丁 昊，張繼賢，黃國(guó)滿，朱建軍

1.中南大學(xué)地球科學(xué)與信息物理學(xué)院，湖南 長(zhǎng)沙410083；2.中國(guó)測(cè)繪科學(xué)研究院，北京100830

1 引 言

SAR立體測(cè)量是獲取和更新地形信息的重要技術(shù)方法［1］。其中，影像匹配是SAR立體測(cè)量中不可或缺的關(guān)鍵技術(shù)［2］，其目的是識(shí)別并量測(cè)單一或多立體SAR影像對(duì)重疊區(qū)域的同名點(diǎn)。SAR立體測(cè)量?jī)H利用SAR的幅度影像，由于受側(cè)視斜距成像方式、相干斑噪聲和測(cè)區(qū)地形等因素影響，SAR影像會(huì)產(chǎn)生較大的幾何變形和輻射畸變，使大多數(shù)匹配方法在SAR影像上效果欠佳甚至無(wú)效，嚴(yán)重影響了SAR立體測(cè)量的精度和可靠性。因此，近年來(lái)很多學(xué)者都致力于SAR影像匹配的研究。文獻(xiàn)［3］采用回溯算法和分層策略進(jìn)行SAR影像配準(zhǔn)，獲得的匹配點(diǎn)對(duì)精度較高、分布均勻、計(jì)算時(shí)間短，但是數(shù)量較少。文獻(xiàn)［4］介紹了雷達(dá)攝影測(cè)量處理軟件SISAR（software per immagini satellitari ad alta risoluzione）中使用的匹配方案，該方案在由粗到精的分層策略中采用了幾何約束條件和基于灰度的影像匹配方法。文獻(xiàn)［5］研究利用主方向改進(jìn)的SIFT（scale invariant feature transform）和結(jié)構(gòu)相似性指數(shù)獲得初始匹配，然后利用聚類優(yōu)化得到穩(wěn)定匹配點(diǎn)，該方法在地形平坦區(qū)可獲得較好的精度，卻不適用山區(qū)和城區(qū)，且匹配點(diǎn)數(shù)量較少。文獻(xiàn)［6］提出利用已有精度較差的外部數(shù)字高程模型（digital elevation model，DEM）提供匹配初值，減少誤匹配，但是該方法生成的DEM精度不高。文獻(xiàn)［7］提出一種利用外部DEM 的星載交叉軌道SAR影像匹配流程，并在試驗(yàn)中將不同單立體像對(duì)計(jì)算的歸一化互相關(guān)系數(shù)（normalized crosscorrelation，NCC）通過(guò)簡(jiǎn)單相乘擴(kuò)展到多立體影像匹配，但是由于SAR影像相關(guān)系數(shù)普遍偏低，確定正確的同名點(diǎn)仍十分困難。

綜上所述，雖然基于特征的SAR影像匹配方法具有較高的穩(wěn)健性，但是匹配點(diǎn)精度低、數(shù)量有限，難以滿足應(yīng)用需求；而基于灰度的單立體SAR影像匹配方法可獲得較高精度的匹配點(diǎn)，卻由于受SAR影像間較大幾何變形、輻射畸變和斑點(diǎn)噪聲的影響［8］，誤匹配概率很高。隨著SAR數(shù)據(jù)獲取和成像系統(tǒng)的發(fā)展，使覆蓋同一區(qū)域的多基線（影像數(shù)大于2）SAR影像匹配成為可能。多基線影像匹配方法通過(guò)有效利用多幅影像間的冗余信息，理論上可以減少誤匹配，提高匹配點(diǎn)的準(zhǔn)確性和穩(wěn)健性。然而對(duì)于如何利用多基線影像提高SAR影像匹配點(diǎn)的精度和可靠性，并進(jìn)行信息盲區(qū)（疊掩、陰影［9］和紋理匱乏區(qū)等）的匹配仍是研究的重點(diǎn)和難點(diǎn)。

