王山虎 尤紅建 付 琨

①(中國科學(xué)院電子學(xué)研究所 北京 100190)

②(中國科學(xué)院空間信息處理與應(yīng)用系統(tǒng)技術(shù)重點(diǎn)實(shí)驗(yàn)室 北京 100190)

③(中國科學(xué)院研究生院 北京 100190)

1 引言

同名點(diǎn)提取在SAR圖像配準(zhǔn)、區(qū)域網(wǎng)平差、信息融合、目標(biāo)檢測和識(shí)別等領(lǐng)域具有重要應(yīng)用。不同成像條件會(huì)導(dǎo)致兩幅同一場景的圖像間存在灰度和幾何變化：斑點(diǎn)噪聲、不同時(shí)相、不同波段、不同極化方式會(huì)導(dǎo)致圖像間的灰度差異；不同分辨率、不同視角會(huì)導(dǎo)致圖像間的幾何變化，因此SAR圖像同名點(diǎn)提取難度較大?，F(xiàn)階段SAR圖像同名點(diǎn)提取主要采用半自動(dòng)的人機(jī)交互方式，效率較低，而且數(shù)量、精度和點(diǎn)的分布往往不能滿足要求。

近年來，利用具有不變性的檢測子和描述子匹配特征點(diǎn)的方法成為同名點(diǎn)自動(dòng)提取的研究熱點(diǎn)[1,2]。該類方法首先利用檢測子提取圖像中穩(wěn)定的點(diǎn)[3,4]、線[5]或面[6]特征；然后根據(jù)特征點(diǎn)的鄰域采用描述子[7]形成特征向量，描述子需具備較強(qiáng)的區(qū)分力，即不同圖像區(qū)域?qū)?yīng)的特征向量明顯不同，同時(shí)描述子需對(duì)噪聲和局部形變不敏感，即相似區(qū)域的特征向量需相近；最后采用相似性度量準(zhǔn)則[8]建立同名點(diǎn)。SIFT(Scale Invariant Feature Transform)[3]是該類方法的典型代表，它首先檢測圖像高斯尺度空間中穩(wěn)定的塊點(diǎn)(blob)，然后利用梯度方向直方圖計(jì)算特征點(diǎn)主方向并形成描述子，具有旋轉(zhuǎn)、尺度以及局部仿射和灰度不變性。文獻(xiàn)[9]將 SIFT應(yīng)用于遙感圖像配準(zhǔn)，并結(jié)合遙感圖像的特點(diǎn)改進(jìn)了匹配策略，取得了較好的效果。文獻(xiàn)[10]對(duì) SIFT在SAR圖像配準(zhǔn)中的應(yīng)用能力進(jìn)行了系統(tǒng)性的評(píng)價(jià)，指出SIFT可在多種成像條件下的SAR圖像間提取同名點(diǎn)。但由于SAR圖像復(fù)雜的成像條件，特別是斑點(diǎn)噪聲的存在，導(dǎo)致 SIFT檢測到大量的虛假特征點(diǎn)，這些點(diǎn)隨機(jī)性強(qiáng)，易造成誤匹配和少匹配，影響了同名點(diǎn)自動(dòng)提取的性能。

針對(duì)以上問題，本文分析了 SIFT提取的特征點(diǎn)和同名點(diǎn)在各個(gè)尺度上的分布，進(jìn)而直接在大尺度上檢測特征，減小了斑點(diǎn)噪聲的影響；但大尺度上特征點(diǎn)數(shù)量少且定位精度差，因此本文提出了一種新的基于各向異性尺度空間的同名點(diǎn)自動(dòng)提取方法BFSIFT(Bilateral Filter SIFT)。該方法首先分析了雙邊濾波器[11]和各向異性擴(kuò)散(PM)方程[12]的聯(lián)系，進(jìn)而基于雙邊濾波器以非迭代的方式建立圖像的各向異性尺度空間，在降斑的同時(shí)保留了圖像細(xì)節(jié)；然后在大尺度上檢測并描述 SIFT特征，弱化了斑點(diǎn)噪聲的影響，減少了不宜匹配的特征的數(shù)量；最后采用雙向匹配策略建立同名點(diǎn)，提高了正確匹配的概率。與原始 SIFT方法相比，在保持同名點(diǎn)精度的同時(shí)，大大增加了同名點(diǎn)的數(shù)量。本文設(shè)計(jì)了3組實(shí)驗(yàn)，分別提取兩幅不同視角、不同波段和視角以及不同時(shí)相和極化方式的 SAR圖像的同名點(diǎn)，結(jié)果驗(yàn)證了本文算法的適用性和有效性。

