李 宏，王 鵬，畢 波，唐錦萍

(1.東北石油大學(xué) a.電氣信息工程學(xué)院;b.數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，黑龍江 大慶 163318；2.海南醫(yī)學(xué)院 公共衛(wèi)生學(xué)院，?？?571101；3.黑龍江大學(xué) 數(shù)據(jù)科學(xué)與技術(shù)學(xué)院，哈爾濱 150080)

0 引 言

圖像配準(zhǔn)是在不同的時(shí)間、不同的成像設(shè)備或不同的條件(天氣、光亮、相機(jī)位置和視角等)下對(duì)采集的兩個(gè)或多個(gè)圖像進(jìn)行匹配的過程[1]，它是許多遙感任務(wù)(例如變化檢測(cè)、圖像拼接和環(huán)境監(jiān)控)必不可少的部分。不同于基于頻域的方法，空間域中的基于特征的方法[2]主要依賴于提取顯著特征。顯著特征是圖像域的子集，通常是獨(dú)立的點(diǎn)、連續(xù)曲線或連續(xù)區(qū)域[3-4]。

在基于特征的方法中，最經(jīng)典的算法是SIFT(Scale Invariant Feature Transform)，而基于SIFT的圖像配準(zhǔn)方法主要使用高斯濾波構(gòu)建尺度空間。因?yàn)楦咚购瘮?shù)是各向同性，因此待配準(zhǔn)圖像的邊緣和細(xì)節(jié)同噪聲一樣變得模糊，關(guān)鍵點(diǎn)很難實(shí)現(xiàn)亞像素級(jí)別的準(zhǔn)確定位，所以特征描述子的區(qū)別度低。文獻(xiàn)[5]提出了KAZE算法，首次使用各向異性技術(shù)生成非線性尺度空間，檢測(cè)和描述性能優(yōu)于傳統(tǒng)的SIFT，但是使用Hessian算子需要計(jì)算每層尺度空間的二階梯度，對(duì)噪聲特別敏感。文獻(xiàn)[6]提出了加速KAZE(Accelerated-KAZE,AKAZE)算法，采用快速顯式擴(kuò)散函數(shù)和二進(jìn)制特征描述子，在保留KAZE優(yōu)良性能的同時(shí)加快了KAZE算法的計(jì)算時(shí)間。文獻(xiàn)[7]提出了基于多特征點(diǎn)的圖像配準(zhǔn)算法，聯(lián)合各向異性尺度空間和Harris角點(diǎn)響應(yīng)的策略，提高了魯棒性和亞像素級(jí)別的準(zhǔn)確定位。文獻(xiàn)[8]提出了一種結(jié)合SURF(Speeded-Up Robust Features)和AKAZE的改進(jìn)算法，使用了Hessian算子和二進(jìn)制特征描述子進(jìn)行特征描述。文獻(xiàn)[9]提出了基于改進(jìn)AKAZE的配準(zhǔn)算法，速度比AKAZE提高了50%且特征點(diǎn)也大幅增加，但是更適用于喀斯特地區(qū)的遙感圖像。文獻(xiàn)[10]提出了基于特征的圖像配準(zhǔn)的算法，利用改進(jìn)的復(fù)合非線性擴(kuò)散濾波策略和逐漸降低的多尺度金字塔空間分辨率及二進(jìn)制代碼串匹配提高了準(zhǔn)確性和計(jì)算效率，但在計(jì)算和匹配二進(jìn)制代碼串花費(fèi)時(shí)間較長(zhǎng)。

對(duì)于油田地區(qū)，有效掌握地面建筑物的實(shí)時(shí)位置及狀態(tài)信息對(duì)于油田生產(chǎn)的安全尤為重要。然而，油田遙感圖像中的建筑物的形狀不均勻，所以圖像配準(zhǔn)更加困難。

