SAR影像與光學影像的高斯伽瑪型邊緣強度特征匹配法

陳　敏，朱　慶，朱　軍，徐　柱,3,4，黃瀾心

1. 西南交通大學地球科學與環(huán)境工程學院，四川 成都 611756； 2. 四川省應(yīng)急測繪與防災(zāi)減災(zāi)工程技術(shù)研究中心，四川 成都 610041； 3. 教育部軌道交通安全協(xié)同創(chuàng)新中心，四川 成都 610031； 4. 高速鐵路運營安全空間信息技術(shù)國家地方聯(lián)合工程實驗室，四川 成都 610031

?

SAR影像與光學影像的高斯伽瑪型邊緣強度特征匹配法

陳敏1,2，朱慶1，朱軍1，徐柱1,3,4，黃瀾心1

1. 西南交通大學地球科學與環(huán)境工程學院，四川 成都 611756； 2. 四川省應(yīng)急測繪與防災(zāi)減災(zāi)工程技術(shù)研究中心，四川 成都 610041； 3. 教育部軌道交通安全協(xié)同創(chuàng)新中心，四川 成都 610031； 4. 高速鐵路運營安全空間信息技術(shù)國家地方聯(lián)合工程實驗室，四川 成都 610031

Foundation support： The National Natural Science Foundation of China (Nos. 41471320；41501492);The Science and Technology Program of Sichuan Province of China (Nos. 2014SZ0106；2015SZ0046);The Open Research Fund by Sichuan Engineering Research Center for Emergency Mapping & Disaster Reduction (No. K2015B006);The Open Research Fund of State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (No. (14) Key 03)

摘要：提出了一種基于影像邊緣強度圖描述的SAR影像與光學影像匹配方法。首先對影像進行粗糾正，消除影像之間的尺度和旋轉(zhuǎn)變化；其次，改進相位一致性特征檢測方法，提取對影像相干斑噪聲穩(wěn)健的特征點；然后基于高斯伽瑪型雙邊窗口比值算子計算影像邊緣強度圖，在此基礎(chǔ)上構(gòu)造不變特征描述符；最后聯(lián)合幾何約束條件，實現(xiàn)SAR影像與光學影像匹配。試驗結(jié)果證明，與現(xiàn)有方法相比，本文方法能夠大幅提高SAR影像與光學影像匹配結(jié)果中的正確匹配特征數(shù)量以及影像配準精度。

關(guān)鍵詞：SAR影像；影像匹配；相位一致性；高斯伽瑪型邊緣強度圖

隨著空間技術(shù)的發(fā)展，SAR(synthetic aperture radar)成像系統(tǒng)得到了越來越廣泛的應(yīng)用。將SAR影像與光學影像進行融合處理能夠更好地獲取地物信息，有助于目標識別、變化檢測等，其中SAR影像與光學影像匹配是十分重要的一步。因此SAR影像與光學影像匹配技術(shù)成為目前的研究熱點[1-5]。

SAR影像存在嚴重的相干斑噪聲干擾，并且與光學影像之間存在非線性灰度差異，導致許多匹配方法難以直接用于SAR影像與光學影像匹配。為了克服這個問題，研究人員提出了許多改進算法，其中應(yīng)用最廣泛的是基于局部特征的匹配方法。研究發(fā)現(xiàn)SIFT(scale invariant feature transform)方法[6]檢測結(jié)果中的噪聲點絕大多數(shù)來自高斯差分尺度空間的第1階影像，因此可以跳過第1階影像，從第2階開始進行特征檢測。同時，當參考影像與待匹配影像的相對旋轉(zhuǎn)關(guān)系已知時，無須計算特征方向，直接為每個特征點分配一個特征方向，從而改善匹配效果[7-10]。一些方法通過設(shè)置影像強度閾值來獲取空間分布均勻的特征點，并通過增大特征區(qū)域來提高匹配的正確率[11]。這類方法通過增大特征區(qū)域提高了特征描述符的穩(wěn)健性，但是也降低了特征描述符的可區(qū)分性。還有一些方法采用各向異性尺度空間代替高斯尺度空間抑制噪聲影響，或通過多視處理平滑噪聲，或采用先濾波再匹配的方法[12-14]。這些方法在抑制噪聲影響的同時降低了影像的分辨率，造成影像信息丟失，不利于后續(xù)影像處理。

