Image_Derivatives_Scharr(evolution[i].Lsmooth，evolution[i].Ly，θ，1);

TV Diffusivity(evolution[i].Lsmooth,evolution[i].Lflow,evolution[i].Lx,evolution[i].Ly);

//與AOS一起執(zhí)行擴(kuò)散步驟

AOS_Step_Scalar(evolution[i].t,evolution[i-1].Lt,

evolution[i].Lflow,evolution[i].etime evolution[i-1].etime);

}

return 0;

}

從實(shí)驗(yàn)結(jié)果可知，直接將AKAZE算法應(yīng)用于顯著灰度差異的SAR圖像匹配中存在如下問題：

(1) 特征點(diǎn)數(shù)量減少，匹配點(diǎn)數(shù)量低。

(2) 匹配點(diǎn)分布過于集中。

(3) 存在大量主方向計算錯誤。

2.2 GLDB描述子

針對直接使用AKAZE算法帶來的問題，本文提出一種新的特征描述符GLDB。該描述符結(jié)合了LDB與GLOH的優(yōu)勢。LDB描述子是一種二值描述子[10]，它不僅利用圖像的灰度信息，而且引入了圖像的一階梯度信息，能獲得較高的差異性。GLOH描述子則增加了特征描述子的魯棒性和獨(dú)特性。

如圖2所示，LDB使用2個網(wǎng)格內(nèi)的平均灰度以及水平和垂直方向的一階梯度信息來區(qū)分3個圖像塊。加入梯度信息使差異性增強(qiáng)，從而使得配準(zhǔn)時會對灰度變化更加敏感，但容易導(dǎo)致主方向錯誤。如圖3所示，本文將海冰SAR圖像劃分為5×5的網(wǎng)格，通過LDB獲得每個圖像塊內(nèi)關(guān)鍵點(diǎn)位置周圍圖像網(wǎng)格的平均灰度和一階梯度。

圖2 3個不同灰度分布的圖像塊的圖例

圖3 使用LDB描述子的灰度分析實(shí)例

針對主方向提取問題，本文重點(diǎn)設(shè)計提出八象限圓格劃分提取方法，如圖4所示，將八象限圓格劃分用于關(guān)鍵點(diǎn)特征描述及主方向計算。選用極坐標(biāo)同心圓，其半徑依次設(shè)為6、11、15。角度方向按照每等分π/4分成8等分，一共形成17個圖像子塊。本文對GLOH進(jìn)行簡化，在生成梯度直方圖時，只分8個方向，這樣特征向量的維數(shù)為17×8=136，免去了降維環(huán)節(jié)，減少對樣本圖像的依賴性。進(jìn)而有效保證了主方向的提取精度，具體操作過程如下：

1) 通過GLDB描述符可以獲取8個不同方向梯度直方圖，并獲得不同角度下的圖像塊內(nèi)部平均灰度和一階梯度，從而解決了單一使用LDB算法而產(chǎn)生的有關(guān)旋轉(zhuǎn)不變性的問題。

2) 針對17個圖像塊進(jìn)行步驟1)操作，從而對噪聲有更強(qiáng)的魯棒性。

3) 獲取17個圖像塊中8個方向共計136個方向信息，最終形成本文提出的GLDB描述符。需要指出，由于原始的LDB描述符參數(shù)使用笛卡爾坐標(biāo)，而GLOH描述符參數(shù)使用極坐標(biāo)，在進(jìn)行結(jié)合時通過將圖像映射到極指數(shù)空間的方式將笛卡爾坐標(biāo)轉(zhuǎn)換為極坐標(biāo)(代碼如下)，進(jìn)而將通過LDB描述符得到的平均強(qiáng)度和一階梯度轉(zhuǎn)換成8個角度中x軸和y軸上不同的偏移。

pl.dis=sqrt(xypos.x*xypos.x+xypos.y*xypos.y);pl.ang=atan2(xypos.y,xypos.x);