鑒于此，本文提出一種適用于機(jī)載SAR影像的SANCC多基線影像匹配方法。該方法在匹配方向線確定的搜索空間內(nèi)，利用融合自適應(yīng)權(quán)值方案和多基線影像匹配思想的SANCC方法進(jìn)行匹配。

2 SANCC多基線影像匹配方法

本文提出的SANCC多基線影像匹配方法的流程如圖1所示，首先根據(jù)提取的特征點(diǎn)和格網(wǎng)點(diǎn)、成像參數(shù)、平臺(tái)參數(shù)和測(cè)區(qū)高程范圍確定匹配方向線，約束搜索空間；然后在搜索空間內(nèi)基于多基線影像的幾何和幅度信息利用SANCC方法進(jìn)行匹配；最后采用 WTA［10］方法確定最佳的匹配點(diǎn)，實(shí)現(xiàn)多基線SAR影像的匹配和物方三維信息的提取。由于受SAR影像數(shù)據(jù)量和匹配點(diǎn)初始值精度的限制，SNACC多基線SAR影像匹配中采用由粗到精的金字塔匹配策略。

圖1 SANCC多基線影像匹配方法流程圖Fig.1 Flow chart of SANCC multi－image matching method

2.1 匹配方向線的獲取

已知影像覆蓋區(qū)域的最大高程值Zmax、最小高程值Zmin和步距。在Zmin～Zmax高程范圍內(nèi)，根據(jù)嚴(yán)格成像模型計(jì)算得到的若干候選匹配點(diǎn)，可構(gòu)建匹配方向線［11－12］。匹配方向線的類型取決于采用的匹配方法［13］，本文提出的SANCC多基線影像匹配方法的匹配方向線為近似核線。

獲取匹配方向線的具體步驟為：首先，將Zmin～Zmax高程范圍內(nèi)通過(guò)逐步增加或減少步距獲得的序列高程值及參考影像中目標(biāo)點(diǎn)的像點(diǎn)坐標(biāo)作為已知條件，根據(jù)距離－多普勒模型［14］和地球橢球方程，通過(guò)直接定位［15］解算得到該目標(biāo)點(diǎn)在物方的坐標(biāo)移動(dòng)軌跡。然后，利用目標(biāo)點(diǎn)在物方的坐標(biāo)移動(dòng)軌跡，根據(jù)距離－多普勒模型，通過(guò)間接定位［15］確定該目標(biāo)點(diǎn)在各匹配影像中對(duì)應(yīng)的匹配方向線。

通過(guò)大量多基線機(jī)載SAR影像試驗(yàn)，發(fā)現(xiàn)計(jì)算得到的匹配方向線方向接近SAR影像距離向方向，但是兩者并不平行。在圖2中的3張影像中，視角按圖（a）—（c）的順序逐漸增加，選取圖（b）為參考影像，（a）和（c）為匹配影像。圖中紅線是圖（b）A點(diǎn)在（a）和（c）上的匹配方向線，黃色箭頭表示影像的距離向方向?？梢钥闯?，兩者之間存在一定的夾角，且視角越大，該夾角越大，常規(guī)二維搜索相應(yīng)的方位向搜索范圍也越大。

圖2 匹配方向線示意圖Fig.2 The illustration of matching line

理論上，正確的匹配點(diǎn)必定位于SAR影像的匹配方向線上。但是，如果SAR影像的成像、軌道等參數(shù)不精確，則匹配方向線可能不經(jīng)過(guò)正確的匹配點(diǎn)。為此，在進(jìn)行SAR影像匹配搜索時(shí)不能僅沿匹配方向線進(jìn)行，還需沿與匹配方向線距離分別為±1～m像素的平行線進(jìn)行，其中，m是殘余方位向視差（m的取值與SAR影像成像、軌道等參數(shù)有關(guān)）。因此，利用匹配方向線可以有效縮小二維搜索的范圍、減少計(jì)算量和誤匹配、提高匹配的有效率。

