基于信息熵約束和KAZE特征提取的遙感圖像配準(zhǔn)算法研究

保文星，桑斯?fàn)?，沈象飛

(北方民族大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，寧夏 銀川 750021)

1 引 言

衛(wèi)星遙感技術(shù)是當(dāng)下國(guó)內(nèi)外研究的熱點(diǎn)，遙感圖像是指裝在飛機(jī)或人造衛(wèi)星等運(yùn)載工具上的傳感器收集由地面目標(biāo)物反射或發(fā)射來(lái)的電磁波，利用這些信息獲得的圖像[1-2]。遙感圖像配準(zhǔn)是指對(duì)同一目標(biāo)的兩幅或者兩幅以上的圖像在空間位置的對(duì)準(zhǔn)。遙感圖像的特征提取和匹配是遙感圖像處理中重要的研究方向，它在地質(zhì)勘探、生態(tài)環(huán)境監(jiān)測(cè)、抗震救災(zāi)、城市規(guī)劃與建設(shè)等領(lǐng)域有著廣泛而重要的應(yīng)用[3]。

圖像配準(zhǔn)方法主要分為兩類(lèi)：基于區(qū)域的匹配和基于特征的匹配[4]。基于區(qū)域的匹配根據(jù)圖像的灰度信息，構(gòu)建兩幅圖像之間的相似性度量，通過(guò)在相關(guān)系數(shù)平面上尋找最佳路徑來(lái)實(shí)現(xiàn)圖像匹配。其包含基于圖像域的處理方法[5-6]，包括互相關(guān)法[7]、最大互信息法[8]、序貫相似性檢測(cè)法[9]等?；陬l域的處理方法，包括基于快速傅里葉變換[10]的相關(guān)相位法和小波變換法等。這些方法于20世紀(jì)初開(kāi)始用于遙感圖像配準(zhǔn)，但由于遙感圖像地貌廣泛，基于區(qū)域的配準(zhǔn)算法要計(jì)算區(qū)域所有可用的灰度信息，造成計(jì)算量大，匹配效果不理想，同時(shí)也無(wú)法滿足遙感圖像配準(zhǔn)的實(shí)時(shí)性要求[11-12]?；谔卣鞯呐錅?zhǔn)方法由于其計(jì)算量少，穩(wěn)定性好等優(yōu)點(diǎn)是目前常用的遙感圖像配準(zhǔn)方法[13]。這類(lèi)算法只需要提取配準(zhǔn)圖像中的點(diǎn)、線、邊緣等特征信息，不需要其他輔助信息，在減少計(jì)算量、提高效率的同時(shí)，能夠?qū)D像灰度的變化有一定的魯棒性[14]?；谔卣鬟吘壍钠ヅ洌饕蠰OG算子、Robert算子、Sobel算子等[15]?；邳c(diǎn)特征的匹配[16]，主要有Harris算法[17]、SUSAN算法[18]、Harr-Laplacia算法、Harr-Affine算法[19]等。但由于基于特征的算法只采用了圖像小部分的特征信息，所以這類(lèi)算法對(duì)特征提取和特征匹配的精度及準(zhǔn)確性要求非常高，對(duì)錯(cuò)誤非常敏感[20-21]。目前常用的圖像提取算法如尺度不變特征變換(Scale-Invariant Feature Transform, SIFT)[22-23]、加速穩(wěn)健特征(Speeded Up Robust Features, SURF)算法[24]在圖像的不變特征提取方面擁有優(yōu)勢(shì)，已經(jīng)取得比較好的成績(jī)[25-26]。但是這類(lèi)特征都是基于一個(gè)高斯核進(jìn)行的線性尺度空間特征檢測(cè)得到，因此會(huì)平滑圖像邊緣，以至圖像損失掉許多細(xì)節(jié)信息[27-28]。針對(duì)這一問(wèn)題，有學(xué)者提出了KAZE算法[29]，一種基于非線性尺度空間的特征點(diǎn)檢測(cè)方法，該非線性尺度空間保證了圖像邊緣在尺度變化中信息損失量非常少，從而極大地保持了圖像細(xì)節(jié)信息[30]。但是KAZE算法在構(gòu)建相同尺度空間時(shí)，圖像細(xì)節(jié)或紋理區(qū)域的弱邊緣易被快速平滑，使得描述向量之間的距離非常小，而出現(xiàn)特征誤匹配現(xiàn)象。同時(shí)KAZE算法對(duì)圖像全局特征進(jìn)行提取造成復(fù)雜度也相應(yīng)較高。在KAZE算法的基礎(chǔ)上，很多學(xué)者為了提高匹配速度和精度，提出了眾多的改進(jìn)算法。羅宇等[31]提出了一種改進(jìn)KAZE算法的移動(dòng)目標(biāo)檢測(cè)算法，重新修正了KAZE算法在求解線性非尺度空間的迭代步長(zhǎng)問(wèn)題，并改進(jìn)了特征匹配，特征點(diǎn)提取速度和匹配率都得到了提升。韓敏等[32]提出了一種基于改進(jìn)KAZE的無(wú)人機(jī)航拍圖像拼接算法，該算法在提高精確度的同時(shí)，還具有較高的魯棒性。李鵬等[33]提出了限以空間約束的方法和KAZE算法結(jié)合來(lái)進(jìn)行多源遙感影像匹配，對(duì)細(xì)節(jié)和紋理模糊的影像具有其獨(dú)特的優(yōu)勢(shì)。汪方斌等[34]提出了一種改進(jìn)的KAZE算法(CKAZE)，特征檢測(cè)和描述的精度都得到了提高。