以上方法主要針對SAR影像相干斑噪聲進行改進，沒有考慮SAR影像與光學影像之間的非線性灰度差異，因而難以獲得可靠的匹配結(jié)果。針對這個問題，本文從特征檢測、描述和匹配3個方面出發(fā)，提出一種可靠的SAR影像與光學影像匹配方法。首先，對影像進行粗糾正，消除影像旋轉(zhuǎn)和分辨率差異；其次，通過對數(shù)變換改進相位一致性方法，提取對SAR影像相干斑噪聲穩(wěn)健的特征點；然后，基于高斯伽瑪型(Gaussian-Gamma-shaped，GGS)雙邊窗口算子[15]計算影像邊緣強度圖，在SAR影像和光學影像上獲取一致性較強的目標輪廓特征，并構(gòu)造梯度方向直方圖模式的特征描述符；最后，聯(lián)合特征描述符和幾何約束條件，實現(xiàn)SAR影像與光學影像匹配。本文方法整體流程如圖1所示。由于本文特征檢測方法通過相位一致性最大最小矩進行特征判別，對于任意像素，如果最大矩大于閾值，則判斷該像素為邊緣點，在這些邊緣點中，如果最小矩也大于閾值，則判斷該邊緣點為角點，其本質(zhì)是在邊緣圖上進行特征點檢測，檢測到的特征點位于影像邊緣上[16]。因此，本文方法設(shè)計的“先提取特征點，然后在邊緣強度圖上進行特征點描述和匹配”的方案不會產(chǎn)生特征點位于非邊緣區(qū)不利于特征描述的問題。

圖1　本文方法整體流程圖Fig.1　Flow chart of the proposed method

1本文方法

1.1影像粗糾正

為了便于匹配，本文方法在影像精確匹配之前，采用文獻[1]的方法，利用遙感影像空間參考中的地理坐標信息，建立影像之間的幾何關(guān)系，自動計算參考影像4個角點在待匹配影像上的同名點，生成4對控制點，通過式(1)的透視變換模型實現(xiàn)影像粗糾正

(1)

式中，l1、l2、…、l8為透視變換模型參數(shù)，且

1.2對數(shù)變換的相位一致性特征點提取

相位一致性特征檢測方法加入了噪聲抑制過程，對影像噪聲具有較強的穩(wěn)健性[16]，但原始的相位一致性特征檢測方法假設(shè)不同影像區(qū)域的噪聲響應(yīng)值相等，因此，其噪聲抑制只適用于加性噪聲。對于SAR影像上的乘性噪聲，相位一致性方法的噪聲抑制效果不足。因為對SAR影像進行對數(shù)變換以后影像噪聲近似服從高斯分布[17]，本文利用相位一致性方法進行特征檢測時，首先將輸入影像進行對數(shù)變換，然后計算特征響應(yīng)值，并通過逆變換在原始影像上提取特征點，具體過程如下。

(1) 對輸入影像進行對數(shù)變換，將影像乘性相干斑噪聲轉(zhuǎn)換為高斯加性噪聲。

(2) 在對數(shù)變換后的影像上計算每個像素點的相位一致性度量值PCln[16,18]

(2)

(3) 計算Iln(x,y)上每個像素點的相位一致性最小矩mln(x,y)

(3)

式中

(4)

(4) 對mln(x,y)進行對數(shù)變換的逆變換，得到逆變換結(jié)果m(x,y)。

(5) 對m(x,y)進行歸一化處理，將相位一致性最小矩歸一化到[0,1]區(qū)間內(nèi)

{m(x,y)-min[m(x,y)]}

(5)

