嵇宏偉,劉暢,潘志剛,申芳瑜

(中國(guó)科學(xué)院空天信息創(chuàng)新研究院,北京 100190; 中國(guó)科學(xué)院大學(xué),北京 101408) (2021年11月11日收稿; 2021年12月30日收稿修改)

異源遙感圖像匹配是將不同傳感器獲取的兩幅或多幅圖像中的相似特征或區(qū)域進(jìn)行空間位置上的匹配對(duì)應(yīng)過程[1],其中應(yīng)用最廣的是合成孔徑雷達(dá)(synthetic aperture radar, SAR)和光學(xué)圖像匹配。光學(xué)成像符合人眼視覺,圖像信息易于解讀,SAR為主動(dòng)式微波遙感成像傳感器,能夠進(jìn)行全天時(shí)、全天候的對(duì)地觀測(cè),可以彌補(bǔ)光學(xué)圖像易受天氣影響的缺點(diǎn),因此SAR和光學(xué)圖像匹配結(jié)果能夠有效發(fā)揮各自的優(yōu)勢(shì)[2]。但是由于成像機(jī)理不同,SAR與光學(xué)圖像之間存在較大的非線性輻射和幾何差異,使得兩者間的匹配成為一個(gè)難點(diǎn)[3]。所以,實(shí)現(xiàn)SAR和光學(xué)圖像匹配在飛行器匹配導(dǎo)航、SAR與光學(xué)的信息融合等應(yīng)用中具有重大意義。

SAR和光學(xué)圖像匹配算法主要分為基于區(qū)域和基于特征的兩種方法[4]?；趨^(qū)域的方法是從參考圖像中提取一定大小的模板子圖像并使用相似性度量函數(shù)在另一幅圖像中搜尋最優(yōu)匹配區(qū)域[5],相似性度量函數(shù)主要包括互信息[6]和歸一化互相關(guān)[7]等。在實(shí)際應(yīng)用中,基于區(qū)域的方法計(jì)算量大,不適用于兩幅圖像之間存在旋轉(zhuǎn)和尺度差異的情況,有時(shí)還需要提供待匹配區(qū)域的地理參考信息[8]?；谔卣鞯姆椒ㄖ饕獙?duì)提取出的點(diǎn)[9]、線[3]和輪廓[10]等顯著特征信息建立特征描述向量后進(jìn)行匹配,與基于區(qū)域的方法相比,基于特征的方法計(jì)算量小,魯棒性強(qiáng),并且具有尺度和旋轉(zhuǎn)不變性,因此本文使用基于特征的方法。

基于特征的方法分為基于空間域和基于頻域的兩種方法[11]?；诳臻g域的方法中應(yīng)用最廣的是尺度不變特征變換(scale-invariant feature transform,SIFT)[12]。但是將SIFT運(yùn)用于SAR和光學(xué)圖像匹配中很難得到良好的匹配結(jié)果,所以一些學(xué)者提出了針對(duì)SAR和光學(xué)圖像匹配的改進(jìn)SIFT算法。例如Ma等[13]提出將每個(gè)特征點(diǎn)的位置、尺度和方向聯(lián)合起來的增強(qiáng)型特征匹配算法,增加了特征點(diǎn)匹配數(shù)量。Dellinger等[14]和Xiang等[15]使用指數(shù)加權(quán)均值比率算子(ratio of exponentially weighted average, ROEWA)建立多尺度Harris空間提取SAR圖像的角點(diǎn),并且后者提出一種特征點(diǎn)位置精調(diào)的方法實(shí)現(xiàn)SAR和光學(xué)圖像的精確匹配。但是SAR和光學(xué)圖像之間的非線性輻射差異導(dǎo)致兩者在同一區(qū)域表現(xiàn)出不同的灰度特征[16],使得基于空間域的方法很難提取出數(shù)量充足且位置對(duì)應(yīng)性好的初始特征點(diǎn),所以抗輻射差異性更好的頻域方法更多地用于多源遙感圖像匹配中。基于頻域方法中常用的為相位一致性(phase congruency, PC)[17-18],例如Fan等[19]提出相位一致性結(jié)構(gòu)描述子對(duì)不同尺度的角點(diǎn)特征進(jìn)行描述并匹配。Ye等[8]提出相位一致性方向直方圖對(duì)Harris角點(diǎn)特征進(jìn)行描述。Li等[20]和Xie等[21]都使用相位一致性模型計(jì)算得到的最大矩圖作為特征點(diǎn)提取的基礎(chǔ)圖像,并且前者提出了最大索引圖(maximum index map, MIM)對(duì)特征點(diǎn)進(jìn)行描述。但是SAR成像會(huì)使得SAR圖像中存在透視縮短、疊掩和陰影等幾何失真現(xiàn)象,導(dǎo)致兩者之間具有非線性幾何差異,使得基于相位一致性計(jì)算構(gòu)建的描述子很難得出兩者在同一區(qū)域的結(jié)構(gòu)相似性信息,所以本文構(gòu)建了一種新的基于空間域的RS-GLOH特征描述子,可以有效抑制SAR和光學(xué)圖像間非線性幾何差異的對(duì)特征描述的影響。