2 SIFT原理

SIFT算法主要分為3個(gè)部分[3]：(1)尺度空間極值點(diǎn)檢測和定位；(2)主方向計(jì)算和描述子生成；(3)特征匹配。下面具體闡述各個(gè)部分的原理。

2.1 尺度空間極值點(diǎn)檢測及定位

圖像的特征是在一定尺度范圍內(nèi)出現(xiàn)的，不同尺度下圖像的特征不同，因此為了在存在尺度變換的圖像間提取同名點(diǎn)，需建立圖像的尺度空間。高斯核是建立尺度空間的唯一線性核，通過方差不斷增大的高斯函數(shù)與圖像卷積，可建立圖像的尺度空間表達(dá)。其表達(dá)式為

其中L(x,y,σ)為高斯尺度空間，I(x,y)為原圖像，G(x,y,σ)為標(biāo)準(zhǔn)差為σ的高斯函數(shù)，*代表卷積運(yùn)算。

SIFT采用高斯拉普拉斯算子(LoG)檢測圖像中的塊點(diǎn)，并用高斯差分尺度空間(DoG)近似，其表達(dá)式為

其中k為尺度變化量。忽略常數(shù)k的影響，則D(x,y,σ)為圖像的歸一化高斯拉普拉斯響應(yīng)。在差分尺度空間里檢測極值點(diǎn)，相當(dāng)于在尺度空間里檢測拉普拉斯響應(yīng)的極值點(diǎn)，計(jì)算量大為減小。

圖像的尺度空間分為若干組(octave)，如圖1所示，相鄰兩組之間圖像尺寸相差2倍。每組分為若干層(interval)，高斯函數(shù)標(biāo)準(zhǔn)差逐層遞增，最底層和最高層尺度相差2倍，不同組的相同層采用相同的高斯核進(jìn)行模糊。建立圖像的尺度空間后，在DoG內(nèi)檢測極值點(diǎn)作為候選特征點(diǎn)，如圖2所示，每個(gè)像素與本層8鄰域和上下兩層相同位置處3×3鄰域相比，篩選出極值點(diǎn)。然后去除易受噪聲影響的對(duì)比度較低的點(diǎn)和不易匹配的邊緣點(diǎn)，同時(shí)利用泰勒展開式提高特征點(diǎn)的定位精度。

2.2 主方向計(jì)算及描述子生成

根據(jù)特征點(diǎn)所在的尺度圖像，選擇與尺度成比例的鄰域并統(tǒng)計(jì)其梯度方向直方圖。將梯度方向劃分成 36份，用像素點(diǎn)的梯度幅值累加其梯度方向份，幅值最大份的方向?yàn)猷徲蛑鞣较颉８鶕?jù)特征點(diǎn)的主方向，旋轉(zhuǎn)鄰域到水平方向，并統(tǒng)計(jì)其分塊梯度方向直方圖。將鄰域劃成4×4子塊，將梯度方向劃成8份，如圖3所示(僅顯示了2×2子塊)，統(tǒng)計(jì)每塊的梯度方向直方圖，連接得到128維描述子， 4×4子塊的劃分增強(qiáng)了描述子的區(qū)分力。

圖1 SIFT尺度空間

圖2 極值點(diǎn)檢測

圖3 梯度方向直方圖

在計(jì)算分塊梯度方向直方圖時(shí)，對(duì)整個(gè)區(qū)域高斯加權(quán)，同時(shí)采用雙線性插值的方法，每個(gè)像素點(diǎn)的梯度以一定的權(quán)重劃分到鄰近的4個(gè)子塊和2個(gè)方向中，大大提高了應(yīng)對(duì)微小形變的能力，增強(qiáng)了描述子的魯棒性。描述子利用梯度信息，消除了亮度變化的影響；對(duì)整個(gè)描述子歸一化，消除了對(duì)比度變化的影響。非線性灰度變化對(duì)梯度幅值影響較大，但對(duì)方向影響較小，故抑制直方圖中梯度幅值較大的點(diǎn)，增強(qiáng)了應(yīng)對(duì)非線性灰度變化的魯棒性。

