基于改进 SURF 算法的 SAR 图像目标匹配

电子科技大学雷达系统报告题目基于SIFT算法的SAR图像匹配指导老师王洪学院信息与通信工程学院专业电子与通信工程姓名学号刘焱芳 201922011313基于SIFT 算法的SAR 图像匹配1、引言合成孔径雷达SAR 是一种主动微波成像雷达。

不同于光学成像系统，SAR 对地表或植被都具有一定的穿透力，可以获取被遮盖的目标信息。

SAR 不受光照和气候的影响，可以实现全天时、全天候的对地观测，同时SAR 还具备多波段和多极化成像的特点。

在军事领域，SAR 自动目标识别是战场中一种极为重要的军事侦察手段，而SAR 图像特征提取是目标识别中的关键技术。

本文主要研究基于SIFT 算法的SAR 图像匹配，通过SIFT 算法获取图像特征，获得特征点的方向和梯度模值，从而进行特征匹配。

SIFT 即尺度不变特征转换，由不列颠哥伦比亚大学的 David G. Lowe 在 1999 年提出，之后他又对其进行了完善和总结。

SIFT 算法用于提取图像局部特征，首先它构造图像的多尺度空间，并在其上搜索极值点作为关键点，筛选有效的关键点，在筛选后的关键点上提取局部特征描述子。

实际的应用证明，因为SIFT 具有诸多优良的特性，所以它在图像的识别、分类和匹配问题上有较大的优势。

2、SIFT 算法 2.1尺度空间的构建尺度空间理论最早由 Iijima 在 1979 年提出，在随后的几年，Witkin 和Koenderink 对其进行了深入研究。

构建尺度空间的是模拟图像的多尺度特性，与在单一尺度处理图像相比，尺度空间的优势在于，通过改变尺度参数，可以获取不同尺度下的特征。

Koenderik 指出，高斯核是实现尺度变换唯一可用的线性核。

图像的尺度空间定义为(),,L x y σ，它通过可变的高斯核函数(),,G x y σ与图像(),I x y 进行卷积操作得到：()()(),,=G ,,*,L x y x y I x y σσ（1）()()222221,,=2x y G x y eσσπσ-+（2）式中(),I x y 表示图像矩阵，(),x y 是图像中像素点的坐标，σ表示可变的尺度参数，σ值越大对应图像越粗糙，反之，σ值越小对应图像越精细。

一种基于改进SURF的遥感图像自动配准方法吕健春【摘要】现有的遥感图像自动匹配方法存在匹配准确度低、计算量大、配准效率低的问题,在经典SURF算法基础上,提出一种改进的SURF算法,首先提取遥感图像放射不变闭合区域,然后利用SURF算法提取该区域内的特征点,建立特征点筛选机制剔除信息含量低且分布不均匀的特征点,最后结合最小二乘法完成图像自动配准.研究结果表明,该配准方法在提高配准精度的同时,减少了运算时间,提高了算法的整体性能.【期刊名称】《数字技术与应用》【年(卷),期】2016(000)004【总页数】3页(P43-45)【关键词】遥感图像;SURF配准;仿射不变闭合区域【作者】吕健春【作者单位】中国能源建设集团广西电力设计研究院有限公司,广西南宁 530000【正文语种】中文【中图分类】TP751为了将不同时间、不同传感器（成像设备）或不同条件下（天候、照度、摄像位置和角度等）获取的同一场景的两幅或多幅遥感图像进行匹配、叠加，需要应用到遥感图像配准技术。

目前的图像配准技术可分为手工配准和自动配准。

随着计算机的普及和自动化的发展，自动配准技术应用越来越广泛，各种具备很强的抗干扰能力和鲁棒性的算法不断涌现。

图像自动配准方法又可分为基于点的配准和基于区域的配准方法。

基于区域的配准方法利用区域内所有像素的灰度信息，配准精度较高，但计算量大，速度较慢。

基于特征的图像配准方法首先提取图像的不变特征（一般使用特征点），然后对这些不变特征进行匹配进而完成图像之间的配准。

由于图像的特征点比区域内的像素点要少的多，因此大大减少了配准过程的计算量。

特征点配准中比较常用的算法，包括Harris算法、SUSAN（Small Univalue Segment Assimilating Nucleus）算法、SIFT（Scale Invariant Feature Transform）算法以及SURF（Speed Up Robust Feature）算法。