隨著遙感圖像的分辨率越來(lái)越高，圖像尺寸也越來(lái)越大。遙感圖像尺寸大小直接影響了特征提取的時(shí)間消耗，從原始圖像中提取直接特征會(huì)增加計(jì)算量[35-36]，并且會(huì)降低圖像配準(zhǔn)效率，在加速時(shí)間的同時(shí)能夠提高圖像的配準(zhǔn)精度是當(dāng)下特征提取的研究的重點(diǎn)和難點(diǎn)[37-38]。通常，在對(duì)兩幅圖像進(jìn)行特征提取前，提取的特征點(diǎn)往往都攜帶有豐富的信息量。更進(jìn)一步，特征點(diǎn)的提取不在于數(shù)量的多少，而是在于提取更加精準(zhǔn)的特征點(diǎn)，以便于進(jìn)行下一階段的匹配步驟。因此，本文提出了一種改進(jìn)的KAZE算法用于遙感圖像的配準(zhǔn)。具體地說(shuō)，本文算法首先采用一個(gè)適當(dāng)大小的窗口不重疊地遍歷整幅遙感圖像，并計(jì)算窗口區(qū)域內(nèi)的信息熵。其次根據(jù)圖像眾多局部區(qū)域所具有的信息熵，設(shè)置閾值，保留信息熵豐富的圖像局部區(qū)域，并同時(shí)去除低信息熵圖像區(qū)域。針對(duì)保留下來(lái)的圖像區(qū)域，然后采用KAZE算法進(jìn)行特征點(diǎn)提取，并隨后采用隨機(jī)抽樣一致性(Random Sample Consensus, RANSAC)算法去除錯(cuò)誤匹配點(diǎn)對(duì)，達(dá)到提升準(zhǔn)確率的目的。本文算法的創(chuàng)新點(diǎn)體現(xiàn)在如下幾點(diǎn)：

(1)根據(jù)傳統(tǒng)配準(zhǔn)算法針對(duì)大尺度圖像耗時(shí)的問(wèn)題，本文提出了一種通過(guò)識(shí)別并保留信息豐富的區(qū)域來(lái)降低圖像尺寸對(duì)配準(zhǔn)算法運(yùn)行效率的影響。

(2)本文算法避免了傳統(tǒng)特征提取方法中提取冗余錯(cuò)誤特征點(diǎn)的問(wèn)題。

(3)本文算法使參與匹配的特征點(diǎn)對(duì)數(shù)更加精確，在提升準(zhǔn)確率的同時(shí)減少了計(jì)算時(shí)間。

2 KAZE算法原理

2.1 非線性尺度空間構(gòu)造

KAZE 算法首先采用了非線性擴(kuò)散濾波器，構(gòu)建了穩(wěn)定的非線性尺度空間。使用可變傳導(dǎo)擴(kuò)散方法和加性算子分裂算法具體過(guò)程描述如下:

(1)