2.3 匹配

生成描述子后，利用描述子間的歐式距離建立匹配對(duì)。Lowe[3]建議用比值法即如果特征點(diǎn)與其最近鄰和次近鄰的距離之比小于指定閾值，則判定該特征點(diǎn)和其最近鄰為匹配點(diǎn)。該方法的正確率要高于簡單的基于最近鄰閾值的方法。因?yàn)槊枋鲎泳S數(shù)較高，所以Lowe采用Best Bin First(BBF)方法來加快匹配過程，最后通過 Random Sample Consensus(RANSAC)算法篩選出正確的匹配點(diǎn)。

3 大尺度雙邊SIFT

3.1 大尺度SIFT

SAR圖像是相干處理得到的，因此圖像上存在大量的乘性斑點(diǎn)噪聲，導(dǎo)致了圖像的灰度失真，影響了空間和輻射分辨率。斑點(diǎn)噪聲對(duì)SAR圖像同名點(diǎn)提取的影響主要體現(xiàn)在兩個(gè)階段：一是在檢測子階段，斑點(diǎn)噪聲會(huì)導(dǎo)致在原始分辨率圖像上檢測到大量的塊點(diǎn)，這些點(diǎn)中很大一部分并不是實(shí)際的特征，而是斑點(diǎn)噪聲，由于斑點(diǎn)噪聲的隨機(jī)性，這些點(diǎn)重復(fù)率很差，不易匹配。同時(shí)因其數(shù)量巨大，影響了后續(xù)的匹配速度。二是在匹配階段，斑點(diǎn)噪聲模糊了特征點(diǎn)的鄰域，降低了鄰域的可區(qū)分性，易造成誤匹配和少匹配。因此，濾除斑點(diǎn)噪聲對(duì)SAR圖像同名點(diǎn)提取尤為重要。尺度空間建立時(shí)，高斯函數(shù)模糊圖像的同時(shí)會(huì)減少斑點(diǎn)噪聲，對(duì)圖像的降采樣相當(dāng)于多視處理，會(huì)進(jìn)一步減少斑點(diǎn)噪聲。因此為了去除斑點(diǎn)噪聲的影響，可直接在大尺度上提取同名點(diǎn)。

3.2 雙邊SIFT

高斯函數(shù)并不是理想的斑點(diǎn)噪聲濾除函數(shù)，它在抑制斑點(diǎn)噪聲的同時(shí)，會(huì)濾除邊緣等細(xì)節(jié)，導(dǎo)致在大尺度上特征點(diǎn)減少；同時(shí)大尺度圖像較為模糊，導(dǎo)致特征點(diǎn)定位不精確。雙邊濾波器在濾除噪聲的同時(shí)能保留圖像細(xì)節(jié)，因此，本文考慮采用雙邊濾波器建立各向異性尺度空間，然后在不易受斑點(diǎn)噪聲影響的大尺度上提取同名點(diǎn)。下面闡述方法的原理。

3.2.1 各向異性尺度空間為了解決高斯尺度空間模糊圖像細(xì)節(jié)信息的問題，Perona和Malik[12]構(gòu)造了基于偏微分方程的各向異性尺度空間，如式(3)，我們稱其為PM方程。

其中?是梯度算子，div是散度算子，|·|代表幅度，I0是原始圖像，It是尺度為t的圖像，c(x)是擴(kuò)散系數(shù)，如式(4),K是一個(gè)可調(diào)參數(shù)。

像素點(diǎn)的梯度幅值控制擴(kuò)散系數(shù)，如果|?I|＜＜K，則c(|?I|)趨向于1，方程轉(zhuǎn)化為線性熱擴(kuò)散方程，可有效去除噪聲；如果|?I|＞＞K，則c(|?I|)趨向于0，方程轉(zhuǎn)化為全通濾波器，可有效保持邊緣。

