王 杉，陳 翔，司寒羽

（華東交通大學(xué)信息工程學(xué)院，江西南昌330013）

遙感是通過(guò)不與物體、區(qū)域或現(xiàn)象接觸獲取調(diào)查數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行分析從而得到物體、區(qū)域或現(xiàn)象的有關(guān)信息的一門科學(xué)和技術(shù)[1]。它是人類在模擬人的視覺(jué)系統(tǒng)基礎(chǔ)上逐步發(fā)展起來(lái)的一種高科技觀測(cè)技術(shù)，通過(guò)檢測(cè)和度量地物目標(biāo)電磁輻射能量所得到的客觀記錄，把人眼看得到的和看不到的景物都轉(zhuǎn)化為人眼所能看到的圖像，重現(xiàn)地物目標(biāo)電磁輻射特性的空間分布狀況[2]。由于遙感能夠提供大尺度（宏觀）、動(dòng)態(tài)的觀測(cè)且不受地理位置、天氣和人為條件限制，以不同的時(shí)空尺度不斷地提供多種地表信息[3]，所以遙感圖像已被廣泛應(yīng)用于環(huán)境監(jiān)測(cè)、資源探測(cè)、生態(tài)研究、測(cè)繪制圖、軍事指揮等眾多領(lǐng)域。例如利用遙感圖像觀測(cè)云的移動(dòng)（臺(tái)風(fēng)）、云量、地?zé)?、水色等[4]全球性同步觀測(cè)數(shù)據(jù)已服務(wù)于人們的日常生活。

而遙感圖像配準(zhǔn)是指將取自同一目標(biāo)區(qū)域的兩幅或多幅圖像在空間位置上最佳匹配起來(lái)，這些圖像可以是由同一傳感器在不同時(shí)間獲取的，也可以是來(lái)自不同的傳感器[5]。遙感圖像具有觀測(cè)目標(biāo)細(xì)節(jié)能力強(qiáng)、觀測(cè)范圍廣的特點(diǎn)，因此遙感圖像的實(shí)時(shí)性配準(zhǔn)一直都是遙感圖像研究中最主要的難題之一[6]。利用來(lái)源于圖像的信息特征進(jìn)行圖像配準(zhǔn)能夠獲得可信度高、信息完善的目標(biāo)真實(shí)狀態(tài)和細(xì)節(jié)，從而大大提高了在復(fù)雜背景和干擾存在的情況下目標(biāo)識(shí)別的正確率[7]。

近二十年來(lái)，圖像配準(zhǔn)技術(shù)的研究取得了重大進(jìn)展，涌現(xiàn)出了多種方法，主要分為基于像素相似性的方法和基于特征的方法[8]。而目前針對(duì)高分辨率圖像較常用的配準(zhǔn)方法是采用基于圖像灰度信息的定位算法。通常直接利用整幅圖像的灰度信息建立兩幅圖像之間的相似性度量，然后采用某種搜索策略尋找使相似性度量值最大或最小的變換模型的參數(shù)值[9]。這種匹配方法采取的是一種遍歷性搜索策略，需要在搜索區(qū)域內(nèi)所有像素點(diǎn)上進(jìn)行一對(duì)一的區(qū)域相關(guān)配準(zhǔn)計(jì)算，數(shù)據(jù)量和計(jì)算量很大，配準(zhǔn)速度較慢，對(duì)算法的實(shí)時(shí)性有很大影響[10-11]。為了減少匹配相關(guān)運(yùn)算量，在文獻(xiàn)[12]中，Barnea提出了一種序列相似性檢測(cè)算法（SSDA）。該算法能很快丟棄不匹配的點(diǎn)，減少花在不匹配點(diǎn)上的計(jì)算量，從而提高匹配速度。但這類算法依然存在實(shí)時(shí)性差等缺陷。

基于圖像信息特征的匹配方法可以克服上述算法的不足，由于圖像的特征點(diǎn)比像素點(diǎn)要少很多，從而大大減少了匹配過(guò)程的計(jì)算量。同時(shí)特征點(diǎn)的匹配度量值對(duì)位置的變化比較敏感，角點(diǎn)作為圖像最為重要的特征點(diǎn)，對(duì)圖像圖形的理解和分析有很重要的作用。通過(guò)對(duì)遙感圖像角點(diǎn)的提取，可以有效提高匹配的精度和效率[13-14]?；趫D像特征的匹配通常是利用圖像中位置相對(duì)不變的特征來(lái)進(jìn)行匹配的，可以克服灰度相關(guān)匹配的一些缺點(diǎn)，但是圖像特征的提取和定位通常是比較困難，如果原圖像和參考圖像是比較復(fù)雜的圖像時(shí)匹配是很難獲得好的效果。

