利用SAR-FAST角点检测的合成孔径雷达图像配准方法

刘 妍 余 淮 杨 文 李 立



利用SAR-FAST角点检测的合成孔径雷达图像配准方法

刘 妍 余 淮 杨 文*李 立

(武汉大学电子信息学院 武汉 430072)

合成雷达孔径图像配准作为变化检测和图像信息融合的基础，对多时相SAR图像的解译具有重要作用。该文提出一种基于SAR-FAST角点检测的图像配准方法。首先，选用迭代引导平滑算法抑制斑点噪声对角点检测的影响；然后，以检测点为圆心，选择合适的检测半径，在圆周上选取检测窗口，统计与检测点不相似的窗口数量，判断检测点是否为角点；最后，对候选角点进行分析，根据其强度分布特点进一步剔除误检点。实验结果表明，SAR-FAST可以检测到足够数量且稳定性和重复性好的角点，应用于图像配准，也能获得较好的配准效果。

合成孔径雷达；角点检测；特征描述；图像配准

1 引言

SAR图像配准是将不同时间、不同传感器、不同视角及不同成像条件下获取的两幅或多幅SAR图像进行(主要是几何意义上的)空间位置上的对齐，它是变化检测、图像融合、3维重建以及地图更新等图像分析任务的基础[1]。配准精度将直接影响后续图像解译的效果。

目前SAR图像配准的方法可分为基于灰度、基于特征的方法[2]。基于灰度方法一般使用互信息[3]，但是对于梯度信息不明显的SAR图像并不适用[4]，且以计算复杂度为代价[5]。SAR图像包含许多识别性特征，如点、线、区域特征，因为线特征和区域特征对场景内容具有局限性，计算消耗大，所以点特征应用的更多[6]。SAR图像求取点特征方法，一般是基于光学图像角点检测算法，对其进行修改使其适用于SAR图像。其中应用最为广泛的是对尺度不变特征变换(Scale-Invariant Feature Transform, SIFT)[7]进行改进，由于斑点噪声对第1层尺度空间影响最大，文献[8]提出SIFT-OCT(skipping of the first scale-space OCTave)算法舍弃第1层尺度空间，但是细节信息的丢失会产生定位误差；文献[9]提出基于Voronoi 图优化SIFT特征分布的方法，成功获得更好的匹配效率和更优的特征分布情况。此外，也有对其他角点的改进，文献[10]把Harris[11]角点检测中梯度的计算用比值运算代替差分，提出针对SAR图像的SAR-Harris，联合改进的SIFT描述子得到SAR-SIFT特征，但是在斑点噪声较大的区域会定位失败[6]。FAST(Features from Accelerated Segment Test)[12]定义为若某像素点与其周围邻域内足够多的像素点不相似，则该点为角点，与此类似，本文中，若某一区域与周围邻域内足够多的区域不相似，那么该区域的中心点定义为角点。FAST算法简单、快速，但是当图像中的噪声很强时它的鲁棒性并不好，因此不能直接应用于SAR图像，针对此问题，本文提出一种针对SAR图像的角点检测算法，SAR-FAST，并通过SAR图像配准检验其效果。

为了降低斑点噪声对角点检测的影响，首先使用迭代引导(Rolling Guidance, RG)算法对SAR图像进行平滑；然后，以检测点为圆心，在圆周上选取检测窗口，根据是否有足够多的检测窗口与检测点不相似，判断检测点是否为角点；最后，根据角点的梯度特点，剔除误检点。利用SAR-FAST进行角点检测，结合SIFT特征描述算法[7]，对特征点进行匹配，根据匹配点构建图像之间转换关系，进行SAR图像配准实验。

2 SAR-FAST

利用SAR-FAST对SAR图像进行角点检测步骤如图1所示。检测过程包括定位个窗口，检测每个窗口与中心窗口相似度，若存在连续个以上窗口与中心窗口不相似，那么该点为候选点，由角点梯度特点剔除误检点，再进行非极大值抑制，完成SAR-FAST角点检测。

2.1 图像预处理

由于斑点噪声的存在，SAR图像存在很多干扰角点检测的细小纹理，对其进行平滑处理，可以减少斑点噪声的影响。

本文采用可以滤除细小纹理并充分保留图像显著性结构与边缘信息的迭代引导平滑算法[13]。迭代引导平滑算法首先使用高斯滤波移除图像中的细小纹理。然后，根据包含了重要结构以及边缘的原始SAR图像对滤波图像进行边缘增强。它是一个迭代平滑过程，迭代次数越多图像的主要纹理结构越清晰。迭代引导算法对SAR图像的平滑效果如图2所示，图2(c)、图2 (d)分别是图2(a)、图2 (b)中方框细节放大图，由图2(c)、图2 (d)对比发现，滤波后图像变得平滑，且边缘结构依旧明显。

