配準(zhǔn)是合成孔徑雷達(dá)干涉測量（In SAR）得到干涉圖前的關(guān)鍵步驟。本文提出了基于SIFT和RANSAC的In SAR影像配準(zhǔn)。尺度不變特征變換（SIFT）和隨機采樣一致性（RANSAC）相結(jié)合,得到特征穩(wěn)定、匹配點對可靠的In SAR影像配準(zhǔn)。利用PALSAR數(shù)據(jù)及Terra SAR-X數(shù)據(jù),進(jìn)行不同分辨率、不同波段的SAR影像配準(zhǔn)試驗,結(jié)合生成的干涉圖條紋的清晰程度,評價其精度。并與目前主流的交叉互相關(guān)方法得到的相干系數(shù)進(jìn)行了對比,證明了該方法在In SAR影像配準(zhǔn)應(yīng)用中是一種簡單、有效的方法。 

【文章來源】：測繪通報. 2015,(12)北大核心CSCD

【文章頁數(shù)】：4 頁

【部分圖文】：

PALSAＲ數(shù)據(jù)生成的干涉圖

94．155－0．0011323－6．0454e-0058．8714e-0087．6932e-0088．0247e-00962．4010．0010803－4．1519e-006－1．1592e-007－5．7026e-0087．6147e-008TerraSAＲ-X交叉互相關(guān)SIFT_ＲANSAC70．335700．0000e+0000．0000e+0000．0000e+000－1．9805e-0074．3406e-00832．326660．0000e+0000．0000e+0000．0000e+000－2．0196e-007－1．0252e-00770．366－0．00033798－0．000701262．9442e-0075．5943e-0074．8062e-00732．0910．00048910．0010749－5．584e-007－3．6696e-007－7．7958e-007圖1PALSAＲ數(shù)據(jù)生成的干涉圖圖2TerraSAＲ數(shù)據(jù)生成的干涉圖分別利用本文提出的方法及交叉互相關(guān)法計算的偏移參數(shù)對副影像重采樣，并計算得到主副影像相干圖，相干圖中每個像元值為0～1，表征其相干系數(shù)。對得到的相干圖中相干系數(shù)進(jìn)行直方圖統(tǒng)計，如圖3、圖4所示，圖中左邊柱狀為交叉互相關(guān)方法，右邊柱狀為本文提出的方法得到的結(jié)果。其中PALSAＲ數(shù)據(jù)為徐州地區(qū)，影像覆蓋地區(qū)丘陵較多，中間一片是湖泊，兩幅影像時間基線相對較長相干性較低。TerraSAＲ-X數(shù)據(jù)位榆林地區(qū)，影像覆蓋地區(qū)沙土較多，建筑物較少，兩幅影像時間基線較短，相干性較好。從圖中可以看出這本文提出的方法應(yīng)用于這兩組不同波長、不同分辨率得到的效果與GAMMA軟件中交叉互相方法得到的結(jié)果高度擬合，證明了本文提出的方法的可靠性。五、結(jié)束語SIFT算法在旋轉(zhuǎn)、縮放、遮擋等不利因素下仍然能夠穩(wěn)定地配準(zhǔn)兩幅影像，ＲANSAC算法能夠穩(wěn)健地判斷適應(yīng)于模型的數(shù)據(jù)點的內(nèi)點和外點。本文利用SIFT算法特征提取的穩(wěn)定性及ＲANSAC算法32測繪通報2015年第12期

苯擁玫窖竅裨?吶渥季?齲???避免了利用軌道信息配準(zhǔn)中軌道參數(shù)的誤差對配準(zhǔn)結(jié)果造成的影響。由于在尋找同名點中，需要計算主影像上一個特征點與副影像上所有特征點的距離，時間消耗較大，且ＲANSAC算法效率依賴于局外點比例，以及模型參數(shù)的維度，為了滿足置信度，需要增加迭代次數(shù)，這也降低了計算效率�？紤]到InSAＲ偏移量較小，且?guī)缀鯖]有旋轉(zhuǎn)，且仿射變換模型參數(shù)維度相對較小，而SIFT算法得到的局外點比例較低，因此該方法的效率相對較高，若要處理大的InSAＲ影像，大的多視比例或分塊處理是個可行的選擇。圖3PALSAＲ-1干涉圖相干性直方圖圖4TerraSAＲ-X干涉圖相干性直方圖參考文獻(xiàn):［1］王超，張紅，劉智．星載合成孔徑雷達(dá)干涉測量［M］．北京:科學(xué)出版社，2002．［2］常青，張斌，邵金玲．基于SIFT和ＲANSAC的特征圖像匹配方法［J］．華東理工大學(xué)學(xué)報:自然科學(xué)版，2012(6):747-751．［3］喻小東，郭際明，黃長軍，等．基于SIFT算法的In-SAＲ影像配準(zhǔn)方法試驗研究［J］．遙感信息，2013(2):66-69．［4］LOWED．ObjectＲecognitionfromLocalScaleInvariantFeature［C］∥ProceedingsofInternationalConferenceonComputerVision．Kerkyra:［s．n．］，1999:1150-1157．［5］LOWED．DistinctiveImageFeaturesfromScale-invari-antKeypoints［J］．IJCV，2004，60(2):91-110．［6］尤紅建，付昆．合成孔徑雷達(dá)圖像精準(zhǔn)處理［M］．北京:科學(xué)出版社，2011．［7］FISCHLEＲMA，BOLLESＲC．ＲandomSampleCon-sensus:AParadigmforModelFittingwithApplicationstoImageAnalysisandAutomatedCartography［J］．Com-municationsACM，1981，24(6):381-395．［8］胡偉，盧小平，李珵，等．基于改進(jìn)ＲANSAC算法的屋頂激光點

【參考文獻(xiàn)】：
期刊論文
[1]利用升降軌道SAR數(shù)據(jù)獲取DEM的試驗研究[J]. 王琴,陳蜜,劉書軍,張鵬程.  測繪通報. 2015(06)
[2]低空UAV激光點云和序列影像的自動配準(zhǔn)方法[J]. 陳馳,楊必勝,彭向陽.  測繪學(xué)報. 2015(05)
[3]基于MSER的SAR影像配準(zhǔn)算法[J]. 程丹,范洪冬,鄧喀中,姚國標(biāo).  測繪通報. 2014(12)
[4]基于SIFT算法的InSAR影像配準(zhǔn)方法試驗研究[J]. 喻小東,郭際明,黃長軍,袁長征.  遙感信息. 2013(02)
[5]基于SIFT和RANSAC的特征圖像匹配方法[J]. 常青,張斌,邵金玲.  華東理工大學(xué)學(xué)報(自然科學(xué)版). 2012(06)
[6]基于改進(jìn)RANSAC算法的屋頂激光點云面片分割方法[J]. 胡偉,盧小平,李珵,賈智樂.  測繪通報. 2012(11)
[7]SURF算法和RANSAC算法相結(jié)合的遙感圖像匹配方法[J]. 陳藝蝦,孫權(quán)森,徐煥宇,耿蕾蕾.  計算機科學(xué)與探索. 2012(09)
[8]RANSAC算法的自適應(yīng)Tc,d預(yù)檢驗[J]. 田文,王宏遠(yuǎn),徐帆,方磊.  中國圖象圖形學(xué)報. 2009(05)



本文編號：3131205