因此，在傳統(tǒng)SIFT的基礎(chǔ)上，利用圓形結(jié)構(gòu)的旋轉(zhuǎn)不變性，結(jié)合主成分分析法（principal component analysis，PCA），提出一種PCA-圓形SIFT特征點(diǎn)描述符提取圖像特征角點(diǎn)。通過(guò)分析單調(diào)遞增閾值序列SSDA算法的特點(diǎn)，結(jié)合圖像特征點(diǎn)匹配，提出一種基于圖像信息特征的單調(diào)遞增閾值序列SSDA配準(zhǔn)算法，最后通過(guò)實(shí)驗(yàn)仿真該算法的可行性。

1 基于PCA-圓形結(jié)構(gòu)SIFT特征點(diǎn)的提取

SIFT特征檢測(cè)算法是Lowe提出的一種基于尺度空間的，對(duì)圖像縮放、旋轉(zhuǎn)甚至仿射變換保持不變性的圖像局部特征描述算子[15]。SIFT特征描述算子的生成一般包括以下幾個(gè)步驟：

1）構(gòu)建尺度空間，檢測(cè)極值點(diǎn)，獲得尺度不變性；

2）特征點(diǎn)過(guò)濾并進(jìn)行精確定位；

3）為特征點(diǎn)分配方向值；

4）生成特征描述子；

5）特征向量的匹配。

本文在傳統(tǒng)SIFT的方法基礎(chǔ)上，鑒于圓具有很好的旋轉(zhuǎn)不變性，引用了一種用圓形結(jié)構(gòu)來(lái)構(gòu)造SIFT特征點(diǎn)描述符，并結(jié)合PCA方法，建立了一種PCA-圓形結(jié)構(gòu)SIFT算法。該算法通過(guò)降維的方式，極大地減少了計(jì)算過(guò)程，提高了運(yùn)算速率，并且有效提取了特征點(diǎn)。

1.1 傳統(tǒng)SIFT特征向量的生成

對(duì)每一個(gè)篩選出的特征點(diǎn)，要以此特征點(diǎn)作為中心點(diǎn)，在這個(gè)點(diǎn)的周圍選取一個(gè)大小為16×16的區(qū)域，再將這個(gè)所選取區(qū)域平均分成4個(gè)大小均為4×4的小區(qū)域，并且計(jì)算每個(gè)小區(qū)域的梯度直方圖，直方圖包含有8方向，這樣就獲得了一個(gè)4×4×8=128維的向量，也就生成了SIFT特征描述符向量，直方圖的峰值就是所選特征點(diǎn)的主方向。

1.2 圓形結(jié)構(gòu)SIFT特征向量的生成

圖1（a）的中心點(diǎn)表示SIFT特征描述符提取的特征點(diǎn)位置點(diǎn)P(t1，t2)，設(shè)半徑為r，確定圓形區(qū)域?yàn)?x-t1)2+(x-t2)2=r2式中，r是控制圓形區(qū)域的半徑，最大取值為8。構(gòu)造4個(gè)半徑不同的同心圓環(huán)，這樣就把圓形窗口分成4個(gè)圓環(huán)形區(qū)域。原算法在4×4的方形窗口內(nèi)計(jì)算8個(gè)方向的梯度方向直方圖，改進(jìn)算法則是在以特征點(diǎn)為中心的圓形區(qū)域內(nèi)構(gòu)造4個(gè)圓環(huán)，在每個(gè)圓環(huán)內(nèi)分別計(jì)算0°～360°均勻分布的12個(gè)方向上的梯度直方圖。

圖1 改進(jìn)的SIFT特征點(diǎn)描述符Fig.1 The feature point descriptor of improved SIFT

圖1（b）所示為內(nèi)圓生成的12個(gè)方向的特征向量。具體統(tǒng)計(jì)過(guò)程為：如果某個(gè)像素點(diǎn)梯度方向落在圖1b）某個(gè)箭頭方向（即梯度方向）附近，則其相應(yīng)的梯度高斯加權(quán)幅值就累加在這個(gè)方向上，這樣就可以用梯度直方圖統(tǒng)計(jì)出內(nèi)圓梯度的累加值，再將這些梯度累加值從小到大排列。內(nèi)圓的12個(gè)梯度累加值排列后作為1～12維的特征向量，次外圓梯度累加值排列后作為13～24維的特征向量，依次類推。4個(gè)同心圓環(huán)有4×12共48維特征向量作為特征點(diǎn)的描述符[16-17]。

