一種基于局部不變特征的SAR圖像配準新算法

金 斌，周 偉，叢 瑜，王國慶

（1.海軍航空工程學(xué)院研究生管理大隊，264001山東煙臺；2.海軍裝備部兵器部，100073北京；3.海軍航空工程學(xué)院電子信息工程系，264001山東煙臺）

一種基于局部不變特征的SAR圖像配準新算法

金 斌1，2，周 偉3，叢 瑜3，王國慶3

（1.海軍航空工程學(xué)院研究生管理大隊，264001山東煙臺；2.海軍裝備部兵器部，100073北京；3.海軍航空工程學(xué)院電子信息工程系，264001山東煙臺）

針對SAR圖像配準中匹配效率低、誤匹配對多和配準精度差的問題，提出一種基于局部不變特征的SAR圖像配準新算法.首先，使用加速分割檢測特征（features from accelerated segment test，F(xiàn)AST）檢測算法，檢測SAR圖像的FAST角點；使用DAISY描述子對FAST特征進行描述，得到SAR圖像不變特征。其次，采用基于KD樹的歐氏距離匹配策略，實現(xiàn)特征點對的粗匹配；采用RANSAC算法去除誤匹配，實現(xiàn)特征點對精匹配.然后，采用仿射變換模型，實現(xiàn)圖像插值和圖像變換，實現(xiàn)SAR圖像粗配準。最后，建立配準精度評估反饋機制，實現(xiàn)配準優(yōu)化.通過使用不同時相、不同工作模式HJ-1C星載SAR和不同極化、不同波段機載AIRSAR圖像配準實驗，提出算法與經(jīng)典不變特征配準算法相比，具有適配性好、配準效率高的優(yōu)點.

成孔徑雷達圖像（SAR）；局部不變特征；FAST檢測子；DAISY描述子；圖像配準

合成孔徑雷達因其具有全天候、全天時、遠距離、高分辨等優(yōu)點，已經(jīng)成為軍事、農(nóng)業(yè)、海洋等領(lǐng)域不可或缺的偵察手段.SAR圖像配準是目標識別分類、變化檢測、數(shù)據(jù)融合、地圖修正等SAR圖像應(yīng)用的前期技術(shù)準備，得到了較廣泛的研究.目前SAR圖像配準方法可分為兩大類：第一類是基于區(qū)域的方法.該方法需要對SAR圖像中封閉區(qū)域進行分割，再計算互相關(guān)［1-2］或互信息［3］或聯(lián)合概率分布［4］等相似測度最大，建立匹配關(guān)系，實現(xiàn)SAR圖像配準.該方法只對同模態(tài)SAR圖像有較好的配準效果，存在適用性不強，圖像分割難度大，計量較大，配準速度較慢等缺點.第二類是基于特征的方法［5-7］.該方法借鑒計算機視覺關(guān)于局部不變特征的最新研究成果，通過比較局部不變特征描述子間的距離，建立匹配關(guān)系，實現(xiàn)SAR圖像配準［8］.該方法不需要未完成圖像分割，具有配準適應(yīng)性較強，速度快，配準精度高等優(yōu)點，是當前SAR圖像配準研究的熱點.目前，基于SIFT［9］和SURF［10］算法的局部不變特征SAR圖像配準得到了較廣泛的研究［11］.SIFT算法利用DoG（difference of gaussian）對LoG（laplacian of gaussian）進行簡化和近似；SURF算法用則積分圖像對DoH（determinant of hessian）進行簡化和近似.DoG和DoH檢測方法具有較快的檢測速度，對尺度變換、視角變換和光照變換具有一定的魯棒性［8］.SIFT、SURF和GLOH［12］描述子都是基于梯度直方圖統(tǒng)計的描述子，其中SIFT和SURF描述子對紋理圖像特征表現(xiàn)出良好的描述性能，GLOH描述子對結(jié)構(gòu)圖像特征表現(xiàn)出良好的描述性能.SAR圖像的灰度表達的目標電磁散射信息，且伴隨有機理性的相干斑噪聲，灰度分布差異性很大.對于不同工作模式、不同波段、不同極化方式、不同視角的SAR圖像，傳統(tǒng)局部不變特征檢測和描述算法難以高效率、高質(zhì)量完成SAR圖像配準任務(wù). SUSAN（smallestunivaluesegmentassimilating nucleus）角點［13］的計算過程基于與人類視覺觀察過程類似的統(tǒng)計學(xué)方法，避免了梯度計算，降低了計算復(fù)雜度.在SUSAN算法基礎(chǔ)上，Rosten等［14-15］采用啟發(fā)式學(xué)習(xí)思想，2006年提出了FAST（features from accelerated segment test）角點檢測算法.FAST算法設(shè)計理念先進，重復(fù)性好［16］，簡單快速，計算速度是DoG算子的30倍，適合于圖像實時特征檢測［17］.為解決寬基線匹配和特征描述計算量的問題，Tola等［18］受SIFT和GLOH描述子的啟發(fā)，提出了一種形狀像雛菊花的描述子（DAISY），并成功應(yīng)用于寬基線視頻圖像匹配［19］.該描述子保留了SIFT和GLOH的優(yōu)點，計算速度顯著提高，適合于不同視角圖像高效配準.

