基于顯著輪廓特征的SAR圖像輪廓匹配新方法

馬曉蕊 鄭昌文 梁 毅

①(中國科學院大學 北京 100049)

②(中國科學院軟件研究所 北京 100190)

③(中國科學院自動化研究所 北京 100190)

④(西安電子科技大學 西安 710071)

1 引 言

合成孔徑雷達(Synthetic Aperture Radar, SAR)作為一種主動式微波有源傳感器，可以全天時、全天候、遠距離獲取觀測場景的2維圖像，已廣泛應用于軍事和民用領域。SAR圖像匹配的目的是找到同一場景在不同時間或不同視角、不同傳感器下獲取的兩幅或多幅SAR圖像之間的一一對應關系，是3維重建、目標識別、匹配制導、變化檢測、信息融合等應用中的關鍵技術[1,2]。受成像時間、傳感器姿態、波段、極化方式以及圖像噪聲等多種因素的影響，不同SAR圖像的灰度存在較大的差異，因此對匹配算法的魯棒性和適應性提出了更高要求。

SAR圖像匹配主要采用點、線、面3類特征[1]，其中線特征穩定性更強，應用更加廣泛。常用的線特征包括直線特征以及輪廓特征等。其中輪廓特征在SAR圖像中普遍存在，其提取和描述方法都較為簡單，因此基于輪廓特征的匹配方法成為主流的特征匹配方法。文獻[3]提出一種開環輪廓的匹配方法，其主要思想是用高斯-拉普拉斯(Laplacian Of Gaussian, LOG)算子提取兩幅輸入圖像的邊緣，根據鏈編碼準則進行邊緣連接獲得所需要的開環輪廓，最后用開環輪廓的角點特征來估計匹配函數的最優參數。但由于該方法未定義多尺度信息，因此無法滿足SAR圖像尺度不變性的要求。文獻[4]通過Canny算子得到圖像邊緣輪廓后，根據輪廓的位置以及方向計算兩幅圖像的聯合概率密度，然后構建概率密度函數之間的互信息，最后計算變換函數的最優參數。雖然該方法流程簡單且直觀性強，但是對SAR圖像中的相干斑噪聲較為敏感，因此無法適用于SAR圖像匹配。文獻[5,6]都是在提取出圖像輪廓特征后，利用輪廓點的切線斜率來表示圖像的輪廓特征，但該方法僅利用了輪廓斜率描述子的基本信息，并沒有使用圖像的紋理特征，因此魯棒性較弱。

針對上述問題，本文利用閉合輪廓的質心距離特征和圖像中質心距離最大值和最小值點的局部紋理特征，提出一種新的SAR遙感圖像閉合輪廓匹配方法。首先，對SAR圖像進行相干斑噪聲抑制與限制對比度的自適應直方圖均衡來增強圖像特征；接著，采用改進的基于模糊聚類的方法來提取閉合輪廓特征；然后，針對輪廓特征，采用歸一化輪廓中心距特征描述子進行粗匹配；最后，采用改進的局部二值模式(Local Binary Pattern, LBP)對初步得到的匹配輪廓進行點特征驗證，獲得了最終的匹配對。試驗結果表明本文所提方法魯棒性好，匹配正確率高，且時間復雜度較低。

2 傳統SAR圖像匹配方法分析

SAR圖像的實時匹配技術是以SAR作為傳感器的無人飛行器末制導領域的關鍵技術之一。由于SAR圖像匹配具有特殊性和復雜性，因此，SAR圖像匹配需要提取更加精確、穩健的圖像特征來提高匹配的精度以及效率。根據所利用的SAR圖像信息不同，圖像匹配方法通常分為基于灰度的方法和基于特征的方法[7]。