4) 對相鄰區(qū)域塊進(jìn)行兩兩測試，以判斷是否存在灰度差異變化，公式如下：

(2)

式中：Fi∈{Iavg(i),dx(i),dy(i)}，Iavg為圖像塊的平均灰度，dx、dy分別為一階梯度信息。

圖4 GLOH描述子的區(qū)域劃分

基于GLDB的AKAZE算法與SIFT算法和AKAZE算法對比如表3所示。從中看出本文方法得到了更多的匹配點(diǎn)并且匹配正確率有了大幅度提升。如表4所示，對于存在顯著灰度差異的圖像，使用GLDB描述子后能獲得較多的待匹配點(diǎn)，但進(jìn)行RANSAC錯誤點(diǎn)剔除時發(fā)現(xiàn)部分正確匹配點(diǎn)也被剔除，導(dǎo)致特征匹配點(diǎn)偏少。

表3 對數(shù)據(jù)集1原圖的初始匹配結(jié)果

表4 對數(shù)據(jù)集1反色圖像的初始匹配結(jié)果

2.3 兩步再匹配策略

在特征匹配階段，針對RANSAC[11]的固有錯誤，本文提出一種基于幾何對應(yīng)匹配和灰度差異對應(yīng)匹配的兩步匹配策略。

2.3.1幾何對應(yīng)匹配

本文在初始匹配階段沒有考慮圖像之間的幾何關(guān)系，在匹配階段本文使用幾何約束來選擇幾個候選點(diǎn)，采用M-NCC[12]方法進(jìn)行匹配。首先選擇一個參考圖像中的矩形窗口將其對應(yīng)于匹配圖像，使用初始匹配獲得的對應(yīng)性，然后使用雙線性將不規(guī)則四邊形重新采樣到與矩形窗口相同大小插值，具體步驟如下：

1) 選擇參考圖像上的特征點(diǎn)，這些特征點(diǎn)在初始匹配中被剔除，預(yù)測輸入圖片上的對應(yīng)位置。如圖5所示,其中：P是被匹配的點(diǎn)；P′是與之對應(yīng)的匹配點(diǎn)，由于匹配H可能出現(xiàn)偏移，P′可能不是正確匹配點(diǎn)，因此我們保留距離P點(diǎn)小于n像素的所有點(diǎn)，將其作為數(shù)組{Q1，Q2，…,Qn},計算所有可能點(diǎn)與P之間的M-NCC。

圖5 幾何對應(yīng)匹配(圓圈內(nèi)標(biāo)記的點(diǎn)為距離P在N像素內(nèi)的點(diǎn))

2) 使用新匹配和初始匹配重新計算單應(yīng)矩陣，通過計算RMSE進(jìn)行錯誤匹配剔除。

3) 將保留的匹配和單應(yīng)矩陣作為輸入，重復(fù)步驟1)和步驟2)，直到正確匹配的數(shù)量不再改變。

2.3.2灰度差異對應(yīng)匹配

針對本文提出的顯著灰度差異問題，本文提出一種基于灰度差值的匹配方法，上述幾何對應(yīng)匹配為了保證正確率，使用了過于嚴(yán)格的參數(shù)控制，消除了一些正確的匹配，可能出現(xiàn)正確匹配點(diǎn)已經(jīng)接近相應(yīng)點(diǎn)但未被提取的情況，所以將對其進(jìn)行補(bǔ)充，提高正確率。具體步驟如下：

1) 選擇可能正確匹配的特征點(diǎn)，并找到其候選匹配點(diǎn)。對經(jīng)初始匹配以及幾何對應(yīng)匹配后剔除的點(diǎn)，根據(jù)圖像像素以及分辨率等因素通過實(shí)驗(yàn)設(shè)定一個新的灰度差值閾值，進(jìn)行下一次匹配。

2) 以候選點(diǎn)為中心，周圍3×3(5×5、7×7均未產(chǎn)生新的有效匹配點(diǎn))個特征點(diǎn)的灰度值為一個矩陣，計算每一個點(diǎn)與中心特征點(diǎn)的灰度差絕對值。這使得我們關(guān)注的是灰度的變化，而不是灰度值的增加或者減少。