2.2 SANCC多基線影像匹配方法原理

2.2.1 NCC匹配方法

由于NCC匹配方法理論成熟、精度優(yōu)良［16］，一直是影像匹配的研究熱點(diǎn)。眾所周知，NCC方法是計(jì)算兩張影像上像素相似性的測(cè)度之一［17］。

假設(shè)p為參考影像R中模板窗口WR內(nèi)的一個(gè)像素，q為匹配影像M中搜索窗口WM內(nèi)的一個(gè)像素，則窗口WR和WM中心像素的NCC值可表示為［18］

式中，IR（p）和IM（q）分別為p點(diǎn)和q點(diǎn)在影像R和M中的灰度值和分別為模板窗口WR和搜索窗口WM中所有像素灰度的平均值。

由于SAR影像受斑點(diǎn)噪聲和輻射畸變的影響，同一點(diǎn)各候選匹配的NCC測(cè)度值常很低且非常接近，極易產(chǎn)生誤匹配甚至無(wú)法獲取匹配信息。為了增強(qiáng)SAR影像的可匹配性并提高匹配精度，本文引入Gestalt原理的接近性和相似性原則對(duì)傳統(tǒng)的NCC匹配方法進(jìn)行改進(jìn)，得到ANCC（adaptive NCC）匹配方法。

2.2.2 ANCC匹配方法

Gestalt原理在計(jì)算機(jī)視覺(jué)中有著廣泛的應(yīng)用，其中接近性和相似性均是傳統(tǒng)Gestalt原理的主要原則之一［19］。本文利用Gestalt原理的接近性和相似性原則計(jì)算模板窗口和搜索窗口內(nèi)像素的權(quán)值。窗口的鄰域像素與中心像素距離越近，接近性權(quán)值越大；灰度值差異越小，相似性權(quán)值越大；反之亦然。假設(shè)i是m×m窗口W的中心像素，j是窗口W中i的鄰域像素。根據(jù)接近性和相似性原則，像素j的權(quán)值w（j）可得

式中，Δdij和Δgij分別表示像素i和j空間距離和像素灰度值差異的大??；fproximity（Δdij）和fsimilarity（Δgij）分別表示像素i和像素j的接近性和相似性的大小。具體表達(dá)式為

式中，σd與匹配窗口大小相關(guān)；σs與窗口內(nèi)灰度值的變化程度相關(guān)。

窗口W中所有像素的加權(quán)灰度值和（）Si為

由S（i）計(jì)算得到的像素灰度加權(quán)平均值為

根據(jù)式（1），可得匹配窗口WR和搜索窗口WM中心像素間的ANCC相似性測(cè)度為

式中，IwR（p）＝w（p）·IR（p），表示匹配窗口WR中點(diǎn)p的加權(quán)像素灰度值；IwM（q）＝w（q）·IM（q），表示搜索窗口WM中點(diǎn)q的加權(quán)像素灰度值為WR窗口內(nèi)所有像素灰度的加權(quán)平均值為WM窗口內(nèi)所有像素灰度的加權(quán)平均值。

此時(shí)，ANCC匹配方法只能處理單立體像對(duì)的匹配。為了更好地利用多基線影像間的幾何和幅度信息、抑制SAR影像間較大幾何變形和重復(fù)紋理的影響，提出了結(jié)合ANCC匹配方法和SNCC（sum of normalized cross－correlation）［20］多基線影像匹配思想的SANCC多基線影像匹配方法。

2.2.3 SANCC多基線影像匹配方法

SNCC是文獻(xiàn)［20］針對(duì)光學(xué)線陣影像提出的多基線影像匹配方法，它將所有單立體像對(duì)（由參考影像和待匹配影像組成）的NCC測(cè)度值進(jìn)行加和平均。本文將SNCC多基線影像匹配思想和權(quán)值自適應(yīng)確定的ANCC影像匹配方法相結(jié)合，得到SANCC多基線影像匹配方法，公式為

