面向可見光和SAR影像配準(zhǔn)的特征點(diǎn)檢測(cè)

1、面向可見光和SAR影像配準(zhǔn)的特征點(diǎn)檢測(cè)隨著傳感器技術(shù)的發(fā)展，傳感器的種類逐漸增加?？梢姽鈧鞲衅骷夹g(shù)相對(duì)成熟，使得可見光圖像具有成像效果好，分辨率高和易于解讀等優(yōu)點(diǎn)，但是，可見光傳感器成像容易受到天氣的影響。合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）屬于主動(dòng)發(fā)出微波的成像系統(tǒng)，具有穿透力強(qiáng)、對(duì)人造目標(biāo)尤其是金屬目標(biāo)十分敏感、能夠有效地識(shí)別偽裝和揭露掩蓋等特點(diǎn)，但是，SAR圖像的可讀性不如可見光圖像1-2。將兩種圖像配合使用有助于形成信息互補(bǔ)，可應(yīng)用于諸多場(chǎng)景，例如，圖像融合，地物目標(biāo)分類與識(shí)別等3-5。為了融合異源遙感數(shù)據(jù)實(shí)現(xiàn)對(duì)地觀測(cè)，需要對(duì)圖像進(jìn)行高精度配準(zhǔn)，而特

2、征提取作為圖像配準(zhǔn)的前提步驟，其提取精度和特征點(diǎn)的重復(fù)率嚴(yán)重影響配準(zhǔn)結(jié)果，因此，研究適用于可見光和SAR圖像的特征提取方法，提升特征提取精度和重復(fù)率，已成為異源遙感圖像處理領(lǐng)域的研究熱點(diǎn)之一。近年來，在計(jì)算機(jī)視覺領(lǐng)域出現(xiàn)了許多特征點(diǎn)檢測(cè)算子，典型的算子如SIFT6、SURF7和Harris8等。由于可見光和SAR圖像間的非線性輻射差異和SAR斑點(diǎn)噪聲的影響，將常規(guī)的特征點(diǎn)提取算法直接用于可見光和SAR圖像提取時(shí)效果并不理想，特征點(diǎn)重復(fù)率較低，進(jìn)而降低了配準(zhǔn)算法性能9。為了克服上述問題，諸多學(xué)者在特征提取上做出改進(jìn)，Ye等學(xué)者結(jié)合了Harris-Laplace和DOG兩種算子的優(yōu)勢(shì)，提出了Har

3、ris-DOG檢測(cè)算子10，該算子能夠同時(shí)檢測(cè)影像間的角點(diǎn)和Blob點(diǎn)，為影像匹配提供更多、更穩(wěn)健的特征點(diǎn)。Xiang等學(xué)者對(duì)可見光和SAR圖像分別采用不同的梯度計(jì)算方式，提取出可見光和SAR圖像的一致性梯度信息，在此基礎(chǔ)上構(gòu)造了兩個(gè)不同的Harris尺度空間來提取高度重復(fù)的特征點(diǎn)11。Zhang等學(xué)者同樣改進(jìn)了梯度計(jì)算方式，利用多尺度Sobel和多尺度ROEWA算子分別計(jì)算可見光和SAR圖像的梯度來獲得一致性較好的梯度結(jié)果，并在此基礎(chǔ)上進(jìn)行特征點(diǎn)提取，有效地提高了特征點(diǎn)的重復(fù)率12。Fan等學(xué)者提出一種均勻分布的特征點(diǎn)檢測(cè)方法UNDSS-Harris13，UNDSS-Harris利用非線性擴(kuò)