3.2.2 雙邊濾波器雙邊濾波器[11]是一個(gè)非迭代的簡單的非線性邊緣保持濾波器。傳統(tǒng)的低通濾波器假設(shè)像素灰度值空間變化緩慢，通過鄰域加權(quán)平均可得到去噪后的灰度值。均值濾波器鄰域權(quán)重系數(shù)相同，高斯濾波器權(quán)重則隨距離增加而減小。在平坦區(qū)域，像素灰度空間變化緩慢的假設(shè)是正確的，而且信號(hào)間相關(guān)性強(qiáng)于噪聲，故加權(quán)平均可有效去除噪聲。但對(duì)邊緣等細(xì)節(jié)信息，灰度值空間變化劇烈，該假設(shè)不成立，加權(quán)平均會(huì)導(dǎo)致細(xì)節(jié)信息丟失。雙邊濾波器融合了鄰域像素與中心像素的空間臨近性和灰度相似性，是邊緣保持濾波器，表達(dá)式如式(5)。

其中p和q代表像素空間位置，Ip和Iq代表灰度值，Gσs和Gσr分別代表標(biāo)準(zhǔn)差為σs和σr的空間高斯核和灰度高斯核，Wp為歸一化系數(shù)，BF[I]p為p點(diǎn)雙邊濾波后的灰度值。

在平坦區(qū)域，鄰域灰度值較為接近，灰度高斯核影響較小，故雙邊濾波器轉(zhuǎn)化為高斯濾波器；在邊緣等細(xì)節(jié)區(qū)域，與中心像素灰度值相近的權(quán)重大，不相近的權(quán)重小，有效地保持了邊緣。圖4給出了一個(gè)實(shí)例，原始圖像上的白點(diǎn)為灰度值較高的階梯邊緣點(diǎn)，其灰度相似性系數(shù)也為階梯狀，總系數(shù)為半高斯形狀，濾波后的結(jié)果顯示該濾波器有很好的細(xì)節(jié)保持能力。

圖4 雙邊濾波器效果圖

3.2.3 雙邊尺度空間基于 PM 方程以數(shù)值迭代的方式建立尺度空間，耗時(shí)長、效率低且容易不收斂。考慮PM方程和雙邊濾波器的聯(lián)系：PM方程中的擴(kuò)散系數(shù)為常數(shù)時(shí)，方程轉(zhuǎn)化為線性熱擴(kuò)散方程，其唯一閉合解是原圖像與高斯函數(shù)的卷積。若以數(shù)值迭代的方式解該方程，其解也應(yīng)該是相應(yīng)尺度的圖像。因此，雖然迭代過程中鄰域內(nèi)各個(gè)像素的權(quán)重取決于局部梯度，但用高斯掩模不迭代也可達(dá)到同樣的效果。PM 方程的非線性擴(kuò)散系數(shù)由該點(diǎn)的梯度幅值和參數(shù)K控制，梯度幅值大表示有邊緣存在，則權(quán)重小不擴(kuò)散，可保留邊緣，去噪和保留邊緣的程度可由K折中處理；雙邊濾波器的灰度高斯核有類似的作用，鄰域像素與中心像素灰度值不相似，則權(quán)重小，相當(dāng)于不擴(kuò)散，同樣保持了邊緣，σr的作用相當(dāng)于K。因此，PM 方程迭代的效果等同于雙邊濾波器的空域高斯濾波，非線性擴(kuò)散等同于灰度高斯濾波，雙邊濾波器以非迭代的方式實(shí)現(xiàn)了各向異性擴(kuò)散。

基于以上分析，我們采用雙邊濾波器建立尺度空間，類似高斯尺度空間的構(gòu)造過程，空間高斯核尺度不斷增加，灰度高斯核不變。相鄰兩個(gè)尺度圖像如下式

兩式相減得差分尺度空間，然后利用 SIFT方法提取并描述特征。

圖5給出了高斯和雙邊尺度空間對(duì)比圖，二者均是第1組第2層的圖像，雙邊濾波器灰度高斯核標(biāo)準(zhǔn)差為0.1。由圖可見高斯濾波后圖像較為模糊，物體輪廓等細(xì)節(jié)信息丟失，導(dǎo)致特征點(diǎn)定位不準(zhǔn)確，而雙邊濾波后圖像保持了較為清晰的邊緣，有利于特征點(diǎn)提取和定位。