式中，n為待匹配影像個(gè)數(shù)。該方法能同時(shí)匹配n＋1幅影像，并獲取匹配點(diǎn)的高程信息。

利用圖2中的數(shù)據(jù)進(jìn)行SANCC多基線影像匹配，圖2（b）中A點(diǎn)在圖2（a）和（c）匹配方向線上的ANCC和SANCC相關(guān)測(cè)度曲線，如圖3所示。圖3（a）為A點(diǎn)與圖2（a）顯示的匹配方向線中各點(diǎn)計(jì)算得到的ANCC測(cè)度值。同理，得到圖3（c）。圖3（b）為圖2中3幅影像共同計(jì)算得到的A點(diǎn)的SANCC測(cè)度值。由于受A點(diǎn)左邊相似性紋理的影響，圖3（a）出現(xiàn)了兩個(gè)ANCC測(cè)度峰值，所以由圖2（a）和（b）組成的單立體像對(duì)在A點(diǎn)進(jìn)行匹配時(shí)會(huì)出現(xiàn)虛假響應(yīng)，得到誤匹配結(jié)果。故根據(jù)ANCC測(cè)度值僅能獲取A點(diǎn)在圖2（c）上的正確匹配。而圖3（b）所示的SANCC測(cè)度曲線消除了圖3（a）中的虛假響應(yīng)，此時(shí)相關(guān)系數(shù)具有唯一的峰值，可以獲取A點(diǎn)在圖2所有匹配影像中的正確匹配點(diǎn)。因此，SANCC多基線影像匹配方法可以有效利用多基線影像的幾何和幅度信息，同時(shí)匹配多幅影像、提高匹配的成功率。

3 試驗(yàn)與分析

3.1 試驗(yàn)數(shù)據(jù)及評(píng)價(jià)指標(biāo)

本文采用國(guó)產(chǎn)機(jī)載SAR測(cè)圖系統(tǒng)——CASMSAR獲取的X波段多基線SAR影像進(jìn)行匹配試驗(yàn)。圖4為3條相鄰航帶上同一場(chǎng)景的3張影像，影像分辨率為0.5m，方位向像元大小為0.23m，距離向像元大小為0.25m，影像大小為1000像素×900像素。

圖3 ANCC和SANCC匹配測(cè)度曲線Fig.3 The plot of individual ANCC functions and SANCC function

圖4 試驗(yàn)影像Fig.4 Test images

由于SAR波束照射角度變化較大，影像間存在很大的幾何變形和輻射畸變；建筑物由于照射角度的變化對(duì)周圍地物造成不同程度的遮擋，產(chǎn)生很多陰影；且建筑物四周包含大量紋理匱乏區(qū)（如圖4（b）中橢圓區(qū)），因此要獲取試驗(yàn)影像的同名點(diǎn)并不容易。

圖4中選?。╞）作為參考影像，（a）和（c）為匹配影像。在圖（b）中劃分格網(wǎng)，在每個(gè)格網(wǎng)中選取Forstner［21］特征點(diǎn)作為待匹配點(diǎn)，若某格網(wǎng)中未得到特征點(diǎn)則選取該格網(wǎng)中心點(diǎn)，并剔除影像邊緣的格網(wǎng)點(diǎn)。

本文進(jìn)行多基線SAR影像匹配性能評(píng)價(jià)的指標(biāo)包括：①正確匹配點(diǎn)數(shù)目nright，設(shè)點(diǎn)位誤差閾值為T0，若匹配點(diǎn)的點(diǎn)位誤差小于T0，則認(rèn)為該匹配點(diǎn)對(duì)為正確匹配；②匹配有效率為nright／n，其中n為匹配點(diǎn)總數(shù)；③中誤差σ，通過(guò)式（7）計(jì)算，其中，Δ為匹配方法獲取的匹配點(diǎn)值和真值的差值。

3.2 SANCC模型參數(shù)對(duì)匹配性能的影響分析

SANCC匹配方法的自適應(yīng)權(quán)值包括兩部分：接近性權(quán)值和相似性權(quán)值。影響接近性權(quán)值的因素包括鄰域像素j與窗口中心像素i之間的距離和窗口大小。影響相似性權(quán)值的因素包括鄰域像素j和窗口中心像素i灰度值差異的大小和σs的取值。

