一种基于局部不变特征的SAR图像配准新算法

金 斌，周 伟，丛 瑜，王国庆

（1.海军航空工程学院研究生管理大队，264001山东烟台；2.海军装备部兵器部，100073北京；3.海军航空工程学院电子信息工程系，264001山东烟台）

一种基于局部不变特征的SAR图像配准新算法

金 斌1，2，周 伟3，丛 瑜3，王国庆3

（1.海军航空工程学院研究生管理大队，264001山东烟台；2.海军装备部兵器部，100073北京；3.海军航空工程学院电子信息工程系，264001山东烟台）

针对SAR图像配准中匹配效率低、误匹配对多和配准精度差的问题，提出一种基于局部不变特征的SAR图像配准新算法.首先，使用加速分割检测特征（features from accelerated segment test，FAST）检测算法，检测SAR图像的FAST角点；使用DAISY描述子对FAST特征进行描述，得到SAR图像不变特征。其次，采用基于KD树的欧氏距离匹配策略，实现特征点对的粗匹配；采用RANSAC算法去除误匹配，实现特征点对精匹配.然后，采用仿射变换模型，实现图像插值和图像变换，实现SAR图像粗配准。最后，建立配准精度评估反馈机制，实现配准优化.通过使用不同时相、不同工作模式HJ-1C星载SAR和不同极化、不同波段机载AIRSAR图像配准实验，提出算法与经典不变特征配准算法相比，具有适配性好、配准效率高的优点.

成孔径雷达图像（SAR）；局部不变特征；FAST检测子；DAISY描述子；图像配准

合成孔径雷达因其具有全天候、全天时、远距离、高分辨等优点，已经成为军事、农业、海洋等领域不可或缺的侦察手段.SAR图像配准是目标识别分类、变化检测、数据融合、地图修正等SAR图像应用的前期技术准备，得到了较广泛的研究.目前SAR图像配准方法可分为两大类：第一类是基于区域的方法.该方法需要对SAR图像中封闭区域进行分割，再计算互相关［1-2］或互信息［3］或联合概率分布［4］等相似测度最大，建立匹配关系，实现SAR图像配准.该方法只对同模态SAR图像有较好的配准效果，存在适用性不强，图像分割难度大，计量较大，配准速度较慢等缺点.第二类是基于特征的方法［5-7］.该方法借鉴计算机视觉关于局部不变特征的最新研究成果，通过比较局部不变特征描述子间的距离，建立匹配关系，实现SAR图像配准［8］.该方法不需要未完成图像分割，具有配准适应性较强，速度快，配准精度高等优点，是当前SAR图像配准研究的热点.目前，基于SIFT［9］和SURF［10］算法的局部不变特征SAR图像配准得到了较广泛的研究［11］.SIFT算法利用DoG（difference of gaussian）对LoG（laplacian of gaussian）进行简化和近似；SURF算法用则积分图像对DoH（determinant of hessian）进行简化和近似.DoG和DoH检测方法具有较快的检测速度，对尺度变换、视角变换和光照变换具有一定的鲁棒性［8］.SIFT、SURF和GLOH［12］描述子都是基于梯度直方图统计的描述子，其中SIFT和SURF描述子对纹理图像特征表现出良好的描述性能，GLOH描述子对结构图像特征表现出良好的描述性能.SAR图像的灰度表达的目标电磁散射信息，且伴随有机理性的相干斑噪声，灰度分布差异性很大.对于不同工作模式、不同波段、不同极化方式、不同视角的SAR图像，传统局部不变特征检测和描述算法难以高效率、高质量完成SAR图像配准任务. SUSAN（smallestunivaluesegmentassimilating nucleus）角点［13］的计算过程基于与人类视觉观察过程类似的统计学方法，避免了梯度计算，降低了计算复杂度.在SUSAN算法基础上，Rosten等［14-15］采用启发式学习思想，2006年提出了FAST（features from accelerated segment test）角点检测算法.FAST算法设计理念先进，重复性好［16］，简单快速，计算速度是DoG算子的30倍，适合于图像实时特征检测［17］.为解决宽基线匹配和特征描述计算量的问题，Tola等［18］受SIFT和GLOH描述子的启发，提出了一种形状像雏菊花的描述子（DAISY），并成功应用于宽基线视频图像匹配［19］.该描述子保留了SIFT和GLOH的优点，计算速度显著提高，适合于不同视角图像高效配准.