4、散濾波來構(gòu)建非線性擴(kuò)散尺度空間，較好地保留了邊緣梯度特征；在此基礎(chǔ)上，采用多尺度Harris算子、比例系數(shù)和分塊策略，在可見光和SAR圖像中提取出均勻分布的特征點(diǎn)。保文星等學(xué)者提出了一種改進(jìn)的基于信息熵約束和KAZE特征提取的預(yù)處理算法14。該方法利用滑動(dòng)窗口對(duì)整幅遙感圖像進(jìn)行遍歷，計(jì)算出每個(gè)窗口的信息熵并形成直方圖，通過閾值設(shè)定保留高信息熵以便用于特征提取?？偟膩碚f，上述方法的本質(zhì)仍是基于圖像梯度信息來提取影像間的顯著特征，但可見光和SAR影像間的灰度差異較大，加之SAR斑點(diǎn)噪聲的影響，嚴(yán)重影響了梯度計(jì)算結(jié)果，導(dǎo)致特征提取的重復(fù)率較低，進(jìn)而降低了算法的匹配性能。近年來，頻域特征檢測(cè)技術(shù)在異源

5、遙感領(lǐng)域中的優(yōu)勢(shì)逐漸突顯出來。比較典型的如相位一致性（Phase Congruency， PC）15。該方法不受光照、灰度差異的影響，可大范圍的檢測(cè)圖像中的角點(diǎn)、邊緣和紋理等特征16。鑒于PC在特征檢測(cè)方面的優(yōu)勢(shì)，其已成為學(xué)者們的研究熱點(diǎn)。孫明超等學(xué)者基于相位一致性最大矩和相位一致性最小矩的疊加圖進(jìn)行Harris特征點(diǎn)提取，獲得了穩(wěn)定的角點(diǎn)和邊緣點(diǎn)，用于后續(xù)的特征匹配17。Paul和Pati兩位學(xué)者結(jié)合Gabor奇濾波器和多尺度Harris函數(shù)進(jìn)行特征點(diǎn)檢測(cè)18。Li等學(xué)者在相位一致性最大矩和最小矩上分別進(jìn)行FAST（或Harris）特征點(diǎn)檢測(cè)19。諸多學(xué)者基于相位一致性提取出影像間的同名特征

6、，但上述方法未充分考慮影像間的非線性輻射差異和SAR斑點(diǎn)噪聲對(duì)特征點(diǎn)提取結(jié)果的影響。相位一致性在特征提取和特征描述方面尚有待發(fā)掘，算法穩(wěn)定性有待提升。針對(duì)此問題，本文提出了一種基于相位一致性矩特征的Harris特征點(diǎn)提取算法MMPC-Harris。首先，對(duì)待處理圖像進(jìn)行包含重疊區(qū)域的分塊操作，增加特征點(diǎn)的均勻分布特性；然后，結(jié)合相位一致性最大矩和最小矩構(gòu)建相位一致性多矩圖，通過Harris算法實(shí)現(xiàn)特征的精細(xì)提取；最后，通過對(duì)多矩圖上特征點(diǎn)進(jìn)行投票和統(tǒng)計(jì)，選取重復(fù)出現(xiàn)超過半數(shù)的特征點(diǎn)作為最終的特征點(diǎn)。最終的特征點(diǎn)集合中包含了Harris特征點(diǎn)和在邊緣上提取的Harris點(diǎn)，該方法保證了特征點(diǎn)的數(shù)

7、量和穩(wěn)定性。2 相位一致性特征檢測(cè)理論相位一致性是基于頻域信息進(jìn)行特征提取的理論，最早由Morrone和Owens兩位學(xué)者提出20。早期的相位一致性理論僅適用于一維信號(hào)，而圖像為二維信號(hào)，為此，Kovesi在該理論基礎(chǔ)上做出了改進(jìn)，將其擴(kuò)展到二維，提出了二維相位一致性特征檢測(cè)理論。Kovesi采用多尺度、多方向的Log Gabor Filter來計(jì)算圖像的局部相位特征。二維Log Gabor Filter的表達(dá)方式為：F(x,y)=Fs,oeven(x,y)+iFs,oodd(x,y)（1）其中，F(xiàn)s,oeven(x,y)和Fs,oodd(x,y)分別表示在尺度s和方向o上的偶對(duì)稱和奇對(duì)稱濾波