為了測(cè)試窗口大小對(duì)SANCC匹配方法性能的影響程度，試驗(yàn)僅改變窗口大小，范圍從7像素×7像素至41像素×41像素，其余參數(shù)固定（見(jiàn)圖5）。SANCC方法的匹配性能通過(guò)正確匹配點(diǎn)數(shù)目、匹配有效率和坐標(biāo)中誤差進(jìn)行評(píng)價(jià)。

如圖5所示，隨著窗口變大，其包含的信息也越豐富，匹配有效率呈上升趨勢(shì)，匹配點(diǎn)的數(shù)目和中誤差值呈下降趨勢(shì)，匹配精度和準(zhǔn)確性逐步提高。窗口大小在15像素×15像素及更小時(shí)，正確匹配點(diǎn)數(shù)目最多；窗口大小增加到25像素×25像素之后，中誤差下降的幅度減緩；窗口大小為30像素×30像素時(shí)，匹配有效率趨于飽和。

為了測(cè)試σs的變化對(duì)SANCC匹配方法性能的影響程度，試驗(yàn)同樣將窗口大小等參數(shù)固定，僅改變?chǔ)襰。因?yàn)樵搮^(qū)域SAR影像兼具紋理豐富區(qū)和紋理匱乏區(qū)，影像像素灰度值差異變化較大，所以σs的變化范圍選擇從40至180，SANCC方法的匹配性能仍從上述3個(gè)方面進(jìn)行分析。

圖5 窗口大小的變化對(duì)SANCC方法性能的影響Fig.5 Performance of the proposed algorithm according to window size

如圖6所示，隨著σs的增大，正確匹配點(diǎn)數(shù)目逐步增加，在σs＝80處開(kāi)始趨于平穩(wěn)。同時(shí)隨著σs的增大，匹配有效率也呈現(xiàn)出緩慢增加的趨勢(shì)。與前兩者趨勢(shì)不同，中誤差的值急速減小，直到σs為70之后下降趨勢(shì)逐漸變緩，當(dāng)σs≥120時(shí)，σs的變化對(duì)中誤差影響很小。

圖6 σs的變化對(duì)SANCC方法性能的影響Fig.6 Performance of the proposed algorithm according toσs

綜上所述，后續(xù)試驗(yàn)中SANCC多基線影像匹配方法的窗口大小選擇為19像素，σs為80。

3.3 SNCC和SANCC匹配方法性能比較分析

本文提出的SANCC多基線影像匹配方法根據(jù)匹配窗口內(nèi)鄰域像素與中心像素的距離和灰度值的差異計(jì)算權(quán)值。其中，離中心像素越近、灰度值差異越小、像素權(quán)值越大，因此可以有效減弱輻射畸變和斑點(diǎn)噪聲對(duì)相似性測(cè)度值的影響。

基于灰度的相似性測(cè)度進(jìn)行光學(xué)影像匹配時(shí)，閾值通常選取0.7甚至更高。但是由于SAR影像具有較大的幾何變形、輻射畸變和斑點(diǎn)噪聲等，其相似性測(cè)度值一般很低，大多集中在0.1～0.3。

圖7為分別利用SNCC和SANCC多基線影像匹配方法得到的大量待匹配點(diǎn)的最大匹配測(cè)度直方圖。即使在圖4所示的紋理較豐富區(qū)，SNCC測(cè)度值仍大多集中在0.2附近（見(jiàn)圖7（a））。如圖7（b）所示，本文提出的SANCC匹配方法得到的匹配測(cè)度峰值出現(xiàn)在0.7～0.8，顯著提高了SAR影像間匹配點(diǎn)對(duì)的相似性測(cè)度值，增加了匹配點(diǎn)與非匹配點(diǎn)的可區(qū)分性。