图1 SAR-FAST角点检测过程

2.2 角点检测

FAST是由Rosten[12]等人提出来的一种适用于光学图像的角点检测算法，其在角点提取精度和计算效率上表现出良好的性能。FAST的主要原理是，以检测点为圆心，检测半径为3像素，如果在圆周16个像素点中(如图3(a)所示)，有连续9个或9个以上的点与检测点不相似，那么判断此检测点为角点。因为斑点噪声的存在，FAST并不能直接用于提取SAR图像角点。因此本文结合SAR图像的特点，提出面向SAR图像的改进FAST角点提取算法，并将其应用于SAR图像的配准。

斑点噪声使图像中相邻像素之间强度差异较大。为了增强角点检测的鲁棒性，SAR-FAST在计算相似度的时候用的窗口代替FAST算法中的单个像素点。为了更好地体现检测点与周围窗口的梯度变化情况，SAR-FAST的窗口覆盖范围更大，选用半径为像素内的个小窗口。取=9,=16时的SAR-FAST的检测示意图如图3(b)所示。

图2 平滑效果

图3 像素点分布情况

(2)

由此，在理想情况下，可以得到不同区域下的像素分布特点如图4所示，图中箭头指向梯度方向。假设由中心点发出的箭头用表示，数量为.表示箭头指向中心点，数量为。若为边缘区域，两者相差不大，；对于角点，由于存在角度，总有一个数量大于等于9，即或；平坦地区，因为平滑作用，两者均远小于9，即。

在真实SAR图像中，因其特殊性，除了图4的情况，还会在平坦地区出现强度值的起伏。本文先分析这些点的特性，再进行筛选。图5给出了典型误检情况的梯度分布。由图可知，误检点特点有或，与中心窗口相似的窗口存在不连续。首先，对不连续窗口之间的数量按大小顺序进行统计。假设梯度方向指向中心点的窗口中不连续窗口数量集合为，梯度方向背离中心点的窗口中不连续窗口数量集合为，其中表示相同指向的箭头出现不连续窗口的次数，因为窗口数量有限，且同时存在和，设置,，如图5(c)中,,,。其次，设置的约束条件为：(1); (2)。因为在平滑之后，图像中出现强度突变的可能性降低，但是不排除这种可能，所以把阈值设置为2，即不连续窗口之间允许存在不大于两个窗口的间断。由图4(b)可知角点的和均不为0，所以条件(1)、条件(2)须同时满足。

图4 不同区域的梯度分布

图5 出现在平坦地区的误检

3 特征描述子

角点检测是通过一定的变换或者算法在图像的局部定位极值点，比如说Harris角点[11]，FAST角点[12]，其定位的特征点一般具有特殊性。特征描述是对特征点邻域的“特殊性”或者“唯一性”信息进行编码，编码之后形成描述子，描述子对应于特征的尺度、旋转等不变性，同时体现邻域的特殊性。描述子使角点具有区分性，用于后续的特征匹配。特征匹配可以获取不同图像在特征点信息上的一致性，再通过图像全局的几何变换一致性，获取全局配准信息。

通过实验比较，本文选择SIFT(Scale Invariant Feature Transform)描述子对角点进行描述。SIFT是由Lowe[7]提出来的一种被广泛使用的局部特征点，可以分为特征点检测以及特征描述两阶段。本文使用SAR-FAST进行特征点检测，使用SIFT描述子进行特征描述。首先，对角点邻域窗口采样，使用直方图统计邻域像素梯度方向，直方图的峰值即为角点的方向。将坐标旋转至角点的方向，以确保旋转不变性。接着，以角点为中心，取大小的窗口，计算每一个像素的梯度，使用高斯下降函数降低远离中心的权重。然后，取窗口为一个单元，对其中的梯度在8个方向上进行直方图统计，串联统计值，得到128维的SIFT描述子。

4 实验分析

4.1 SAR-FAST角点检测实验

在实验过程中，检测半径设置为9，若过小，检测窗口不能够表达出梯度的变化，若过大，则会增加消耗。当=9时，检测窗口既可以覆盖梯度变化，计算代价也较小，此时相应的检测窗口数量=16,=9。

本文使用两组实验数据，一组是模拟SAR图像(利用光学图像叠加服从Gamma分布的斑点噪声形成)，一组是真实SAR图像。实验中，阈值Th的设置为20。图6(a)，图6 (b)、图6 (c)和图6(d)分别给出了SAR-Harris，SAR-FAST在两组SAR图像中角点检测的结果。

