耦合分水嶺與形態(tài)學(xué)的特殊紋理影像配準(zhǔn)算法

臧麗日， 楊樹文,2,3， 申順發(fā)， 薛慶， 秦肖偉

(1.蘭州交通大學(xué)測(cè)繪與地理信息學(xué)院，蘭州 730070； 2.地理國(guó)情監(jiān)測(cè)技術(shù)應(yīng)用國(guó)家地方聯(lián)合工程研究中心，蘭州 730070； 3.甘肅省地理國(guó)情監(jiān)測(cè)工程實(shí)驗(yàn)室，蘭州 730070)

0 引言

合成孔徑雷達(dá)(synthetic aperture Radar，SAR)獨(dú)特的成像優(yōu)勢(shì)和影像特征可以突破被動(dòng)式光學(xué)傳感器成像的限制[1]，彌補(bǔ)了光學(xué)影像因天氣狀況等造成的對(duì)地觀測(cè)的間斷性等問(wèn)題。SAR影像與光學(xué)影像分別反映微波波段和可見光波段的輻射特性，通過(guò)融合技術(shù)可實(shí)現(xiàn)兩者之間的有效信息互補(bǔ)，有利于對(duì)地表進(jìn)行全面的觀測(cè)和分析[2]。融合的前提是影像配準(zhǔn)，以保證不同時(shí)間獲取2幅或多幅圖像的對(duì)齊和地理位置的一致性。然而，由于SAR影像與光學(xué)影像間存在較大差異，灰度信息完全不同，甚至難以通過(guò)視覺檢測(cè)到對(duì)應(yīng)的控制點(diǎn)。因此，如何有效地解決多模態(tài)影像配準(zhǔn)成為當(dāng)今遙感影像配準(zhǔn)領(lǐng)域的重要研究課題[3-4]。

目前SAR影像與光學(xué)影像有效的配準(zhǔn)方法主要分為基于特征的方法和基于區(qū)域的方法?；谔卣鞯呐錅?zhǔn)方法是異源影像配準(zhǔn)時(shí)的有效方法之一，它通過(guò)匹配影像間的同名特征來(lái)實(shí)現(xiàn)影像的配準(zhǔn)，如尺度不變特征變換(scale-invariant feature transform，SIFT)[5]、改進(jìn)的加速穩(wěn)健特征(speeded up robust features，SURF)[6]等。然而，Schwind等[7]經(jīng)過(guò)實(shí)驗(yàn)證明該類經(jīng)典特征對(duì)同源影像間的配準(zhǔn)表現(xiàn)穩(wěn)定，而在異源配準(zhǔn)中表現(xiàn)并不理想。因此，在此基礎(chǔ)上Xiang等[8]于2018年提出了OS-SIFT算法，該算法構(gòu)建了2個(gè)不同的Harris空間提取點(diǎn)特征，采用類局部梯度方向直方圖描述子描述特征點(diǎn)的結(jié)構(gòu)信息，在SAR影像與光學(xué)影像配準(zhǔn)中得到了一定的應(yīng)用，但無(wú)法完全避免非線性灰度差異，對(duì)影像的適用性有一定的限制。在此基礎(chǔ)上，李東宸等[1]提出均勻分布與結(jié)構(gòu)描述仿射尺度不變特征變換(affine SIFT,ASIFT)相結(jié)合的配準(zhǔn)算法，該方法相比于SAR-SIFT和傳統(tǒng)ASIFT算法具有更高的匹配成功率和配準(zhǔn)精度，但在獲取特征點(diǎn)過(guò)程中耗時(shí)較長(zhǎng)，使得配準(zhǔn)算法效率不高。由此說(shuō)明，基于特征的方法對(duì)于灰度差異較大的異源影像來(lái)說(shuō)，共有特征的獲取較為困難，算法運(yùn)行時(shí)間較長(zhǎng)，因此使用此類方法對(duì)SAR影像與光學(xué)影像配準(zhǔn)具有一定的局限性。