基于灰度的方法對SAR圖像匹配具有一定的魯棒性，但計算量較大，并且當待匹配圖像和基準圖像之間存在角度差異時匹配效果較差[8]。

基于特征的方法是通過獲取兩幅圖像中穩健性強的共有特征信息來達到匹配目的。常用的基于點特征的SAR圖像匹配算法如下：SIFT-OCT算法[9]構建了受斑點噪聲影響小的高斯尺度空間來獲得特征點，并采用了多維特征向量描述子，但應用于SAR圖像匹配時計算耗時，另外細節信息的丟失會產生定位誤差，導致最終的匹配誤差較大；加速魯棒特征(Speed-Up Robust Features, SURF)算法[10]通過Hesse矩陣判別式的值來獲得極值點，并在不同尺度上計算近似Harr小波特征，但該方法在匹配時搜索效率相對較低，當圖像噪聲較大或匹配對象灰度差異較大時，誤匹配情況明顯；基于合成孔徑雷達的尺度不變特征變換匹配 (Synthetic Aperture Radar -Scale Invariant Feature Transform, SARSIFT)算法[11]將Harris角點檢測中梯度的計算用比值運算來代替，聯合改進的SIFT描述子來獲取SAR-SIFT特征，但是在斑點噪聲較大的區域會定位失敗，產生誤匹配現象。相比于點特征，線特征穩定性強，并且受圖像畸變影響小。SAR圖像匹配中常用的線特征提取方法為Hough變換和最小二乘擬合。Hough變換[12]是利用直角坐標系與極坐標系的點線對偶變換特性，將圖像坐標空間轉換到參數空間，隨后根據參數空間的峰值來確定圖像中對應的直線，但應用該方法直接提取SAR圖像的線特征時會出現直線斷裂、漏檢的現象；最小二乘擬合法是一種假設直線解析的函數[13]，通過最小化樣本誤差平方和的方式，來確定已知解析函數的未知參數，但受SAR圖像相干斑噪聲影響，將該方法應用于SAR圖像的線特征提取時會產生直線特征提取不充分的現象，影響最終的匹配性能。

3 聯合質心距離與紋理信息的SAR圖像輪廓匹配

為了得到對旋轉變化、尺度縮放和灰度差異具有更強魯棒性的特征匹配方法，本文提出一種基于質心距離與紋理信息的SAR圖像輪廓匹配方法。通過提取圖像中穩定性強的輪廓特征來構建特征描述子，然后計算兩幅圖像中輪廓描述符之間的歐氏距離，獲得初步匹配結果；進一步通過計算閉合輪廓上質心距離最大值和最小值點鄰域內的紋理信息獲得最終的精匹配結果，實現能夠抗旋轉變化、尺度縮放以及灰度差異的閉合輪廓匹配。完整的輪廓匹配算法主要包括圖像預處理、輪廓特征提取、基于質心距離的粗匹配與基于紋理特征的精匹配等幾個步驟。

3.1 圖像預處理

由于SAR圖像存在的相干斑噪聲以及成像過程中產生的局部畸變會對最終的SAR圖像匹配結果產生嚴重影響，因此在進行SAR圖像匹配之前需進行圖像預處理。通過這個過程可以消除或減小相干斑噪聲等各種誤差因素對匹配性能的影響，提高特征描述的精度和匹配算法的性能。本文在對常用圖像預處理方法進行研究的基礎上，選定3維塊匹配濾波(Block-Matching and 3D filtering, BM3D)[14]以及限制對比度的自適應直方圖均衡(Contrast Limited Adaptive Histogram Equalization, CLAHE)[15]作為本文的圖像預處理方法。具體操作如下：

(1) 3維塊匹配濾波(BM3D)。該方法能夠在消除噪聲的同時，起到保留圖像輪廓等細節特征的作用。算法的基本思想是通過非局部操作尋找SAR圖像的相似塊進行匹配，得到3維圖像塊矩陣，隨后對圖像塊矩陣進行維納濾波操作，再對最終數據進行逆變換以獲得無噪聲圖像。它的具體步驟包括3步：首先使用硬閾值得到相對干凈的圖像塊以用于統計數據；接著在變換域中采用維納濾波對圖像全部信號降噪；最后對圖像中重疊圖像塊的估計結果進行加權平均。

(2) 限制對比度的自適應直方圖均衡(CLAHE)。通常成像后的SAR圖像對比度低，整體亮度偏暗，加之濾波處理后會模糊化圖像的部分特征信息。因此，為提高圖像的銳度，使圖像特征在視覺上更加清晰，本節對濾波后的SAR圖像進行對比度增強。常用的圖像增強方法有自適應直方圖均衡化(Adaptive Histogram Equilibrium, AHE)和限制對比度的自適應直方圖均衡(CLAHE)兩種方法。AHE和CLAHE的相同點在于它們都是對圖像局部區域的直方圖進行計算，改變圖像亮度的分布情況以達到重新調整局部范圍內對比度的目的。但是AHE對圖像增強的同時會放大區域的噪聲，而CLAHE方法對每個局部的直方圖進行了對比度限幅，有效地控制了噪聲放大的問題，因此，本文選取CLAHE方法對SAR圖像進行增強處理。