本文提出了一種基于各向異性尺度空間的遙感圖像配準(zhǔn)方法，使用了自適應(yīng)的側(cè)窗濾波來構(gòu)建各向異性尺度空間；接著選取了一種采用了改進(jìn)的鄰域分塊思想進(jìn)行特征描述；最后采用了一種增強(qiáng)的匹配算法進(jìn)行匹配點(diǎn)過濾，提高了計(jì)算速度，得到了更多精確的匹配點(diǎn)。

1 基于多特征點(diǎn)的遙感圖像配準(zhǔn)算法

基于多特征點(diǎn)的遙感圖像配準(zhǔn)算法[7]主要由各向異性尺度空間生成、尺度空間特征點(diǎn)檢測(cè)、特征點(diǎn)描述符提取和特征點(diǎn)匹配[11]四個(gè)步驟構(gòu)成，其流程圖如圖1所示。

圖1 基于多特征點(diǎn)的遙感圖像配準(zhǔn)算法流程圖

1.1 梯度計(jì)算的原理

為了增加描述符對(duì)圖像亮度的顯著非線性差異的魯棒性，基于多特征點(diǎn)的遙感圖像配準(zhǔn)方法為高斯尺度空間中的每個(gè)像素給了梯度定義。首先，原算法通過Sobel濾波器計(jì)算高斯尺度空間圖像的梯度幅度為

(1)

(2)

(3)

1.2 各向異性尺度空間的生成

各向異性尺度空間將圖像的亮度擴(kuò)散到非線性比例空間中，可以由各向異性擴(kuò)散方程來描述。Weickert等人[12]引進(jìn)了加性算子分裂(Additive Operator Splitting,AOS)算法進(jìn)行求解各向異性擴(kuò)散方程。

(4)

公式(4)就是AOS算法的根本思想，由于圖像是二維的，所以m=2。

各向異性技術(shù)的算法偽代碼如下：

Input：原始輸入圖像I，時(shí)間度量尺度值tn，n∈[0,1,…,S]，圖像的高度M和寬度N

Output：各向異性尺度空間圖像，其中Ln,n∈[0,1,…,S]

1對(duì)圖像I進(jìn)行標(biāo)準(zhǔn)差為σ0的高斯濾波，并把濾波結(jié)果作為尺度空間第0層圖像L0

2按照下面過程迭代生成各向異性尺度空間：

3 forn=0,1,…,S-1

(3)計(jì)算擴(kuò)散時(shí)間步長(zhǎng)τ，其中τ=tn+1-tn

fori=0,…,M-1

end for

forj=0,1,…,N-1

end for

(6)由下面公式計(jì)算各向異性尺度空間第n+1層圖像Ln：

4 end for

5 輸出各向異性尺度空間圖像Ln,n∈[0,1,…,S]

1.3 局限性

由于大慶油田分布錯(cuò)綜復(fù)雜，而油田遙感圖像中的建筑物形狀不均勻，因此，從任一種遙感影像數(shù)據(jù)中很難將復(fù)雜的油田圖像準(zhǔn)確、完整地提取出來。另外，遙感圖像中地物復(fù)雜，干擾因素較多，而且基于高分辨率遙感影像進(jìn)行圖像配準(zhǔn)技術(shù)環(huán)節(jié)，每道工序?qū)z測(cè)的最后結(jié)果都有著重要的影響?；诙嗵卣鼽c(diǎn)的遙感圖像配準(zhǔn)方法應(yīng)用在無人機(jī)拍攝的油田遙感圖像上可以得到很好的精度，但是得到的特征點(diǎn)匹配對(duì)少，而且花費(fèi)時(shí)間也較長(zhǎng)。

2 基于各向異性尺度空間的遙感圖像配準(zhǔn)