基于區(qū)域的配準(zhǔn)方法是根據(jù)影像的灰度信息構(gòu)建相似性測(cè)度，以此識(shí)別影像之間的同名點(diǎn)并進(jìn)行匹配，從而實(shí)現(xiàn)影像配準(zhǔn)的過(guò)程。王志社等[9]曾提出了一種基于K均值聚類分割的配準(zhǔn)方法，提取影像中的封閉輪廓并將其匹配后實(shí)現(xiàn)影像的配準(zhǔn)，實(shí)驗(yàn)證明該方法不僅效率高，而且精度可以達(dá)到亞像素，避免了配準(zhǔn)時(shí)SAR影像噪聲的影響，但該算法適合分辨率較低的影像配準(zhǔn)，對(duì)于高分辨率影像效果并不佳。此后，葉沅鑫等[2]構(gòu)建相位一致性方向直方圖作為測(cè)度，提出了一種基于幾何結(jié)構(gòu)屬性的配準(zhǔn)方法，有效地抵抗了SAR影像與光學(xué)影像間的非線性輻射差異，匹配性能更為魯棒; 楊勇等[10]基于影像中的感興趣區(qū)，提出一種模板匹配約束下的配準(zhǔn)方法，在確保算法配準(zhǔn)精度的前提下有效節(jié)省算法運(yùn)算量，為多源影像間的匹配提供了有效的方法。由此可見，使用單一傳統(tǒng)的配準(zhǔn)方法往往無(wú)法得到理想的配準(zhǔn)結(jié)果，上述方法均使用了混合模型，提出一些新的SAR影像與光學(xué)影像配準(zhǔn)思路，有效地解決了較大灰度差異帶來(lái)的誤配準(zhǔn)問(wèn)題。但由于SAR影像的特殊性，上述方法均適用于一組分辨率差異小的影像之間的配準(zhǔn)，對(duì)于分辨率差異大，且影像中地物類型繁雜的影像，仍未得到較好的配準(zhǔn)校正效果。

鑒于此，本文將標(biāo)記控制分水嶺算法與數(shù)學(xué)形態(tài)學(xué)處理相結(jié)合，提出一種耦合圖像分割與配準(zhǔn)的特殊紋理SAR影像與光學(xué)影像自動(dòng)配準(zhǔn)算法。文中選用的特殊紋理為水體，雖然水體區(qū)域在2種影像中的灰度表現(xiàn)存在一定差異，但相對(duì)來(lái)說(shuō)，灰度的分布都具有較好的一致性[9]，且在2種影像中水體的范圍幾乎一致，適合作為2種影像中可共同提取的特征。適當(dāng)改進(jìn)標(biāo)記控制分水嶺算法使之可以精確提取影像中的水體區(qū)域，將得到的分割結(jié)果二值化后進(jìn)行形態(tài)學(xué)處理，得到只包含水體區(qū)域和非水體區(qū)域的二值圖像； 然后提取水體區(qū)域質(zhì)心用作粗配準(zhǔn)，使用二值圖像配準(zhǔn)測(cè)度進(jìn)行精配準(zhǔn)步驟。將影像配準(zhǔn)轉(zhuǎn)化為二值圖像的配準(zhǔn)，可有效解決尋找同名匹配點(diǎn)困難的問(wèn)題，在保證精度的同時(shí)大大減小算法計(jì)算量，提升算法效率。

1 主要算法研究

1.1 標(biāo)記控制分水嶺算法

圖像分割是按照一定的原則，將圖像分為若干個(gè)互不相交的小區(qū)域的過(guò)程，是圖像處理中最為基礎(chǔ)的研究領(lǐng)域之一。目前存在多種分割方法，其中分水嶺算法作為一種基于區(qū)域的典型圖像分割算法，已在醫(yī)學(xué)圖像和模式識(shí)別等領(lǐng)域得到廣泛應(yīng)用。