綜上所述,本文提出一種結(jié)合頻域和空間域方法的SAR和光學(xué)圖像匹配框架,對(duì)應(yīng)流程如圖1所示。在特征提取階段,從基于相位一致性模型計(jì)算得到的最小矩圖和最大矩圖上獲得分布均勻且位置對(duì)應(yīng)性好的最小矩點(diǎn)和最大矩點(diǎn);在特征描述階段提出RS-GLOH,使用ROEWA和Sobel建立梯度定位和方向直方圖(gradient location orientation histogram, GLOH)[22]分別對(duì)SAR和光學(xué)圖像中的特征進(jìn)行描述,得出兩者在同一區(qū)域具有尺度和旋轉(zhuǎn)不變性的結(jié)構(gòu)相似性信息;在特征匹配階段使用最近鄰距離比(nearest neighbor distance ratio, NNDR)和快速抽樣一致性(fast sample consensus, FSC)分別對(duì)最小矩點(diǎn)和最大矩點(diǎn)進(jìn)行匹配。

1 本文方法

1.1 特征提取

1.1.1 相位一致性理論

Morrone和Owens[23]證明相比于信號(hào)的幅度信息,相位信息更有利于特征的提取,并提出初始的相位一致性模型。隨后,Kovesi[17]提出改進(jìn)的相位一致性模型提取圖像的結(jié)構(gòu)特征。首先,使用二維Log-Gabor濾波器(2D-LGF)與圖像進(jìn)行卷積運(yùn)算得出圖像的局部頻域信息,2D-LGF的頻域公式如下

(1)

其中:ω0為濾波器的中心頻率;κ/ω0為保持濾波器帶寬不變的參數(shù),使得濾波器波形不會(huì)產(chǎn)生畸變;θo為濾波器的方向;σθ表示角度帶寬。在實(shí)際的程序運(yùn)算中,需要將2D-LGF從頻域變換到空間域

ζno(x,y)=ζno-even(x,y)+iζno-odd(x,y),

(2)

其中:ζno-even(x,y)和ζno-odd(x,y)分別為2D-LGF在尺度n和方向o中的偶對(duì)稱和奇對(duì)稱濾波器,然后將ζno-even和ζno-odd分別與圖像I(x,y)進(jìn)行卷積運(yùn)算

(3)

得出I(x,y)在尺度n和方向o的頻域幅度和相位分量分別為

(4)

進(jìn)一步得出相位一致性模型

PC(x,y)=

(5)

ΔΦno(x,y)=

cos(φno-φno-avg)-|cos(φno-φno-avg)|.

(6)

其中:Wo(x)是一維權(quán)重函數(shù),ΔΦno(x)為在尺度n和方向o的相位分量;常數(shù)ε(ε>0)可以防止分母數(shù)值變?yōu)?;To是噪聲補(bǔ)償量,滿足To=μR+kσR,其中μR和σR為瑞利分布的均值和方差;φno-avg為平均相位角度。

1.1.2 特征點(diǎn)提取

公式(5)所示的相位一致性模型沒有考慮方向變化對(duì)圖像特征的影響,所以Kovesi計(jì)算多個(gè)方向的PC(θ),并根據(jù)經(jīng)典的矩分析方程,得出具有亮度和對(duì)比度不變性的最小矩圖m和最大矩圖M[18]

(7)

其中3個(gè)矩分量為

a=∑θ(PC(θ)cos(θ))2,

b=2∑θ(PC(θ)cos(θ))(PC(θ)sin(θ)),

c=∑θ(PC(θ)sin(θ))2.