3.2 基于改進模糊聚類的閉合輪廓提取

關于圖像的輪廓提取存在很多方法，常見的有梯度法、模板匹配法以及變換域法等，但是這些方法通常難以提取目標的整體輪廓同時會產生虛假邊緣使得算法計算量過大。針對這一問題，本文提出改進的圖像聚類分割方法，在此基礎上通過Canny算子[16,17]對分割后的圖像進行邊緣檢測，然后對邊緣圖像進行區域輪廓跟蹤以得到SAR圖像的完整清晰的閉合輪廓特征。具體步驟如下：

(1) 改進的模糊C均值聚類(Fuzzy C-Means clustering, FCM)圖像分割。實現圖像分割一般采用圖像聚類方法，其中基于模糊理論的聚類方法更為自然，特別是作為軟聚類方法的FCM算法[18]。該算法的基本思想是：先將n個 點X={x1,x2,...,xn}分成c個模糊類別，并求出每類的聚類中心，使得目標函數達到最小，其目標函數的定義為

(2) Canny算子邊緣提取。實現圖像的邊緣檢測，通過檢測圖像中各個像素點鄰域內的灰度變化，利用邊緣鄰近1階或2階方向導數的變化規律來檢測邊緣，其中引入了梯度運算。Canny提出的基于最優化算法的邊緣檢測算子具有很好的信噪比與檢測精度，因此本文對完成圖像分割后的SAR圖像采用Canny算子[19]來提取邊緣。

(3) 輪廓跟蹤。輪廓跟蹤就是根據圖像邊界點的連通性，通過逐點跟蹤來獲得區域輪廓的方法。本文對步驟2獲取的二值圖像進行區域輪廓跟蹤，獲得圖像中所有的輪廓信息。最后將開環或者足夠小的輪廓剔除掉。通過以上操作獲得滿足要求的所有輪廓信息。

圖1為圖像聚類與輪廓提取的仿真結果圖，其中圖1(a)為原始星載SAR圖像，圖1(b)為基于歐氏距離度量的圖像聚類結果圖，圖1(c)為圖1(b)所對應的輪廓提取圖，圖1(d)為本文所提出的基于馬氏距離的圖像聚類結果圖，圖1(e)為圖1(d)所對應的輪廓提取圖。從視覺效果可以看出本文所提的聚類方法在聚類效果上更容易將目標與背景分離得到完整的目標圖像塊，而基于歐氏距離的聚類方法會出現很多空洞，在聚類效果上會遺漏圖像的部分目標信息。從輪廓的提取結果可以看出，圖1(e)中包含更多的閉合大輪廓且輪廓信息完整，而圖1(c)中包含許多虛假邊緣且輪廓信息不完整。因此，本文所提方法更有利于得到圖像有用的輪廓信息且滿足實際應用需求。

圖1 圖像聚類與輪廓提取仿真結果

3.3 基于歸一化輪廓中心距特征描述子的粗匹配

閉合輪廓匹配方法是基于兩幅圖像的所有閉合輪廓信息提取特征，然后根據特征間的關系來判斷輪廓曲線是否相似，而特征間的相似性可以理解為圖像自身之間的相似程度，因此輪廓匹配的準確性由輪廓描述符所決定。常見的輪廓描述方法有質心距離、復數坐標、曲率函數、累加角度等，其中質心距離可以同時反映閉合輪廓局部和全局特征，且在魯棒性和信息保留方面具有很好的性能。因此，本節采用質心距離來描述閉合輪廓，為使其滿足尺度不變性、旋轉不變性，本節設計了一種歸一化輪廓中心距特征描述子，通過采用最近鄰配準法得到粗匹配輪廓對。

