基于MSER的SAR影像配準算法

程 丹，范洪冬，鄧喀中，姚國標

(1.中國礦業大學環境與測繪學院，江蘇 徐州 221116；2.中國礦業大學江蘇省資源環境信息工程重點實驗室，江蘇 徐州 221116)

基于MSER的SAR影像配準算法

程 丹1，2，范洪冬1，2，鄧喀中1，2，姚國標1，2

(1.中國礦業大學環境與測繪學院，江蘇 徐州 221116；2.中國礦業大學江蘇省資源環境信息工程重點實驗室，江蘇 徐州 221116)

研究了一種基于最大穩定極值區域(MSER)的SAR影像配準方法。該方法首先利用MSER算法提取影像上的特征區域，并對提取的特征區域進行橢圓擬合；然后對橢圓擬合后的特征區域分別進行歸一化、SIFT描述子描述及匹配。選取實際的SAR影像進行配準試驗，并將本文方法與SIFT算法得出的結果進行比較，結果表明：本文算法匹配精度可以達到像素級配準精度，即滿足影像配準精度要求，匹配速度優于SIFT算法。

SAR影像；配準方法；MSER；SIFT描述子；特征提取

一、引 言

影像配準方法可分為基于區域的配準方法和基于特征的配準方法，其中基于區域的配準方法在影像匹配時對尺度變化、圖像變形及光照等方面不能很好地處理，并且基于區域的影像配準方法對影像灰度變化敏感，其計算量相對來說較大，而特征匹配能夠克服基于區域配準方法的缺陷，能夠較好地適應圖像變形、光照變化等諸方面的問題，是今后研究的發展方向[3-4]。近幾年來，國內外眾多學者對影像的配準方法進行了深入研究，提出了多種配準算法并對一些經典算法進行了改進，雖能解決匹配點對稀少、分布不均勻及誤配點的去除問題，但改進后的算法計算過程較繁瑣，存在計算量大、效率低等缺陷[5-9]。隨著科學技術的迅猛發展，新型SAR影像不斷涌現，各類影像的幾何變形、輻射變形、斑點噪聲、分辨率等不盡相同，增加了SAR影像配準的難度，同時，光學與SAR影像的融合也需要對兩者進行配準，但往往因成像模式、分辨率差異較大而無法達到理想的配準效果，因此，研究一種基于特征提取的通用匹配方法已經成為當前的主要方向。

為此，本文研究了一種最大穩定極值區域(maximally stable extremal region，MSER)和尺度不變特征變換(scale-invariant feature transform，SIFT)相結合的SAR影像配準方法，并對不同分辨率SAR影像進行了配準試驗并進行了精度評定。通過將本文算法和傳統的SIFT算法的配準結果進行對比發現，本文算法不僅在精度上能夠滿足影像配準需要，而且在速度上也優于基于SIFT的配準方法。

二、基于MSER的影像配準算法

1.最大穩定極值區域[10]

最大穩定極值區域MSER最早是由J.Matas提出來的，對于外邊界來說最大穩定極值區域是具有密度極值的區域[11]。對于灰度圖像其閾值共256個(閾值取值范圍為0～255)，通過閾值范圍對二值圖像進行分割后所得到的連通區域，當閾值范圍變化時其連通區域也隨之變化，MSER即為在此過程中具有極小變化率的區域。

一幅影像中的MSER是由最小灰度(MSER＋，黑色)和最大灰度(MSER-，白色)兩部分組成的，通過將圖像中的像素點灰度值與閾值比較后，小于閾值的像素點不顯示，將灰度值大于閾值的像素點進行記錄即形成了極值區域。若閾值取值為在0～255之間的一個較寬的范圍內，這樣就可以得到最小灰度MSER＋；要得到最大灰度的MSER-，需要對影像進行圖像灰度反轉，通過與求取MSER＋相同的方法便可以得到圖像的最大灰度MSER-。在檢測圖像MSER區域的過程中，原圖和反轉圖都要進行處理，并且通過原圖和反轉圖得到的MSER區域是互補的。

2.MSER區域擬合與歸一化[10，12]

檢測到的圖像中的MSER區域是不規則的，要實現對提取的特征區域進行歸一化及特征描述的處理，需要對提取的不規則的MSER進行橢圓擬合。將圖像矩作為形狀描述，擬合的橢圓中心是所對應的MSER的重心，橢圓的長軸和短軸都通過MSER的重心，同時滿足二階中心矩在長軸和短軸方向分別達到最大和最小。

2.5插管率高,愈合期長,這與老年人肺部基礎病多,肺組織修復技能減弱、感染、胸膜粘連形成多房、粘連牽拉致破口不易閉合有關,為縮短愈合期,除加強抗感染外,還需注意吸氧、全身支持療法。