(8)

根據(jù)上述得出的SAR和光學(xué)圖像最大矩圖和最小矩圖如圖2所示,可以看出SAR圖像相比于光學(xué)圖像,亮度和對(duì)比度較低,具有明顯的灰度差異,但是得出的最小矩圖和最大矩圖能夠清晰地表現(xiàn)出兩者在同一地區(qū)的邊緣輪廓信息。因?yàn)樽钚【貓D和最大矩圖之間具有協(xié)同性與互補(bǔ)性[17],所以本文使用極值點(diǎn)檢測(cè)和非極大值抑制從兩種矩圖中得到最小矩點(diǎn)和最大矩點(diǎn),對(duì)這兩種點(diǎn)特征集合分別進(jìn)行特征匹配。

本文將最小矩點(diǎn)和最大矩點(diǎn)提取結(jié)果與Harris角點(diǎn)進(jìn)行對(duì)比,如圖3所示。根據(jù)圖3(a)所示Harris角點(diǎn)檢測(cè)結(jié)果,在區(qū)域A1和A2中沒有檢測(cè)出角點(diǎn)特征,因?yàn)閰^(qū)域A1和A2的結(jié)構(gòu)信息較少,并且亮度和對(duì)比度較低,很難提取出Harris角點(diǎn)。雖然在結(jié)構(gòu)信息豐富的區(qū)域B1和B2中提取出了Harris角點(diǎn),但是點(diǎn)的位置分布不均勻,而且B1和B2角點(diǎn)的位置對(duì)應(yīng)性并不是很好,不利于后續(xù)的匹配。圖3(b)所示的本文方法在區(qū)域A1和A2、B1和B2中都能夠得出分布均勻且位置對(duì)應(yīng)性好的特征點(diǎn)。為區(qū)分兩種點(diǎn),本文使用黃點(diǎn)表示最大矩點(diǎn),紅點(diǎn)表示最小矩點(diǎn),可以看出兩種點(diǎn)具有分明的位置區(qū)分度。所以,本文將對(duì)這兩種點(diǎn)分別進(jìn)行匹配,提高相位一致性

圖3 特征點(diǎn)檢測(cè)對(duì)比結(jié)果Fig.3 Feature point detection and results comparison

特征點(diǎn)的利用效率。根據(jù)上述理論敘述與實(shí)驗(yàn)結(jié)果,基于相位一致性計(jì)算的方法在特征提取階段能夠抑制SAR和光學(xué)圖像之間輻射差異的影響,得出穩(wěn)定的初始特征點(diǎn)。

1.2 特征描述

接下來需要為每個(gè)特征點(diǎn)建立描述子,考慮到SAR和光學(xué)圖像之間的非線性幾何差異,需要一種特征描述方法能準(zhǔn)確描述出SAR和光學(xué)圖像在同一區(qū)域的結(jié)構(gòu)相似性信息。受到文獻(xiàn)[11,15]的啟發(fā),本文提出一種基于空間域的RS-GLOH描述子,構(gòu)建流程如圖4所示。與原有的單一方法構(gòu)建特征描述子不同,本文使用ROEWA和Sobel對(duì)SAR和光學(xué)圖像的梯度信息進(jìn)行提取,然后使用GLOH描述子分別對(duì)SAR和光學(xué)圖像的特征點(diǎn)建立如圖4所示的RS-GLOH描述子。

圖4 RS-GLOH描述子構(gòu)建流程Fig.4 RS-GLOH descriptor construction process

ROEWA是一種基于比率的算子,對(duì)于相干成像的SAR圖像具有很好的梯度檢測(cè)效果,并且對(duì)乘性斑點(diǎn)噪聲也具有抑制作用[24]。ROEWA梯度的計(jì)算主要依賴于無限對(duì)稱指數(shù)濾波器(infinite symmetric exponential filter,ISEF),其中水平方向的ISEF如圖5(a)所示?；赗OEWA的SAR圖像梯度求解公式如下