本文對(duì)原算法的改進(jìn)主要分以下幾個(gè)部分：

(1)基于各向異性技術(shù)，采用自適應(yīng)的側(cè)窗濾波思想，更好地保留了圖像邊緣，得到了更加穩(wěn)定的特征點(diǎn)；

(2)基于極坐標(biāo)的平面系統(tǒng)，采用環(huán)形和扇形結(jié)合的分塊思想，有效地降低了原算法中特征描述子的維度，縮短了在特征描述和特征匹配階段所花費(fèi)的時(shí)間；

(3)基于RANSAC算法，提出了增強(qiáng)的匹配算法，增加了特征點(diǎn)匹配的數(shù)量，減少了運(yùn)行時(shí)間。

2.1 自適應(yīng)的側(cè)窗濾波

基于窗口的操作是圖像處理中最常用的操作之一，傳統(tǒng)做法幾乎總是將窗口的中心與要處理的像素對(duì)齊，這種傳統(tǒng)觀點(diǎn)并非普遍適用。Yin等人[13]提出了新的側(cè)窗濾波方法(Side Window Filter,SWF)，可以將窗口的側(cè)面或角落與要處理的像素對(duì)齊。在圖像平滑、去噪、增強(qiáng)和保留結(jié)構(gòu)的紋理去除等應(yīng)用中，實(shí)施SWF方法可以顯著提高其邊緣保留能力并達(dá)到最好的性能。

SWF方法首先在自變量θ和r連續(xù)的情況下定義了側(cè)窗，如圖2(a)所示，θ為旋轉(zhuǎn)的窗口與水平線之間的角度，r是窗口的寬度，p∈{0,r},(x,y)是目標(biāo)像素i的位置。然后，通過改變?chǔ)炔⒐潭?x,y)，可以改變窗口的方向，同時(shí)將其側(cè)面與像素i對(duì)齊。

圖2 側(cè)窗的定義

(5)

SWF方法保留邊緣通過最小化目標(biāo)函數(shù)來實(shí)現(xiàn)，其目標(biāo)函數(shù)為

(6)

基于SWF方法實(shí)現(xiàn)了許多流行的線性和非線性濾波算法，所以可以顯著提高其邊緣保留能力?？紤]到SWF方法應(yīng)用在非線性濾波算法的顯著性和靈活性，改進(jìn)的方法是，側(cè)窗的半徑采用每層的尺度計(jì)算的擴(kuò)散時(shí)間步長(zhǎng)，而非固定值。

SIFT方法中尺度空間有O組，每組S層，尺度空間以金字塔的形式存在。為了簡(jiǎn)單起見，改進(jìn)算法未對(duì)圖像執(zhí)行下采樣操作，即各向異性尺度空間中圖像的分辨率是一樣的。設(shè)尺度空間共S+1層，則各層圖像的尺度為

σn=σ02n/3,n∈[0,1,…,S]。

(7)

式中：σ0為尺度空間中第一層圖像的尺度。從公式(7)可以看出，和原SIFT算法相同，相鄰層圖像的尺度比是21/3。因?yàn)榉蔷€性擴(kuò)散方程以時(shí)間進(jìn)行的定義，因此把尺度值轉(zhuǎn)換為時(shí)間值，轉(zhuǎn)換公式為

(8)

各向異性尺度空間的構(gòu)建中采用了自適應(yīng)的窗口半徑，可以顯著提高其邊緣保留能力并達(dá)到最好的性能。側(cè)窗的半徑即時(shí)間步長(zhǎng)，轉(zhuǎn)換公式為

τ=tn+1-tn。

(9)

本文采用自適應(yīng)的SWF方法構(gòu)建了各向異性擴(kuò)散的尺度空間，相對(duì)于原算法對(duì)尺度空間中第n層圖像Ln做標(biāo)準(zhǔn)差σ恒為1的高斯濾波處理，更好地保留了圖像邊緣。針對(duì)特征檢測(cè)中得到的特征點(diǎn)多且重復(fù)度高的問題，改進(jìn)的方法是在各向異性尺度空間提取到特征點(diǎn)后使用非極大值抑制。

