Automatic Registration of Optical and SAR Images Based on Nonlinear Scale-Space Enhancement
-
摘要:
针对异源遥感影像非线性辐射畸变造成的匹配困难问题,提出了基于非线性尺度空间改进的光学与合成孔径雷达（synthetic aperture radar, SAR）影像自动配准方法。首先,通过改进彩色像素对比度计算和线性参数模型,有效增强了影像的对比度信息,提升了光学与SAR影像的辐射一致性,显著提高了同名特征的重复度；其次,利用非线性扩散方程来描述影像扩散特征,改善了高斯尺度空间的边界模糊问题；然后,采用多尺度指数加权均值比算子和Sobel算子分别计算SAR影像和光学影像的梯度信息,继而提取稳定的Harris特征点；最后,联合对数极坐标描述框架生成高区分度特征向量描述子,并通过欧氏距离和快速样本一致性算法剔除误匹配。实验结果表明,相比于经典方法,所提算法在保证精度的情况下能匹配到更多的同名特征点,实现了SAR影像与光学影像的自动和稳健配准。
Abstract:ObjectivesIt is difficult to solve the matching problem between heterogeneous remote sensing images caused by nonlinear radiometric distortions.
MethodsThis paper proposes a nonlinear scale-space enhanced automatic matching method for optical and synthetic aperture radar (SAR) images. First, by modifying the calculation of color pixel contrast, the contrast information of images is effectively enhanced. As a result, the repeatability of corresponding points between optical and SAR images can be improved. Second, a nonlinear diffusion equation is employed to describe the image diffusion characteristics, avoiding the issue of boundary blurring in the Gaussian scale-space. Third, the multi-scale ratio of exponentially weighted averages operator and the Sobel operator are utilized to compute the gradient information of SAR and optical images, respectively, followed by the stable extraction of Harris feature points. Finally, log-polar descriptor framework is employed to compute a high discriminate feature vector, and the outliers are eliminated by Euclidean distance and fast sample consensus algorithm.
ResultsThe experimental results demonstrate that the proposed method can get more matching points and achieve higher matching accuracy, compared with other classic methods.
ConclusionsThe proposed method can realize automatic and robust matching for SAR and optical images.
-
地标是指在一定空间范围内能够被大众熟知, 并且在认知和地理意义上均能成为标志的空间形态[1]。在空间认知过程中, 地标是空间知识表达和推理的重要依据[2], 具有多个方向辨识和记忆的功能：在空间位置描述中能够用来辅助描述待定目标的位置、传递信息; 在路径选择和导航中, 可以有效提高环境的结构化理解, 并逐渐建立路径知识和结构知识[3-6]。
当前地标提取的主要方法是依据相关影响因子来构建显著度模型, 通过计算地物目标的显著度提取地标。Sorrows等[7]将地标定义为地理空间中独立于观察者之外的显著可辨别元素, 同时提出地标具有视觉、结构和语义3方面的显著性, 认为地物能否成为地标应取决于其是否具有强烈的视觉特征、独特的语义和重要的空间位置[8]。一些学者提出并发展了以上述3个指标构成的显著度计算模型, 其中, Raubal和Winter[9]从视觉吸引力、语义吸引力、结构吸引力3个方面来构建显著度计算模型。由于地物所处环境与需求的差异, 需要根据影响因素来计算地物显著性, Caduff和Timpf[10]提出了一种更加复杂的显著度计算模型, 包括感知、认知和场景3种显著性向量和一系列成员变量。为获取能够用于智能化路径引导的层次性空间知识, 赵卫峰等[11]提出了一种利用兴趣点(point of interest, POI)数据在城市环境中提取地标的方法。该方法从公众认知、空间分布和个体特征3个方面分析影响POI显著性的因素, 构建包括公众认知度、城市中心度和特征属性值3个指标向量的POI显著度计算模型。为及时准确地获取用于智慧位置服务的城市层次性空间知识, 王明等[12]从签到次数、签到用户数和用户影响因子等方面讨论POI显著度, 提出一种基于签到数据的POI显著度计算模型。显著度计算模型的核心是通过选取认为重要的多个因子, 并将其置入一维线性空间, 进而分类并加权最终用于评价。特征因子选取的不确定性、地物目标空间分布特征顾及不足, 会使得提取的地标对空间分布的敏感度较弱、相关性不强。
本文有效利用地物目标个体与邻近目标所构成的区域, 将目标高度作为几何形态基础, 以Voronoi图势力范围构建地物目标缝隙, 用于描述目标之间的相互作用。利用地物的Voronoi几何性质, 构建显著性计算模型, 以实现地标提取, 降低特征选取复杂度, 增强提取方法的普适性, 并验证地物目标的几何形态与邻近目标分布对地标提取的重要性。