3.4 SANCC多基線影像匹配方法有效性分析

為了分析提出的SANCC多基線影像匹配方法的有效性，試驗(yàn)中NCC、SNCC及SANCC匹配方法均采用 winner－takes－all（WTA）［20］方法選擇匹配點(diǎn)，僅利用匹配方向線對(duì)搜索范圍進(jìn)行約束。WTA方法是指選擇局部區(qū)域內(nèi)匹配測(cè)度值最大的點(diǎn)為匹配點(diǎn)。每個(gè)候選匹配點(diǎn)對(duì)應(yīng)于Zmin～Zmax范圍內(nèi)的一個(gè)高程Z，因此可在影像匹配的同時(shí)獲取目標(biāo)點(diǎn)的高程值。匹配點(diǎn)位的精度取決于候選點(diǎn)的定位精度、步距、幅度信息及其周圍像素的幅度信息等，殘余方位向視差m＝3。對(duì)圖4（b）劃分格網(wǎng)，數(shù)目為29×24。根據(jù)SAR影像各類匹配測(cè)度的分布直方圖，選擇NCC方法的匹配測(cè)度閾值為0.2，SNCC方法的閾值為0.3，SANCC方法的閾值為0.4。圖8顯示了分別利用NCC、SNCC和SANCC匹配方法提取的正確匹配點(diǎn)的分布情況。NCC單立體像對(duì)匹配方法的試驗(yàn)影像見(jiàn)圖4（a）和圖4（b）；SNCC和SANCC多基線影像匹配方法的試驗(yàn)影像見(jiàn)圖4（a）—（c）。

圖7 SNCC和SANCC測(cè)度值分布直方圖Fig.7 The frequency distribution of SNCC and SANCC with all grid points

如圖8和表1所示，NCC匹配方法得到的正確匹配點(diǎn)數(shù)目最少，SNCC次之，SANCC得到的匹配點(diǎn)最為密集、均勻。而且NCC和SNCC方法在影像左上角的紋理匱乏區(qū)域都較難獲取匹配點(diǎn)對(duì)，而本文提出的SANCC方法在該區(qū)域則可得到一定密度的匹配點(diǎn)對(duì)。

圖9為圖8某重復(fù)性紋理區(qū)域的局部放大圖，同一種方法的匹配點(diǎn)用相同點(diǎn)號(hào)表示。圖9（a）中的點(diǎn)59、76為誤匹配點(diǎn)，可知NCC匹配方法對(duì)于重復(fù)性紋理區(qū)域顯得無(wú)能為力，而本文提出的SANCC方法則可得到該區(qū)域更加密集且準(zhǔn)確的匹配點(diǎn)。

表1 正確匹配點(diǎn)數(shù)目Tab.1 Comparison of the correct matching number

3.5 SANCC多基線影像匹配方法精度分析

為了更加準(zhǔn)確地分析SANCC多基線影像匹配方法的精度，并與SNCC方法進(jìn)行比較，對(duì)參考影像上6個(gè)控制點(diǎn)進(jìn)行匹配試驗(yàn)，其點(diǎn)位分布如圖10所示。試驗(yàn)影像為3條相鄰航帶上同一區(qū)域的3景影像，選擇中間航帶的影像為參考影像（見(jiàn)圖10），飛行方向左側(cè)航帶的影像為匹配影像1，右側(cè)航帶的影像為匹配影像2。

圖8 匹配點(diǎn)分布圖Fig.8 Comparison of the distribution of corresponding image points using different methods

圖9 匹配結(jié)果局部放大圖Fig.9 Parts of zoom result

圖10 試驗(yàn)影像區(qū)域及控制點(diǎn)點(diǎn)位分布Fig.10 Overview of the study area with all measured GCPs

已知控制點(diǎn)在參考影像及匹配影像上的像點(diǎn)坐標(biāo)和物方三維空間坐標(biāo)，將SNCC和SANCC方法得到匹配結(jié)果與已知值進(jìn)行比較，結(jié)果如表2所示。表2中Δx、Δy表示通過(guò)多基線影像匹配方法獲得的匹配點(diǎn)坐標(biāo)與已知坐標(biāo)的差值；高程差值表示通過(guò)多基線影像匹配方法獲得的高程值與已知高程的差值。