分水嶺分割算法是Vincent等[11]提出的一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)分割方法。該算法易于實(shí)現(xiàn)、性能優(yōu)良，能夠較好地提取目標(biāo)輪廓，被廣泛應(yīng)用到圖像分割領(lǐng)域[12]。由于分水嶺算法是基于灰度與距離變換的結(jié)果尋找分割線，所以對(duì)噪聲非常敏感。圖1(a)為原始SAR影像，(b)為灰度的三維顯示圖，(c)為影像的Sobel梯度圖像，(d)為經(jīng)典分水嶺算法的分割結(jié)果。從圖中發(fā)現(xiàn)，SAR影像存在豐富的紋理細(xì)節(jié)以及不可避免的噪聲，出現(xiàn)許多局部極小值點(diǎn)，導(dǎo)致分割結(jié)果形成多個(gè)分水嶺，出現(xiàn)過(guò)度分割現(xiàn)象。部分學(xué)者嘗試將分割過(guò)程中的梯度圖像平滑后再進(jìn)行分水嶺變換，過(guò)度分割現(xiàn)象有所緩解，但仍然無(wú)法得到正確的分割結(jié)果。

(a) 原始影像(b) 集水盆地顯示(c) 梯度圖像(d) 分水嶺算法過(guò)度分割

為解決經(jīng)典分水嶺算法在地物類型復(fù)雜的影像分割時(shí)帶來(lái)過(guò)度分割的問(wèn)題，Parvati等[13]提出一種標(biāo)記控制分水嶺算法。該算法是在分水嶺分割算法的基礎(chǔ)上，在分割過(guò)程中增加標(biāo)記控制而形成的一種語(yǔ)義分割算法。基本思想是利用附加知識(shí)，在圖像中尋找前景標(biāo)記和背景標(biāo)記，來(lái)引導(dǎo)分水嶺算法進(jìn)行分割。標(biāo)記的加入，使得分水嶺分割算法更具魯棒性和準(zhǔn)確性，通常不會(huì)產(chǎn)生過(guò)度分割問(wèn)題。

針對(duì)本文算法中需要精確提取影像中水體這一目的，對(duì)經(jīng)典標(biāo)記控制分水嶺算法在生成前景標(biāo)記和背景標(biāo)記部分進(jìn)行相應(yīng)改進(jìn)，改進(jìn)算法的具體步驟為：

1)首先將影像灰度化[14]，其方法如式(1)所示。然后進(jìn)行直方圖均衡化，以增強(qiáng)對(duì)比度，使細(xì)節(jié)部分更清晰，即

Gray=0.30R+0.59G+0.11B，

(1)

式中：Gray為灰度圖像；R，G，B分別為圖像的紅色、綠色和藍(lán)色分量。

2)使用Sobel算子檢測(cè)梯度，得到梯度圖像G，其公式為：

(2)

式中Gx和Gy分別為水平梯度和垂直梯度。

3)通過(guò)基于形態(tài)學(xué)重建[15]的開閉操作對(duì)灰度圖像進(jìn)行去噪處理，重建濾波器的結(jié)構(gòu)如圖2所示。

圖2 形態(tài)學(xué)重建濾波器

4)提取重建后圖像的局部極小值作為前景標(biāo)記fgm。

5)閾值分割后，提取相鄰區(qū)域間的分水嶺脊線作為背景標(biāo)記bgm。

6)使用fgm和bgm修正梯度圖像，使梯度圖像在標(biāo)記處有局部極小值。

7)對(duì)修正后的梯度圖像進(jìn)行分水嶺分割，得到最終的分割結(jié)果。

改進(jìn)后的標(biāo)記控制分水嶺算法流程如圖3所示。

與經(jīng)典的分水嶺分割算法相比，改進(jìn)后的標(biāo)記控制分水嶺算法提取結(jié)果精度較高，對(duì)于SAR影像和光學(xué)影像中水體區(qū)域的分割提取均有較好的效果。