圖5 SAR和光學(xué)圖像的梯度幅值和梯度方向圖Fig.5 Gradient amplitude and gradient direction map of SAR and optical images

Gsar-h(x,y)=

(9)

Gsar-v(x,y)=

(10)

其中:K和J分別為ISEF的長(zhǎng)和寬,β為適用于SAR 圖像的尺度參數(shù)。根據(jù)式(9)和式(10),得到圖像的梯度幅值和方向信息,相應(yīng)結(jié)果如圖5(b)和5(c)所示

(11)

Sobel算子是光學(xué)圖像常用的梯度檢測(cè)算子[15]。常用的Sobel模板如下所示

(12)

其中:Gh和Gv分別為水平和垂直方向的矩陣模板?？紤]到光學(xué)圖像加性噪聲的影響,本文采用高斯加權(quán)Sobel模板計(jì)算光學(xué)圖像的梯度,相應(yīng)的計(jì)算過程如下:

(13)

(14)

其中:α為適用于光學(xué)圖像的尺度參數(shù)。圖5(d)為水平方向Sobel模板。根據(jù)上述結(jié)果得出如圖5(e)和5(f)所示的光學(xué)梯度幅值與方向,對(duì)應(yīng)計(jì)算公式為

(15)

在求解對(duì)應(yīng)關(guān)鍵點(diǎn)梯度的過程中需要注意兩點(diǎn):

1)在SAR和光學(xué)圖像匹配過程中,為了兩者之間的梯度幅度一致性,將梯度幅度圖進(jìn)行歸一化處理[25]。

2)SAR和光學(xué)圖像之間的灰度差異會(huì)導(dǎo)致在求解梯度的過程中出現(xiàn)梯度反轉(zhuǎn)現(xiàn)象[26],所以本文將原始梯度方向O進(jìn)行如下處理

(16)

其中Onew為最終使用的梯度方向。

得出圖像的梯度信息后,需要對(duì)每個(gè)SAR和光學(xué)圖像的特征點(diǎn)分別建立如圖4(a)和4(b)所示的ROEWA-GLOH和Sobel-GLOH描述子:首先以某一特征點(diǎn)為圓心,建立一定半徑范圍的梯度分布直方圖并提取特征點(diǎn)對(duì)應(yīng)區(qū)域的主方向,讓特征點(diǎn)具有旋轉(zhuǎn)不變性。然后基于上述信息構(gòu)建特征點(diǎn)的GLOH描述子。相比于傳統(tǒng)4×4的正方形SIFT特征描述子,對(duì)數(shù)極坐標(biāo)描述子GLOH具有更加魯棒的匹配性能[22]。GLOH的建立標(biāo)準(zhǔn)參照文獻(xiàn)[13],假設(shè)GLOH的3個(gè)圓形區(qū)域的半徑比率因子為γ,3個(gè)圓形區(qū)域的半徑分別為R={3γ,4.11γ,12γ},根據(jù)圖5所示的GLOH描述子,本文將特征點(diǎn)對(duì)應(yīng)區(qū)域劃分為17個(gè)獨(dú)立區(qū)域,在每個(gè)區(qū)域中將梯度方向量化為8個(gè)方向,根據(jù)梯度直方圖統(tǒng)計(jì)各個(gè)方向的梯度幅值,進(jìn)而得到對(duì)應(yīng)特征點(diǎn)的17×8=136維特征描述向量。

為說明RS-GLOH描述子構(gòu)建方法相比于同一種方法構(gòu)建GLOH描述子的優(yōu)越性,接下來將RS-GLOH與同一方法得到的GLOH描述子進(jìn)行對(duì)比實(shí)驗(yàn)。其中實(shí)驗(yàn)需要注意的是,同一方法是指對(duì)SAR和光學(xué)圖像都使用基于Sobel的方法構(gòu)建GLOH描述子。對(duì)應(yīng)結(jié)果如圖6所示。

圖6 梯度提取和描述子提取對(duì)比結(jié)果Fig.6 Results comparison of gradient extraction and descriptor extraction