1.3 PCA-圓形結(jié)構(gòu)SIFT特征向量的生成

PCA-SIFT描述符與標(biāo)準(zhǔn)SIFT描述符具有相同的亞像素位置（sub-pixel）、尺度（scale）和主方向（domi?nant orientations），但在特征描述符生成時(shí)有所不同，PCA-SIFT[18-19]通過(guò)PCA方法將傳統(tǒng)SIFT的128維特征向量進(jìn)行降維，以達(dá)到更精確的表示方式。

由1.2節(jié)可知，采用圓形結(jié)構(gòu)SIFT可以將傳統(tǒng)128維SIFT特征向量維數(shù)降低至48維。本節(jié)將結(jié)合PCA方法，對(duì)48維的圓形結(jié)構(gòu)SIFT特征點(diǎn)描述符繼續(xù)降維，進(jìn)一步減少了計(jì)算量，提高了精確度。利用PCA方法對(duì)基于圓形結(jié)構(gòu)48維SIFT特征描述符進(jìn)行降維的具體方法如下：

1）輸入兩幅待匹配圖像中所有關(guān)鍵點(diǎn)（設(shè)為n個(gè)）的48維SIFT特征描述符，將輸入的這n個(gè)特征描述符作為樣本，寫出樣本矩陣為，其中xi表示第i個(gè)特征點(diǎn)的48維特征向量。

2）計(jì)算n個(gè)樣本的平均特征向量

3）計(jì)算所有樣本點(diǎn)的特征向量與平均特征向量的差，得到差值向量di=xi-，i=1，2，…，n。

5）求協(xié)方差矩陣的48個(gè)特征值λi和48個(gè)特征向量ei。

6）將求出的48個(gè)特征值按從小到大的順序進(jìn)行排列λ1≥λ2≥…≥λ48和對(duì)應(yīng)的特征向量[e1，e2，…，e48]。

7）選取對(duì)應(yīng)t個(gè)最大特征值的特征向量作為主成分的方向，在實(shí)驗(yàn)中選取t=12。

8）構(gòu)造一個(gè)48×12的矩陣A，它的列由t個(gè)特征向量組成。

9）把原始的48維SIFT描述符依據(jù)式（6）投影到所計(jì)算出的n維子空間M中，就可以得到PCA-SIFT的描述符y1，y2，…，yn，即yi=xiA。

因?yàn)閷?shí)驗(yàn)中選取t=12，所以矩陣A的大小為48×12，xi的大小為1×48，所以xiA就得到了一個(gè)大小為1×12的矩陣，即每一個(gè)yi就是一個(gè)12維的特征描述符，也就是把原來(lái)的48維傳統(tǒng)SIFT特征描述符降成了12維的PCA-SIFT特征描述符。

本文通過(guò)PCA-圓形結(jié)構(gòu)SIFT的建立，將傳統(tǒng)SIFT 128的特征描述符，通過(guò)先建立圓形結(jié)構(gòu)，后結(jié)合PCA方法兩個(gè)步驟降成了12維的特征描述符。為下一步特征向量的匹配，由原先采用歐式距離對(duì)具有128維的特征點(diǎn)描述子的相似性進(jìn)行度量，變成了現(xiàn)在采用歐式距離對(duì)具有12維的特征點(diǎn)描述子的相似性進(jìn)行度量，減少了數(shù)以十倍的計(jì)算量，極大的簡(jiǎn)化了計(jì)算過(guò)程，節(jié)約了匹配算法的運(yùn)行時(shí)間。

2 模板的圖像匹配

2.1 傳統(tǒng)SSDA算法

序貫相似性檢測(cè)算法（sequential similarity detection algorithms，SSDA）將大小為M×M的模板T在大小為N×N的搜索圖S上平移，模板覆蓋下的那塊搜索圖設(shè)為子圖Sij，i，j為這塊子圖的左上角像點(diǎn)在S中的坐標(biāo)，則i和j的取值范圍為1≤i，j≤N-M+1，如圖2所示。SSDA的算法過(guò)程如下[20-22]：