2.2 改進(jìn)的描述符

馬曉娟[14]總結(jié)了對(duì)三維模型采用網(wǎng)格劃分的特征提取算法，可以實(shí)現(xiàn)對(duì)三維模型進(jìn)行不同形式的合理劃分。本文將三維模型網(wǎng)格劃分區(qū)域的思想應(yīng)用到二維鄰域劃分上，如圖3所示。

圖3 二維鄰域劃分圖

改進(jìn)的方法是獲取關(guān)鍵點(diǎn)為圓心、半徑為R1=12σ的圓形鄰域，然后把取得的鄰域劃分為3個(gè)區(qū)域和9個(gè)子區(qū)域的對(duì)數(shù)極坐標(biāo)網(wǎng)格生成特征描述子。特征點(diǎn)的圓形鄰域的區(qū)域劃分如圖4所示，其中R2/R1=0.73，R3/R1=0.25,此時(shí)圓形鄰域的9個(gè)子區(qū)域有近似一致的面積。每個(gè)小型區(qū)域形成一個(gè)8維的梯度幅度和方向直方圖，因此最后改進(jìn)的描述子是72維。

圖4 新的描述符的鄰域圖

改進(jìn)算法的特征描述子的維度由原來的136維下降到了現(xiàn)在的72維，明顯降低了描述子的維度。由于遙感圖像一般有很多局部一致性，所以相較整幅圖像，區(qū)域劃分的思想對(duì)視角變換有較好的優(yōu)勢(shì)：增加的鄰域信息使得特征描述符更穩(wěn)定，為后期圖像匹配的準(zhǔn)確性提供了保證。

2.3 增強(qiáng)的特征匹配

在特征匹配過程中，諸如規(guī)則化最小二乘之類的核方法基函數(shù)的數(shù)量等于訓(xùn)練樣本的數(shù)量N。因此，匹配過程在時(shí)間和空間上復(fù)雜度分別為O(N3)和O(N2)，當(dāng)要匹配的特征點(diǎn)較多時(shí)，增加了計(jì)算量。周榮榮等人[15]提出了SAR配準(zhǔn)算法，把向量場(chǎng)共識(shí)(Vector Field Consensus,VFC)算法[16]在模擬和真實(shí)的山地SAR圖像的關(guān)鍵點(diǎn)配準(zhǔn)，獲得了很高的匹配正確率。

稀疏向量場(chǎng)共識(shí)(Sparse VFC)算法[17]由期望最大化算法(Expectation Maximization,EM)可以得到完全對(duì)數(shù)后驗(yàn)Q(θ,θold)，即

(10)

Sparse VFC算法偽代碼如下：

Input：訓(xùn)練集S={(xn,yn),x∈RP,y∈RD,n∈NN}，N為訓(xùn)練集的數(shù)量，核矩陣Γ，正則化常數(shù)λ，基函數(shù)數(shù)量M，潛在變量zn

Output：向量場(chǎng)f，內(nèi)在點(diǎn)對(duì)集合T

1初始化a,β,γ,V=ODN×1,P=IM×N,σ2,ε

Γ(xi,xj)=e-β‖xi,xj‖2(ωID×D+(1-ωD)ID×D),

3 Repeat

(1)EM中E-step

通過貝葉斯定理計(jì)算后驗(yàn)概率分布pn=P(zn=1|xn,yn,θold)，計(jì)算對(duì)角矩陣P=diag(p1,p2,…,pN)，pn表示樣本n與當(dāng)前向量場(chǎng)f相一致的程度:

(2)M-step

①通過下面的公式求解線性系統(tǒng)更新C，計(jì)算向量場(chǎng)f:

②使用vn=(f(x1)T,…,f(xN)T)T更新V:

③使用稀疏近似最大化對(duì)數(shù)似然函數(shù)估計(jì)θnew=argmaxθQ(θ,θold)更新σ2和γ。對(duì)Q(θ)分別求解σ2和γσ2的偏導(dǎo)，并令其結(jié)果為0，可求得σ2和γ，tr(·)表示矩陣的跡：

Q(θ)=log(p(Y|X,θ)p(f))

4 Until目標(biāo)函數(shù)Q(θ)收斂，收斂準(zhǔn)則為Q(θ)<ε

5 向量場(chǎng)f由②中的公式?jīng)Q定，內(nèi)在點(diǎn)對(duì)集合是T={n:pn>τ,n∈RN}，其中τ是預(yù)定義的閾值

提出的增強(qiáng)的特征點(diǎn)匹配步驟如下：

Step1 首次匹配：特征點(diǎn)通過對(duì)應(yīng)描述符的最小和次小的反余弦之比進(jìn)行初始匹配，首先獲得初始匹配點(diǎn)對(duì)集P0。

Step2 再次匹配：Sparse VFC算法用于從點(diǎn)對(duì)集P0中刪除錯(cuò)誤匹配點(diǎn)，然后得到特征點(diǎn)對(duì)集P1。

Step3 三次匹配：RANSAC算法用于從點(diǎn)對(duì)集P1中刪除錯(cuò)誤匹配點(diǎn)并計(jì)算初始變換參數(shù)μ，最后獲得特征點(diǎn)對(duì)集合P2。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)及預(yù)處理

本文進(jìn)行兩組實(shí)驗(yàn)。

遙感圖像對(duì)A為多光譜遙感圖像對(duì)P-A[18-19]；參考圖像是從Landsat-7 ETM+衛(wèi)星于2000年7月24日拍攝的多光譜遙感圖像中提取的第5頻段圖像，分辨率是614 pixel×611 pixel；待配準(zhǔn)圖像是從Landsat 4-5TM衛(wèi)星在1996年6月28日拍攝的多光譜圖像中提取的第三頻段圖像，分辨率為614 pixel×611 pixel。為了增加圖像的復(fù)雜度，把待配準(zhǔn)圖像順時(shí)針旋轉(zhuǎn)90°。由于兩幅圖像來自不同的傳感器和不同的頻段，因此圖像中相同區(qū)域的像素灰度存在顯著的非線性差異。

遙感圖像對(duì)B使用無人機(jī)拍攝獲取，無人機(jī)采用索尼DSC-RX1RM2相機(jī)(焦距為35 mm)，拍攝的單張圖像為7 952 pixel×5 304 pixel。遙感區(qū)域?yàn)榇髴c油田喇嘛甸地區(qū)，并對(duì)采集得到的照片進(jìn)行處理，最后得到了管線正射原始數(shù)據(jù)的圖像。由于無人機(jī)拍攝的油田遙感圖像分辨率太大，使得程序無法直接處理，所以，我們先進(jìn)行雙三次插值把分辨率縮小為900 pixel×600 pixel。B組中參考圖像和待配準(zhǔn)圖像的建筑物形狀不均勻且灰度存在顯著差異。

3.2 評(píng)估標(biāo)準(zhǔn)

主觀評(píng)價(jià)通過視覺對(duì)匹配參數(shù)精度進(jìn)行評(píng)估，容易受到人為因素的影響；而客觀評(píng)價(jià)標(biāo)準(zhǔn)通過數(shù)字對(duì)匹配參數(shù)進(jìn)行評(píng)估，因此會(huì)更具有說服力，通常選用正確匹配的點(diǎn)對(duì)個(gè)數(shù)、正確率和均方根誤差(Root Mean Square Error,RMSE)對(duì)參數(shù)精度進(jìn)行衡量。