8、器。利用二維Log Gabor Filter對(duì)輸入圖像I濾波，其實(shí)質(zhì)為利用二維Log Gabor Filter的奇對(duì)稱和偶對(duì)稱濾波器分別與輸入圖像進(jìn)行卷積運(yùn)算，則圖像上任意像素點(diǎn)I(x,y)處的響應(yīng)分量為：Es,oodd(x,y),Os,oeven(x,y)=I(x,y)*Fs,oeven,I(x,y)*Fs,oodd（2）其中：Os,oeven(x,y)為偶分量，Es,oodd(x,y)為奇分量。進(jìn)一步可以得出圖像上任意像素點(diǎn)I(x,y)對(duì)應(yīng)的相位一致性值VPC為：VPC(x,y)=osWo(x,y)As,o(x,y)s,o(x,y)NosAs,o(x,y)+（3）其中：Wo(x,y)為隨著

9、濾波器響應(yīng)變化的加權(quán)函數(shù)；運(yùn)算表示符號(hào)內(nèi)代數(shù)式的值為正時(shí)，符號(hào)內(nèi)的計(jì)算結(jié)果與符號(hào)內(nèi)代數(shù)式的計(jì)算結(jié)果相等，否則結(jié)果為0；N表示估計(jì)的噪聲閾值；是一個(gè)小常數(shù)，避免分母為零的情況；As,o(x,y)和s,o(x,y)分別表示PC的幅值和相角，計(jì)算方式如下：As,o(x,y)=Es,o(x,y)2+Os,o(x,y)2（4）s,o(x,y)=arctan(Os,o(x,y),Es,o(x,y)（5）其中，s,o(x,y)為相位差，計(jì)算方式如下：s,o(x,y)=cos(s,o(x,y)s,o(x,y)sin(s,o(x,y)s,o(x,y),（6）其中，s,o(x,y)為平均相位角度。進(jìn)一步，Kove

10、si分析了相位一致性矩隨方向變化的情況，提出利用基于相位一致性度量進(jìn)行角點(diǎn)特征和邊緣特征的檢測(cè)方法16。Kovesi計(jì)算任意方向o和尺度s上的PC2值來獲得相位一致性的最大矩M和最小矩m，最終得到影像的角點(diǎn)特征和邊緣特征，M和m具體形式如下：M=12(a+c+b2+(ac)2)（7）m=12(a+cb2+(ac)2)（8）其中：a，b，c是中間變量，其具體形式如下：a=o(VPC(o)coso)2（9）b=2o(VPC(o)coso)(VPC(o)sino)（10）c=o(VPC(o)sino)2（11）其中，o表示方向o對(duì)應(yīng)的角度。M反映了邊緣強(qiáng)度信息，可以用于邊緣特征的檢測(cè)；m相當(dāng)于角點(diǎn)檢

11、測(cè)子中的角點(diǎn)率，當(dāng)像素點(diǎn)處的m值較大時(shí)，則該像素點(diǎn)是角點(diǎn)的可能性較大，通過設(shè)定m的特定閾值來篩選影像的角點(diǎn)特征。3 基于改進(jìn)相位一致性的可見光和SAR影像特征提取基于相位一致性的最大矩和最小矩信息能夠獲取圖像的邊緣和角點(diǎn)信息?？梢姡瑘D像的相位一致性矩信息可以有效表示圖像的特征。本文提出圖像的相位一致性矩特征表示如下：Mk=12(a+c)+kt2b2+(ac)2（12）其中：a，b，c是式（9）式（11）的中間變量，Mk表示第k個(gè)矩特征圖像。進(jìn)一步可以根據(jù)最大矩和最小矩特征將公式（12）描述為：Mk=1+kt2M5+1kt2M1（13）其中，kt用于控制相位一致性矩的值，取值范圍為：1,1。若相