1.2 數(shù)學(xué)形態(tài)學(xué)處理

1.2.1 水體區(qū)域準(zhǔn)確提取

經(jīng)過(guò)標(biāo)記控制分水嶺分割后，對(duì)分割結(jié)果進(jìn)行二值化處理，將水體區(qū)域標(biāo)記為1，背景標(biāo)記為0，得到只包含水體區(qū)域和非水體區(qū)域的二值圖像。但是圖像噪聲和建筑物等其他陰影的存在，造成圖像中有一些孤立散點(diǎn)，或者造成水體區(qū)域中存在孔洞。所以，首先對(duì)二值圖像進(jìn)行孔洞填充操作，然后進(jìn)行一次先膨脹再腐蝕的閉運(yùn)算操作，以此消除水體邊緣的孤立散點(diǎn)和孔洞，其中孔洞填充的原理為：

Xk=(Xk-1⊕M)∩Nc,k=1,2,3,… ，

(3)

式中：k為迭代次數(shù)；Xk為第k次填充后的孔洞；M為已知對(duì)稱結(jié)構(gòu)元；N為集合，其元素是8連通的邊界；Nc為N的補(bǔ)集； ⊕為形態(tài)學(xué)膨脹。

經(jīng)過(guò)以上步驟處理的二值圖像，可以在保持水體區(qū)域的位置和形狀不變的同時(shí)，填補(bǔ)區(qū)域內(nèi)由于噪聲產(chǎn)生的孔洞和邊緣毛刺，提取得到精確的水體區(qū)域。

1.2.2 連通分量提取及計(jì)算質(zhì)心

在二值圖像中，提取連通分量是許多圖像分析應(yīng)用的核心任務(wù)[16]。其原理是給圖像中的每個(gè)連通區(qū)域分配一個(gè)唯一編號(hào)，輸出圖像中該連通區(qū)域內(nèi)的像素值均為該區(qū)域的編號(hào)值，提取連通分量的過(guò)程也是標(biāo)注連通分量的過(guò)程，可表示為：

Xk=(Xk-1⊕B)∩A，k=1,2,3,…，

(4)

式中：Xk包含圖像中所有連通分量；B為一個(gè)適當(dāng)?shù)慕Y(jié)構(gòu)元；A為包含一個(gè)或多個(gè)連通分量的集合。

在連通分量提取過(guò)程中，存在孔洞填充和閉運(yùn)算處理無(wú)法剔除的噪聲點(diǎn)，算法會(huì)提取到許多小的連通分量，因此根據(jù)圖像大小，設(shè)置合適的閾值對(duì)這些小的連通分量進(jìn)行剔除。剔除完畢后，計(jì)算提取到的水體區(qū)域的質(zhì)心?；诖耍瑯?gòu)建完整的形態(tài)學(xué)處理流程步驟如圖4所示。

圖4 形態(tài)學(xué)處理流程

1.3 二值圖像配準(zhǔn)相似性測(cè)度

在計(jì)算互信息和相關(guān)系數(shù)等相似性測(cè)度時(shí)，會(huì)涉及到大量的乘法和對(duì)數(shù)運(yùn)算，雖然配合使用合適的尋優(yōu)搜索算法，但仍然存在計(jì)算量太大的問(wèn)題?；诖耍惴ㄊ褂靡环N適合于二值圖像配準(zhǔn)的相似性測(cè)度，只涉及邏輯運(yùn)算和加法運(yùn)算[17]，以此提升配準(zhǔn)的效率。

設(shè)基準(zhǔn)影像和待配準(zhǔn)影像提取水體后的二值圖像分別為R和F，當(dāng)具有空間變換參數(shù)T時(shí)，2幅圖像的相似性測(cè)度S(T)的計(jì)算公式為：

(5)