本文主要采用圖6(a)和6(d)所示的區(qū)域A和區(qū)域B作為梯度提取和描述子提取實(shí)驗(yàn)的樣本。其中區(qū)域A為平坦區(qū)域,結(jié)構(gòu)信息較少;區(qū)域B為建筑物區(qū)域,結(jié)構(gòu)信息豐富。根據(jù)圖6(b)和圖6(e)的梯度提取結(jié)果,本文方法得到的SAR和光學(xué)圖像在同一區(qū)域的梯度直方圖具有更好的重合度,由于SAR圖像中存在幾何失真現(xiàn)象,使得同一方法得到的SAR圖像直方圖具有明顯的形狀畸變。從圖6(c)和6(f)得到的描述子結(jié)果可以看出,RS-GLOH得到的SAR和光學(xué)圖像的特征描述子具有更好的相似性。綜上所述,本文提出的RS-GLOH能夠有效地抑制SAR和光學(xué)圖像之間的非線性幾何差異,從而提取出SAR和光學(xué)圖像在同一區(qū)域的結(jié)構(gòu)相似性信息。

1.3 特征匹配

原有的匹配算法是以特征描述子間的歐式距離為基礎(chǔ)來選擇匹配點(diǎn),常用方法為NNDR[12],主要目的是將最近鄰和次近鄰距離點(diǎn)對(duì)應(yīng)的最近鄰距離與次近鄰距離的比值與閾值tNNDR進(jìn)行比較,若比值小于tNNDR,則當(dāng)前最近鄰點(diǎn)為初始匹配點(diǎn)。但是使用NNDR得到的匹配結(jié)果仍然存在誤匹配,所以本文使用FSC作為外點(diǎn)剔除算法,相比于常用的RANSAC(random sample consensus)算法[27],FSC在同樣的迭代次數(shù)下可以去除更多的誤匹配點(diǎn)[28]。由于本文需要分別匹配最小矩點(diǎn)和最大矩點(diǎn),得到兩種點(diǎn)的匹配結(jié)果會(huì)存在一部分重復(fù),需要進(jìn)行去重處理。

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)準(zhǔn)備

本文方法在特征提取階段需要設(shè)置4個(gè)閾值提取SAR最小矩點(diǎn)、SAR最大矩點(diǎn)、光學(xué)最小矩點(diǎn)和光學(xué)最大矩點(diǎn),設(shè)置的原則是使提取出來的SAR最小矩點(diǎn)數(shù)和光學(xué)最小矩點(diǎn)數(shù)盡可能接近,最大矩點(diǎn)遵循同樣的原則。在特征描述階段,將ROEWA和Sobel中的尺度參數(shù)β和α設(shè)定為常用值β=α=2。在特征匹配階段,將最近鄰距離比閾值tNNDR設(shè)置為0.9。需要注意的是,本文將分別使用紅線和黃線表示最小矩點(diǎn)和最大矩點(diǎn)匹配結(jié)果。實(shí)驗(yàn)將高分3號(hào)(GF-3)、TerraSAR以及中國(guó)科學(xué)院電子學(xué)研究所研制的某機(jī)載SAR上獲取的SAR圖像和Google Earth獲取的光學(xué)圖像作為實(shí)驗(yàn)數(shù)據(jù),相關(guān)信息如表1所示。

表1 本文使用的SAR和光學(xué)圖像對(duì)數(shù)據(jù)Table 1 The SAR and optical image pair used in our paper

本文使用正確點(diǎn)匹配數(shù)量(correct matching point,CMN)、均方根誤差(root mean square error,RMSE)和匹配時(shí)間(time)作為匹配算法的性能評(píng)估指標(biāo),接下來主要介紹CMN和RMSE。

1)CMN 在本文中指的是經(jīng)過NNDR初始匹配、FSC外點(diǎn)篩選和重復(fù)點(diǎn)對(duì)去除后的匹配點(diǎn)對(duì)數(shù)量。在保證較高匹配精度的前提下,匹配點(diǎn)數(shù)越多越好。

2)RMSE 主要是用來評(píng)估仿射變換矩陣H的精度,公式如下

(17)

(18)