3.2.1 正確匹配的點(diǎn)對(duì)個(gè)數(shù)和正確率

正確匹配的點(diǎn)對(duì)個(gè)數(shù)越多，匹配算法計(jì)算得到的相似變換的參數(shù)就越準(zhǔn)確，因此可以把正確匹配點(diǎn)對(duì)個(gè)數(shù)作為算法性能評(píng)價(jià)標(biāo)準(zhǔn)[20]。正確匹配個(gè)數(shù)和算法初始檢測(cè)到的特征點(diǎn)個(gè)數(shù)有關(guān)，而一般情況下增加初始檢測(cè)到的點(diǎn)個(gè)數(shù)會(huì)增加最后正確匹配點(diǎn)對(duì)個(gè)數(shù)，但是正確率會(huì)相應(yīng)下降，因此為了評(píng)價(jià)標(biāo)準(zhǔn)的有效性，需要對(duì)比算法和本文提出的算法正確匹配點(diǎn)對(duì)個(gè)數(shù)和正確率一起比較。

3.2.2 均方根誤差

(11)

3.3 實(shí)驗(yàn)過程及結(jié)果

為了評(píng)估算法的有效性，我們進(jìn)行了A組和B組實(shí)驗(yàn)，并將改進(jìn)算法與原算法及其他主流算法(如SAR-SIFT[19]、KAZE[5])進(jìn)行了比較。SAR-SIFT算法是針對(duì)SAR圖像配準(zhǔn)設(shè)計(jì)的，而KAZE算法首次使用各向異性技術(shù)進(jìn)行圖像配準(zhǔn)，是比較經(jīng)典的算法。這些算法在Matlab R2018b下使用Intel Core i3-3220 @ 3.30 GHz 雙核處理器、8 GB 1600 MHz物理內(nèi)存和AMD Radeon HD 6700 Series(1 GB/藍(lán)寶石)顯卡來實(shí)現(xiàn)。

按照?qǐng)D1的算法流程圖開始實(shí)驗(yàn)，步驟如下：

Step1 采用SWF方法生成8層各向異性尺度空間，其中擴(kuò)散時(shí)間步長(zhǎng)由公式(9)計(jì)算得到。

Step2 在Step 1生成的尺度空間中計(jì)算Harris響應(yīng)，若實(shí)際計(jì)算的角點(diǎn)響應(yīng)值R大于常量閾值0.8且大于其附近8鄰域內(nèi)其他點(diǎn)的角點(diǎn)響應(yīng)，則該像素點(diǎn)為特征點(diǎn)，把該點(diǎn)保存；接著在各向異性尺度空間同一層使用非極大值抑制，非極大值抑制的區(qū)域半徑設(shè)置為3。Harris算子和角點(diǎn)響應(yīng)函數(shù)分別見公式(12)和(13):

(12)

R(X,σn)=det(u(X,σn))-D·tr(u(X,σn))2。

(13)

Step3 以Step 2中得到的特征點(diǎn)為鄰域中心，采用新的描述符對(duì)Step 1中的尺度空間進(jìn)行極坐標(biāo)劃分，分別對(duì)9個(gè)區(qū)域統(tǒng)計(jì)梯度幅度和方向直方圖，生成新的72維描述符。

Step4 對(duì)參考圖像和待配準(zhǔn)圖像經(jīng)過Step 1～3后得到的兩組特征點(diǎn)進(jìn)行增強(qiáng)的特征匹配。首次匹配中反余弦比的閾值設(shè)置為0.9；再次匹配中Sparse VFC算法參數(shù)設(shè)置為,a=10，γ=0.9，λ=3，τ=0.75，ε=1×10-5,M=16；三次匹配中，RANSAC算法亞像素精度的誤差閾值設(shè)置為2。

為加強(qiáng)不同算法的對(duì)比，本文調(diào)整了對(duì)比算法的首次匹配中歐幾里得距離之比的閾值和改進(jìn)算法的反余弦之比的閾值，保證了不同的對(duì)比算法提取的參考圖像/待匹配圖像特征點(diǎn)數(shù)量大致相同。兩組實(shí)驗(yàn)的對(duì)比算法的特征點(diǎn)匹配結(jié)果以連線的形式顯示，A組實(shí)驗(yàn)結(jié)果見圖5，B組實(shí)驗(yàn)結(jié)果見圖6。