輪廓點的質心距離描述了輪廓點到質心的距離大小，質心距離具有平移和旋轉不變特性以及相似性，即如果兩條閉合輪廓曲線的縮放比例相差r倍，則對應點的質心距離也相差r倍。

假設，通過SAR圖像預處理和輪廓提取后得到的閉合輪廓總數為N,X=(xi,yi)為 輪廓曲線Q上任意一點，則定義其質心距離為

式中，(xc,yc)為輪廓曲線的質心坐標且計算公式為

為使圖像匹配滿足尺度不變性，本文將質心距離矩陣分為4塊，間隔取為質心距離最大值與特征塊數的比值；接著按照間隔數統計出每一個特征塊中所包含的輪廓點數，并對特征點數進行歸一化處理，即可得到滿足尺度不變性的歸一化輪廓中心距特征描述子。

通過上述計算后可以得到圖像A和B的特征描述子

式中，K,H分別表示滿足一定統計間隔且歸一化后的質心距離總點數。當計算出基準圖和實時圖中的歸一化輪廓中心距特征描述子A和B后，本節利用圖像匹配算法中的歐氏距離，對特征描述子按行逐點進行計算

式中，i和j分別表示A和B中的行數。得到描述符后，但由于SAR圖像實際中會受到畸變、噪聲等的干擾，歐氏距離最近的點不一定是準確的匹配輪廓對，因此，可以計算歸一化輪廓中心距特征描述子中歐氏距離行矩陣的最近鄰距離比率(Nearest Neighbor Distance Ratio, NNDR)[20]，定義為

式中，dmin為 最近鄰距離，dn?min為次近鄰距離。若NNDR滿足閾值要求，則最近鄰點為正確匹配輪廓對，否則，認為最近鄰點代表的是錯誤匹配輪廓對。

3.4 基于改進局部二值模式的精匹配

為了得到精確的匹配結果，本節選擇已匹配輪廓中質心距離最大值和最小值對應的兩點，計算LBP算子，通過這一重要的底層特征來直接反映圖像的局部紋理信息，獲得最終的匹配結果[21]。傳統的局部二值模式LBP算子，通過比較中心像素與鄰域像素進行灰度值的閾值運算，得到中心像素和鄰域像素的二值關系，將二值化的鄰域像素值按照一定的編碼規則生成編碼值，最后將編碼值的統計直方圖作為紋理特征描述[22]。傳統的LBP算子表示為

式中，rp為 鄰域像素灰度值；rc為中心像素灰度值；s(x)為閾值化函數。

計算時首先選取3×3大小的8鄰域，然后比較鄰域范圍內中心像素和鄰域像素的灰度值，根據閾值化函數s(x)將鄰域位置賦值為0或1。具體地，比中心像素值大的點賦值為1，比中心像素點小的點賦值為0，得到8個二進制數值，然后，按照一定的編碼規則獲得LBP算子的編碼值。原始LBP算子的閾值化示意圖如圖2所示。

如圖2所示，原始的LBP算子的最大缺陷在于它只覆蓋了一個固定半徑范圍內的小區域，當存在不同尺寸和頻率的紋理特征時，原始LBP算子不能滿足實際匹配需求。為了適應不同尺度的紋理特征，并達到旋轉不變性的要求，本文創新性地利用圓形鄰域代替正方形鄰域，并通過不斷旋轉圓形鄰域得到一系列初始定義的LBP值使得LBP特征具有旋轉不變性，最后取最小值作為該圓域的LBP值。改進的LBP算子表示為

圖2 原始LBP閾值化示意圖

具體實現過程如圖3所示。各算子下方的數字表示該算子對應的LBP值，共展示了8種LBP模式，經過旋轉不變處理，最終獲得具有旋轉不變性的LBP值為15，即8種LBP模式對應的旋轉不變的LBP模式都是00001111。

圖3 LBP旋轉不變模式

綜上所述，對本文所提聯合質心距離和紋理信息的SAR圖像輪廓匹配算法的具體步驟如下：

步驟1 計算得到兩幅圖像中閉合輪廓的歸一化輪廓中心距特征描述子；

步驟2 計算圖像A相對于B的歐氏距離矩陣，并對每一行按NNDR求得最優值；

步驟3 計算圖像B相對于A的歐氏距離矩陣，并對每一行按NNDR求得最優值；

圖4 改進LBP算子精匹配模型圖

步驟4 取步驟 2與步驟 3結果的交集作為正確匹配輪廓對，并用魯棒性強的質心點將兩幅圖像連接；

步驟5 對于步驟 4得到的粗匹配輪廓對，選擇質心距離最大值與最小值的點分別作為中心，構建改進后的LBP算子精匹配模型圖。若特征點的LBP值相同，則證明通過質心距離粗匹配結果正確，將此輪廓對列入正確匹配集合。