RMSE越小,H越精確,匹配的精度越高。從式(17)看出,CMN是RMSE的某個(gè)參數(shù),CMN越高,得到的RMSE越精確。

2.2 實(shí)驗(yàn)結(jié)果

2.2.1 驗(yàn)證尺度和旋轉(zhuǎn)不變性

本節(jié)實(shí)驗(yàn)將主要對(duì)本文算法的尺度和旋轉(zhuǎn)不變性進(jìn)行驗(yàn)證。使用的是P-A圖像對(duì),因?yàn)镻-A是同一地理區(qū)域范圍,同一尺度和同一旋轉(zhuǎn)方向的SAR和光學(xué)圖像對(duì),很容易將其進(jìn)行后期處理以便于實(shí)現(xiàn)SAR和光學(xué)圖像對(duì)之間不同旋轉(zhuǎn)方向和不同尺度比下的匹配驗(yàn)證實(shí)驗(yàn)。

本文算法在不同旋轉(zhuǎn)方向圖像對(duì)的匹配結(jié)果如圖7所示,對(duì)應(yīng)CMN結(jié)果如表2所示。根據(jù)實(shí)驗(yàn)結(jié)果,本文方法在最大角度差異為90°的情況下仍然能夠得到101個(gè)正確匹配點(diǎn)數(shù),驗(yàn)證了本文方法的旋轉(zhuǎn)不變性。本文方法在不同尺度比的匹配結(jié)果如圖8所示,在不同尺度比下的CMN結(jié)果如表3所示。根據(jù)實(shí)驗(yàn)結(jié)果,本文算法在尺度比范圍為0.7～1.2的P-A圖像對(duì)中最低能夠提取出15對(duì)正確匹配點(diǎn)對(duì),驗(yàn)證了本文方法的尺度不變性。

表2 本文算法在不同旋轉(zhuǎn)方向圖像對(duì)的CMNTable 2 CMN of image pairs in different rotation directions of our method

表3 本文算法在不同尺度比圖像對(duì)的CMNTable 3 CMN of image pairs in different rotation directions of our method

2.2.2 與其他方法的對(duì)比

本文所采用的對(duì)比算法分別為PSO-SIFT、SAR-SIFT和OS-SIFT。其中PSO-SIFT是一種專用于遙感圖像匹配的改進(jìn)SIFT算法[14]。SAR-SIFT是專用于SAR圖像的匹配算法[13]。OS-SIFT是用于SAR和光學(xué)圖像的匹配算法,是目前針對(duì)SAR和光學(xué)圖像匹配的最優(yōu)算法[15]。并且實(shí)驗(yàn)對(duì)比了結(jié)合最大矩點(diǎn)和最小矩點(diǎn)匹配(即本文方法1)和分別采用最大矩點(diǎn)和最小矩點(diǎn)匹配(即本文方法2)的實(shí)驗(yàn)結(jié)果。為公平起見,實(shí)驗(yàn)將對(duì)特征點(diǎn)提取閾值進(jìn)行精調(diào),保證上述方法在特征提取階段得到數(shù)量相同的特征點(diǎn)。圖9顯示了不同方法的匹配結(jié)果,表4對(duì)比給出不同匹配方法在5對(duì)SAR和光學(xué)圖像對(duì)上的具體性能指標(biāo)。

表4 不同方法的匹配性能對(duì)比Table 4 Comparison of matching performance of different methods

接下來對(duì)結(jié)果進(jìn)行具體分析,P-A為城市區(qū)域圖像對(duì),結(jié)構(gòu)信息最為豐富,包含許多道路和建筑物,但是對(duì)應(yīng)SAR圖像的一些區(qū)域亮度和對(duì)比度較低,使得基于空間域的方法在相應(yīng)的區(qū)域中較難提取到特征,所以PSO-SIFT匹配失敗。使用Harris角點(diǎn)的SAR-SIFT和OS-SIFT僅得到12和20對(duì)匹配點(diǎn),而本文方法1和2分別得出116 和214對(duì)匹配點(diǎn),遠(yuǎn)超其他方法,并且RMSE也低于其他方法。因?yàn)楸疚姆椒?分別對(duì)最小矩點(diǎn)和最大矩點(diǎn)進(jìn)行匹配,對(duì)兩種點(diǎn)集進(jìn)行充分利用,在保證匹配精度的前提下比本文方法1得出了更多的匹配點(diǎn)對(duì)數(shù)。