3) 通過計算矩陣每個方向的期望值，確定其相關(guān)性。根據(jù)RMSE執(zhí)行錯誤匹配剔除。如果RMSE大于1個像素，我們逐個消除誤差最大的點(diǎn)，直到RMSE小于1個像素。之后，計算水平和垂直方向的均方誤差。如果一個點(diǎn)的水平誤差大于1個像素，或者垂直誤差大于1個像素，則該點(diǎn)被刪除。

3 實(shí)驗(yàn)結(jié)果及分析

本文針對非同源SAR海冰圖像匹配時會遇到的三個問題進(jìn)行驗(yàn)證與比較。實(shí)驗(yàn)運(yùn)行在Windows 7系統(tǒng)上，采用英特爾酷睿i7- 6700處理器，主頻為3.40 kHz，內(nèi)存為4 GB，采用Visual Studio 2013和opencv2.4.10進(jìn)行編程模擬實(shí)驗(yàn)。

3.1 匹配點(diǎn)分布過于集中的問題

本文利用數(shù)據(jù)集1圖像進(jìn)行實(shí)驗(yàn)，并使用數(shù)據(jù)集2和數(shù)據(jù)集3圖像進(jìn)行驗(yàn)證。為了驗(yàn)證本文提出的GLDB-AKAZE算法的有效性，將實(shí)驗(yàn)結(jié)果分別與SIFT算法和AKAZE算法進(jìn)行對比。原SIFT算法與AKAZE算法均有匹配點(diǎn)分布過于集中的問題，如圖6所示，AKAZE算法匹配點(diǎn)更集中于圖像中顯著性較強(qiáng)的部分，對周圍相對不夠明顯的區(qū)域缺少匹配點(diǎn)。

圖6 AKAZE算法對數(shù)據(jù)集1的原圖匹配結(jié)果

如圖7和圖8所示，使用GLDB-AKAZE算法進(jìn)行匹配時，除了對顯著性較強(qiáng)的中間厚冰部分可以進(jìn)行很好的匹配以外，對旁邊部分不太明顯的薄冰區(qū)域也可以進(jìn)行很好的匹配，在一定程度上解決了匹配點(diǎn)分布過于集中的問題。本文對3個數(shù)據(jù)集原圖以及灰度增強(qiáng)后的圖像分別進(jìn)行實(shí)驗(yàn)，其中數(shù)據(jù)集1的圖像尤為明顯，雖然正確匹配點(diǎn)依然集中在厚冰區(qū)域，但是薄冰區(qū)也存在很多正確匹配點(diǎn)。

圖7 GLDB-AKAZE算法對數(shù)據(jù)集1的原圖匹配結(jié)果

圖8 GLDB-AKAZE算法對數(shù)據(jù)集1的原圖和灰度處理圖像匹配

如表5及表6所示，本文將匹配圖像等分，統(tǒng)計每小格正確匹配點(diǎn)數(shù),可以看出GLDB-AKAZE算法匹配的特征點(diǎn)分布更為均勻，對圖像中每個網(wǎng)格內(nèi)的特征點(diǎn)都可以有效匹配。

表5 基于GLDB-AKAZE算法對數(shù)據(jù)集1的原圖進(jìn)行3×3等分后各區(qū)域正確匹配點(diǎn)統(tǒng)計

表6 基于GLDB-AKAZE算法對數(shù)據(jù)集1的灰度增強(qiáng)圖進(jìn)行3×3等分后各區(qū)域正確匹配點(diǎn)統(tǒng)計

3.2 顯著性灰度差異圖像匹配效果比較

為了對GLDB-AKAZE算法的灰度適應(yīng)性進(jìn)行深度探究，在原圖像的基礎(chǔ)上，本文對3組數(shù)據(jù)分別進(jìn)行灰度增強(qiáng)處理以及顯著性灰度差異變化(反色)處理。如圖9所示，實(shí)驗(yàn)發(fā)現(xiàn)灰度增強(qiáng)后的結(jié)果三種方法均沒有明顯變化，具體情況如下：