由图6(c)、图6(d)可知，对于模拟SAR图像，SAR-FAST全部角点检测无误，对于更加复杂的真实SAR图像，也有较好的角点定位效果，由图6对比可知，相比较于SAR-Harris, SAR-FAST在误检、虚检均有更好的表现。为了进一步验证SAR-FAST的性能，本文对SAR-FAST的重复性[11]、角点数量的一致性(Consistency of Corner Numbers, CCN)[14]两个指标进行分析。重复性是指检测算法能否在两幅图像中相同位置检测出角点，对于两幅图像，检测到角点集合分别为P, P，检测数量分别为N, N，重复性的计算方法为

其中，为两点的欧式距离，为距离变量，为两点距离小于的数量。实验图像为5组已经配准好的图像，误差为范围为0~5，步长为0.2。以的数量为基数以百分比的形式表现重复性，两种检测方法比较结果如图7所示，SAR-FAST具有比SAR-Harris更好的重复性。

CCN的计算公式方法为

其中，n为原图像检测到的角点的数量，n为旋转之后的图像检测到的角点数量，它反映了在旋转之后角点的数量变化情况，若角点数量稳定也可以证明检测算子的旋转不变性。本文选用的旋转角度区间[-90°,90°]，步长为10°，实验图像为图6(d)。由于图像在旋转的时候，用0补齐为矩形，而SAR-Harris利用比值法得到梯度图像，在补值边缘会形成远大于图像梯度的梯度值，从而使角点落在补值边缘，因此，CNN实验没有使用SAR-Harris进行对比。SAR-FAST的CCN的指标如图8(a)所示，为了更好地表示角点数量一致性，图8(b)给出相应角度的角点数量，由图可知，SAR-FAST检测数量稳定。

图6 SAR-FAST与SAR-Harris的检测结果比较

4.2 SAR图像配准

通过实验比较，使用SIFT, SURF[15], BRISK[16], BRIEF[17]对角点进行描述，对相应的匹配点数量进行比较，结果如表1所示，由表1可知，SIFT的性能更好。因此本文选择SIFT描述子进行图像配准，使用最近邻匹配算法[18]进行粗匹配，RANSAC算法进行精匹配，对精配准点使用最小二乘算法优化得到转换矩阵。

表1 描述子匹配点对数比较

实验使用的配准误差评价指标为均方根误差(Root Mean Squared Error, RMSE)，即

其中，为精匹配对的数量，表示仿射变化矩阵，,分别为两图的匹配点。

图9分别为使用SAR-FAST和SAR-Harris角点检测后两幅图像的匹配效果，图9(a)、图9(b)匹配的点数分别为103和30，图10为47和32，比较匹配结果可知，使用SAR-FAST算法的匹配点数量更多，且分布更加均匀。图11、图12表示相应的配准结果，为了便于直接观察配准效果，两图重叠部分用方框标记，使用马赛克表示。由图可以直观地看到配准的效果，配准之后的图像中直线部分、曲线部分衔接的比较好，没有出现明显的断裂和弯折。SAR-FAST和SAR-Harris的RMSE分别为1.9689, 2.8816。

图7 重复性比较                    图8 角点数量一致性

图9 SAR-FAST匹配效果

图10 SAR-Harris 匹配效果

图11 SAR-FAST配准效果

图12 SAR-Harris配准效果

4 结束语

本文提出一种适用于SAR图像的角点检测算法，SAR-FAST。它通过扩大检测半径，增大检测窗口，并根据候选点的梯度特征对误检进行剔除，解决了FAST角点检测方法不能直接应用于SAR图像的问题。该方法在角点的重复性，角点数量的稳定性方面均有很好的表现，应用于SAR图像配准也能获得较高的配准精度。对于复杂场景SAR图像的配准，特别是在城区，往往会出现同名角点对应不同地物目标的情况，需要结合更多信息进行配准，比如线特征，面特征等，这些将作为下一步的研究方向。

[1] 王国力, 周伟, 柴勇, 等. 基于单演信号理论的SAR图像配准[J]. 电子与信息学报, 2013, 35(8): 1779-1785doi: 10.3724/ SP.J.1146.2012.01487.

WANG Guoli, ZHOU Wei, CHAI Yong,. SAR image registration based on monogenic signal theory[J].&, 2013, 35(8): 1779-1785. doi: 10.3724/SP.J.1146.2012.01487.

[2] DALIMIYA C and DHARUN V.A survey of registration techniques in remote sensing images[J]., 2015, 26(8). Paper No. 24,doi: 10.17485/ijst/ 2015/v8i26/81048.

[3] ZHANG H, NI W, YAN W,. Robust SAR image registration based on edge matching and refined coherent point drift[J].2015, 12(10): 2115-2119. doi:10.1109/LGRS.2015.2451396.

[4] 李英杰, 张俊举, 常本康, 等. 一种多波段红外图像联合配准和融合方法[J]. 电子与信息学报, 2016, 38(1): 8-14.doi: 10.11999/JEIT150479.