1.3基于Gaussian-Gamma-shaped邊緣強度圖的特征描述

由于1.1節(jié)中影像粗糾正整體上消除了參考影像與待匹配影像之間的尺度和旋轉(zhuǎn)變化，因此在特征描述時可以對影像上所有特征設(shè)置統(tǒng)一的特征區(qū)域大小和特征方向。假設(shè)影像分辨率為λ，設(shè)置特征區(qū)域半徑為r個像素

(6)

特征描述時，由于SAR影像噪聲干擾以及SAR影像與光學影像之間灰度差異較大，如圖2所示，使得SIFT這類基于梯度的方法往往不能獲得穩(wěn)定的匹配結(jié)果。

圖2　SAR影像與光學影像示例Fig.2　Example of SAR and optical images

從圖2中可以看到，SAR影像與光學影像地物輪廓相似性較高。因此，本文先提取影像邊緣信息，再基于邊緣信息進行特征點描述和匹配。SAR影像邊緣信息提取方法主要有兩大類：一類是先對影像進行濾波處理，再采用傳統(tǒng)光學影像邊緣檢測方法進行邊緣提取，常用的濾波方法有Lee濾波算法[19]、Gamma-Map濾波算法[20](GM)、雙邊濾波算法[21](BF)、非局部均值濾波算法[22](NLm)、PPB[23]算法等；另一類是直接在SAR影像進行顧及噪聲的邊緣提取，常用的方法有矩形雙邊窗口(Rect)比值算子[24-26]和GGS雙邊窗口比值算子[15]。本文采用如圖3(a)所示的模擬SAR影像對上述兩類方法進行測試。對于第1類方法，分別采用Lee、GM、BF、NLm和PPB濾波器對SAR影像進行濾波，濾波后的影像均采用Canny算子進行邊緣檢測。對于第2類方法，分別采用基于Rect窗口和GGS窗口的比值算子進行邊緣檢測。測試結(jié)果如圖3(b)—圖3(h)所示。

圖3　邊緣檢測結(jié)果Fig.3　Edge detection results

從圖3所示結(jié)果可以看出，基于Lee濾波器、GM濾波器以及BF濾波器濾波后影像的邊緣檢測結(jié)果中包含大量的噪聲點，因此，這3種方法不適合用于SAR影像邊緣信息檢測。后面4種方法的檢測結(jié)果優(yōu)于前面3種方法。其中，相對于GGS比值算子而言，NLm濾波器、PPB濾波器和Rect比值算子檢測結(jié)果中存在更多錯誤邊緣點。另外，NLm濾波和PPB濾波的時間效率非常低。綜上所述，GGS比值算子在SAR影像邊緣檢測中表現(xiàn)出最優(yōu)的性能。因此，本文采用GGS比值算子計算參考影像和待匹配影像的邊緣強度圖，提取邊緣信息，具體步驟如下[15]。

(1) 計算每個像素雙邊GGS窗口中兩個區(qū)域的局部均值

(7)

(8)

水平方向的雙邊窗口函數(shù)WU和WL定義如下

(9)

式中，參數(shù)σx>1控制窗口長度，參數(shù)α>1控制窗口的寬度，參數(shù)β>0控制雙邊窗口之間的間隔距離。

(2) 計算每個像素的最小均值比值R(x,y)

R(x,y)=

(10)

式中，m1(x,y|θp)和m2(x,y|θp)為θp方向上GGS窗口中兩個區(qū)域的局部均值。

(3) 計算每個像素的邊緣強度響應(yīng)值ESM(x,y)=1-R(x,y)。

圖2所示的SAR影像與光學影像的GGS邊緣強度圖如圖4所示。從圖4可以看出，雖然SAR影像受到嚴重的噪聲干擾并且與光學影像的灰度差異非常大，但是它們的GGS邊緣強度圖在整體上具有很強的相似度。得到邊緣強度圖以后，本文在邊緣強度圖上利用梯度方向直方圖(histogram of oriented gradient，HOG)結(jié)構(gòu)計算特征描述符，流程如圖5所示。