(1)特征區域重心的計算

二維幾何矩的定義如下，對于圖像I(x，y)中的區域A，有

其中，a、b＝0，1，2，…，a＋b為所求幾何矩的階數。MSER是二值化區域，區域內的像元都為1。因此由上式可以得出，區域A的幾何0階矩m00、幾何一階矩m10和m01

將區域A的重心規范化，有

(2)中心二階矩的計算

對于中心矩陣的求取需要將原點移到區域A的重心(X0，Y0)并計算，有

這樣便得到了中心二階矩U，表示如下

(3)橢圓三參數的計算

可以通過橢圓的長半軸、短半軸及長軸的方向對橢圓區域進行描述，橢圓的長半軸用ω表示，短半軸用l表示，θ代表區域的方向即為擬合后橢圓區域的長軸方向。得到中心二階矩陣U后，對其進行特征值求取，表達式為

得到中心二階矩陣的兩個特征值后，就可以得到橢圓的三參數ω、l、θ，表示為

(4)區域歸一化

為了對擬合后的橢圓區域進行特征描述，使其具有仿射不變性，需要對擬合后的MSER區域進行仿射歸一化處理。對得到的歸一化區進行圖像的梯度直方圖統計，以便找出最大值并以其方向作為圖像梯度的主方向，將特征區域按照主方向的角度對其進行旋轉歸一化操作，使待配準的兩幅圖像中提取的經過擬合后的橢圓區域的主方向一致[13]。這樣可以使計算機對圖像的特征區域更好地進行識別分析，有利于兩幅圖像的特征匹配。

3.SIFT特征描述子的生成

得到歸一化后的特征區域后，計算以關鍵點即橢圓區域中心點為中心的鄰域像素的幅值和方向，幅值和方向的計算公式如下

采用直方圖統計的方法對鄰域像素的梯度方向進行統計，直方圖的峰值即為特征點的主方向，當有大于80%主峰值的方向數值存在時，則此方向為輔方向。以關鍵點為中心取窗口，計算其梯度值和方向，利用高斯加權的方法對其賦予權值；在每個小塊上計算8個方向的梯度方向直方圖，計算每個梯度方向的累加值，即可形成一個種子點，每個種子點有8個方向的向量信息，每個關鍵點取16個種子點故最終在特征點周圍生成128維SIFT特征描述向量。為去除光照的變化影響，需要對特征矢量作歸一化處理。

三、試驗與分析

試驗所用影像數據分別是ALOS衛星監測到的分辨率為 10 m的淮北袁莊煤礦附近區域影像(圖1)、分辨率為20 m的徐州周邊的ENVISAT衛星影像(圖2)，以及ALOS衛星監測到的山東微山湖分辨率為30 m全極化模式中的VV極化影像(圖3)三組數據。試驗首先采用MSER算法檢測提取影像的最大穩定極值區域，之后利用SIFT特征128維描述向量生成特征描述子對特征點進行描述，對特征點進行匹配并刪除提取出來的誤配點，將本文算法提取結果與SIFT算法得出的結果進行比較，試驗結果如圖1—3所示。

圖1 分辨率為10 m的ALOS衛星影像試驗結果

圖2 分辨率為20 m的ENVISAT衛星影像試驗結果

圖3 分辨率為30 m的ALOS衛星影像試驗結果

試驗可以得到兩幅待匹配影像中的匹配點坐標，采用最小二次多項式擬合算出偏移參數以及匹配點坐標差標準差，對最后得到的結果進行總結分析，并與利用SIFT算法得到的結果進行比較，表1為利用本文算法和SIFT算法分別對3組數據進行試驗的結果。

表1 利用SIFT算法和本文算法試驗結果對比表

根據以上結果可以看到，利用本文算法得到的匹配點精度比利用SIFT算法得到的匹配點精度要好，通過結果對比分析可以發現，雖然采用SIFT算法得到的匹配點較多，但是其中包含的誤配點數也較多，SIFT算法對旋轉、視角變化及存在噪聲、分辨率高的影像來說其匹配效果更好。從表1中可以看出，對于本文算法的試驗結果，分辨率10 m的影像數據結果精度相對于分辨率分別為20 m和30 m的影像數據結果精度來說其效果更好，不管是x方向還是y方向的精度，都能夠達到理想的結果。當SAR影像中地物內容豐富、區域特征顯著且地物邊界具有明顯分界時，所提取的MSER區域效果較好，故而提取的匹配點精度較高。雖然SIFT描述算子具有很好的魯棒性，但是其仿射不變性較差，另外，SIFT算法是建立在多尺度空間下，其計算過程較繁瑣且計算量大，耗費時間長，先利用MSER算法對圖像進行局部特征區域提取，歸一化后利用SIFT描述子對其表達后再進行特征點匹配，采用這種辦法可以將MSER和SIFT描述子兩種算法的優勢相結合，使其能夠有效地利用兩者的優勢進行互補，以便得到更好的配準效果。通過表1中的數據對比發現，利用本文算法得到的匹配點精度優于SIFT算法，當圖像的局部區域特征較明顯，地物邊界較清晰并具有一定的仿射變形的情況下，采取將MSER與SIFT相結合的方法對圖像進行配準，將會得到更好的圖像配準效果[14]。