式中：n為總像素?cái)?shù)。si的計(jì)算公式為：

(6)

由于式(6)等價(jià)于

si(T)=R(i)FT(i)，

(7)

故相似性測(cè)度S(T)的計(jì)算公式可等價(jià)為：

(8)

算法使用的相似性測(cè)度可導(dǎo)，配準(zhǔn)時(shí)得到的測(cè)度曲線平滑、無(wú)局部極值出現(xiàn)，且計(jì)算速度快，適合作為二值圖像配準(zhǔn)時(shí)使用的相似性測(cè)度。

2 耦合分水嶺與數(shù)學(xué)形態(tài)學(xué)的配準(zhǔn)算法

根據(jù)上述算法原理，本文將改進(jìn)標(biāo)記控制分水嶺算法與數(shù)學(xué)形態(tài)學(xué)處理相結(jié)合，提出一種耦合圖像分割與配準(zhǔn)的特殊紋理影像配準(zhǔn)算法，本文構(gòu)建的算法流程如圖5所示。具體算法步驟如下： ①對(duì)SAR影像與光學(xué)影像進(jìn)行預(yù)處理，其中SAR影像斑點(diǎn)噪聲大，采用Lee濾波及適當(dāng)?shù)睦焯幚恚越档突蛳喔砂咴肼暤挠绊懀?②使用改進(jìn)后的標(biāo)記控制分水嶺算法分割2幅影像中的水體區(qū)域； ③將分割結(jié)果二值化，水體區(qū)域標(biāo)記為1，非水體標(biāo)記為0，得到只包含水體區(qū)域和非水體區(qū)域的二值圖像； ④對(duì)二值圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)孔洞填充和閉運(yùn)算處理，以此實(shí)現(xiàn)SAR影像和光學(xué)影像中水體區(qū)域的準(zhǔn)確提?。?⑤計(jì)算2幅二值圖像中水體連通分量的質(zhì)心，將其一一對(duì)應(yīng)匹配，以解決圖像間存在的大范圍偏移問(wèn)題，使其只存在局部平移和旋轉(zhuǎn)關(guān)系[10]，以實(shí)現(xiàn)圖像間的粗配準(zhǔn)； ⑥把二值圖像配準(zhǔn)的相似性測(cè)度，利用粒子群優(yōu)化(particle swarm optimization，PSO)算法，搜索得到使測(cè)度最大時(shí)的空間變換參數(shù)，即最優(yōu)變換參數(shù)T; ⑦使用最優(yōu)變換參數(shù)T對(duì)待配準(zhǔn)SAR影像進(jìn)行空間變換，將其配準(zhǔn)到光學(xué)影像上，實(shí)現(xiàn)具有特殊紋理的SAR影像與光學(xué)影像的快速精確配準(zhǔn)。

圖5 整體算法流程

3 實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證耦合標(biāo)記控制分水嶺與形態(tài)學(xué)處理算法對(duì)SAR影像與光學(xué)影像配準(zhǔn)時(shí)的有效性，本文進(jìn)行了多組實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境： CPU為Intel(R) Core(TM) i7-10700，主頻為2.9 GHz，內(nèi)存為16 GB，操作系統(tǒng)為 Windows 10，軟件平臺(tái)為MATLAB 2019b。

本文使用遙感影像數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，分別驗(yàn)證改進(jìn)的標(biāo)記控制分水嶺算法提取水體的精度和整體影像配準(zhǔn)算法流程的精度與效率，并與多種圖像分割、配準(zhǔn)算法結(jié)果作對(duì)比，驗(yàn)證本文所提算法流程的有效性。圖6為實(shí)驗(yàn)所用的2組具有水體區(qū)域的SAR影像和光學(xué)影像數(shù)據(jù)，其中圖6(a)和(c)為光學(xué)基準(zhǔn)影像，圖6(b)和(d)為與(a)和(c)同地區(qū)的待配準(zhǔn)SAR影像，表1為數(shù)據(jù)的詳細(xì)說(shuō)明。