圖4　GGS邊緣強度圖Fig.4　GGS edge strength map

圖5　特征描述符構(gòu)造流程圖Fig.5　Flow chart of feature descriptor construction

1.4幾何關(guān)系約束的特征匹配

由于影像邊緣強度圖紋理不豐富，基于邊緣強度圖的特征描述符中最近鄰的點可能并非同名點。為了提高特征匹配率，本文采用n-NN的方法，對參考影像上的每個特征點選擇n對候選同名特征。在候選同名特征集合中，基于特征描述符相似性和特征幾何約束條件選擇種子點，并以種子點為控制基礎(chǔ)，計算最終的匹配結(jié)果，具體過程如下。

(1) 對參考影像上的H個特征點，計算候選匹配特征集合中所有n×H對初始匹配的特征描述符距離，并選擇其中描述符距離最近且滿足影像x和y方向上坐標偏差小于閾值(dx,dy)的K對特征作為種子匹配對。

(11)

(4) 完成候選特征集合中所有特征對的遍歷后，保存setAlli。

(5) 選擇其他種子匹配迭代進行步驟(2)至步驟(4)，直至完成K次迭代運算。迭代結(jié)束以后，setAlli,(i=1,2，…,K)中特征對數(shù)最多的一組結(jié)果即為幾何約束后的匹配結(jié)果。

經(jīng)過以上操作以后，初始候選特征匹配集合中大量的錯誤匹配特征將被剔除，再基于式(1)的透視變換模型采用RANSAC方法進行錯誤匹配剔除，獲得最終的匹配結(jié)果。

2試驗及結(jié)果分析

將本文方法分別與SIFT[6]、Schwind[7]、Suri[8]、Fan[10]方法進行對比分析以驗證本文方法的有效性。在本文試驗中，對數(shù)變換相位一致性特征檢測中最小矩閾值設(shè)置為0.3；GGS邊緣強度圖計算中雙邊窗口長度σx=3，寬度α=2，窗口間隔β=1，每個像素點窗口所取的方向個數(shù)P=8；基于幾何約束的匹配方法中對于參考影像上的每個特征點所選擇的候選特征個數(shù)H=20，種子匹配特征對數(shù)K=10，坐標距離閾值dx=10，dy=10，距離比值閾值ts=0.2，方向閾值tθ=5°。

2.1試驗數(shù)據(jù)

本文試驗數(shù)據(jù)如圖6和圖7所示，其中SAR影像分別為COSMO-Skymed(CS)影像(X波段、HH極化)、RADARSAT-2(R2)影像(C波段、HH極化)、TerraSAR-X(TX)影像(X波段、HH極化)，光學影像為資源三號全色影像(ZY-3)。

圖6　試驗數(shù)據(jù)1Fig.6　Experimental dataset 1

圖7　試驗數(shù)據(jù)2Fig.7　Experimental dataset 2

2.2試驗結(jié)果分析

試驗以正確匹配特征個數(shù)作為各種方法性能的評價指標，統(tǒng)計結(jié)果見表1。

表1　各種匹配方法獲得的正確匹配特征對數(shù)

從表1試驗結(jié)果可以看出，對于SAR影像與SAR影像匹配，除了在第2對影像上Fan的方法獲得的正確匹配特征個數(shù)最多以外，另外兩對影像上都是本文方法獲得了最多的正確匹配特征。所有的方法在第2對影像上都能獲得較多的正確匹配特征，這主要是因為第2對影像的影像分辨率更高，在參考影像和待匹配影像上檢測出了更多的特征點，即在更多的特征中匹配出了更多的同名特征。另外，雖然其他方法表現(xiàn)的性能不如本文方法，但是仍然都能獲得一定數(shù)量的同名特征，主要是因為在參考影像與待匹配影像上均存在大量的相干斑噪聲，參考影像上的噪聲點有可能在待匹配影像上對應(yīng)的位置也存在噪聲點，即在匹配結(jié)果中可能存在同名噪聲點。同時，由于參考影像與待匹配影像均為SAR影像，影像上相同地物目標之間的灰度值差異較小，因此其他幾種匹配方法都能夠獲得一定數(shù)量的正確匹配特征。