3.2.4 最優(yōu)參數(shù)確定BFSIFT中的空間高斯核控制圖像的尺度，本文采用與 SIFT高斯核相同的確定方法?；叶雀咚购丝刂聘飨虍愋詳U(kuò)散程度，本文選了30對(duì)SAR圖像，包含不同平臺(tái)、不同時(shí)相、不同波段、不同極化、不同升降軌、不同分辨率、不同視角等多種成像條件，采用實(shí)驗(yàn)的方法確定，結(jié)果如圖6所示?？梢钥闯觯瑯?biāo)準(zhǔn)差為0.2時(shí)同名點(diǎn)數(shù)量最多，效果最好。在此參數(shù)下，鄰域內(nèi)與中心像素灰度差大于 0.4的點(diǎn)不參與加權(quán)平均。標(biāo)準(zhǔn)差越小，高斯函數(shù)越尖銳，參與加權(quán)平均的鄰域像素點(diǎn)越少，灰度值較為接近的權(quán)重越大。但SAR圖像存在斑點(diǎn)噪聲，故標(biāo)準(zhǔn)差不能過小，保留細(xì)節(jié)的同時(shí)還需去噪，實(shí)驗(yàn)表明 0.2是一個(gè)較合適的折中值。

圖5 尺度空間對(duì)比圖

3.3 雙向匹配

在采用比值法進(jìn)行匹配時(shí)，經(jīng)常會(huì)有多個(gè)點(diǎn)對(duì)應(yīng)一個(gè)點(diǎn)的現(xiàn)象，如圖7(a)所示，影響了匹配結(jié)果，因此本文采用雙向匹配，即兩次比值法，待匹配圖像中的A點(diǎn)對(duì)應(yīng)的匹配點(diǎn)是參考圖像中的B點(diǎn)，同時(shí)B點(diǎn)匹配點(diǎn)是A點(diǎn)，這樣才確定A和B是一對(duì)匹配點(diǎn)。通過雙向匹配策略，有效地提高了匹配點(diǎn)的正確率。正確同名點(diǎn)的比例低于一半時(shí)，RANSAC算法失效，如圖7(b)所示，同名點(diǎn)篩選失敗，雙向匹配有效地去除了錯(cuò)誤點(diǎn)對(duì)，可得到正確的同名點(diǎn)，如圖7(c)所示。

4 不同變化 SAR圖像的同名點(diǎn)自動(dòng)提取實(shí)驗(yàn)

為了驗(yàn)證本文所提算法的有效性和適用性，本節(jié)設(shè)計(jì)了3組實(shí)驗(yàn)，分別提取兩幅不同視角、不同波段和視角以及不同時(shí)相和極化方式的斜距 SAR圖像的同名點(diǎn)；因圖像間的變換關(guān)系未知時(shí)，無法精確衡量同名點(diǎn)的精度，因此本節(jié)還設(shè)計(jì)了一組實(shí)驗(yàn)專門分析算法所提同名點(diǎn)的精度。具體結(jié)果及分析如下。

4.1 不同視角實(shí)驗(yàn)