(a) GF-2影像(b) GF-3影像(c) Google Earth影像(d) Sentinel-1A影像

表1 實(shí)驗(yàn)數(shù)據(jù)詳細(xì)說(shuō)明

3.1 水體提取實(shí)驗(yàn)

為了驗(yàn)證使用改進(jìn)的標(biāo)記控制分水嶺算法和形態(tài)學(xué)處理后，能否快速準(zhǔn)確地分割得到水體、非水體的二值圖像，本文分別采用最大類間方差(Otsu)算法[18]、K均值(K-means)聚類法、區(qū)域生長(zhǎng)法[19]與本文算法進(jìn)行對(duì)比實(shí)驗(yàn)。表2為4種不同算法進(jìn)行對(duì)比實(shí)驗(yàn)的分割結(jié)果，其中二值圖像均為經(jīng)過(guò)孔洞填充和閉運(yùn)算處理之后的結(jié)果。表3是對(duì)4種圖像分割算法的總體精度評(píng)定，包括算法的效率對(duì)比和精度評(píng)價(jià)。

表2 對(duì)比實(shí)驗(yàn)分割結(jié)果

表3 4種分割結(jié)果精度評(píng)價(jià)

(續(xù)表)

通過(guò)對(duì)表2和表3的對(duì)比分析表明： ①Otsu算法是通過(guò)類間灰度方差最大化獲取最優(yōu)閾值，算法運(yùn)行速度在4種算法中的效率最高。但是對(duì)地物類型復(fù)雜的遙感影像來(lái)說(shuō)，Otsu的分割結(jié)果中出現(xiàn)大量斑點(diǎn)，未經(jīng)形態(tài)學(xué)處理前，圖像內(nèi)的斑點(diǎn)更為繁雜，分割效果不理想； ②K-means法是模式識(shí)別中的經(jīng)典算法，但較Otsu法來(lái)講，其在效率和精度上均不占優(yōu)勢(shì)，且出現(xiàn)很多錯(cuò)誤分類，4幅影像的平均準(zhǔn)確率只有57.82%; ③區(qū)域生長(zhǎng)法是依據(jù)圖像灰度值的相似性獲得分割區(qū)域，結(jié)果比較接近真實(shí)范圍。但是該算法在一定程度上依賴種子點(diǎn)的選取，如影像1中間部分，誤將部分道路也提取為水體，存在一定的誤差。且區(qū)域生長(zhǎng)法需要人工選取種子點(diǎn)，不能滿足算法自動(dòng)提取水體的需求，另外該算法執(zhí)行速度較慢，平均耗時(shí)達(dá)到13.77 s，在4種算法中耗時(shí)最長(zhǎng)。

綜合對(duì)比4種算法，本文算法分割精度最高，4幅影像平均分割準(zhǔn)確率高達(dá)97.15%，并且算法對(duì)細(xì)小水體也有較好的提取效果，如影像1左上角和影像4的右下角所示，可以得到較準(zhǔn)確的分割結(jié)果。且與精度相近的區(qū)域生長(zhǎng)法相比，本文算法在保證準(zhǔn)確度的同時(shí)，運(yùn)行時(shí)間大大縮短。故綜合考慮算法效率和分割準(zhǔn)確度，本文算法提取SAR影像和光學(xué)影像的水體信息均有較好的效果，尤其是細(xì)小水體的提取，有助于快速精確地提取得到水體區(qū)域的二值圖像，為配準(zhǔn)做準(zhǔn)備。

3.2 影像配準(zhǔn)實(shí)驗(yàn)