综上所述，本文提出一种新的局部不变特征高效SAR图像配准算法.首先采用FAST算法实现SAR图像局部不变特征检测；其次采用DAISY描述子对FAST特征进行描述.利用DAISY描述子进行特征描述.然后采用Kd树（K⁃dimension tree）双向距离匹配策略，结合RANSAC（random sample consensus）算法，实现特征精匹配；利用仿射变换模型，完成SAR图像配准.最后设计不同变化的SAR图像配准实验，验证了算法的适应性和高效性.具体流程如图1所示.

图1 SAR图像自动配准流程图

1 特征检测

角点特征检测子是局部不变特征检测子的重要组成部分，是近年来计算机视觉、模式识别、人工智能等领域研究取得的优秀成果，在图像处理中得到广泛应用.角点主要可分3大类：第一类是基于灰度梯度（一阶微分）信息的角点，其中以Harris角点和Harris⁃Laplace角点为代表.第二类是基于二阶微分信息的角点，其中以DoG角点［9］和DoH角点［10］为代表.因该类角点呈“斑状”，故也称“斑点”型角点.第三类是基于灰度统计的角点，其中以SUSAN角点［13］和FAST角点［14-15，17］为代表.前两类主要是采用图像与高斯函数卷积计算局部微分，求最大响应点获得角点，具有多尺度特性，比较符合人类视觉特点，但面对SAR图像灰度的高复杂性，检测适应能力较弱.第3类是采用模拟人类视觉观察过程的统计学习方法计算局部积分，过门限检测获得角点，具有启发学习特性，比较符合人类认知特点，面对SAR图像灰度的高复杂性，检测适应能力较强.基于此，本文采用FAST算法实现SAR图像特征点检测.

1.1 SUSAN检测子原理

SUSAN使用一个圆形模板（如图2所示），通过点p的灰度值f（χ0，y0）与模板内其他点灰度值f（χ，y）的比较，统计出与点p灰度值近似的像素数量（或称USAN面积）n（χ0，y0），当该像素数量（面积）小于阈值g时，则认为点p是要检测的角点．

图2 圆形模板示意［13］

检测过程由3个步骤组成：

1）局部像素灰度值比较.

式中t是灰度相似阈值.

2）USAN面积统计计算.

3）角点响应函数计算.

式中g为固定阈值，通常g＝max（n（χ0，y0））．当USAN面积最小时，式（3）取最大值时，可判断p点为SUSAN角点.

1.2 FAST检测子原理

FAST算法是SUSAN算法的改进，同样采用如图1所示的圆形模板，模板中心点p灰度值只与离散圆上的16个像素灰度值进行比较.所以

式（1）改写为

式中εd表示给定的极小阈值．

式（2）改写为

式（3）改写为

式中，通常g＝12．文中考虑到SAR图像灰度分布比光学图像复杂，分辨率低，且有相干斑噪声，对角点约束条件不能过多苛刻，所以取g＝8．由式（5）知，当n（χ0，y0）≥8时，R（χ0，y0）＝1，可确定中心点p为SAR图像FAST角点.

2 特征描述与匹配

2.1 DAISY描述子

图像局部不变特征检测后，解决了特征点或特征区域的定位问题，还要对不变特征进行不变性描述，以解决用什么特征向量来描述区域内信息的问题.SIFT描述子是众多不同类型的特征描述子中的杰出代表，具有良好的重复性［8，11］.其他大多数描述子，如SURF、GLOH、PCA-SIFT、形状上下文等，都是在借鉴和改进SIFT描述子的基础上，使用梯度统计直方图来表示不同的图像局部纹理和形状特征.DAISY描述子也对SIFT的借鉴和改进，其将SIFT的带权重的梯度和，改进为高斯滤波器与偏导方向的卷积［18-19］，实现快速计算.DAISY描述子的形状如图3所示.

图3 DAISY描述子［18］

从图3可以看出，DAISY描述子由25个位置和8个方向组合而成，是一个8＋8×3×8＝200维的向量.该描述子在计算中采用分层的立方体结构，通过卷积运算完成，计算速度较快.DAISY描述子特别适合于描述低分辨率图像［18］，应用于宽基线图像匹配［19］，是配准多时相，较大视角偏差SAR图像的一个理想工具.