1）定義絕對(duì)誤差：

其中

圖2 被搜索圖S和模板TFig.2 The search figure S and the template T

2）取一固定閾值Tk。

3）在子圖Si，j(m，n)中隨機(jī)選取對(duì)象點(diǎn)。計(jì)算它同T中對(duì)應(yīng)點(diǎn)的誤差值，然后把這個(gè)差值和其他點(diǎn)對(duì)的差值累加起來(lái)，當(dāng)累加r次誤差超過(guò)Tk，則停止累加，并記下次數(shù)r，定義SSDA的檢測(cè)曲面為

4）把I(i，j)值大的(i，j)點(diǎn)作為匹配點(diǎn)，因?yàn)檫@點(diǎn)上需要很多次累加才使總誤差超過(guò)Tk，如圖3所示，圖中給出了A，B，C這3個(gè)參考點(diǎn)上得到的誤差累計(jì)增長(zhǎng)曲線。A，B反映了模板T不在匹配點(diǎn)上，這時(shí)總誤差增長(zhǎng)很快，超出閾值，而曲線C中總誤差增長(zhǎng)很慢，很可能是一套準(zhǔn)確的候選點(diǎn)[23]。

2.2 單調(diào)遞增閾值序列SSDA算法

基本SSDA算法所選取的閾值T是固定的，對(duì)于不同區(qū)域上子圖的閾值選取并不一定是最佳的，容易受到噪聲影響，而且計(jì)算量較大。如果采用一種單調(diào)增長(zhǎng)的閾值序列[17]，使非匹配點(diǎn)用更少的計(jì)算就達(dá)到閾值而被丟棄，真匹配點(diǎn)需更多次誤差累計(jì)才達(dá)到閾值，則能夠使閾值T逐漸逼近最佳閾值，從而增加了SSDA算法的準(zhǔn)確性，使得匹配速度大大提高，如圖4所示。

圖3 Tk為常數(shù)時(shí)的累計(jì)誤差增長(zhǎng)曲線Fig.3 Accumulative error growth curves whenTkis constant

圖4 Tk用單調(diào)增加閾值序列的情形Fig.4 Accumulative error growth curves whenTk is monotonically increasing

由于除匹配點(diǎn)以外，絕大數(shù)的情況下都是對(duì)非匹配點(diǎn)計(jì)算的，顯然，越早丟棄非匹配點(diǎn)將節(jié)省時(shí)間。根據(jù)上文傳統(tǒng)的SSDA算法介紹，增長(zhǎng)曲線A，B反映了模板T不在匹配點(diǎn)上，可以發(fā)現(xiàn)，A，B在很早的時(shí)候就已經(jīng)達(dá)到閾值而被拋棄，和圖2相比，圖4單調(diào)增加閾值算法A，B點(diǎn)經(jīng)歷了更少次的運(yùn)算，圖4中斜線區(qū)域的面積為此算法所節(jié)省的計(jì)算量。曲線C中總誤差增長(zhǎng)緩慢，很可能是一套準(zhǔn)確的候選點(diǎn)。基于以上思想，本文提出的改進(jìn)算法如下：

在匹配過(guò)程中，先要獲得初始匹配點(diǎn)(x，y)，并且需要制定一個(gè)初始閾值T?？梢栽O(shè)置一個(gè)較小的數(shù)值作為初始門限，初始匹配點(diǎn)可以設(shè)置為（0，0），然后使模板圖像與所取到的特征點(diǎn)做相關(guān)運(yùn)算。在待匹配圖像中每個(gè)特征點(diǎn)處同樣利用到公式（1）計(jì)算模板圖與搜索子圖的相關(guān)測(cè)度ε(i，j)。如果在計(jì)算像素點(diǎn)相關(guān)測(cè)度ε(i，j)的過(guò)程中，ε(i，j)累積超過(guò)閾值T，就停止該像素點(diǎn)的相關(guān)性計(jì)算，并且把此時(shí)計(jì)算所得的ε(i，j)作為新的門限閾值，并以此閾值去計(jì)算下一個(gè)像素點(diǎn)的相關(guān)測(cè)度值ε；如果計(jì)算完該搜索子圖，而ε仍然小于閾值T，則更新匹配點(diǎn)為此次運(yùn)算的運(yùn)算位置。用公式表示為