12、位一致性多矩圖數(shù)量為n，則參數(shù)kt以步長(zhǎng)h=2/n1變化?？梢姽夂蚐AR影像間存在明顯的非線性輻射差異，但二者的邊緣相似度極高21，因此，考慮先提取出一致性較好的邊緣特征，在邊緣上進(jìn)行特征點(diǎn)檢測(cè)，來增加特征點(diǎn)數(shù)量。而相位一致性是一種頻域特征檢測(cè)理論，相比于直接利用梯度來提取邊緣，能夠更好地抵抗影像間的非線性輻射差異。鑒于此，本文提出了一種基于相位一致性矩進(jìn)行特征提取的方法（MMPC-Harris），該方法旨在抵抗SAR斑點(diǎn)噪聲的影響和影像間的非線性輻射差異，來獲得均勻分布且重復(fù)率較高的特征點(diǎn)對(duì)，進(jìn)一步提升配準(zhǔn)算法的性能。圖1給出了算法流程圖。圖1本文算法流程圖Fig.1Flow chart o

13、f the proposed methodMMPC-Harris的具體步驟如下：（1）分塊處理：將輸入圖像分成SnSm個(gè)圖像塊，并在相鄰圖像塊之間增加nop個(gè)像素的重疊區(qū)域，以防止在分塊邊界處丟失特征信息；（2）對(duì)每個(gè)圖像塊構(gòu)建相位一致性多矩特征圖。通過多次實(shí)驗(yàn)發(fā)現(xiàn)，隨著相位一致性多矩圖數(shù)量n的增加，特征點(diǎn)重復(fù)率有所提高，n超過5之后增加的速度明顯變慢。綜合考慮到算法的計(jì)算量，本文實(shí)驗(yàn)選取n=5。在每個(gè)相位一致性矩特征圖像上基于Harris提取特征點(diǎn)，記錄特征點(diǎn)位置和數(shù)量。（3）基于統(tǒng)計(jì)原理，投票確定最終的特征點(diǎn)。若某一特征點(diǎn)在多矩圖中出現(xiàn)的次數(shù)超過多矩圖數(shù)量的一半，則將該特征點(diǎn)放入最終特征提

14、取結(jié)果的集合中，并利用其在多矩圖中坐標(biāo)取平均值作為最終該特征點(diǎn)的位置信息。（4）將每個(gè)圖像塊的特征提取結(jié)果合并，構(gòu)成本文算法最終的特征點(diǎn)提取集合。為了便于程序?qū)崿F(xiàn)，參數(shù)設(shè)置為n=5，h=0.5，kt表示的序列為1,0.5,0,0.5,1，給出MMPC-Harris程序邏輯如圖2所示。圖2MMPC-Harris程序邏輯圖Fig.2Program logic diagram of MMPC-HarrisMMPC-Harris算法輸入圖像1） 分塊策略：將圖像分成SnSmSnSm個(gè)子圖像；2） 分別對(duì)每個(gè)子圖像計(jì)算PC值；fork = 1，5 dokt=1+0.5(k1)kt=-1+0.5(k-1)

15、，構(gòu)建MkMk，Harris特征點(diǎn)提取；end for3） fori = 1， （角點(diǎn)數(shù)） do統(tǒng)計(jì)特征點(diǎn)i在M1MnM1Mn上出現(xiàn)的次數(shù)；if （出現(xiàn)次數(shù)）3 do計(jì)算該特征點(diǎn)在M1MnM1Mn上的坐標(biāo)的平均值，作為該特征點(diǎn)最終的坐標(biāo)；end ifend for4） 合并特征點(diǎn)輸出： MMPC-Harris檢測(cè)結(jié)果下面通過模擬可見光和SAR圖像進(jìn)行實(shí)驗(yàn)分析，如圖3所示。在可見光圖像上分別加入高斯噪聲和斑點(diǎn)噪聲來生成仿真數(shù)據(jù)，利用仿真圖像作為待處理的可見光和SAR圖像。圖3不同相位一致性矩特征的Harris檢測(cè)結(jié)果Fig.3Harris detection results of differe