四、結束語

本文根據MSER算法和SIFT算法各自的優勢進行互補集成，研究了一種新的SAR影像配準方法，并利用多組影像數據對算法進行驗證，同時與SIFT算法的配準結果進行了對比，結果驗證了該方法的有效性，SIFT算法計算量大且過程繁瑣，利用本文算法對SAR影像進行匹配比利用SIFT算法得到的匹配點效果更好。今后仍需進一步研究的工作包括：

1)SIFT算法在InSAR影像配準中具有較大的開發潛力，進一步開發基于SIFT特征提取的InSAR影像配準平臺，使其在影像配準中發揮其獨特優勢。

2)研究多尺度的MSER提取算法，同時對MSER和SIFT兩種算法進行更深入的研究，使二者能夠更好地結合，集成二者的優勢并融合其他算法，使其可以更好地應用于SAR影像配準。

3)利用SIFT描述子對MSER特征區域進行描述，其計算過程繁瑣、計算量較大、程序運行時間較長，對該算法進一步優化、提高速度是十分重要的。

[1] PRATI C，ROCCO F.Report on ERS-1 SAR Interferometric Techniques and Applications[M].Milano： Dipartimentodi Eletronica Ploitecnicodi Milano，1994.

[2] 岳春宇，江萬壽.幾何約束和改進SIFT的SAR影像和光學影像自動配準方法[J].測繪學報，2012，41(4)：570-576.

[3] 熊自明，萬剛，閆鶴，等.改進SIFT算法的小型無人機航拍圖像自動配準[J].測繪科學技術學報，2012，29 (2)：153-156.

[4] 張謙，賈永紅，胡忠文.多源遙感影像配準中的 SIFT特征匹配改進[J].武漢大學學報：信息科學版，2013，38(4)：455-459.

[5] 王青松，瞿繼雙，黃海風，等.聯合實、復相關函數的干涉SAR圖像配準方法[J].測繪學報，2012，41(4)：563-569.

[6] 陳鷹，于晶濤.InSAR復數影像配準方法研究[J].計算機工程與應用，2005(8)：13-15.

[7] 李芳芳，賈永紅，肖本林，等.利用線特征和SIFT點特征進行多源遙感影像配準[J].武漢大學學報：信息科學版，2010(2)：233-236.

[8] 雷小群，李芳芳，肖本林.一種基于改進 SIFT算法的遙感影像配準方法[J].測繪科學，2010，35(3)：143-145.

[9] 王瑞瑞，馬建文，陳雪.多傳感器影像配準中基于虛擬匹配窗口的SIFT算法[J].武漢大學學報：信息科學版，2011，36(2)：163-166.

[10] 王永明，王貴錦.圖像局部不變性特征與描述[M].北京：國防工業出版社，2010.

[11] MATAS J，CHUM O，URBAN M.Robust Wide Baseline Stereo from Maximally Stable Extremal Regions[J].Image and Vision Computing，2004，22(10)：761-767.

[12] 姚國標，鄧喀中，楊化超.基于MSER的大失配立體影像自動配準方法[C]∥第九屆長三角科技論壇 (測繪分論壇)論文集.南京：江蘇省測繪學會，2012.

[13] MIKOLAJCZYK K，SCHMID C.A Performance Evaluation of Local Descriptors[J].Pattern Analysis and Machine Intelligence，2005，27(10)：31-47.

[14] 莫會宇，王祝萍.一種結合MSER與SIFT算子的特征檢測方法[J].東華大學學報：自然科學版，2011，37 (5)：624-628.

The SAR Image Registration Algorithm Based on MSER Features

CHENG Dan，FAN Hongdong，DENG Kazhong，YAO Guobiao

P237

B

0494-0911(2014)12-0028-04

程丹，范洪冬，鄧喀中，等.基于MSER的SAR影像配準算法[J].測繪通報，2014(12)：28-31.

10.13474/j.cnki.11-2246.2014.0390

2013-12-18

江蘇高校優勢學科建設工程資助項目(SZBF2011-6-B35)；江蘇省基礎研究計劃(自然科學基金)青年基金(BK20130174)

程 丹(1990—)，女，遼寧撫順人，碩士生，研究方向為遙感影像配準和數據處理。

引文格式:孫曉昱，范大昭，紀松，等.衛星影像像控點的自動轉點方法研究[J].測繪通報，2014(12)：32-35.DOI：10.13474/j.cnki.11-2246.2014. 0391