3 本文遙感圖像匹配流程圖

先將原圖像和模板圖像通過(guò)基于PCA-圓形結(jié)構(gòu)SIFT特征點(diǎn)描述符提取圖像角點(diǎn)，將此角點(diǎn)作為單調(diào)遞增閾值序列SSDA算法的基本像素點(diǎn)，通過(guò)模板匹配，最后完成圖像匹配。

基本的SSDA模板匹配在選取隨機(jī)點(diǎn)時(shí)會(huì)找到誤差較大的點(diǎn)，從而及早地結(jié)束匹配計(jì)算過(guò)程。相比之下，利用圖像自身信息特征可以及時(shí)發(fā)現(xiàn)并排除孤立的像素點(diǎn)，具有較強(qiáng)的抗干擾能力；而且只利用圖像的特征點(diǎn)進(jìn)行匹配，能夠大大減少匹配過(guò)程的計(jì)算量。先利用基于特征的方法獲得一個(gè)粗略的匹配，然后利用基于單調(diào)遞增SSDA方法對(duì)結(jié)果進(jìn)行進(jìn)一步的優(yōu)化，達(dá)到精匹配。

圖5 遙感圖像匹配流程圖Fig.5 The flow chart of remote image registration

4 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文所提出算法的高效性，對(duì)固定閾值SSDA算法、單調(diào)遞增閾值序列的SSDA算法以及基于圖像信息特征的單調(diào)增長(zhǎng)閾值序列SSDA配準(zhǔn)算法在處理時(shí)間上做了比較。處理結(jié)果，如圖（6）所示。

圖6 實(shí)驗(yàn)數(shù)據(jù)源及結(jié)果Fig.6 Experimental data sources and results

圖6中，選取兩幅圖作為圖像匹配實(shí)驗(yàn)圖，第一幅為探測(cè)地球外小行星遙感圖像，第二幅為中國(guó)氣象局發(fā)布的風(fēng)云二號(hào)氣象衛(wèi)星云圖。其中（a），（b），（c）為第一幅圖的圖像匹配序列，（a）為待匹配圖像，尺寸為170×130，（b）為模板圖像，尺寸為30×30，（c）為匹配結(jié)果。（d），（e），（f）為第二幅圖的圖像匹配序列，（d）為待匹配圖像，尺寸為1 720×1 290，（e）為模板圖像，尺寸為179×166，（f）為匹配結(jié)果。

通過(guò)統(tǒng)計(jì)各種算法在此兩組實(shí)驗(yàn)對(duì)象的匹配時(shí)間，由表1可知，單調(diào)遞增閾值序列SSDA算法與固定閾值SSDA算法相比能較大的提高匹配速度，但由于隨機(jī)點(diǎn)選取方式的影響，使得模板與子圖的大多數(shù)點(diǎn)都需進(jìn)行匹配，算法速度仍不理想，而基于遙感圖像信息特征的單調(diào)遞增閾值序列SSDA算法則能較好的解決這一問(wèn)題。這種算法利用圖像信息特征選取匹配點(diǎn)的方式可以提高匹配精度。

表1 各種算法處理時(shí)間比較Tab.1 Processing time comparison between different algorithm

本文利用優(yōu)化的PCA-圓形結(jié)構(gòu)SIFT算法結(jié)構(gòu)提取圖像特征角點(diǎn)，降低了特征描述符的維數(shù)，減少相似性度量計(jì)算，由此方法建立特征點(diǎn)集，然后采用單調(diào)遞增閾值序列SSDA算法進(jìn)行精確匹配。該氣象圖像配準(zhǔn)系統(tǒng)不但減少了計(jì)算量，縮短了匹配時(shí)間，而且也表現(xiàn)出了更好的抗噪聲能力。通過(guò)分析可知，在圖像尺寸較大的情況下，本文算法優(yōu)勢(shì)更加明顯。

5 結(jié)束語(yǔ)

遙感圖像的實(shí)時(shí)性配準(zhǔn)一直以來(lái)都是制約遙感圖像處理高效性的一個(gè)瓶頸。由于遙感圖像觀測(cè)范圍廣，包含信息量大，一般的配準(zhǔn)算法很難滿足在保證其配準(zhǔn)精度的前提下實(shí)時(shí)性方面的需求。本文以經(jīng)典SSDA為基礎(chǔ)，針對(duì)現(xiàn)有算法存在的問(wèn)題，提出一種基于圖像信息特征單調(diào)遞增閾值序列的匹配算法，大大減少了過(guò)程的計(jì)算量，提高了匹配的精度。另外，在實(shí)際應(yīng)用中，可以結(jié)合粗-細(xì)分層搜索策略等進(jìn)一步提高匹配性能。

[1]LILLESAND T M，KIEFER R W.遙感與圖像解譯[M].彭望綠，余先川，周濤，等，譯.4版.北京：電子工業(yè)出版社，2003：1-34.