16、nt PC feature由仿真結(jié)果可知，在最小矩上提取的特征點(diǎn)重復(fù)率較高，但容易受噪聲的影響，出現(xiàn)了一定的錯(cuò)誤點(diǎn)對(duì)，如圖3（b）。在最大矩上提取的邊緣點(diǎn)的數(shù)量較多，能夠保證特征點(diǎn)數(shù)量，如圖3（f）。將兩者直接相加作為最終的特征點(diǎn)集，盡管結(jié)果中含有穩(wěn)定的角點(diǎn)和數(shù)量較多的邊緣點(diǎn)，但仍存在一定問題，如直接疊加方式難以抵抗噪聲干擾，導(dǎo)致結(jié)果中仍存在一些不穩(wěn)定的特征點(diǎn)，如圖3（g）。而本文算法基于相位一致性多矩特征和統(tǒng)計(jì)原理來獲得最終的特征點(diǎn)，以此來抵抗噪聲干擾，剔除了虛假點(diǎn)，進(jìn)而得到穩(wěn)定的特征點(diǎn)對(duì)，保證了特征點(diǎn)的重復(fù)率；再加上分塊處理，獲取均勻分布的特征點(diǎn)，如圖3（h）。4 實(shí)驗(yàn)與分析本小節(jié)對(duì)MMP

17、C-Harris特征點(diǎn)檢測(cè)算子的性能進(jìn)行實(shí)驗(yàn)分析，實(shí)驗(yàn)內(nèi)容包括三個(gè)部分：首先，驗(yàn)證MMPC-Harris特征點(diǎn)檢測(cè)算子對(duì)SAR斑點(diǎn)噪聲的魯棒性；其次，驗(yàn)證MMPC-Harris特征點(diǎn)檢測(cè)算子對(duì)非線性輻射差異的魯棒性；最后，基于一組實(shí)測(cè)可見光和SAR圖像驗(yàn)證MMPC-Harris特征點(diǎn)檢測(cè)算子對(duì)整體配準(zhǔn)算法性能提升的影響。4.1MMPC-Harris對(duì)噪聲魯棒性評(píng)估4.1.1實(shí)驗(yàn)數(shù)據(jù)目前尚且沒有公開的可見光和SAR數(shù)據(jù)集用于測(cè)試特征點(diǎn)檢測(cè)算法的優(yōu)劣。為了便于計(jì)算特征點(diǎn)重復(fù)率，驗(yàn)證本文算法的有效性，本小節(jié)實(shí)驗(yàn)部分仍采用仿真數(shù)據(jù)，仿真數(shù)據(jù)的生成方式為對(duì)高清可見光圖像分別加高斯噪聲和不同級(jí)別的斑點(diǎn)噪聲

18、來生成仿真可見光和SAR圖像，原始高清光學(xué)圖像如圖4所示。圖4高清可見光圖像Fig.4High resolution optical images高清圖像為長(zhǎng)光衛(wèi)星科技公司拍攝的智利圣地亞哥的機(jī)場(chǎng)和港口，拍攝時(shí)間為2022年3月，影像分辨率為1 m/pixel，圖像大小均為1 000 pixel1 000 pixel。對(duì)上述兩組高清光學(xué)圖像分別加入高斯噪聲和乘性噪聲所生成仿真光學(xué)和SAR圖像，結(jié)果如圖5所示。圖5兩組模擬圖像（左側(cè)為可見光圖像，右側(cè)為SAR圖像，L=5）Fig.5Two sets of simulated images （The left are optical images

19、and the right are SAR images，L=5）4.1.2評(píng)價(jià)方法和評(píng)價(jià)準(zhǔn)則為驗(yàn)證本文算法的先進(jìn)性，選取了典型的特征點(diǎn)檢測(cè)算法Harris8，SAR-Harris21和m+M-Harris17作為對(duì)比算法。通過定性和定量?jī)煞N方式來評(píng)價(jià)算法的性能。定性分析通過觀察特征點(diǎn)的分布情況，均勻分布的特征點(diǎn)有利于幾何變換模型的求取。定量分析則以不同SAR噪聲級(jí)別下，特征點(diǎn)重復(fù)率R作為評(píng)價(jià)指標(biāo)。參考圖像A和待配準(zhǔn)圖像B上的一對(duì)特征點(diǎn)屬于同名點(diǎn)前提為：pA(x,y)pB(x,y)2d（14）其中：pA(x,y)和pB(x,y)分別表示特征點(diǎn)在參考圖像和待配準(zhǔn)圖像中的位置坐標(biāo)，符號(hào)2為歐式距離