2.2 特征匹配

特征匹配可分粗匹配和精匹配两个阶段.首先是采用文献［7］给出的Kd树双向距离匹配策略实现粗匹配，其中距离匹配方法为欧氏距离比法，距离比阈值取0.85.因DAISY描述子是一个200维的向量，维数明显多于SIFT描述子的128维和SURF描述子的64维，计算特征描述子间欧氏距离时计算量较大.对于双向距离匹配，计算量更大.Kd树算法是一种优秀的k维空间二叉树搜索算法，它通过K-近邻查询，可加快描述子匹配的距离比法计算速度.其次是采用RANSAC算法估计仿射基本矩阵，消除误匹配，实现精匹配.从图1所示算法流程图看，配准算法是一个闭环过程，其中特征匹配是配准过程非常重要的环节.误匹配将导致整体配准精度明显下降.RANSAC算法是通过随机抽样的估计方法，运行一次RANSAC算法并一定能保证完全消除误匹配，当配准精度不满足要求时，通过再次运行RANSAC算法，直到满足配准精度.

3 实验结果与分析

验证本文所提算法的有效性和适用性，设计实验分别对两幅不同工作模式、不同视角、不同时相、不同波段的斜距幅度SAR图像进行配准.实验所用计算机硬件环境为Intel Core2 Quad CPU Q8200，内存为2G.操作系统为Windows XP，仿真实验的软件环境是MATLAB 7.6.配准精度采用均方误差平方根（RMSE）和最大误差（ME）［4］，单位是像素（用p表示），本文中配准精度指标要求是RMSE≤5且ME≤10.配准时间T的单位是秒（用s表示）.为更好观察配准效果，配准结果采用伪彩色显示.除通过观察参考图像与待配准图像的结果差异外，还可通过观察颜色差异直观考察配准精度，其中浅色（虚线）表示差异.实验所用图像均为幅度图像，其中第一个实验使用由民政部减灾委卫星遥感中心提供的“环境一号”C（HJ-1C）为星载SAR数据，HJ-1C有条带和扫描两种工作模式，S波段，VV极化，成像带宽度分别为40公里和100公里，单视模式空间分辨率可到5米，距离向四视时分辨率为20米.其余实验所用SAR图像是由美国喷气推进实验室（JPL）提供的不同时相、不同视角AIRSAR数据，是多极化SAR图像，共有HH、VV、HV和TP4种极化方式，C、L和P3个波段，分辨率为5-10米；参考图像大小为450×450，待配准图像大小为350×350.比较算法除采用经典算法SIFT和SURF外，还采用Harris、CSS（Curvature Scale Space）角点［20］和FAST角点与DAISY描述子组合成新算法.

3.1 不同时相、不同工作模式SAR图像配准

图4（a）是参考图像，成像时间为2013年1月26日，工作模式为扫描模式，分辨率为20米，大小为450×450.图4（b）是待配准图像，成像时间为2013年1月28日，工作模式为条带模式，分辨率为5米，大小为400×400.两幅图像对应的场景是山东省烟台市芝罘岛，且都经过了均方根增强处理，其中后者还经过0.25倍的下采样处理.图4（c）～（g）分别是SIFT算法、SURF算法、Harris＋DAISY算法、CSS＋DAISY算法和FAST＋DAISY算法精匹配结果图.图4（h）～（k）分别是SURF算法、Harris＋DAISY算法、CSS＋DAISY算法和FAST＋DAISY算法配准结果图.

图4 不同工作模式SAR图像配准比较

从精匹配结果看，SIFT算法和CSS＋DAISY算法特征匹配质量最差，而SURF算法、Harris＋DAISY算法和FAST＋DAISY算法特征匹配质量最好.从配准性能比较看（如表1所示），SIFT算法无法完成配准，CSS＋DAISY算法配准误差很大，即两种算法对该类型SAR图像配准是失配的；从配准精度看，FAST＋DAISY算法精度最高，其次是Harris＋DAISY算法，然后是SURF算法；从配准时间看，SURF算法配准速度最快，其次是FAST＋DAISY算法，略慢于SURF算法，Harris＋DAISY算法最慢；从综合配准性能看，FAST＋DAISY算法最优，其次是Harris＋DAISY算法.由此可看出，对该类SAR图像，FAST有良好的检测性能，DAISY有良好的描述性能.