步驟6 為了使最終匹配結果可視化，本文將匹配輪廓上滿足紋理信息要求的特殊點連接起來。

算法整體流程如圖5所示。

圖5 算法整體流程圖

4 試驗結果分析

為了驗證本文所提方法的有效性，本節將從閉合輪廓提取結果、提取特征點數量、正確匹配點比率和均方根誤差等幾個方面對所提方法進行考核。作為對比的算法為SURF算法、SIFT-OCT算法、SAR-SIFT算法。測試數據為存在一定畸變的某池塘SAR實測圖像，分辨率均為0.5 m，圖像大小為428×428。試驗內容包括閉合輪廓提取試驗，存在旋轉角度變換的圖像匹配試驗，存在尺度變換的圖像匹配試驗、同時存在旋轉和尺寸變換的圖像匹配試驗、存在灰度差異的圖像匹配試驗，與主流匹配算法進行定量對比分析。

4.1 閉合輪廓提取結果分析

本節選取SAR實測數據，首先對圖像進行預處理及輪廓提取操作，效果如圖6所示。可以看出本文所提圖像預處理方法很好地提取到SAR圖像的閉合輪廓特征，降低了相干斑噪聲等其他因素對后續SAR圖像匹配方法的影響。

圖6 圖像輪廓提取結果

4.2 抗旋轉變換、尺度變換以及灰度差異匹配結果分析

抗旋轉變換性能分析：將SAR圖像旋轉60°后的匹配結果如圖7所示。其中，圖7(a) 是基于質心距離的粗匹配結果，獲得的匹配點對為9對；圖7(b)是基于改進LBP算子的精匹配結果，本文算法最終獲得的匹配點對為11對，正確匹配點對為10對，正確匹配率為90.91%；將SAR圖像每隔5°進行旋轉，旋轉角度從0°～90°，生成一系列具有不同角度差異的待配準圖像與基準圖像進行匹配試驗，本文算法匹配正確率的變化如圖8所示。在兩幅圖像存在旋轉差異的情況下，本文所提算法的匹配正確率均高于83%，具有較好的抗旋轉性。

圖7 SAR圖像旋轉60°時本文算法特征匹配結果

圖8 旋轉角度與正確匹配率關系示意圖

抗尺度變換性能分析：SAR圖像縮放比例為0.7時本文算法特征匹配結果如圖9所示。其中，圖9(a)是基于質心距離的粗匹配結果，獲得匹配點對為7對；圖9(b)是基于改進LBP算子的精匹配結果，本文算法最終獲得的匹配點對為10對，正確匹配點對為9對，正確匹配率為90%；將SAR圖像按照間隔0.1進行尺度變化，尺度變換從1.0～0.1，生成一系列具有不同尺度差異的待配準圖像與基準圖像進行匹配試驗，本文算法匹配正確率的變化如圖10所示，在兩幅圖像存在尺度差異的情況下，本文所提算法的匹配正確率均高于85%，具有較好的抗尺度變換性。

圖9 SAR圖像縮放比為0.7時本文算法特征匹配結果

圖10 尺度因子與匹配正確率關系示意圖

旋轉和尺度同時變化性能分析：SAR圖像縮放比例為0.7，旋轉90°時，本文算法特征匹配結果如圖11所示。其中圖11(a)是基于質心距離的粗匹配結果，獲得匹配點對為6對；圖11(b)是基于改進LBP算子的精匹配結果，本文算法最終獲得的匹配點對為9對，正確匹配點對為8對，正確匹配率為88.89%；將SAR圖像先分別進行40%, 80%倍縮放，然后對每個尺度每隔5°旋轉1次，旋轉角度從0°～90°，生成一系列同時具有旋轉差異和尺度差異的待配準圖像與基準圖像進行匹配試驗，本文算法匹配正確率的變化如圖12所示，在兩幅圖像同時存在尺度差異和旋轉差異的情況下，本文所提算法的匹配正確率均高于80%，具有較好的抗大尺度性能與抗大角度旋轉性能。