20、測(cè)度，d為歐式距離閾值。本文d設(shè)置為2，表征若兩點(diǎn)之間的歐式距離2個(gè)像素，則這兩個(gè)點(diǎn)為一對(duì)同名點(diǎn)。R定義為：R=2NcorNo+Ns100%（15）其中：Ncor為正確匹配點(diǎn)對(duì)數(shù)，No和Ns分別為在可見光和SAR圖像中提取的特征點(diǎn)總數(shù)量，R值越大，特征點(diǎn)檢測(cè)算子的性能越好。4.1.3實(shí)驗(yàn)結(jié)果與分析本實(shí)驗(yàn)通過調(diào)整閾值，使得所提取的特征點(diǎn)總數(shù)量保持一致，每種算法均提取約600對(duì)特征點(diǎn)，取10次計(jì)算的平均值作為最終實(shí)驗(yàn)結(jié)果，以減小誤差的影響。圖6給出了四種算法對(duì)兩組圖像的特征點(diǎn)重復(fù)率變化曲線。圖6特征點(diǎn)重復(fù)率曲線Fig.6Repeatability rate curve of feature poi

21、nts由結(jié)果可見，MMPC-Harris在任何SAR噪聲級(jí)別下的特征點(diǎn)重復(fù)率均獲得了最高值，說明MMPC-Harris能在一定程度上抵抗SAR斑點(diǎn)噪聲的影響，獲得較高的特征點(diǎn)重復(fù)率。SAR-Harris的效果弱于本文方法，但優(yōu)于Harris算法，這是由于SAR-Harris是在ROEWA算子提取SAR信息的基礎(chǔ)上進(jìn)行的Harris特征提取，ROEWA可以有效地抵抗SAR斑點(diǎn)噪聲，獲得較為理想的邊緣特征，因此，在此基礎(chǔ)上進(jìn)行Harris特征提取能夠抵抗噪聲干擾。但是，SAR-Harris僅考慮了在SAR圖像上進(jìn)行特征提取所遇到的問題，并未對(duì)可見光和SAR這兩種圖像的異源性進(jìn)行處理，所以，效果略差

22、于本文方法。Harris算子的性能是最差的，隨噪聲水平的增加，特征點(diǎn)重復(fù)率值下降較快，表明Harris算子容易受到SAR乘性噪聲影響，不適合用于直接處理SAR圖像。4.2MMPC-Harris對(duì)非線性輻射差異的魯棒性評(píng)估4.2.1實(shí)驗(yàn)數(shù)據(jù)對(duì)圖4（a）的列乘以可變系數(shù)來模擬影像間的非線性輻射差異，結(jié)果如圖7所示，由圖可見，影像間的同名特征呈現(xiàn)出不同的灰度特性，這種差異增加了同名特征提取的難度。圖7模擬非線性輻射差異的圖像Fig.7Simulated nonlinear radiometric differences images4.2.2實(shí)驗(yàn)結(jié)果與分析對(duì)比算法和評(píng)價(jià)指標(biāo)同4.1節(jié)實(shí)驗(yàn)一致。選取第

23、一組實(shí)驗(yàn)數(shù)據(jù)的特征提取結(jié)果進(jìn)行對(duì)比，結(jié)果如圖8所示。圖8四種算法特征點(diǎn)提取結(jié)果Fig.8Feature point extraction results of four algorithmsHarris和SAR-Harris算子的特征提取結(jié)果分別如圖8（a）和圖8（b）所示，二者基于灰度梯度信息進(jìn)行特征提取，易受到影像間非線性輻射差異的影響，在可見光圖像中可以檢測(cè)到的特征在模擬的非線性輻射差異的圖像中未被檢出，特征點(diǎn)分布不均勻，較容易集中在灰度差異較大的區(qū)域。圖8（c）和圖8（d）分別給出了m+M-Harris和MMPC-Harris的特征提取結(jié)果，二者均能克服影像間的非線性輻射差異，特征點(diǎn)分