表1 不同工作模式SAR配准性能对比

3.2 不同波段、相同极化方式SAR图像配准

本实验用参考图像为C波段，HV极化方式.待配准图像为L波段，HV极化.如图5所示.从图5（a）、（b）的对比可以看出，不同波段SAR图像灰度分布差异较大.图5中各子图对应与图4对应类似.

从图5（c）～（g）所示匹配结果看，SIFT算法匹配性能最差.其余算法匹配性能都比较好.从配准精度比较看（如表2所示），除SIFT算法外，其余算法配准精度都比较理想，其中以CSS＋DAISY算法最好.从配准时间比较看，SURF算法和Harris＋DAISY算法配准速度最快，其次是FAST＋DAISY算法，CSS＋DAISY算法最慢.从配准综合性能比较看，对该类数据配准，除SIFT算法外，其余算法都能保持良好性能.

表2 不同波段SAR配准性能对比

图5 不同波段SAR图像配准比较

3.3 不同极化方式、相同波段SAR图像配准

本实验用参考图像为C波段，HH极化方式.待配准图像为C波段，HV极化.如图6所示.

表3 不同极化SAR配准性能对比

从图6（a）、（b）的对比可以看出，对同一目标，不同极化方式雷达回波强度不同，反映到SAR图像上表现为像素明暗的强烈差别.从匹配结果看，SIFT算法找到的匹配点对是错误的，其他算法匹配结果良好.对比配准性能（如表3所示）可看出，SIFT算法配准精度最好，但目视观察配准误差很大（如图6（h）所示）；其次是CSS＋DAISY算法，但配准速度最慢；SURF算法配准速度较快，但配准精度较低；从综合配准性能看，Harris＋DAISY算法和FAST＋DAISY算法相对较好.

图6 不同极化SAR图像配准比较

3.4 不同波段、不同极化方式SAR图像配准

本实验用参考图像为C波段，HV极化方式.待配准图像为L波段，VV极化.如图7所示.

从图7（a）、（b）的对比可以看出，因不同波段和不同极化方式，无论图像自身，还是两图像对比，目标间差异非常明显.从匹配结果看，SIFT算法和CSS＋DAISY算法匹配质量比较差，其他算法匹配性能良好.从配准性能看（如表4所示），SURF算法、Harris＋DAISY算法和FAST＋DAISY算法有比较好的配准结果，CSS＋DAISY算法配准精度很差，SIFT算法配准失败.

表4 不同波段、不同极化SAR配准性能对比

图7 不同波段、不同极化SAR图像配准比较

通过不同工作模式、不同时相、不同视角、不同波段和不同极化方式SAR图像配准实验比较可以发现，SURF算法、Harris＋DAISY算法和FAST＋DAISY算法能适用于各种SAR图像配准，CSS＋DAISY不能适用于所有情况，SIFT算法对所有情况都不适用.从综合配准性能看，FAST＋DAISY算法性能最好，其次是Harris＋DAISY算法和SURF算法.配准对比实验说明，FAST检测子适合SAR图像特征点检测，DAISY描述子适合于SAR图像特征描述.因此，本文算法对SAR图像配准是有效的，实用的.

4 结 语

本文研究了基于局部不变特征的SAR图像自动配准问题，提出了一种基于FAST特征检测和DAISY特征描述的SAR图像配准新算法.该算法的创新之处有3点：首先将基于统计学习思想的FAST角点检测子和适于低分辨率图像描述的DAISY描述子结合实现对SAR图像的特征检测和描述；其次是采用基于Kd树双向距离比匹配策略，实现特征粗匹配，用RANSAC算法去除误匹配，实现特征精匹配；最后采用配准精度评估反馈机制以保证配准精度.多种不同模态的SAR图像配准实验验证显示，该算法能较好克服SAR图像配准中传统不变特征方法存在的配准适应性较差，配准时间长，精度低的缺点，可用于配准效率和配准质量要求较高的SAR图像配准系统.

［1］YU Ting，LI Xiaorun.Automatic remote sensing image registration based on VTS⁃PCMIC algorithm［C］／／Proceedings of Fuzzy Systems and Knowledge Discovery 2012.Trier：Computer Science Bibliography，2012：48-52.

［2］ZHOU Xiaozhou，BOULANGER P.A fast hierarchical radiometric invariant stereo matching algorithm［C］／／Proceedings of Information Science，Signal Processing and their Applications 2012.Montreal：IEEE，2012：383-388.