對于SAR影像與光學影像匹配，在所有試驗中本文方法都獲得了最多的正確匹配特征。其他匹配方法在多對影像上都匹配失敗，主要原因是：

(1) 在SAR影像上檢測出的大量噪聲點在光學影像上不存在同名噪聲點，這些噪聲點對匹配過程造成極大的干擾，導致出現(xiàn)大量的錯誤匹配，正確匹配特征個數(shù)大幅減少。

(2) 參考影像與待匹配影像灰度值差異變化非常大，甚至灰度值相對大小發(fā)生逆轉(zhuǎn)，這種非單調(diào)的灰度值變化直接導致SIFT描述符中梯度計算結(jié)果發(fā)生變化，導致本組試驗中其他幾種匹配方法失敗。在本文方法中，SAR影像與光學影像的GGS邊緣強度圖之間具有較強的相似度，因此在GGS邊緣強度圖的基礎(chǔ)上計算特征描述符能夠獲得較好的匹配結(jié)果。

本文方法對SAR影像與光學影像的匹配結(jié)果如圖8所示。

圖8　本文方法匹配結(jié)果Fig.8　Matching results of the proposed method

本文在影像匹配結(jié)果的基礎(chǔ)上進行影像配準，并人工選擇控制點計算均方根誤差(RMSE)來衡量配準精度。根據(jù)表1所示匹配結(jié)果，在圖6(b)和圖6(c)所示影像上所有匹配方法都能夠獲得4對以上同名點，因此本文選擇該對影像作為試驗數(shù)據(jù)，配準精度見表2。從表2所示結(jié)果可以看出，基于本文匹配方法進行影像配準的精度最高，坐標值偏差d小于1個像素。配準結(jié)果如圖9所示。

表2各種匹配方法進行影像配準后的RMSE計算結(jié)果

Tab.2RMSE value of the registration based on each matching method

像素

3結(jié)論

本文針對SAR影像相干斑噪聲及其與光學影像的灰度差異導致現(xiàn)有匹配方法難以獲得可靠匹配結(jié)果的問題，提出了一種基于GGS雙邊窗口邊緣強度圖的匹配方法。本文方法的創(chuàng)新之處在于利用GGS雙邊窗口算子對SAR影像和光學影像能夠獲得相似影像輪廓的特性，構(gòu)建了相似性較強的特征描述符，同時，基于遙感影像地理空間參考信息對影像進行粗糾正，并設(shè)計幾何約束條件與特征描述符相似性相結(jié)合進行影像匹配。以上改進使得本文方法能夠較好地處理SAR影像噪聲干擾和SAR影像與光學影像的灰度差異問題，對于SAR影像與SAR影像之間的匹配以及SAR影像與光學影像之間的匹配都能夠獲得較好的匹配結(jié)果。但是，本文方法基于影像先驗信息進行粗糾正，在地形起伏嚴重的區(qū)域匹配效果不理想。后續(xù)研究工作將嘗試解決地形起伏區(qū)域的SAR影像與光學影像匹配問題。

圖9　基于本文匹配方法進行影像配準的結(jié)果Fig.9　Image registration based on the matching result of the proposed method

參考文獻：

[1]岳春宇, 江萬壽. 幾何約束和改進SIFT的SAR影像和光學影像自動配準方法[J]. 測繪學報, 2012, 41(4): 570-576.

YUE Chunyu, JIANG Wanshou. An Automatic Registration Algorithm for SAR and Optical Images Based on Geometry Constraint and Improved SIFT[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(4): 570-576.

[2]李雨謙, 皮亦鳴, 王金峰. 基于水平集的SAR圖像與光學圖像的配準[J]. 測繪學報, 2010, 39(3): 276-282.

LI Yuqian, PI Yiming, WANG Jinfeng. The Registration between SAR and Optical Image Based on Level Set[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(3): 276-282.

[3]史磊, 李平湘, 楊杰. 利用SIFT與粗差探測進行SAR影像配準[J]. 武漢大學學報(信息科學版), 2010, 35(11): 1296-1299.

SHI Lei, LI Pingxiang, YANG Jie. SAR Imagery Registration Based on SIFT and Data Snooping[J]. Geomatics and Information Science of Wuhan University, 2010, 35(11): 1296-1299.