异性，那么实现光学和SAR图像的精配准，已经成为光学图像SAR图像配准的难点和关键问题。

2. SAR图像属于斜距投影的相干成像，因此在成像机理、辐射特征及几何特性上与可见光有很大差异，本文对现有的光学图像和SAR图像预处理技术进行了研究。

针对相干成像系统不可避免的存在相干斑噪声对图像的精细结构、可分辨性和可理解性破坏的问题，对传统的Lee滤波器、Kuan滤波器、Frost滤波器、GammaMAP滤波器进行了深入的研究。

3. 对现有的几种灰度图像匹配算法进行分析研究，如快速傅立叶变换（FFT）相位相关法、平均绝对差（MAD）算法、序贯相似性检测（SSDA）算法、归一化互相关（NCC）算法、SIFT特征的图象匹配算法、SURF特征的图象匹配算法等，最后根据其原理和效果寻找一种最适合光学图像与SAR图像配准的方法。

4. 利用RANSAC算法可以消除大部分的误匹配点的特点，所以采用RANSAC 算法对SIFT特征的图象匹配算法进行优化，实验结果说明了该方法大大的提高了匹配的准确率，并且具有该方法具有较好的适用性。

关键词：SAR图像；相干斑噪声；图像配准；RANSAC算法；SIFT特征；SURF 特征目录1 绪论 (3)1.1研究背景及意义 (3)1.2国内外研究现状 (4)2 光学和SAR图像配准方法及特点 (6)2.1图像配准基本理论 (6)2.1.1 图像配准的定义 (6)2.1.2 图像变换模型 (7)2.1.3图像配准方法基本要素 (9)3.光学和SAR图像的预处理 (11)3.1 光学图像预处理 (11)3.2 SAR图像预处理 (12)3.2.1 Lee滤波器 (12)3.2.2 Kuan滤波器 (12)3.2.3 Frost滤波器 (13)3.2.4 Gamma Map滤波器 (13)3.2.5 SAR图像的Otsu单阈值分割 (13)3.3 实验结果与分析 (15)4. 基于灰度图像的匹配算法 (19)4.1快速傅立叶变换（FFT）相位相关算法 (19)4.2 平均绝对差（MAD）算法 (21)4.3 序贯相似性检测（SSDA）算法 (21)4.4 归一化互相关（NCC）算法 (22)4.5 SIFT特征的图象匹配算法 (22)4.6 SURF特征的图象匹配算法 (23)4.7实验结果与分析 (23)5. 基于RANSAC算法优化SIFT特征的图像配准方法 (28)5.1 SIFT算法的简介 (28)5.1.1 SIFT算法的特点 (28)5.1.2 SIFT算法的实现步骤 (29)5.1.3 尺度空间 (30)5.1.4 高斯金字塔 (30)5.1.5 DoG高斯差分金字塔 (32)5.1.6 关键点检测 (34)5.1.7 关键点特征描述 (36)5.2 欧式距离最近邻法395.3 RANSAC算法剔除误匹配点对 (40)5.3.1 RANSAC算法基本原理 (40)5.4 基于RANSAC算法优化SIFT特征的图像配准方法的流程图 (42)5.5 配准精度衡量准则 (43)5.6 实验结果与分析 (44)6. 总结与展望 (47)6.1全文总结 (47)6.2研究展望 (48)致谢 (49)参考文献 (50)1 绪论1.1研究背景及意义（2-4）=0,1,2,3,...,L-1 (3-1)其中，是图像中像素的总和，是当前灰度级的像素个数，L是图像中可能的灰度级总数。