綜上所述，本文提出一種新的局部不變特征高效SAR圖像配準算法.首先采用FAST算法實現(xiàn)SAR圖像局部不變特征檢測；其次采用DAISY描述子對FAST特征進行描述.利用DAISY描述子進行特征描述.然后采用Kd樹（K?dimension tree）雙向距離匹配策略，結(jié)合RANSAC（random sample consensus）算法，實現(xiàn)特征精匹配；利用仿射變換模型，完成SAR圖像配準.最后設(shè)計不同變化的SAR圖像配準實驗，驗證了算法的適應(yīng)性和高效性.具體流程如圖1所示.

圖1 SAR圖像自動配準流程圖

1 特征檢測

角點特征檢測子是局部不變特征檢測子的重要組成部分，是近年來計算機視覺、模式識別、人工智能等領(lǐng)域研究取得的優(yōu)秀成果，在圖像處理中得到廣泛應(yīng)用.角點主要可分3大類：第一類是基于灰度梯度（一階微分）信息的角點，其中以Harris角點和Harris?Laplace角點為代表.第二類是基于二階微分信息的角點，其中以DoG角點［9］和DoH角點［10］為代表.因該類角點呈“斑狀”，故也稱“斑點”型角點.第三類是基于灰度統(tǒng)計的角點，其中以SUSAN角點［13］和FAST角點［14-15，17］為代表.前兩類主要是采用圖像與高斯函數(shù)卷積計算局部微分，求最大響應(yīng)點獲得角點，具有多尺度特性，比較符合人類視覺特點，但面對SAR圖像灰度的高復(fù)雜性，檢測適應(yīng)能力較弱.第3類是采用模擬人類視覺觀察過程的統(tǒng)計學(xué)習(xí)方法計算局部積分，過門限檢測獲得角點，具有啟發(fā)學(xué)習(xí)特性，比較符合人類認知特點，面對SAR圖像灰度的高復(fù)雜性，檢測適應(yīng)能力較強.基于此，本文采用FAST算法實現(xiàn)SAR圖像特征點檢測.

1.1 SUSAN檢測子原理

SUSAN使用一個圓形模板（如圖2所示），通過點p的灰度值f（χ0，y0）與模板內(nèi)其他點灰度值f（χ，y）的比較，統(tǒng)計出與點p灰度值近似的像素數(shù)量（或稱USAN面積）n（χ0，y0），當該像素數(shù)量（面積）小于閾值g時，則認為點p是要檢測的角點．

圖2 圓形模板示意［13］

檢測過程由3個步驟組成：

1）局部像素灰度值比較.

式中t是灰度相似閾值.

2）USAN面積統(tǒng)計計算.

3）角點響應(yīng)函數(shù)計算.

式中g(shù)為固定閾值，通常g＝max（n（χ0，y0））．當USAN面積最小時，式（3）取最大值時，可判斷p點為SUSAN角點.