[4]王峰, 尤紅建, 傅興玉. 應(yīng)用于SAR圖像配準的自適應(yīng)SIFT特征均勻分布算法[J]. 武漢大學學報(信息科學版), 2015, 40(2): 159-163.

WANG Feng, YOU Hongjian, FU Xingyu.Auto-adaptive Well-distributed Scale-invariant Feature for SAR Images Registration[J]. Geomatics and Information Science of Wuhan University, 2015, 40(2): 159-163.

[5]李錫軍, 關(guān)澤群, 盛文彬. 一種基于共性特征的SAR圖像與衛(wèi)星光學圖像匹配方法[J]. 湘潭大學自然科學學報, 2010, 32(1): 112-116.

LI Xijun, GUAN Zequn, SHENG Wenbin. SAR Image and Satellite Optical Image Matching Method Based on Common Characteristics[J]. Natural Science Journal of Xiangtan University, 2010, 32(1): 112-116.

[6]LOWE D G. Distinctive Image Features from Scale-invariant Keypoints[J]. International Journal of Computer Vision, 2004, 60(2): 91-110.

[7]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.

[8]SURI S, SCHWIND P, UHL J,et al. Modifications in the SIFT Operator for Effective SAR Image Matching[J]. International Journal of Image and Data Fusion, 2010, 1(3): 243-256.

[9]FAN Bin, WU Fuchao, Hu Zhanyi. Aggregating Gradient Distributions into Intensity Orders: A Novel Local Image Descriptor[C]∥Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.Providence: IEEE,2011: 2377-2384.

[10]FAN Bin,HUO Chunlei,PAN Chunhong,et al.Registration of Optical and SAR Satellite Images by Exploring the Spatial Relationship of the Improved SIFT[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(4): 657-661.

[11]LIU Lining,WANG Yunhong,WANG Yiding.SIFT Based Automatic Tie-point Extraction for Multitemporal SAR Images[C]∥International Workshop on Education Technology and Training and International Workshop on Geoscience and Remote Sensing.Shanghai:IEEE, 2008: 499-503.

[12]WESSEL B, HUBER M, ROTH A. Registration of Near Real-time SAR Images by Image-to-image Matching[C]∥Proceedings of Photogrammetric Image Analysis: PIA07.Munich: [s.n.], 2007: 179-184.

[13]YU Xiaoping,LIU Tong,LI Pingxiang,et al.The Application of Improved SIFT Algorithm in High Resolution SAR Image Matching in Mountain Areas[C]∥Proceedings of International Symposium on Image and Data Fusion.Tengchong: IEEE,2011: 1-4.

[14]WANG Shanhu, YOU Hongjian, FU Kun. BFSIFT: A Novel Method to Find Feature Matches for SAR Image Registration[J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9(4): 649-653.

[15]SHUI Penglang, CHENG Dong. Edge Detector of SAR Images Using Gaussian-Gamma-shaped Bi-windows[J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9(5): 846-850.

[16]KOVESI P. Phase Congruency Detects Corners and Edges[C]∥Proceedings of the 7th Digital Image Computing: Techniques and Applications. Sydney: [s.n.], 2003: 309-318.

[17]XIE Hua, PIERCE L E, ULABY F T. Statistical Properties of Logarithmically Transformed Speckle[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(3): 721-727.

[18]陳敏, 朱慶, 朱軍, 等. 多光譜遙感影像亮度空間相位一致性特征點檢測[J]. 測繪學報, 2016, 45(2)：178-185. DOI:10.11947/j.AGCS.2016.20150030.

CHEN Min, ZHU Qing, ZHU Jun, et al. Interest Point Detection for Multispectral Remote Sensing Image Using Phase Congruency in Illumination Space[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(2)：178-185. DOI:10.11947/j.AGCS.2016.20150030.

[19]LEE J S. Speckle Suppression and Analysis for Synthetic Aperture Radar Images[J]. Optical Engineering, 1986, 25(5): 636-643.