1) 數(shù)據(jù)集1灰度增強(qiáng)后，信息增多，但無效信息如噪聲也被增強(qiáng)因此匹配點(diǎn)數(shù)量增多，正確率降低。

2) 數(shù)據(jù)集2灰度增強(qiáng)后喪失了部分信息，匹配點(diǎn)數(shù)量有小幅度地減少，正確率少量降低。

3) 數(shù)據(jù)集3灰度增強(qiáng)后信息增多，且多為有效信息，因此匹配點(diǎn)數(shù)量增多，正確率也有所提高。

(a) 原圖和灰度增強(qiáng)圖(數(shù)據(jù)集1)

針對顯著性灰度差異圖像的匹配，SIFT算法和AKAZE算法均無法進(jìn)行匹配，如圖10所示。但是改進(jìn)后的GLDB-AKAZE算法，可以進(jìn)行匹配，如圖11所示。

圖10 AKAZE算法對數(shù)據(jù)集1的原圖和反色圖像匹配

(a) 原圖和反色圖(數(shù)據(jù)集1)

3.3 匹配點(diǎn)整體偏少問題

對于特征點(diǎn)變少以及顯著灰度差異圖像無法匹配等問題，本文分別給出三個數(shù)據(jù)集使用三種算法的兩幅待匹配圖像的特征點(diǎn)個數(shù)，匹配點(diǎn)個數(shù)與正確點(diǎn)匹配個數(shù)以及正確率如表7-表9所示。

表7 針對數(shù)據(jù)集1的匹配結(jié)果及分析

表8 針對數(shù)據(jù)集2的匹配結(jié)果及分析

表9 針對數(shù)據(jù)集3的匹配結(jié)果及分析

1) SIFT算法雖然可以得到大量的匹配點(diǎn)，但是大多數(shù)匹配點(diǎn)被噪聲干擾，導(dǎo)致其無法直接應(yīng)用于非同源SAR圖像的匹配問題中。

2) AKAZE算法利用了非線性濾波不會均勻無差別的平滑細(xì)節(jié)和噪聲，保留了圖片中更多的有效信息，得到了更多有效的特征點(diǎn)并完成匹配，但特征點(diǎn)數(shù)量較少。

3) GLDB-AKAZE算法得到了更多的匹配點(diǎn)，并且有較高的準(zhǔn)確率。

對比表7-表9，同SIFT算法一樣，直接使用AKAZE算法無法適應(yīng)圖片可能會有的顯著灰度差異的問題。而本文提出的GLDB-AKAZE算法得到了更多的特征點(diǎn)與匹配點(diǎn)，并且準(zhǔn)確率也有所提升，尤其對于顯著的灰度差異圖像也依然適用。如三組對比實(shí)驗(yàn)結(jié)果，對數(shù)據(jù)集3的實(shí)驗(yàn)中，GLDB-AKAZE算法的準(zhǔn)確率對于原圖像和對比度輕微變化的兩幅非同源SAR圖像在分辨率相同的情況下可以達(dá)到90%以上，而對數(shù)據(jù)集2這種邊緣信息非常明顯且有效信息更多的圖像，即便分辨率有區(qū)別但準(zhǔn)確率依然可以達(dá)到95%以上，即便數(shù)據(jù)集1數(shù)據(jù)分辨率高，獲取錯誤信息增多且有一定的分辨率區(qū)別，但是準(zhǔn)確率依然可以達(dá)到70%以上。

對顯著的灰度差異圖像的極端情況，本文選用反色圖像作為例子進(jìn)行實(shí)驗(yàn)，也發(fā)現(xiàn)SIFT算法與AKAZE算法準(zhǔn)確率幾乎為0，而本文提出的GLDB-AKAZE算法準(zhǔn)確率可達(dá)50%左右。