1.2 FAST檢測子原理

FAST算法是SUSAN算法的改進，同樣采用如圖1所示的圓形模板，模板中心點p灰度值只與離散圓上的16個像素灰度值進行比較.所以

式（1）改寫為

式中εd表示給定的極小閾值．

式（2）改寫為

式（3）改寫為

式中，通常g＝12．文中考慮到SAR圖像灰度分布比光學(xué)圖像復(fù)雜，分辨率低，且有相干斑噪聲，對角點約束條件不能過多苛刻，所以取g＝8．由式（5）知，當n（χ0，y0）≥8時，R（χ0，y0）＝1，可確定中心點p為SAR圖像FAST角點.

2 特征描述與匹配

2.1 DAISY描述子

圖像局部不變特征檢測后，解決了特征點或特征區(qū)域的定位問題，還要對不變特征進行不變性描述，以解決用什么特征向量來描述區(qū)域內(nèi)信息的問題.SIFT描述子是眾多不同類型的特征描述子中的杰出代表，具有良好的重復(fù)性［8，11］.其他大多數(shù)描述子，如SURF、GLOH、PCA-SIFT、形狀上下文等，都是在借鑒和改進SIFT描述子的基礎(chǔ)上，使用梯度統(tǒng)計直方圖來表示不同的圖像局部紋理和形狀特征.DAISY描述子也對SIFT的借鑒和改進，其將SIFT的帶權(quán)重的梯度和，改進為高斯濾波器與偏導(dǎo)方向的卷積［18-19］，實現(xiàn)快速計算.DAISY描述子的形狀如圖3所示.

圖3 DAISY描述子［18］

從圖3可以看出，DAISY描述子由25個位置和8個方向組合而成，是一個8＋8×3×8＝200維的向量.該描述子在計算中采用分層的立方體結(jié)構(gòu)，通過卷積運算完成，計算速度較快.DAISY描述子特別適合于描述低分辨率圖像［18］，應(yīng)用于寬基線圖像匹配［19］，是配準多時相，較大視角偏差SAR圖像的一個理想工具.

2.2 特征匹配

特征匹配可分粗匹配和精匹配兩個階段.首先是采用文獻［7］給出的Kd樹雙向距離匹配策略實現(xiàn)粗匹配，其中距離匹配方法為歐氏距離比法，距離比閾值取0.85.因DAISY描述子是一個200維的向量，維數(shù)明顯多于SIFT描述子的128維和SURF描述子的64維，計算特征描述子間歐氏距離時計算量較大.對于雙向距離匹配，計算量更大.Kd樹算法是一種優(yōu)秀的k維空間二叉樹搜索算法，它通過K-近鄰查詢，可加快描述子匹配的距離比法計算速度.其次是采用RANSAC算法估計仿射基本矩陣，消除誤匹配，實現(xiàn)精匹配.從圖1所示算法流程圖看，配準算法是一個閉環(huán)過程，其中特征匹配是配準過程非常重要的環(huán)節(jié).誤匹配將導(dǎo)致整體配準精度明顯下降.RANSAC算法是通過隨機抽樣的估計方法，運行一次RANSAC算法并一定能保證完全消除誤匹配，當配準精度不滿足要求時，通過再次運行RANSAC算法，直到滿足配準精度.

3 實驗結(jié)果與分析

驗證本文所提算法的有效性和適用性，設(shè)計實驗分別對兩幅不同工作模式、不同視角、不同時相、不同波段的斜距幅度SAR圖像進行配準.實驗所用計算機硬件環(huán)境為Intel Core2 Quad CPU Q8200，內(nèi)存為2G.操作系統(tǒng)為Windows XP，仿真實驗的軟件環(huán)境是MATLAB 7.6.配準精度采用均方誤差平方根（RMSE）和最大誤差（ME）［4］，單位是像素（用p表示），本文中配準精度指標要求是RMSE≤5且ME≤10.配準時間T的單位是秒（用s表示）.為更好觀察配準效果，配準結(jié)果采用偽彩色顯示.除通過觀察參考圖像與待配準圖像的結(jié)果差異外，還可通過觀察顏色差異直觀考察配準精度，其中淺色（虛線）表示差異.實驗所用圖像均為幅度圖像，其中第一個實驗使用由民政部減災(zāi)委衛(wèi)星遙感中心提供的“環(huán)境一號”C（HJ-1C）為星載SAR數(shù)據(jù)，HJ-1C有條帶和掃描兩種工作模式，S波段，VV極化，成像帶寬度分別為40公里和100公里，單視模式空間分辨率可到5米，距離向四視時分辨率為20米.其余實驗所用SAR圖像是由美國噴氣推進實驗室（JPL）提供的不同時相、不同視角AIRSAR數(shù)據(jù)，是多極化SAR圖像，共有HH、VV、HV和TP4種極化方式，C、L和P3個波段，分辨率為5-10米；參考圖像大小為450×450，待配準圖像大小為350×350.比較算法除采用經(jīng)典算法SIFT和SURF外，還采用Harris、CSS（Curvature Scale Space）角點［20］和FAST角點與DAISY描述子組合成新算法.