P-B為郊外機(jī)場(chǎng)區(qū)域,圖像對(duì)具有一定的旋轉(zhuǎn)差異,圖像中包括機(jī)場(chǎng)跑道和零星的建筑物。結(jié)構(gòu)性區(qū)域主要集中于圖像中央?yún)^(qū)域,左下方區(qū)域?yàn)榍芳y理區(qū)域。其中左下方的平坦區(qū)域明顯受到SAR斑點(diǎn)噪聲的影響,使得灰度分布不均勻。雖然PSO-SIFT、SAR-SIFT和OS-SIFT能夠得到正確的匹配點(diǎn),但是在左下方區(qū)域只有極少的正確匹配點(diǎn),而本文方法在這兩個(gè)區(qū)域中都能得到更好的匹配結(jié)果,并且本文方法2相比于方法1得到了更多的匹配點(diǎn)數(shù)和更好的匹配精度。

P-C為山區(qū)區(qū)域,結(jié)構(gòu)性區(qū)域主要集中于中央,在此圖像對(duì)中PSO-SIFT匹配失敗,其他方法都在中央的結(jié)構(gòu)性區(qū)域得到了正確的匹配結(jié)果,但是相比于SAR-SIFT、OS-SIFT和本文方法1,本文方法2得到更多的正確匹配點(diǎn)對(duì)數(shù)和較好的匹配精度。

P-D為農(nóng)田區(qū)域,根據(jù)P-D圖像對(duì)的匹配結(jié)果,PSO-SIFT匹配失敗,SAR-SIFT和OS-SIFT僅得到極少的匹配點(diǎn)對(duì),雖然本文方法1得到了較好的匹配精度,但是本文方法2得到了更多的匹配點(diǎn)對(duì)數(shù)和更好的匹配精度。

P-E為紋理信息較少的郊區(qū)區(qū)域,在此類圖像對(duì)中,本文方法得到了更多的匹配點(diǎn)數(shù)和更好的匹配精度,并且本文方法2在具有較低RMSE的情況下得到了更多的匹配點(diǎn)數(shù)。

本文方法在通過仿射變換矩陣得到的棋盤拼接圖如圖10所示,可以看出SAR和光學(xué)圖像拼接整齊,這將為之后的圖像融合和變化檢測(cè)等工作打好基礎(chǔ)。

圖10 本文方法2的棋盤拼接圖Fig.10 Checkerboard mosaic map of our method

3 結(jié)論

本文提出一種聯(lián)合頻域方法的相位一致性計(jì)算和空間域方法的RS-GLOH的SAR和光學(xué)圖像匹配算法,能夠?qū)哂蟹蔷€性輻射和幾何差異的SAR和光學(xué)圖像實(shí)現(xiàn)高性能的匹配,主要貢獻(xiàn)有:

1)在特征提取階段從基于相位一致性模型得到的最小矩圖和最大矩圖中得出分布均勻且位置對(duì)應(yīng)性好的最小矩點(diǎn)和最大矩點(diǎn),有效抑制了SAR和光學(xué)圖像之間輻射差異對(duì)特征提取的影響。由于兩種點(diǎn)的位置區(qū)分度較為明顯,所以本文對(duì)這兩種點(diǎn)集合分別進(jìn)行匹配,能夠得到更多的正確匹配點(diǎn)數(shù);

2)在特征描述階段提出了RS-GLOH描述子,能夠有效抑制SAR圖像幾何失真對(duì)特征描述的影響,提取出SAR和光學(xué)圖像在同一區(qū)域的特征描述向量,反映出兩者之間的結(jié)構(gòu)相似性。

最終,在特征匹配階段,使用NNDR和FSC得出最終的匹配結(jié)果,考慮到最小矩點(diǎn)和最大矩點(diǎn)匹配結(jié)果可能存在重復(fù),進(jìn)行了去重處理。在5組不同區(qū)域的SAR和光學(xué)圖像對(duì)匹配實(shí)驗(yàn)中,驗(yàn)證了本文方法的旋轉(zhuǎn)和尺度不變性,相比于PSO-SIFT、SAR-SIFT和OS-SIFT具有更好的匹配精度。