圖11 SAR圖像縮放縮放比例0.7、旋轉90°時本文算法特征匹配結果

圖12 尺度因子與匹配正確率關系示意圖

抗灰度差異性能分析：SAR圖像縮放比例為0.7，且添加方差為0.08的乘性斑點噪聲以及高斯噪聲，生成具有不同灰度差異的待配準圖像，本文算法特征匹配結果如圖13所示。圖13(a)是基于質心距離的粗匹配結果，獲得匹配點對為7對；圖13(b)是基于改進LBP算子的精匹配結果，本文算法最終獲得的匹配點對為9對，正確匹配點對為8對，正確匹配率為88.89%；將SAR圖像每隔方差0.01施加乘性斑點噪聲以及高斯噪聲，噪聲方差從0.01～0.1，生成具有不同灰度差異的待配準圖像與基準圖像進行匹配試驗，本文算法匹配正確率的變化如圖14所示，在兩幅圖像存在灰度差異的情況下，本文所提算法的匹配正確率均高于84%，對噪聲引起的灰度變化具有較好的穩定性。

圖13 抗灰度差異性仿真結果

圖14 噪聲方差與匹配正確率關系示意圖

綜上所述，當SAR圖像存在較大角度旋轉變化、較大尺度變化或存在灰度差異時，本文方法能夠獲得較好的匹配正確率，說明本文方法對上述差異具有較強的魯棒性。

4.3 匹配效果對比

為了驗證本文算法相對于已有算法的優越性，這里從匹配點對數、正確匹配對數、匹配正確率、均方根誤差(Root Mean Square Error, RMSE)及執行時間5個方面進行綜合評價。其中，RMSE表征算法的匹配誤差，均方根誤差值越小，說明算法的匹配精度越高，表達式為

上述4種SAR圖像匹配算法的具體匹配結果如圖15所示，其中各分圖中的右圖為基準SAR圖像，左圖為實時SAR圖像。基于匹配結果，對4種算法進行定量分析，分析結果如表1所示。在特征點獲取方面，由于本文受限于閉合輪廓特征，本文方法檢測到的匹配點數較少，但本文所提方法檢測到的匹配點分布均勻且匹配結果的正確率高，能夠達到精匹配的目的。對比表征匹配誤差的RMSE值，本文所提方法的RMSE明顯低于SURF和SIFT-OCT算法，并與經典SAR圖像匹配方法SAR-SIFT算法的RMSE值差別不大，能夠到達精確匹配的目的。對比執行時間，本文所提方法的時間復雜度與其他算法雖然仍在同一量級上，但相對而言降低許多，能夠達到實時匹配的目的。綜上所述，本文算法具有較好的精確性、魯棒性，為后續的定位、目標檢測識別和圖像融合技術提供技術保障。

表1 匹配方法定量比較分析

圖15 4種算法匹配結果

為了進一步驗證本文所提算法的適用性和魯棒性，基于該組測試數據選取不同的匹配誤差允許范圍進行試驗，并對結果進行綜合分析，如圖16所示。該曲線圖為本文所提算法、SIFT-OCT算法、SARSIFT算法以及SURF算法的匹配性能分析圖，橫軸表示算法的誤差容許范圍，縱軸表示匹配結果的正確率。根據圖中曲線可知，本文算法在同樣的誤差容許范圍內匹配正確率最高，具有較好的適用性、魯棒性。

圖16 4種算法匹配性能分析圖

5 結論

為了進一步提高星載與彈載/機載SAR圖像匹配的精確性和魯棒性，本文結合輪廓質心距離和局部二值模式(LBP)算子的優點，提出了一種逐步求精策略下的SAR圖像輪廓匹配新方法。該方法首先通過改進基于模糊C均值聚類的圖像分割方法，增強了輪廓提取過程中對SAR圖像信息的利用率；進而提出一種歸一化輪廓中心距特征描述子，使其滿足平移及尺度不變性等優點；通過輪廓質心距離粗匹配，可找到具有魯棒性的閉合輪廓，提高匹配準確性；基于得到的粗匹配輪廓對，計算質心距離最大點和最小點處的改進LBP值，通過驗證圖像的局部紋理信息以得到精確匹配結果。試驗結果表明，本文所提方法具有精確性高、魯棒性強的優勢，同時，在基準SAR圖像與實時SAR圖像之間具有較大尺度變化和角度變化的情況下，該方法結果優于傳統的算法，具有良好的適用性。