其中：I代表單位矩陣，ti代表進(jìn)化時(shí)間，Al代表三對(duì)角占優(yōu)矩陣，Li代表非線性尺度空間第i層圖像亮度。

2.2 特征點(diǎn)檢測(cè)與定位

KAZE特征點(diǎn)檢測(cè)是通過(guò)尋找不同尺度歸一化后的Hessian局部極大值點(diǎn)來(lái)獲得，過(guò)程如下：

(2)

其中：σ為當(dāng)前尺度參數(shù)σi的整數(shù)值；Lxx，Lxy和Lxy均為L(zhǎng)的二階微分。將每個(gè)像素點(diǎn)的Hessian矩陣值與其26個(gè)相鄰點(diǎn)做比較。當(dāng)該點(diǎn)的Hessian矩陣值大于其圖像域和尺度域的所有相鄰點(diǎn)時(shí)，即為極值點(diǎn)。

2.3 確定特征點(diǎn)主方向

KAZE算法根據(jù)特征點(diǎn)的尺度參數(shù)σi，設(shè)置搜索半徑為6σi。對(duì)搜索圈內(nèi)所有相鄰點(diǎn)的一階微分值Lx和Ly高斯加權(quán)，使得靠近特征點(diǎn)的響應(yīng)貢獻(xiàn)大，而遠(yuǎn)離特征點(diǎn)的響應(yīng)貢獻(xiàn)小；將這些高斯加權(quán)一階微分值視作向量空間中的點(diǎn)集，以角度為60°的扇形滑動(dòng)窗口對(duì)點(diǎn)集進(jìn)行向量疊加，遍歷整個(gè)圓形區(qū)域。獲得最長(zhǎng)向量的角度就是主方向。

2.4 描述特征向量

KAZE首先在梯度圖像上以特征點(diǎn)為中心取一個(gè)24σi×24σi的窗口，并將窗口劃分為4×4個(gè)子區(qū)域，相鄰的子區(qū)域有寬度為2σi的交疊帶。每個(gè)子區(qū)域都用一個(gè)高斯核σ1=2.5σi進(jìn)行加權(quán)，然后計(jì)算出長(zhǎng)度為4的子區(qū)域描述向量；得到描述向量后，對(duì)每個(gè)子區(qū)域的向量以大小為4×4的高斯窗口σ2=1.5σi進(jìn)行加權(quán)，最后進(jìn)行歸一化處理，獲得64維的描述向量。

3 一種用于加速KAZE特征提取的預(yù)處理算法

3.1 基于信息熵約束的特征點(diǎn)篩取

通常而言，在特征描述前如果能夠找到具有重復(fù)性、獨(dú)特性和較強(qiáng)的魯棒性的特征點(diǎn)，將直接決定后期圖像匹配的效果。由于遙感圖像具有圖幅巨大，信息量豐富，并且普遍都是地面地形等特點(diǎn)。在進(jìn)行特征點(diǎn)提取時(shí)，導(dǎo)致特征提取時(shí)間過(guò)長(zhǎng)，且不能完全細(xì)致地提取特征點(diǎn)。本文將圖像分割和信息熵理論結(jié)合到KAZE 算法中，本文算法的流程圖如圖1 所示，首先將待配準(zhǔn)影像和基準(zhǔn)影像進(jìn)行分割，用非重疊滑動(dòng)窗口遍歷圖像，對(duì)圖像按窗口大小進(jìn)行分割，并計(jì)算每個(gè)小窗口區(qū)域的信息熵。其次設(shè)置分割閾值，對(duì)計(jì)算出信息熵的窗口區(qū)域進(jìn)行篩選，并保留大于設(shè)定閾值的窗口區(qū)域進(jìn)行KAZE算法特征點(diǎn)提取。然后對(duì)提取出的特征點(diǎn)用KAZE算法進(jìn)行特征描述，并通過(guò)計(jì)算歐氏距離進(jìn)行特征點(diǎn)粗匹配。最后使用RANSAC算法去除誤匹配，提高匹配精度。