圖6 不同高斯標(biāo)準(zhǔn)差下同名點(diǎn)結(jié)果

圖7 單向和雙向匹配效果對(duì)比圖

圖8 不同視角下同名點(diǎn)提取數(shù)量對(duì)比圖

表1 3種方法的性能比較

圖8給出了SIFT, OSIFT和BFSIFT 3種算法在兩幅不同視角的機(jī)載X波段SAR圖像中的同名點(diǎn)提取結(jié)果，其中OSIFT代表組從1開始。表1給出了各組內(nèi)特征點(diǎn)和同名點(diǎn)的具體數(shù)量，表中僅列出了特征較少的圖像的特征點(diǎn)數(shù)量?？梢钥闯?，SIFT在第0組檢測到了大量的特征點(diǎn)，但同名點(diǎn)卻很少，OSIFT去掉了第0組的特征點(diǎn)，但第1組比SIFT還多5個(gè)同名點(diǎn)，這表明第0組特征點(diǎn)受斑點(diǎn)噪聲的影響較大，隨機(jī)性強(qiáng)，不易匹配，同時(shí)數(shù)量巨大，增加了大尺度特征點(diǎn)匹配時(shí)的搜索空間，減小了正確匹配的概率，影響了描述子的區(qū)分力。OSIFT和SIFT同名點(diǎn)數(shù)相當(dāng)，但匹配時(shí)間遠(yuǎn)短于SIFT，表明在大尺度上提取同名點(diǎn)十分有效。BFSIFT每組內(nèi)的特征點(diǎn)和同名點(diǎn)數(shù)量均比OSIFT多，總的同名點(diǎn)數(shù)幾乎是OSIFT的5倍，表明雙邊尺度空間比高斯尺度空間更有效。雙邊濾波器是非線性濾波器，并且BFSIFT的特征點(diǎn)數(shù)量比OSIFT多，所以BFSIFT耗時(shí)比OSIFT多。

4.2 不同視角、不同波段實(shí)驗(yàn)

斜距圖像近端和遠(yuǎn)端對(duì)應(yīng)的地距分辨率不同，近端視角小，地距分辨率低，因此不同視角的斜距圖像具有不同的地距分辨率。地物對(duì)不同波段的電磁波有不同的散射特性，在圖像上表現(xiàn)為不同的灰度值。為了驗(yàn)證算法在不同視角和波段條件下的有效性，本文選取兩幅不同視角的機(jī)載X和P波段斜距圖像提取同名點(diǎn)，結(jié)果如表2和圖9所示。

由表2可見，SIFT和OSIFT算法提取同名點(diǎn)失敗，BFSIFT雖耗時(shí)稍多，但成功提取了8個(gè)同名點(diǎn)。P波段圖像易受民用電磁波信號(hào)的干擾，圖像信噪比差，因此影響了算法的性能。在SAR制圖應(yīng)用中，電線桿等地物在P波段圖像中定位較好，而X波段則不行，因此在P波段和X波段圖像融合應(yīng)用中，本文算法是理想選擇。

4.3 不同極化、不同時(shí)相實(shí)驗(yàn)

地物對(duì)不同極化的電磁波有不同的散射系數(shù)，在圖像上表現(xiàn)為不同的灰度值，不同時(shí)相會(huì)導(dǎo)致圖像局部區(qū)域變化，因此為了驗(yàn)證算法在不同極化方式和不同時(shí)相條件下的有效性，本文選取兩幅日本ALOS的不同時(shí)相且僅有部分重疊的HH和HV圖像提取同名點(diǎn)，兩幅圖像的獲取時(shí)間分別是2007年3月3日和2009年5月18日，結(jié)果如表3和圖10所示。由表可見，BFSIFT提取的同名點(diǎn)數(shù)量最多，OSIFT耗時(shí)最少。雙邊大尺度空間保留了圖像細(xì)節(jié)，因此提取了較多的特征點(diǎn)，其數(shù)量與 SIFT相當(dāng)，因此耗時(shí)遠(yuǎn)大于OSIFT。在同名點(diǎn)數(shù)量要求不高但對(duì)提取速度要求較高的應(yīng)用領(lǐng)域，OSIFT是較好的選擇。在圖像配準(zhǔn)應(yīng)用中，兩幅SAR斜距圖像的變化關(guān)系不能用一個(gè)整體的變換模型來擬合，需要分塊處理，因此需要較多的同名點(diǎn)，在此情況下，BFSIFT是較好的選擇。

表2 不同視角和波段同名點(diǎn)提取結(jié)果

圖9 不同視角和波段下BFSIFT提取的同名點(diǎn)

表3 不同極化、不同時(shí)相同名點(diǎn)提取結(jié)果

4.4 精度分析

圖像間的變換模型未知時(shí)，無法準(zhǔn)確衡量同名點(diǎn)的精度。如果根據(jù)同名點(diǎn)集(X,Y)用最小二乘的方法擬合出變換模型，然后據(jù)此將X變換到X'，最后利用X'與Y的位置誤差衡量同名點(diǎn)精度，則該方法衡量的其實(shí)是同名點(diǎn)擬合變換模型的程度，并不是真正的精度。如果人為變換一幅SAR圖像，則原始圖像與變換圖像間的變換關(guān)系可確定，但破壞了不同SAR圖像間斑點(diǎn)噪聲的隨機(jī)性。本文利用主輔兩個(gè)通道的干涉SAR圖像，采用上采樣和互相關(guān)的方法配準(zhǔn)，因配準(zhǔn)后圖像可產(chǎn)生干涉條紋，故可認(rèn)為兩幅圖像是精確配準(zhǔn)的。主輔兩幅圖像斑點(diǎn)噪聲特性不同，變換關(guān)系已知，故可精確衡量同名點(diǎn)間的精度。結(jié)果如表4所示。