3.1 不同時相、不同工作模式SAR圖像配準

圖4（a）是參考圖像，成像時間為2013年1月26日，工作模式為掃描模式，分辨率為20米，大小為450×450.圖4（b）是待配準圖像，成像時間為2013年1月28日，工作模式為條帶模式，分辨率為5米，大小為400×400.兩幅圖像對應(yīng)的場景是山東省煙臺市芝罘島，且都經(jīng)過了均方根增強處理，其中后者還經(jīng)過0.25倍的下采樣處理.圖4（c）～（g）分別是SIFT算法、SURF算法、Harris＋DAISY算法、CSS＋DAISY算法和FAST＋DAISY算法精匹配結(jié)果圖.圖4（h）～（k）分別是SURF算法、Harris＋DAISY算法、CSS＋DAISY算法和FAST＋DAISY算法配準結(jié)果圖.

圖4 不同工作模式SAR圖像配準比較

從精匹配結(jié)果看，SIFT算法和CSS＋DAISY算法特征匹配質(zhì)量最差，而SURF算法、Harris＋DAISY算法和FAST＋DAISY算法特征匹配質(zhì)量最好.從配準性能比較看（如表1所示），SIFT算法無法完成配準，CSS＋DAISY算法配準誤差很大，即兩種算法對該類型SAR圖像配準是失配的；從配準精度看，F(xiàn)AST＋DAISY算法精度最高，其次是Harris＋DAISY算法，然后是SURF算法；從配準時間看，SURF算法配準速度最快，其次是FAST＋DAISY算法，略慢于SURF算法，Harris＋DAISY算法最慢；從綜合配準性能看，F(xiàn)AST＋DAISY算法最優(yōu)，其次是Harris＋DAISY算法.由此可看出，對該類SAR圖像，F(xiàn)AST有良好的檢測性能，DAISY有良好的描述性能.

表1 不同工作模式SAR配準性能對比

3.2 不同波段、相同極化方式SAR圖像配準

本實驗用參考圖像為C波段，HV極化方式.待配準圖像為L波段，HV極化.如圖5所示.從圖5（a）、（b）的對比可以看出，不同波段SAR圖像灰度分布差異較大.圖5中各子圖對應(yīng)與圖4對應(yīng)類似.

從圖5（c）～（g）所示匹配結(jié)果看，SIFT算法匹配性能最差.其余算法匹配性能都比較好.從配準精度比較看（如表2所示），除SIFT算法外，其余算法配準精度都比較理想，其中以CSS＋DAISY算法最好.從配準時間比較看，SURF算法和Harris＋DAISY算法配準速度最快，其次是FAST＋DAISY算法，CSS＋DAISY算法最慢.從配準綜合性能比較看，對該類數(shù)據(jù)配準，除SIFT算法外，其余算法都能保持良好性能.

表2 不同波段SAR配準性能對比

圖5 不同波段SAR圖像配準比較

3.3 不同極化方式、相同波段SAR圖像配準

本實驗用參考圖像為C波段，HH極化方式.待配準圖像為C波段，HV極化.如圖6所示.