圖1 算法流程圖Fig.1 Flowchart of the proposed algorithm

3.1.1 圖像分割

對(duì)于KAZE算法而言，由于KAZE算法使用到了非線性擴(kuò)散濾波器，使得在圖像的平緩區(qū)域灰度的擴(kuò)散比較快，在邊緣處擴(kuò)散比較慢，避免了邊界模糊和細(xì)節(jié)丟失等問(wèn)題，所以對(duì)于影像中的角點(diǎn)、邊界等特征明顯部位能夠有效進(jìn)行特征點(diǎn)的提取。為了找到這些信息熵豐富的特征點(diǎn)，本文首先對(duì)待配準(zhǔn)影像和基準(zhǔn)影像進(jìn)行分割，即配準(zhǔn)影像和基準(zhǔn)影像用非重疊滑動(dòng)窗口進(jìn)行遍歷。例如，當(dāng)圖像尺寸大小為1 000×1 000，可以采用5×5大小的窗口不重疊的遍歷整幅遙感圖像，即將圖像分成了200×200 pixel大小的若干小窗口，然后對(duì)分割后的每個(gè)小窗口進(jìn)行信息熵計(jì)算。

3.1.2 局部信息熵提取

影像中顯著的特征點(diǎn)所攜帶的信息量豐富，通過(guò)計(jì)算整幅遙感圖像的信息熵，可以找到圖像中信息量豐富的區(qū)域，為了剔除可以認(rèn)為不相關(guān)的信息，保留圖像重要的結(jié)構(gòu)屬性。本文對(duì)分割后的每個(gè)窗口進(jìn)行信息熵的計(jì)算，并保留高信息熵的區(qū)域進(jìn)行特征點(diǎn)提取。

(3)

(4)

在本文的算法中，假定w為遙感圖像分割的窗口大小，對(duì)于圖像中的每一塊分割區(qū)域，其信息熵可以表述如下：

(5)

對(duì)于圖像每塊分割區(qū)域的信息熵，本文算法進(jìn)一步根據(jù)信息熵的直方圖分布情況選擇分割閾值，以剔除低信息熵的圖像區(qū)域，并同時(shí)保留高信息熵區(qū)域，過(guò)程表述如下：

(6)

其中：Ir,s表示將所在空間區(qū)域?yàn)?r,s)的信息熵Hr,s進(jìn)行閾值T分割后所保留的圖像信息。若Hr,s小于所設(shè)定閾值，則將該區(qū)域像素灰度值置為零，否則保留該區(qū)域像素信息。本文設(shè)置的信息熵閾值為由0.7變化到0.9。針對(duì)不同的遙感圖像，本文算法選取一個(gè)能得到最佳匹配精度的信息熵閾值。

3.2 特征點(diǎn)匹配

本文使用基于歐氏距離的匹配方法來(lái)度量?jī)煞鶊D像特征之間的關(guān)系的，特征向量之間的歐氏距離公式為：

(7)

其中(x1,y1),(x2,y2)代表匹配的兩個(gè)特征向量的坐標(biāo)。兩個(gè)特征向量之間的距離越小，表明相似度越高。

傳統(tǒng)的歐氏距離匹配方法在圖像中某些區(qū)域灰度信息差別不大時(shí)就會(huì)產(chǎn)生錯(cuò)誤匹配的情況。針對(duì)此情況，本文在用歐氏距離進(jìn)行粗匹配的基礎(chǔ)上，采用RANSAC算法來(lái)剔除錯(cuò)誤匹配的特征點(diǎn)對(duì)，減少了誤差，提高了圖像的匹配精度。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

為了驗(yàn)證對(duì)KAZE算法改進(jìn)后的實(shí)驗(yàn)的可行性。本論文實(shí)驗(yàn)分別采用了空間分辨率為6米的SPOT 6衛(wèi)星的多光譜衛(wèi)星所拍攝的銀川局部地區(qū)遙感影像(如圖2(a)所示)，空間分辨率為3.2 m高分2號(hào)衛(wèi)星多光譜影像所裁取的銀川局部地區(qū)遙感影像(如圖2(b)所示)，Google地圖裁取的北京地區(qū)的遙感影像(如圖2(c)所示)，空間分辨率為30 m的LANDSAT 8衛(wèi)星拍攝的銀川局部地區(qū)遙感影像(如圖2(d)所示)。4組遙感影像均包含1 024×1 024 pixel。實(shí)驗(yàn)采用的平臺(tái)設(shè)置是CPU為Inter core i7, 3.60 GHz,內(nèi)存為16.0 GB,64位Win10操作系統(tǒng)的PC機(jī)。實(shí)驗(yàn)的所有算法編程環(huán)境為MATLB 2017a。