圖10 不同極化、不同時(shí)相同名點(diǎn)提取結(jié)果

表4 3種算法精度對(duì)比

因圖像間僅存在微小變化，所以3種算法均提取到大量的同名點(diǎn)，BFSIFT去掉了尺度空間的第0組，仍提取了最多的同名點(diǎn)，說明雙邊尺度空間更有效。SIFT提取的同名點(diǎn)遠(yuǎn)多于 OSIFT，表明大量的同名點(diǎn)位于尺度空間第0組，相比大尺度圖像內(nèi)的同名點(diǎn)，這些小尺度內(nèi)的點(diǎn)定位更精確，所以BFSIFT精度略低于SIFT; BFSIFT尺度空間定位性能優(yōu)于OSIFT，故精度好于OSIFT。

5 結(jié)束語

本文提出了一種新的基于雙邊濾波器的各向異性尺度空間構(gòu)造方法，既有效地去除了斑點(diǎn)噪聲，又能保留圖像細(xì)節(jié)，在大尺度上檢測特征并引入雙向匹配的策略提取同名點(diǎn)，在保持同名點(diǎn)精度的同時(shí)，大大增加了同名點(diǎn)的數(shù)量。在多種成像條件下提取同名點(diǎn)，包括不同波段、不同極化、不同時(shí)相、不同視角、局部重疊等多種導(dǎo)致圖像灰度和幾何變化的成像條件，以及山地平原等多種場景，實(shí)驗(yàn)結(jié)果驗(yàn)證了算法的有效性和適用性。

雙邊尺度空間提取的特征點(diǎn)中只有較少一部分是同名點(diǎn)，因此如何濾除不易匹配的特征點(diǎn)進(jìn)而提高同名點(diǎn)提取速度，是今后需要進(jìn)一步研究的問題。

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

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

[3]Lowe D G. Distinctive image features from scale-invariant keypoints [J].International Journal of Computer Vision,2004, 60(2): 91-110.

[4]Liu C, Yuen J, and Torralba A. SIFT flow: dense correspondence across scenes and its applications[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2011, 33(5): 978-994.

[5]Lei H and Zhen L. Feature-based image registration using the shape context[J].International Journal of Remote Sensing,2010, 31(8): 2169-2177.

[6]Martin V, Mar fill R, and Bandera A. Affine image region detection and description [J].Journal of Physical Agents,2010, 4(1): 45-54.

[7]Gupta R, Patil H, and Mittal A. Robust order-based methods for feature description[C]. 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition,San Francisco, USA, 2010: 334-341.

[8]Pele O and Werman M. The quadratic-chi histogram distance family[C]. The 11th European Conference on Computer Vision (ECCV 2010), Crete, Greece, 2010: 749-762.

[9]Li Q L, Wang G Y, Liu J G,et al.. Robust scale-invariant feature matching for remote sensing image registration[J].IEEE Geoscience and Remote Sensing Letters, 2009, 6(2):287-291.

[10]陳爾學(xué), 李增元, 田昕, 等. 尺度不變特征變換法在SAR影響匹配中的應(yīng)用[J]. 自動(dòng)化學(xué)報(bào), 2008, 34(8): 861-868.Chen Er-xue, Li Zeng-yuan, Tian Xin,et al.. Application of scale invariant feature transform to SAR image registration[J].Acta Automatic Sinica, 2008, 34(8): 861-868.

[11]Tomasi C and Manduchi R. Bilateral filtering for gray and color images[C]. Proc. International Conference on Compute Vision, Bombay, India, 1998: 839-846.

[12]Peroma P and Malik J. Scale space and edge detection using anisotropic diffusion[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1990, 12(7): 629-637.