表3 不同極化SAR配準性能對比

從圖6（a）、（b）的對比可以看出，對同一目標，不同極化方式雷達回波強度不同，反映到SAR圖像上表現(xiàn)為像素明暗的強烈差別.從匹配結(jié)果看，SIFT算法找到的匹配點對是錯誤的，其他算法匹配結(jié)果良好.對比配準性能（如表3所示）可看出，SIFT算法配準精度最好，但目視觀察配準誤差很大（如圖6（h）所示）；其次是CSS＋DAISY算法，但配準速度最慢；SURF算法配準速度較快，但配準精度較低；從綜合配準性能看，Harris＋DAISY算法和FAST＋DAISY算法相對較好.

圖6 不同極化SAR圖像配準比較

3.4 不同波段、不同極化方式SAR圖像配準

本實驗用參考圖像為C波段，HV極化方式.待配準圖像為L波段，VV極化.如圖7所示.

從圖7（a）、（b）的對比可以看出，因不同波段和不同極化方式，無論圖像自身，還是兩圖像對比，目標間差異非常明顯.從匹配結(jié)果看，SIFT算法和CSS＋DAISY算法匹配質(zhì)量比較差，其他算法匹配性能良好.從配準性能看（如表4所示），SURF算法、Harris＋DAISY算法和FAST＋DAISY算法有比較好的配準結(jié)果，CSS＋DAISY算法配準精度很差，SIFT算法配準失敗.

表4 不同波段、不同極化SAR配準性能對比

圖7 不同波段、不同極化SAR圖像配準比較

通過不同工作模式、不同時相、不同視角、不同波段和不同極化方式SAR圖像配準實驗比較可以發(fā)現(xiàn)，SURF算法、Harris＋DAISY算法和FAST＋DAISY算法能適用于各種SAR圖像配準，CSS＋DAISY不能適用于所有情況，SIFT算法對所有情況都不適用.從綜合配準性能看，F(xiàn)AST＋DAISY算法性能最好，其次是Harris＋DAISY算法和SURF算法.配準對比實驗說明，F(xiàn)AST檢測子適合SAR圖像特征點檢測，DAISY描述子適合于SAR圖像特征描述.因此，本文算法對SAR圖像配準是有效的，實用的.

4 結(jié) 語

本文研究了基于局部不變特征的SAR圖像自動配準問題，提出了一種基于FAST特征檢測和DAISY特征描述的SAR圖像配準新算法.該算法的創(chuàng)新之處有3點：首先將基于統(tǒng)計學(xué)習(xí)思想的FAST角點檢測子和適于低分辨率圖像描述的DAISY描述子結(jié)合實現(xiàn)對SAR圖像的特征檢測和描述；其次是采用基于Kd樹雙向距離比匹配策略，實現(xiàn)特征粗匹配，用RANSAC算法去除誤匹配，實現(xiàn)特征精匹配；最后采用配準精度評估反饋機制以保證配準精度.多種不同模態(tài)的SAR圖像配準實驗驗證顯示，該算法能較好克服SAR圖像配準中傳統(tǒng)不變特征方法存在的配準適應(yīng)性較差，配準時間長，精度低的缺點，可用于配準效率和配準質(zhì)量要求較高的SAR圖像配準系統(tǒng).

［1］YU Ting，LI Xiaorun.Automatic remote sensing image registration based on VTS?PCMIC algorithm［C］／／Proceedings of Fuzzy Systems and Knowledge Discovery 2012.Trier：Computer Science Bibliography，2012：48-52.

［2］ZHOU Xiaozhou，BOULANGER P.A fast hierarchical radiometric invariant stereo matching algorithm［C］／／Proceedings of Information Science，Signal Processing and their Applications 2012.Montreal：IEEE，2012：383-388.

［3］EVANGELIDIS G D，PSARAKIS E Z.Parametric image alignmentusingenhancedcorrelationcoefficient maximization［J］.IEEETransactionsonPattern Analysis and Machine Intelligence，2008，30（10）：1858-1865.

［4］GOSHTASBY A A.Image Registration，Advances in ComputerVisionandPatternRecognition［M］／／London：Springer?Verlag，2012.40-431.

［5］王磊，張鈞萍，張嘩.基于特征的SAR圖像與光學(xué)圖像自動配準［J］.哈爾濱工業(yè)大學(xué)學(xué)報，2005，37（1）：22-25＋44.