[20]ARSENAULT H H, APRIL G. Properties of Speckle Integrated with a Finite Aperture and Logarithmically Transformed[J]. Journal of the Optical Society of America, 1976, 66(11): 1160-1163.

[21]PARIS S, DURAND F. A Fast Approximation of the Bilateral Filter Using a Signal Processing Approach[C]∥Proceedings of the 9th European Conference on Computer Vision. Graz: Springer,2006: 568-580.

[22]BUADES A, COLL B, MOREL J M. A Review of Image Denoising Algorithms, with a New One[J]. Multiscale Modeling & Simulation, 2006, 4(2): 490-530.

[23]DELEDALLE C A,DENIS L,TUPIN F.Iterative Weighted Maximum Likelihood Denoising with Probabilistic Patch-based Weights[J]. IEEE Transactions on Image Processing, 2009, 18(12): 2661-2672.

[24]OLIVER C J, BLACKNELL D, WHITE R G. Optimum Edge Detection in SAR[J]. IEEE Proceedings：Radar, Sonar and Navigation, 1996, 143(1): 31-40.

[25]GERMAIN O, REFREGIER P. Edge Location in SAR Images: Performance of the Likelihood Ratio Filter and Accuracy Improvement with an Active Contour Approach[J]. IEEE Transactions on Image Processing, 2001, 10(1): 72-78.

[26]SCHOU J, SKRIVER H, NIELSEN A A, et al. CFAR Edge Detector for Polarimetric SAR Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(1): 20-32.

(責任編輯：張艷玲)

Feature Matching for SAR and Optical Images Based on Gaussian-Gamma-shaped Edge Strength Map

CHEN Min1,2，ZHU Qing1，ZHU Jun1，XU Zhu1,3,4，HUANG Lanxin1

1. Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 611756, China; 2. Sichuan Engineering Research Center for Emergency Mapping & Disaster Reduction, Chengdu 610041, China; 3. Collaborative Innovation Center for Rail Transport Safety, Chengdu 610031, China; 4. State-Province Joint Engineering Laboratory of Spatial Information Technology for High-speed Railway Safety, Chengdu 610031, China

Abstract：A matching method for SAR and optical images, robust to pixel noise and nonlinear grayscale differences, is presented. Firstly, a rough correction to eliminate rotation and scale change between images is performed. Secondly, features robust to speckle noise of SAR image are detected by improving the original phase congruency based method. Then, feature descriptors are constructed on the Gaussian-Gamma-shaped edge strength map according to the histogram of oriented gradient pattern. Finally, descriptor similarity and geometrical relationship are combined to constrain the matching processing.The experimental results demonstrate that the proposed method provides significant improvement in correct matches number and image registration accuracy compared with other traditional methods.

Key words：SAR image; image matching; phase congruency; Gaussian-Gamma-shaped edge strength map

基金項目：國家自然科學基金(41471320；41501492)；四川省科技支撐計劃(2014SZ0106；2015SZ0046)；四川省應(yīng)急測繪與防災(zāi)減災(zāi)工程技術(shù)研究中心開放基金(K2015B006)；測繪遙感信息工程國家重點實驗室開放基金((14)Key03)

中圖分類號：P237

文獻標識碼：A

文章編號：1001-1595(2016)03-0318-08

作者簡介：第一 陳敏(1986—)，男，博士，講師，研究方向為多源遙感影像處理與分析。E-mail： minchen@home.swjtu.edu.cn

收稿日期：2015-02-06

引文格式：陳敏，朱慶，朱軍，等.SAR影像與光學影像的高斯伽瑪型邊緣強度特征匹配法[J].測繪學報，2016,45(3)：318-325. DOI:10.11947/j.AGCS.2016.20150084.

CHEN Min, ZHU Qing, ZHU Jun, et al.Feature Matching for SAR and Optical Images Based on Gaussian-Gamma-shaped Edge Strength Map[J]. Acta Geodaetica et Cartographica Sinica,2016,45(3):318-325. DOI:10.11947/j.AGCS.2016.20150084.

修回日期： 2015-09-15

First author： CHEN Min(1986—)，male，PhD，lecturer，majors in multi-source remote sensing images processing and analysis.