［3］EVANGELIDIS G D，PSARAKIS E Z.Parametric image alignmentusingenhancedcorrelationcoefficient maximization［J］.IEEETransactionsonPattern Analysis and Machine Intelligence，2008，30（10）：1858-1865.

［4］GOSHTASBY A A.Image Registration，Advances in ComputerVisionandPatternRecognition［M］／／London：Springer⁃Verlag，2012.40-431.

［5］王磊，张钧萍，张哗.基于特征的SAR图像与光学图像自动配准［J］.哈尔滨工业大学学报，2005，37（1）：22-25＋44.

［6］王山虎，尤红建，付琨.基于大尺度双边SIFT的SAR图像同名点自动提取方法［J］.电子与信息学报，2012，34（2）：287-293.

［7］贺经纬，尤红建.基于SURF算子的SAR图像匹配改进算法研究［J］.遥感技术与应用，2009，24（6）：822-826.

［8］MIKOLAJCZYK K，TUYTELAARS T，SCHMID C，et al. A comparison of affine region detectors［J］.International Journal of Computer Vision，2004，65（1-2）：43-72.

［9］LOWE D G.Object recognition from local scale⁃invariant features［C］／／Proceedings of the Computer Vision 1999. Kerkyra：IEEE，1999：1150-1157.

［10］BAY H，ESS A，TUYTELAARS T，et al.Speeded⁃up robust features（SURF）［J］.Computer Vision and Image Understanding，2008，110：346-359.

［11］HUO Ju，YANG Ning，CAO Maoyong，et al.A reliable algorithm for image matching based on SIFT［J］.Journal of Harbin Institute of Technology（New Series），2012，19（4）：90-95.

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

［13］SMITH S M，BRADY J M.SUSAN-a new approach to low level image processing［J］.International Journal of Computer Vision，1997，23（1）：45-78.

［14］ROSTEN E，DRUMMOND T.Machine learning for high⁃speed corner detection［C］／／Proceedings of the Computer Vision 2006.Berlin：Springer，2006：430-443.

［15］ROSTEN E，PORTER R，DRUMMOND.T.Fast and better：a machine learning approach to corner detection［J］.IEEETransactionsonPatternAnalysisand Machine Intelligence，2010，32（1）：105-119.

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

［17］梁艳菊，李庆，陈大鹏，等.一种快速鲁棒的LOGFAST角点算法［J］.计算机科学，2012，39（6）：251 -254.

［18］TOLA E，LEPETIT V，FUA P.A fast local descriptor for densematching［C］／／ProceedingsofCompute SocietyonComputerVisionandPattern Recognition2008.Washington：IEEE，2008：1-8.

［19］TOLA E，LEPETIT V，FUA P.DAISY：An efficient dense descriptor applied to wide⁃baseline stereo［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32（5）：815-830.

［20］LINDEBERG T.Discrete scale space theory and the scale primal sketch［D］.Stockholm：Royal Institute of Technology，PhD thesis，1991.

（编辑 苗秀芝）

A novel and efficient algorithm using local invariant feature for sar image registration

JIN Bin1，2，ZHOU Wei3，CONG Yu3，WANG Guoqing3

（1.Graduate Students’Brigade，Naval Aeronautical and Astronautical University，264001 Yantai，Shandong，China；2.Armament Branch of NED，100073 Beijing，China；3.Dept.of Electronic and Information Engineering，Naval Aeronautical and Astronautical University，264001 Yantai，Shandong，China）

Aiming at the problems of low performance matching，more mismatching pairwise，and low registration precision，which are the characteristic of traditional SAR image registration methods，we propose a novel and efficient local invariant feature⁃based algorithm.First，the feature points are detected by features from accelerated segment test（FAST）method and described by DAISY descriptor in SAR image.Second，Kd⁃tree⁃based dual⁃matching strategy and random sample consensus（RANSAC）are used to establish fine feature matching.Third，affine transform model is estimated for image resampling and transformation，and rough registration is implemented.Finally，feedback mechanism is constituted for fine registration based on the estimation of registration precision.The flexibility and efficiency is demonstrated by experiments with slant range SAR images acquired from different working model，different times，viewpoints，wavelengths and polarizations.

synthetic aperture radar（SAR）image；local invariant feature；FAST detector；DAISY descriptor；image registration

TP75

：A

：0367-6234（2014）11-0112-07

2013-10-06.

金 斌（1968—），男，博士研究生，工程师.

王国庆，gqwang80＠126.com.