由表2可知，SANCC匹配方法比SNCC方法獲取的匹配結(jié)果點(diǎn)位更為精確，高程精度由1.93m提高到 1.21m，證明了本文提出 的SANCC匹配方法較SNCC方法精度更高。其中，獲取的高程值精度除了受多基線影像匹配點(diǎn)的點(diǎn)位精度影響外，還受軌道參數(shù)、SAR成像參數(shù)、基線長(zhǎng)度等因素的影響。

4 結(jié) 論

本文通過(guò)匹配方向線縮小匹配搜索范圍，然后引入Gestalt原理的接近性和相似性原則，提出了SANCC多基線影像匹配方法。通過(guò)利用同一區(qū)域不同航帶的多基線機(jī)載SAR影像，對(duì)本文提出的SANCC匹配方法與NCC方法和SNCC方法進(jìn)行比較試驗(yàn)，證明本文方法具有正確匹配點(diǎn)數(shù)目多、點(diǎn)位分布均勻和精度高的優(yōu)點(diǎn)，并在斑點(diǎn)噪聲影響較大的紋理匱乏區(qū)表現(xiàn)出更高的精確性和穩(wěn)健性，可為SAR立體測(cè)量的后續(xù)步驟提供高精度、密集且分布均勻的同名點(diǎn)及其高程信息。

由于本文所能獲取的覆蓋同一區(qū)域的多基線SAR影像數(shù)據(jù)有限，匹配步驟前對(duì)立體像對(duì)的質(zhì)量控制存在一定的難度。后續(xù)的研究工作將圍繞此方面進(jìn)行，減弱質(zhì)量不佳的影像對(duì)匹配結(jié)果的影響。

表2 匹配結(jié)果點(diǎn)位及高程誤差結(jié)果對(duì)比Tab.2 Comparison of matching results between two algorithms

［1］ TOUTIN T，GRAY L.State－of－the－Art of Elevation Extraction from Satellite SAR Data［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2000，55：13－33.

［2］ MéRIC S，F(xiàn)AYARD F，POTTIERé.A Multiwindow Approach for Radargrammetric Improvement［J］.IEEE Transaction on Geoscience and Remote Sensing，2011，49（10）：3803－3810.

［3］ CHEN Fulong，ZHANG Hong，WANG Chao.Automatic Matching of Tie－points with High－resolution SAR Images［J］.Journal of Image and Graphics，2006，11（9）：1276－1281.（陳富龍，張紅，王超.高分辨率SAR影像同名點(diǎn)自動(dòng)匹配技術(shù)［J］.中國(guó)圖象圖形學(xué)報(bào)，2006，11（9）：1276－1281.）

［4］ CRESPI M，CAPALDO P，F(xiàn)RATARCANGELI F，et al.DSM Generation from Very High Optical and Radar Sensors：Problems and Potentialities along the Road form the 3DGeometric Modeling to the Surface Model［C］∥IEEE International Geoscience and Remote Sensing Symposium（IGARSS）.［S.l.］：IEEE，2010：3596－3599.

［5］ 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.（岳春宇，江萬(wàn)壽.幾何約束和改進(jìn)SIFT的SAR影像和光學(xué)影像自動(dòng)配準(zhǔn)方法［J］.測(cè)繪學(xué)報(bào)，2012，41（4）：570－576.）

［6］ HE Xueyan，ZHANG Lu，BALZ T，et al.Topographic Mapping in Mountainous Areas Using Stereo SAR Assistedby External DEM［J］.Acta Geodaetica et Cartographica Sinica，2013，42（3）：425－432.（賀雪艷，張路，BALZ T，等.利用外部DEM輔助山區(qū)SAR立體像對(duì)匹配及地形制圖［J］.測(cè)繪學(xué)報(bào)，2013，42（3）：425－432.）

［7］ BALZ T，ZHANG L，LIAO M.Direct Stereo Radargrammetric Processing Using Massively Parallel Processing［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013，79：137－146.