LI Yingjie, ZHANG Junju, CHANG Benkang,. Joint image registration and fusion for multispectral infrared images[J].&, 2016, 38(1): 8-14. doi: 10.11999/JEIT150479.

[5] 邓梁, 史仪凯, 张均田. 基于时变医学先验信息的约束成像及图像配准方法[J]. 电子与信息学报, 2013, 35(12): 2942-2947. doi:10.3724/SP.J.1146.2012.01565.

DENG Liang, SHI Yikai, and ZHANG Juntian. A constrained imaging and registration scheme based on time-varying anatomical priors [J].&, 2013, 35(12): 2942-2947. doi:10.3724/SP.J.1146.2012.01565.

[6] WANG S, YOU H, and FU K.BFSIFT:A novel method to find feature matches for SAR image registration[J]., 2012, 9(4): 649-653. doi:10.1109/LGRS.2011.2177437.

[7] LOWE D. Object recognition from local scale-invariant features[C]. IEEE International Conference on Computer Vision, Corfu, Greece, 1999: 1150-1157.

[8] SCHWIND P, SURI S, and REINARTZ P. Applicability of the SIFT operator to geometric SAR image registration[J]., 2010, 31(8): 1959-1980. doi: 10.1080/01431160902927622.

[9] WANG B, ZHANG J, LU L,A uniform SIFT-like algorithm for SAR image registration[J]., 2015, 12(7): 1426-1430. doi:10.1109/LGRS.2015.2406336.

[10] DELLINGER F, DELON J, GOUSSEAU Y,. SAR-SIFT: A SIFT-like algorithm for SAR images[J]., 2015, 53 (1): 453-466. doi:10.1109/TGRS.2014.2323552.

[11] HARRIS C and STEPHENS M. A combined corner and edge detector[C]. Proceedings of the Fourth Alvey Vision Conference, Manchester, UK. 1988: 147-151.

[12] ROSTEN E, PORTER R, and DRUMMOND T. Faster and better: a machine learning approach to corner detection[J]., 2010, 32(1): 105-119. doi:10.1109/ TPAMI.2008.275

[13] ZHANG Q, SHEN X, XU L,.Rolling guidance filter[C]. European Conference on Computer Vision, Zurich, Switzerland, 2014: 815-830.

[14] MOHANNA F, MOKHTARIAN F. Performance evaluation of corner detection algorithms under affine and similarity transforms[C]. 12th British Machine Vision Conference, Manchester, UK, 2001: 1-10

[15] BAY H, TUYTELAARS T, VAN G,SURF: speeded-up robust features[J]., 2008, 110(3): 346-359. doi: 10.1007/11744023_32.

[16] LEUTENEGGER S, CHLI M, SIEGWART R,BRISK: Binary robust invariant scalable keypoints[C]. IEEE International Conference on Computer Vision, Barcelona, Spain, 2011: 2548-2555.

[17] CALONDER M, LEPETIT V, STRECHA C,Brief: Binary robust independent elementary features[C]. European Conference on Computer Vision 2010, Heraklion, Greece, 2010: 778-792.

[18] ANDONI A and INDYK P. Near-optimal hashing algorithms for approximate nearest neighbor in high dimensions[J]., 2008, 51(1): 117-122.

SAR Image Registration Using SAR-FAST Corner Detection

LIU Yan YU Huai YANG Wen LI Li

(,430072,)

As the basis of change detection and image fusion, SAR image registration plays an important role in the interpretation of multi-temporal SAR images. This paper presents a method of SAR image registration based on corner detection using SAR-FAST, which is a customizedversion of Features from Accelerated Segment Test (FAST) for processing SAR images. The proposed method firstly employs rolling guidance filter to suppress speckle noise. Secondly, the candidate corner point is determined by quantitative analysis of the dissimilarities of the detection windows on the extended circle and the center window. Finally, the error detections are removed by analyzing the intensity distribution properties of the candidate corners. The experimental results show that SAR-FAST can detect a sufficient number of corners with stability and high repeatability, and when applying to image registration, it also can get better registration results.

SAR; Corner detection, Feature description; Image registration

TN958; TP751

A

1009-5896(2017)02-0430-07

10.11999/JEIT160386

2016-04-20；改回日期：2016-08-30；

2016-10-21

杨文 yangwen@whu.edu.cn

国家自然科学基金(61271401, 61331016)

The National Natural Science Foundation of China (61271401, 61331016)

刘 妍： 女，1992年生，博士生，研究方向为SAR图像配准.

余 淮： 男，1992年生，博士生，研究方向为无人机图像处理与分析.

杨 文： 男，1976年生，教授，博士生导师，研究方向为图像处理与计算机视觉.

李 立： 男，1971年生，副教授，硕士生导师，研究方向为信号处理、图像分析.