3.4 測試集匹配結(jié)果分析

為了驗(yàn)證算法普遍性，本文給出兩組測試數(shù)據(jù)集同源海冰SAR圖像分辨率變換處理后的圖像，如圖12所示，然后依次加椒鹽噪聲、斑點(diǎn)噪聲、高斯噪聲，配準(zhǔn)結(jié)果如表10和表11所示。

處理后8 m分辨率數(shù)據(jù) 100 m分辨率數(shù)據(jù)(a) 測試集1

表10 針對測試集1的匹配結(jié)果及分析

表11 針對測試集2的匹配結(jié)果及分析

實(shí)驗(yàn)過程中，分別加椒鹽噪聲0.1、0.3、0.5；斑點(diǎn)噪聲0.1、0.3、0.5；高斯噪聲0.1、0.3、0.5。表10和表11顯示有效匹配最好的為椒鹽0.1，斑點(diǎn)0.1，高斯0.3。

4 結(jié) 語

SAR圖像中普遍存在相干斑噪聲，其成像目標(biāo)顯著度偏低。當(dāng)圖像對之間存在比較顯著的灰度差異時，采用傳統(tǒng)圖像匹配方法通常會出現(xiàn)無效特征點(diǎn)過多及正確匹配點(diǎn)少等問題。針對存在顯著性灰度差異的圖像匹配問題，本文提出一種GLDB-AKAZE方法，具體成果如下：

1) 提出一種新的特征描述符GLDB，進(jìn)行初始特征點(diǎn)的提取。GLDB描述符首先利用了LDB描述子對圖像灰度信息的差異性進(jìn)行描述，然后對關(guān)鍵點(diǎn)鄰接區(qū)域劃分方法進(jìn)行了改進(jìn)，由田字格劃分改為八象限圓格劃分，使之更適應(yīng)匹配圖像的灰度變化，并保證了主方向計算的精度。

2) 在特征點(diǎn)匹配階段，提出的兩步再匹配策略。針對灰度問題提出一種基于幾何對應(yīng)匹配和灰度差異對應(yīng)匹配相結(jié)合的兩步匹配策略。

3) 通過與SIFT、SURF和AKAZE等算法進(jìn)行比較，得出本文算法獲取的圖像特征點(diǎn)匹配點(diǎn)個數(shù)增多，同時有效地抑制了正確的匹配點(diǎn)被剔除現(xiàn)象的發(fā)生，確保匹配點(diǎn)的數(shù)量及匹配的準(zhǔn)確率。

在后續(xù)研究中，試圖將本文研究的非同源海冰特征匹配算法應(yīng)用于海冰的追蹤問題中，因?yàn)楹１瓶赡茉斐删薮蟮慕?jīng)濟(jì)損失，其中最為人知曉的案例就是鐵達(dá)尼號的沉沒，因此對海冰運(yùn)動進(jìn)行跟蹤及監(jiān)測非常具有實(shí)際意義。在主要由海冰覆蓋的地區(qū)幾乎沒有地面站點(diǎn)，所以遙感衛(wèi)星成為了觀察大范圍海冰的最重要的工具，并且常被用來進(jìn)行海冰運(yùn)動跟蹤監(jiān)測。目前海冰漂移跟蹤常用的數(shù)據(jù)為同源數(shù)據(jù)，這樣非常具有局限性，同一衛(wèi)星的重訪時間長，最少也需要1天，時間分辨率低。在較長的時間間隔內(nèi)，會有很多有效的特征和速度場丟失。但本文提出的非同源數(shù)據(jù)使用多顆衛(wèi)星進(jìn)行觀察，這樣同地區(qū)短時間隔的特征和速度場更容易獲得，將會提高海冰漂移跟蹤的準(zhǔn)確率。而在追蹤過程中，由于光照、入射角等問題，經(jīng)常會得到有顯著灰度差異的圖像，所以后續(xù)將會試圖將本文算法應(yīng)用于海冰漂移跟蹤。