為了驗(yàn)證本文耦合分水嶺與形態(tài)學(xué)的特殊紋理算法在SAR影像與光學(xué)影像配準(zhǔn)時(shí)的有效性，采用圖6(a)和(b)和圖6(c)和(d)作為2組實(shí)驗(yàn)影像，使用SAR影像配準(zhǔn)中的主流算法SAR-SIFT[20]、基于KAZE-HOG特征的異源影像匹配算法[21]以及梯度互信息配準(zhǔn)算法[22]與本文提出的特殊紋理SAR與光學(xué)影像配準(zhǔn)算法作對(duì)比，對(duì)比不同算法的精度和效率。

使用SAR-SIFT算法對(duì)第一組影像配準(zhǔn)的實(shí)驗(yàn)結(jié)果如圖7所示。其中圖7(a)為光學(xué)影像檢測(cè)到的7 035個(gè)特征點(diǎn)，圖7(b)為SAR影像檢測(cè)到的3 194個(gè)特征點(diǎn)，匹配后所得結(jié)果如圖7(c)所示。從圖中可以發(fā)現(xiàn)，SAR-SIFT算法無(wú)法找到正確匹配點(diǎn)對(duì)。使用該算法進(jìn)行多組SAR影像與光學(xué)影像的配準(zhǔn)實(shí)驗(yàn)，均無(wú)法實(shí)現(xiàn)2幅影像正確匹配，可證明SAR-SIFT算法雖然能夠在SAR影像之間的配準(zhǔn)得到廣泛應(yīng)用，但對(duì)SAR影像與光學(xué)影像配準(zhǔn)是無(wú)效的。且算法需要對(duì)SAR影像進(jìn)行濾波處理，導(dǎo)致算法效率較低，該組實(shí)驗(yàn)的運(yùn)行時(shí)間達(dá)到264.41 s。

使用基于KAZE-HOG特征的異源影像匹配算法對(duì)第二組影像進(jìn)行匹配實(shí)驗(yàn)，結(jié)果如圖8所示。其中，圖8(a)為光學(xué)影像檢測(cè)到1 291個(gè)特征點(diǎn)，圖8(b)為SAR影像檢測(cè)到842個(gè)特征點(diǎn)，圖8(c)為匹配結(jié)果。從圖中發(fā)現(xiàn)，該算法對(duì)SAR影像與光學(xué)影像配準(zhǔn)同樣不適用。對(duì)同一組影像進(jìn)行多次配準(zhǔn)實(shí)驗(yàn)，發(fā)現(xiàn)算法獲得的匹配點(diǎn)不一致，證明該算法對(duì)SAR與光學(xué)影像來(lái)說(shuō)，無(wú)法獲取到穩(wěn)定的特征點(diǎn)。

(a) 光學(xué)影像特征點(diǎn) (b) SAR影像特征點(diǎn) (c) 特征點(diǎn)匹配結(jié)果

截至目前，梯度互信息是SAR影像與光學(xué)影像配準(zhǔn)最有效的方法之一，因該方法將SAR影像與光學(xué)影像的灰度信息和空間結(jié)構(gòu)信息結(jié)合共同作為測(cè)度，且易于理解和實(shí)現(xiàn)，算法的精度和效率均有較好的表現(xiàn)。因此，將梯度互信息配準(zhǔn)方法與本文提出的算法作對(duì)比，從視覺和參數(shù)分析2個(gè)層面對(duì)比算法性能。

視覺層面，將2組實(shí)驗(yàn)影像分別用2種算法進(jìn)行配準(zhǔn)實(shí)驗(yàn)，將配準(zhǔn)結(jié)果與原始影像進(jìn)行棋盤格鑲嵌，并且放大鑲嵌結(jié)果的相同區(qū)域進(jìn)行對(duì)比，結(jié)果如圖9所示。其中，圖9(a)和(b)中左側(cè)圖片為梯度互信息算法的鑲嵌結(jié)果，右側(cè)圖片為本文算法的配準(zhǔn)結(jié)果，中間圖片為左兩側(cè)對(duì)應(yīng)序號(hào)的放大圖。相較之下，梯度互信息總體配準(zhǔn)精度良好，未出現(xiàn)較大誤配問(wèn)題。但在細(xì)節(jié)部分的校正上，本文算法的精度有所提升，如圖9(a)和(b)中的③和④區(qū)域所示，鑲嵌結(jié)果的水體邊緣更平滑，整體影像的配準(zhǔn)效果也較好。因此，在視覺上表明了本文算法的有效性。