24、布較均勻，在光學(xué)圖像中提取的特征，在對(duì)應(yīng)圖像上仍然能夠被檢測(cè)到，這是因?yàn)楸疚姆椒ê蚼+M-Harris方法是基于PC進(jìn)行提取的，而PC算子對(duì)灰度和光照變化不敏感。進(jìn)一步給出定量分析的結(jié)果來驗(yàn)證本文算子的性能，如表1所示。表1四種算法在非線性輻射差異情況下的重復(fù)率Tab.1Repetition rates of the four methods in the case of nonlinear radiometric differencesGroupHarrisSAR-Harrism+M-HarrisMMPC-HarrisGroup 172.85%41.76%64.51%87.91%Group

25、260.50%71.56%65.13%90.53%四種算子中，MMPC-Harris的特征點(diǎn)重復(fù)率值最高，這是由于本文方法在相位一致性多矩圖上進(jìn)行投票，剔除了一些不穩(wěn)定的特征點(diǎn)，故本文算子可以較好地抵抗影像間的非線性輻射差異的影響，獲得更多的同名點(diǎn)對(duì)。4.3MMPC-Harris特征點(diǎn)檢測(cè)算子的配準(zhǔn)性能MMPC-Harris可以提升特征點(diǎn)的重復(fù)率，進(jìn)而提升配準(zhǔn)算法性能。為了證實(shí)這一點(diǎn)，基于一組實(shí)測(cè)的可見光和SAR圖像進(jìn)行配準(zhǔn)實(shí)驗(yàn)，選取了Harris、SAR-Harris和m+M-Harris特征點(diǎn)檢測(cè)算子作為對(duì)比算法，所有描述符均采用HOSMI22，以驗(yàn)證MMPC-Harris特征點(diǎn)檢測(cè)算子對(duì)

26、可見光和SAR圖像配準(zhǔn)性能的提升。4.3.1實(shí)驗(yàn)數(shù)據(jù)和評(píng)價(jià)指標(biāo)實(shí)驗(yàn)數(shù)據(jù)如圖9所示，左側(cè)為在Google Earth上截取的同一地區(qū)的可見光影像，右側(cè)為機(jī)載SAR影像，拍攝時(shí)間為2022年7月?？梢姽夂蚐AR圖像的尺寸均為1 741 pixel1 075 pixel，分辨率為3 m/pixel。拍攝場(chǎng)景為郊區(qū)，包含河流、低矮建筑物、農(nóng)田和道路等。圖9可見光和SAR影像Fig.9Optical and SAR images配準(zhǔn)實(shí)驗(yàn)采用主觀和客觀兩種評(píng)價(jià)方式。主觀評(píng)價(jià)方式為直接給出配準(zhǔn)結(jié)果，客觀評(píng)價(jià)指標(biāo)為均方根誤差（Root Mean Square Error， RMSE）和正確匹配點(diǎn)對(duì)數(shù)（Numb

27、er of Correct Matches， NCM）。通過調(diào)整閾值，使得本文方法和對(duì)比方法均提取約1 200對(duì)特征點(diǎn)。采用平方差之和（Sum of Square Differences， SSD）作為匹配準(zhǔn)則，SSD閾值設(shè)置為3個(gè)像素，并利用FSC23剔除誤匹配。4.3.2實(shí)驗(yàn)結(jié)果與分析利用四種檢測(cè)算子的特征提取結(jié)果進(jìn)行配準(zhǔn)，結(jié)果如圖10所示，表2顯示了四種檢測(cè)算子的NCM和RMSE。圖10四種算法的配準(zhǔn)結(jié)果Fig.10Registration results of four algorithms表2四種方法的NCM和RMSETab.2NCM and RMSE of the four algorithmsAlgorithmRMSENCMHarris+HOSMI2.8223SAR-Harris+HOSMI2.6632m+M-Harris+HOSMI1.9135MMPC-Harri