［8］ EDWARDS E.Digital Surface Modelling in Developing Countries Using Spaceborne SAR Techniques ［D］.Nottingham：University of Nottingham，2005.

［9］ WANG Jingxue，ZHU Qing，WANG Weixi.A Dense Matching Algorithm of MultiView Image Based on the Integrated Multiple Matching Primitives［J］.Acta Geodaetica et Cartographica Sinica，2013，42（5）：691－698.（王競(jìng)雪，朱慶，王偉璽.多匹配基元集成的多視影像密集匹配方法［J］.測(cè)繪學(xué)報(bào)，2013，42（5）：691－698.）

［10］ SCHARSTEIN D，SZELISKI R.A Taxonomy and Evaluation of Dense Two－Frame Stereo Correspondence Algorithms［J］.International Journal of Computer Vision，2002，47（1－3）：7－42.

［11］ FAN Dazhao，JI Song，DAI Chenguang，et al.Research on Correlation Line of GC3Multi－view Matching Models for Line－array Digital Imagery［J］.Bulletin of Surveying and Mapping，2013（9）：19－23.（范大昭，紀(jì)松，戴晨光，等.線陣影像GC3多視匹配模型的匹配方向線研究［J］.測(cè)繪通報(bào)，2013（9）：19－23.）

［12］ JI Song，F(xiàn)AN Dazhao，ZHANG Yongsheng，et al.Selfadaptive Window Extension Strategies of Discontinuity Features for MVLL Algorithm ［J］. Geomatics and Information Science of Wuhan University，2011，36（2）：199－203.（紀(jì)松，范大昭，張永生，等.MVLL算法中地表斷裂特征的自適應(yīng)窗口變化策略研究［J］.武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2011，36（2）：199－203.）

［13］ JI Song.Study on The Strategy and Improvement Method of Multi－view Matching Technology ［D］. Zhengzhou：Information Engineering University，2012.（紀(jì)松.多視匹配策略與優(yōu)化方法研究［D］.鄭州：信息工程大學(xué)，2012.）

［14］ CURLANDER J.Location of Space－borne SAR Imagery［J］.IEEE Transactions on Geoscience and Remote Sensing，1982，GE－20（3）：359－364.

［15］ CHEN Erxue.Study on Ortho－rectification Methodology of Space－borne Synthetic Aperture Radar Imagery［D］.Beijing：Chinese Academy of Forestry，2004.（陳爾學(xué).星載合成孔徑雷達(dá)影像正射校正方法研究［D］.北京：中國(guó)林業(yè)科學(xué)研究院，2004.）

［16］ LEBERL F，MAURICE K，THOMAS J，et al.Automated Radar Image Matching Experiment［J］.ISPRS Journal of Photogrammetry and Remote Sensing，1994，49（3）：19－33.

［17］ FAUGERAS O，HOTZ B，MATHIEU H，et al.Real Time Correlation－based Stereo： Algorithm，Implementations and Applications［R］.Technical Report RR－2013，INRIA，1993.

［18］ ZHANG Zuxun，ZHANG Jianqing.Digital Photogrammetry［M］.Wuhan：Wuhan University Press，1997.（張祖勛，張劍清.數(shù)字?jǐn)z影測(cè)量學(xué)［M］.武漢：武漢大學(xué)出版社，1997.）

［19］ YOON K，KWEON I.Locally Adaptive Support－weight Approach for Visual Correspondence Search［C］∥IEEE Computer Society Conference on Computer Vision and Pattern Recognition.［S.l.］：IEEE，2005：924－931.

［20］ ZHANG L.Automatic Digital Surface Model（DSM）Generation from Linear Array Images［D］.Swiss：Swiss Federal Institute of Technology Zurich，2005.

［21］ FORSTNER W.A Feature Based Correspondence Algorithm for Image Matching［C］∥Proceedings of the ISPRS Commission Ⅲ Symposium.Rovaniemi：ISPRS，1986：150－166.