(a) 第一組影像配準(zhǔn)結(jié)果鑲嵌顯示

(b)第二組影像配準(zhǔn)結(jié)果鑲嵌顯示

參數(shù)分析層面，以均方根誤差(root mean square error,RMSE)作為配準(zhǔn)精度的評(píng)價(jià)準(zhǔn)則，并且結(jié)合算法總體運(yùn)行時(shí)間，對(duì)4種算法得到的配準(zhǔn)結(jié)果進(jìn)行評(píng)價(jià)，如表4所示。分析表4得知，SAR-SIFT算法和基于KAZE-HOG異源影像配準(zhǔn)算法的運(yùn)行時(shí)間較長(zhǎng)，且未找到正確的匹配點(diǎn)，無(wú)法完成SAR影像與光學(xué)影像間的配準(zhǔn)。梯度互信息法得到的配準(zhǔn)結(jié)果雖然在部分區(qū)域有誤配的情況存在，但總體算法運(yùn)行時(shí)間較短，精度較優(yōu)，可用于SAR影像與光學(xué)影像的配準(zhǔn)。本文提出的配準(zhǔn)算法在4種算法中運(yùn)行時(shí)間最短、精度最高，誤差優(yōu)于一個(gè)像素，在保證配準(zhǔn)精度的同時(shí)，聯(lián)合圖像分割與配準(zhǔn)，得到一種新的SAR影像與光學(xué)影像配準(zhǔn)流程。圖9的視覺實(shí)驗(yàn)結(jié)果和表4的參數(shù)分析共同驗(yàn)證了算法的有效性和魯棒性，可以滿足SAR影像與光學(xué)影像自動(dòng)配準(zhǔn)的需求。

表4 配準(zhǔn)方法定量比較

4 結(jié)論

針對(duì)SAR影像與光學(xué)影像配準(zhǔn)時(shí)效率較低和精度較差的問(wèn)題，本文耦合圖像分割與配準(zhǔn)，提出了一種耦合分水嶺與形態(tài)學(xué)的特殊紋理影像自動(dòng)配準(zhǔn)算法。該算法充分考慮到SAR影像與光學(xué)影像之間的差異，通過(guò)對(duì)特殊紋理影像中水體特征區(qū)域的配準(zhǔn)，從而實(shí)現(xiàn)整塊影像配準(zhǔn)，解決了異源影像配準(zhǔn)時(shí)尋找同名匹配點(diǎn)困難的問(wèn)題。此外，算法的另一優(yōu)勢(shì)在于使用逐步求精的方法，即進(jìn)行粗配準(zhǔn)和精配準(zhǔn)2步，用粗配準(zhǔn)結(jié)果作為精配準(zhǔn)的前提，在保證精度的同時(shí)有效節(jié)省后續(xù)算法搜索量。

通過(guò)水體提取實(shí)驗(yàn)和影像配準(zhǔn)實(shí)驗(yàn)可知，本文算法快速、有效，不僅可以精確提取SAR影像與光學(xué)影像中的水體區(qū)域，而且還成功應(yīng)用于影像之間的配準(zhǔn)，具有較好的魯棒性，有效解決了灰度和分辨率差異大的SAR影像與光學(xué)影像自動(dòng)配準(zhǔn)的難題。然而，該算法的局限性在于算法僅適用存在一定范圍水體的影像，所以未來(lái)的研究將會(huì)考慮使用深度學(xué)習(xí)方法提取2類影像中其他共性的特殊紋理，以此作為前提應(yīng)用于影像配準(zhǔn)。