圖5 A組不同算法的特征匹配效果圖

圖6 B組不同算法的特征匹配效果圖

為進(jìn)一步定量描述算法，本文統(tǒng)計(jì)了不同對(duì)比算法的特征點(diǎn)數(shù)量、匹配對(duì)數(shù)量、正確匹配對(duì)數(shù)量、正確匹配率、RMSE以及算法的運(yùn)行總時(shí)間的數(shù)據(jù)，A組和B組統(tǒng)計(jì)結(jié)果見表1。為保證算法的效果，所有算法執(zhí)行10次，以10次時(shí)間的平均值作為最終結(jié)果。

表1 兩組不同算法實(shí)驗(yàn)結(jié)果

3.4 實(shí)驗(yàn)結(jié)果分析

觀察圖5可以看出，在A組實(shí)驗(yàn)中，SAR-SIFT算法效果很差，其他算法得到的匹配點(diǎn)大都分布在圖像的凹凸明顯和黑暗明顯的交界處。通過圖6可以看出，在B組配準(zhǔn)中，各種算法得到的匹配點(diǎn)大都分布在建筑物角點(diǎn)附近和顏色突變較大的地方；前三種算法得到的匹配對(duì)都分布在待配準(zhǔn)圖像的右側(cè)，而改進(jìn)后的算法得到的匹配對(duì)左右兩側(cè)分布均勻，而且可以清楚看到改進(jìn)后的算法的匹配線也比前三種算法的更加密集，特別是在大廠房旁邊的角點(diǎn)進(jìn)行了較好的匹配。因此，結(jié)果證明了改進(jìn)算法可以明顯的改善匹配效果。

從表1中的各項(xiàng)統(tǒng)計(jì)指標(biāo)分析可知，在A組配準(zhǔn)中，SAR-SIFT算法配準(zhǔn)失敗，改進(jìn)算法和原算法匹配準(zhǔn)確度和精度都較高，明顯高于KAZE算法，但是改進(jìn)算法與原算法相比，不但增加了正確匹配對(duì)的數(shù)量，而且明顯減少了運(yùn)行時(shí)間;在B組配準(zhǔn)中，與其他三種算法相比，改進(jìn)算法的匹配正確率和配準(zhǔn)精度都最高，而且與原算法相比，不但大大增加了正確匹配對(duì)的數(shù)量，而且提高了正確匹配率，明顯減少了運(yùn)行時(shí)間。

由以上分析可知，A組和B組的配準(zhǔn)結(jié)果都驗(yàn)證了改進(jìn)算法的有效性。

4 結(jié)束語

本文針對(duì)基于多特征點(diǎn)的遙感圖像配準(zhǔn)算法應(yīng)用在無人機(jī)遙感圖像上存在正確匹配點(diǎn)數(shù)量相對(duì)較少特別是運(yùn)行時(shí)間長(zhǎng)的問題，提出了改進(jìn)算法。該算法首先使用自適應(yīng)的側(cè)窗濾波技術(shù)構(gòu)建了各向異性尺度空間，顯著地保留了圖像的邊緣；然后使用一種新型的描述符，減少了特征描述子的維度；最后使用一種更加魯棒性的匹配點(diǎn)過濾算法，得到了更多精確的匹配點(diǎn)同時(shí)也保證了配準(zhǔn)精度。實(shí)驗(yàn)結(jié)果表明，該算法在正確匹配對(duì)的數(shù)量、匹配的精度和時(shí)間方面顯示出比原算法和其他主流算法更好的性能。

增強(qiáng)的匹配點(diǎn)過濾雖然明顯改善了原算法，但正確率仍有待提高，這也是今后研究的重點(diǎn)。