［6］王山虎，尤紅建，付琨.基于大尺度雙邊SIFT的SAR圖像同名點自動提取方法［J］.電子與信息學(xué)報，2012，34（2）：287-293.

［7］賀經(jīng)緯，尤紅建.基于SURF算子的SAR圖像匹配改進算法研究［J］.遙感技術(shù)與應(yīng)用，2009，24（6）：822-826.

［8］MIKOLAJCZYK K，TUYTELAARS T，SCHMID C，et al. A comparison of affine region detectors［J］.International Journal of Computer Vision，2004，65（1-2）：43-72.

［9］LOWE D G.Object recognition from local scale?invariant features［C］／／Proceedings of the Computer Vision 1999. Kerkyra：IEEE，1999：1150-1157.

［10］BAY H，ESS A，TUYTELAARS T，et al.Speeded?up robust features（SURF）［J］.Computer Vision and Image Understanding，2008，110：346-359.

［11］HUO Ju，YANG Ning，CAO Maoyong，et al.A reliable algorithm for image matching based on SIFT［J］.Journal of Harbin Institute of Technology（New Series），2012，19（4）：90-95.

［12］MIKOLAJCZYK K，SCHMID C.A performance evaluation of local descriptors［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27（10）：1615-1630.

［13］SMITH S M，BRADY J M.SUSAN-a new approach to low level image processing［J］.International Journal of Computer Vision，1997，23（1）：45-78.

［14］ROSTEN E，DRUMMOND T.Machine learning for high?speed corner detection［C］／／Proceedings of the Computer Vision 2006.Berlin：Springer，2006：430-443.

［15］ROSTEN E，PORTER R，DRUMMOND.T.Fast and better：a machine learning approach to corner detection［J］.IEEETransactionsonPatternAnalysisand Machine Intelligence，2010，32（1）：105-119.

［16］TUYTELAARS T，MIKOLAJCZYK K.Local invariant feature detectors：a survey［J］.Computer Graphics and Vision，2007，3（3）：177-280.

［17］梁艷菊，李慶，陳大鵬，等.一種快速魯棒的LOGFAST角點算法［J］.計算機科學(xué)，2012，39（6）：251 -254.

［18］TOLA E，LEPETIT V，F(xiàn)UA P.A fast local descriptor for densematching［C］／／ProceedingsofCompute SocietyonComputerVisionandPattern Recognition2008.Washington：IEEE，2008：1-8.

［19］TOLA E，LEPETIT V，F(xiàn)UA P.DAISY：An efficient dense descriptor applied to wide?baseline stereo［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32（5）：815-830.

［20］LINDEBERG T.Discrete scale space theory and the scale primal sketch［D］.Stockholm：Royal Institute of Technology，PhD thesis，1991.

（編輯 苗秀芝）

A novel and efficient algorithm using local invariant feature for sar image registration

JIN Bin1，2，ZHOU Wei3，CONG Yu3，WANG Guoqing3

（1.Graduate Students’Brigade，Naval Aeronautical and Astronautical University，264001 Yantai，Shandong，China；2.Armament Branch of NED，100073 Beijing，China；3.Dept.of Electronic and Information Engineering，Naval Aeronautical and Astronautical University，264001 Yantai，Shandong，China）

Aiming at the problems of low performance matching，more mismatching pairwise，and low registration precision，which are the characteristic of traditional SAR image registration methods，we propose a novel and efficient local invariant feature?based algorithm.First，the feature points are detected by features from accelerated segment test（FAST）method and described by DAISY descriptor in SAR image.Second，Kd?tree?based dual?matching strategy and random sample consensus（RANSAC）are used to establish fine feature matching.Third，affine transform model is estimated for image resampling and transformation，and rough registration is implemented.Finally，feedback mechanism is constituted for fine registration based on the estimation of registration precision.The flexibility and efficiency is demonstrated by experiments with slant range SAR images acquired from different working model，different times，viewpoints，wavelengths and polarizations.

synthetic aperture radar（SAR）image；local invariant feature；FAST detector；DAISY descriptor；image registration

TP75

：A

：0367-6234（2014）11-0112-07

2013-10-06.

金 斌（1968—），男，博士研究生，工程師.

王國慶，gqwang80＠126.com.