[2]戴昌達(dá)，姜小光，唐伶俐.遙感圖像應(yīng)用處理與分析[M].北京：清華大學(xué)出版社，2004：3-75.

[3]趙英時(shí).遙感應(yīng)用分析原理與方法[M].北京：科學(xué)出版社，2003：309-414.

[4]MAITRE H，PINCIROLI M.Fractal characterization of a hydrological basin using SAR satellite images[J].IEEE Transactions on Geoscience and Remote Sensing，1999，37（1）：175-181.

[5]饒俊飛.基于灰度的圖像匹配方法研究[D].武漢：武漢理工大學(xué)，2005.

[6]雷琳，李智勇，粟毅.利用多特征融合匹配實(shí)現(xiàn)遙感圖像多目標(biāo)關(guān)聯(lián)[J].信號(hào)處理，2009（3）：454-459.

[7]章毓晉.圖像分割[M].北京：科學(xué)出版社，2001：39-45.

[8]梁青，蔣先剛，沈濤.基于顏色互信息的病變細(xì)胞圖像配準(zhǔn)算法研究[J].華東交通大學(xué)學(xué)報(bào)，2011，28（4）：14-18.

[9]TTTI L，KOCH C，NIEBUR E.A model of saliency-based visual attention for rapid scene analysis[J].IEEE Transactions on PatternAnalysis and Machine Intelligence，1998，20（11）：1254-1258.

[10]OLSON C F，HUTTENLOCHER D P.Automatic target recognition by matching oriented edge pixels[J].IEEE Transaction son Image Processing，1997，6（1）：103-113.

[11]TTTI L，KOCH C.Computational modeling of visual attention[J].Nature Reviews Neuroscience，2001，2（3）：194-203.

[12]BARNEA D I，SIVERMAN H F.A class of algorithms for digital image registration[J].IEEE Trans Computers，1972，21（2）：179-186.

[13]HATABU A，MIYAZAKI T，KURODA I.Optimization of decision-timing for early termination of SSDA-bassed block matching[C]//International Conference on Multimedia and Expo Piscataway，NJ：IEEE，2003：821-824.

[14]HONG ZHENHUA，ZHU PEIYING.An improved SSDA applied in target tracking[C]//Pattern Recognition 9th IEEEE International Conference，Hardware Software：Computing&Processing，1988：767-769.

[15]王敬東，徐亦斌，沈春榮.一種新的任意角度旋轉(zhuǎn)的景象匹配方法[J].南京航空航天大學(xué)學(xué)報(bào)，2005，37（1）：6-10.

[16]姚文偉，張智斌，李國(guó)，等.圖像匹配算法 SIFT的改進(jìn)[J]，鄭州輕工業(yè)學(xué)院學(xué)報(bào)，2011，26（6）：67-70.

[17]吳若鴻，基于特征匹配的雙目立體視覺(jué)技術(shù)研究[D].武漢：武漢科技大學(xué)，2010.

[18]馬莉，韓燮.主成分分析法（PCA）在 SIFT 匹配算法中的應(yīng)用[J].電視技術(shù)，2012，36（1）：129-132.

[19]ATSUSHI H，TAKASHI M，ICHIRO K.Optimization of decision-timing for early termination of SSDA-bassed block matching[C]//Acoustics，Speech，and Signal Processing，Proceedings（ICASSP 03），2003 IEEE International Conference，2003：821-824.

[20]TAUBMAN D.High performance scalable image compression with EBCOT[J].IEEE Trans on Image Processing，2000，9（7）：1158-1170.

[21]劉海波.Visual C++數(shù)字圖像處理技術(shù)詳解[M].北京：機(jī)械工業(yè)出版社，2010：293-296.

[22]沈庭之，方子文，數(shù)字圖像處理及模式識(shí)別[M].北京：北京理工大學(xué)出版社，1998：151-152.

[23]LOWE D.Distinctive image features from scale-invariant key-points[J].Int J of Comp Vision，2004，60（2）：91-110.