4.2 實(shí)驗(yàn)效果度量標(biāo)準(zhǔn)

本文統(tǒng)計(jì)各算法所提取的總特征點(diǎn)數(shù)目、正確匹配點(diǎn)數(shù)目、匹配正確率CMR(Correct Matching Rate)及時(shí)間作為評(píng)價(jià)標(biāo)準(zhǔn)。其中CMR定義如式(8)所示：

(8)

其中：表示的是正確匹配點(diǎn)數(shù)與所有匹配點(diǎn)對(duì)數(shù)之比，即Nc表示匹配正確點(diǎn)數(shù)，N為所有匹配點(diǎn)數(shù)，CMR值越大，表示匹配性能越好。

圖2 四組遙感影像圖

4.3 實(shí)驗(yàn)分析

為了驗(yàn)證本文算法提出的信息熵和窗口劃分對(duì)算法進(jìn)行預(yù)處理的實(shí)驗(yàn)有效性，對(duì)實(shí)驗(yàn)進(jìn)行了以下分析。

本文涉及到了2個(gè)重要參數(shù)，分別是W和T, 其中W表示圖像分割的窗口大小，T為信息熵分割閾值。為了驗(yàn)證W和T對(duì)實(shí)驗(yàn)結(jié)果的影響，實(shí)驗(yàn)參數(shù)W設(shè)置由5變化到40，T由0.7變化到0.9。此實(shí)驗(yàn)使用以上4組不同衛(wèi)星所拍攝的田地、平原等不同類(lèi)型的遙感影像進(jìn)行實(shí)驗(yàn)。

4.3.1 本文算法對(duì)特征點(diǎn)數(shù)的影響趨勢(shì)

圖3(a)～圖3(d)分別展示了在4種遙感影像數(shù)據(jù)集上不同W和T對(duì)實(shí)驗(yàn)提取到的特征點(diǎn)數(shù)目多少的影響趨勢(shì)。由于圖3(a)基準(zhǔn)圖像和待配準(zhǔn)圖像無(wú)明顯特征區(qū)域，因此僅當(dāng)W和T分別在5～10以及0.7～0.85之間變化時(shí)，本文算法能夠提取一定的特征點(diǎn)。其中當(dāng)W逐漸變大或T逐漸變大，本文算法在Landsat所拍攝的影像中提取到的特征點(diǎn)數(shù)有逐漸減小的趨勢(shì)。并且對(duì)于該圖像，當(dāng)W設(shè)置為5，T設(shè)置為0.7時(shí)，實(shí)驗(yàn)顯示了最佳的實(shí)驗(yàn)結(jié)果。同樣地，圖3(b)顯示了和圖3(a)較為類(lèi)似的變化趨勢(shì)。此外，從圖3(c)中可以看出，W的取值大小對(duì)于特征點(diǎn)數(shù)目的提取效果具有明顯地影響，而T則對(duì)特征點(diǎn)數(shù)目的提取數(shù)目影響較輕。由圖3(d)所示，在窗口較小的情況下，T愈大，算法能提取到的特征點(diǎn)也愈多。

圖3 從圖像提取到的特征點(diǎn)數(shù)目結(jié)果圖(W代表窗口大小，T代表信息熵閾值，Z軸代表特征點(diǎn)數(shù)目)

4.3.2 算法時(shí)間分析

為了驗(yàn)證實(shí)驗(yàn)中兩個(gè)參數(shù)W和T對(duì)實(shí)驗(yàn)時(shí)間結(jié)果的影響，同樣使用了以上4組遙感影像進(jìn)行實(shí)驗(yàn)。以谷歌影像和高分影像為例對(duì)算法的時(shí)間進(jìn)行分析，部分?jǐn)?shù)據(jù)展現(xiàn)在表1和表2。橫軸W代表窗口大小，縱軸T代表信息熵閾值。如表1所示，隨著窗口和信息熵閾值的增大，時(shí)間呈現(xiàn)遞減的趨勢(shì)。并且當(dāng)窗口增大到20，運(yùn)行時(shí)間維持在1.5 s之下。由表2可以看出當(dāng)窗口變化到10，運(yùn)行時(shí)間基本在1 s到2 s之間?？梢哉f(shuō)明經(jīng)過(guò)本文算法對(duì)圖像的處理使得KAZE算法特征提取時(shí)間較低。

表1 經(jīng)過(guò)本文算法對(duì)圖像的預(yù)處理后KAZE算法在谷歌影像上運(yùn)行的時(shí)間

表2 經(jīng)過(guò)本文算法對(duì)圖像的預(yù)處理后KAZE算法在高分2影像上運(yùn)行的時(shí)間

4.3.3 算法對(duì)比

為了進(jìn)一步測(cè)試本文算法的實(shí)驗(yàn)性能，3種結(jié)合了RANSAC算法特征提取算法用于衡量本文算法在不同數(shù)據(jù)集下的有效性，3種算法分別是SIFT，SURF及KAZE。表3列出了4種算法在4種數(shù)據(jù)集下的4種實(shí)驗(yàn)度量方法下的實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果，4種實(shí)驗(yàn)度量方法分別為匹配點(diǎn)對(duì)數(shù)，正確點(diǎn)對(duì)數(shù)，CMR和運(yùn)行時(shí)間。表中實(shí)驗(yàn)數(shù)據(jù)主要體現(xiàn)在如下幾點(diǎn)：(1)實(shí)驗(yàn)影像的質(zhì)量對(duì)于各算法的實(shí)驗(yàn)性能有較為明顯地影響。其中，SPOT遙感影像和高分影像相比Landsat和谷歌地圖影像具有相對(duì)較為明顯的地物特征，因此所采用的4種算法在SPOT遙感影像和高分影像均能提取較為可觀的特征點(diǎn)數(shù)目，而在Landsat和谷歌地圖影像上SURF+RANSAC和KAZE+RANSAC算法很難提取到特征點(diǎn)；(2)在4組遙感影像下，本文算法相比其余3種算法大多具有最低的運(yùn)行時(shí)間和相對(duì)較高的正確率。特別的，對(duì)于地面特征不明顯的Landsat影像，本文算法也能提供較多的匹配點(diǎn)數(shù)、正確匹配點(diǎn)數(shù)和CMR值。圖4給出了本文算法對(duì)4組遙感影像進(jìn)行配準(zhǔn)的實(shí)驗(yàn)圖像。

表3 4種算法在不同遙感影像條件下的實(shí)驗(yàn)結(jié)果

圖4 匹配結(jié)果圖Fig.4 Matching result map

5 結(jié) 論

本文針對(duì)遙感圖像尺寸大，特征點(diǎn)算法匹配精度低及時(shí)間長(zhǎng)等問(wèn)題，提出了一種基于信息熵預(yù)處理的圖像配準(zhǔn)方法。本文首先在對(duì)遙感影像提取特征之前，使用非重疊窗口遍歷整幅遙感影像，并對(duì)每個(gè)分割出的小窗口計(jì)算其信息熵，并在信息熵豐富的區(qū)域進(jìn)行特征提取。通過(guò)在不同衛(wèi)星得到的遙感影像進(jìn)行實(shí)驗(yàn)驗(yàn)證了本文所提出的算法，實(shí)驗(yàn)結(jié)果表明本文在提高了匹配正確率的同時(shí)，降低了運(yùn)行時(shí)間。并且針對(duì)無(wú)明顯特征的遙感影像，本文算法能夠找到更精確的特征點(diǎn)。在SPOT、高分二號(hào)等衛(wèi)星數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明，本文算法相比于KAZE算法精度分別提升了0.2%和0.3%。算法時(shí)間分別縮短了70%和53%。

通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，本文算法適用于尺寸較大且無(wú)明顯特征區(qū)域的遙感影像中，如田地，山地等類(lèi)的遙感影像，通過(guò)對(duì)圖像進(jìn)行分割去除冗余特征點(diǎn)的方法能夠發(fā)揮其優(yōu)勢(shì)，減少特征點(diǎn)提取時(shí)間，提高效率。對(duì)于存在明顯特征區(qū)域的遙感影像如城市等遙感影像，本文算法也能夠提取到較多的特征點(diǎn)，但對(duì)于無(wú)明顯區(qū)域的遙感影像本文算法的優(yōu)勢(shì)更為明顯和突出。發(fā)現(xiàn)本文算法對(duì)于分辨率不一樣的遙感圖像，匹配效果不夠理想。下一步工作將針對(duì)此問(wèn)題進(jìn)行更加深入地研究。