1 Voronoi复合特征构建
通常情况下, 在不考虑地物特殊语义、结构、文化等因素时, 在可视范围内能够给观察者留下直观印象的往往是那些面积特征、高度特征较为突出的地物, 它们具有较强的视觉感染力和参考性。高度特征作为地物典型几何特征之一, 不仅是直观的视觉信息, 而且是地物在局部空间范围内可视的重要特征[13]。研究表明, 人们在对外界事物的认知中, 87%的信息直接与视觉能力有关, 视觉感受是地标的一个不可分割特征[14]。
1.1 Voronoi图与相关定义
Voronoi图是空间剖分的一种基础几何结构, 它表现为一组生长元同时向四周扩张, 直至相遇所形成的各生长元空间势力范围集合[15-16]。Voronoi图蕴涵邻近与势力范围等许多优良的空间概括性质, 被认为是研究和解决地理信息科学空间关系与空间分析、空间优化配置等相关问题的有力工具[17-20]。
定义1 普通Voronoi图：设点集P={p1(x1, y1)…pn(xn, yn)}⊂R2, 对于p(x, y)∈R2, 存在pi(xi, yi)与pj(xj, yj), 则称式(1)表达的区域为pi的Voronoi区域：
$$ \operatorname{vor}\left(p_{i}\right)=\left\{\left\|p_{i}-p\right\| \leqslant\left\|p_{j}-p\right\|, i \neq j, i, j \in N\right\} $$ (1) 式中, $\left\| {{p_i} - p} \right\| = \sqrt {{{({x_i} - x)}^2} + {{({y_i} - y)}^2}} $。则由式(2)表达的图形称为点集P的Voronoi图：
$$\mathit{\boldsymbol{V}} = \left\{ {{\mathop{\rm vor}\nolimits} \left( {{p_1}} \right) \cdots {\mathop{\rm vor}\nolimits} \left( {{p_n}} \right)} \right\}$$ (2) 空间目标之间的位置邻近包括欧氏距离邻近与Voronoi邻近两种, Voronoi邻近在度量及邻近目标分布方面更具有优势[21]。
定义2 Voronoi邻近：存在空间目标集合O={o1, o2…on}⊂R2, 对于∀oi, oj(i≠j), vor(oi)、vor(oj)分别为目标oi与oj的Voronoi区域, 如果式(3)成立, 则目标oi与oj为Voronoi邻近：
$$ \operatorname{vor}\left(o_{i}\right) \bigcap \operatorname{vor}\left(o_{j}\right) \neq \varnothing $$ (3) 定义3 Voronoi k阶邻近：存在目标集合O={o1, o2…on}⊂R2, 对于∀oi, oj(i≠j), 如果目标oi经过最小Voronoi邻近步数k到达目标oj, 则称oi与oj为Voronoi k阶邻近。
1.2 Voronoi k阶邻域缝隙
Voronoi区域面积在一定程度上反映生长元的影响范围, 同时也受空间范围内的地物密集程度的影响。顾及地物密集程度, 依据Voronoi邻近关系、Voronoi区域面积分布与空间相关性[22-24], 对于独立地物目标, 设其面积为S, Voronoi势力范围面积为Svor, 将其缝隙描述为：
$$q = \frac{{{S_{{\rm{vor}}}} - S}}{{{S_{{\rm{vor}}}}}}$$ (4) 扩展缝隙到k阶邻近地物, 将Voronoi k阶邻域缝隙描述为：
$$Q = q + \mathop \sum \limits_{i = 1}^k \mathop \sum \limits_{j = 1}^n {q_{ij}}$$ (5) 其中, qij为地物目标的k阶邻近目标; n为k阶邻近目标数目。
图 1所示为参考目标与其3阶邻近目标, 斜线填充部分为Voronoi k阶邻域缝隙。图 1与图 2分别表示目标地物与邻近地物处于不同Voronoi k阶邻域缝隙大小下的分布。
1.3 Voronoi k阶邻域可视性
以不同角度进行观察时, 由于地物目标之间相互遮挡, 不同方向上可视性存在差异, 为此, 顾及视角范围内地物之间的相关性, 考虑将空间范围分割为多个可视域来模拟多视角下地物目标的可视性。而Voronoi区域互不重叠, 并且连续覆盖整个二维空间, 这种连续覆盖可将空间地物目标联系起来, 表达目标之间的邻近关系。因此, 依据Voronoi k阶邻近关系进行可视域分割。设地物目标的Voronoi 1阶邻近目标数为m, 以m个目标为基础, 将以该目标为参考的局部空间范围分割为m个可视域。设参考地物为c, 则其k阶邻近地物集合Nk可表示为：
$${N_k} = \left\{ {{\rm{vo}}{{\rm{r}}_1}, {\rm{vo}}{{\rm{r}}_2} \cdots {\rm{vo}}{{\rm{r}}_k}} \right\}$$ (6) 其中, vori为c的i阶邻近地物集合, i≤k：
$${\rm{vo}}{{\rm{r}}_i} = \left\{ {{f_{i1}}, {f_{i2}} \cdots {f_{in}}} \right\}$$ (7) 设|vor1|=m, 则c的可视域描述为:
$$ {V_k} = {\rm{vi}}{{\rm{s}}_1} \cup {\rm{vi}}{{\rm{s}}_2} \cup \cdots \cup {\rm{vi}}{{\rm{s}}_m} $$ (8) 那么, 对于∀f∈visi, ∃f(i－1)n∈vori－1…∃f(1)n∈vor1, 如果式(9)成立：
$$ f \in \operatorname{vor}_{i} \cap \min \left(\sum\left\|f-f_{(m) n}\right\|\right), 1 \leqslant m \leqslant i-1 $$ (9) 则称Vk是c的可视域分割。
图 3中目标a的1阶邻近目标有7个, 对应地可分割为7个可视域, 其中箭头方向为可视域形成的方向。图 4表示可视域7在经过两次分割后的结果示意, 目标f11∈vor1, 目标f21, f22, f23∈vor。
在阶数k一定的条件下, 可视域分割模拟参考地物能够被观察到的概率, 可反映参考目标的重要程度。图 5为目标可视域分割结果。
visi地物集合由部分c的k阶邻近地物构成：
$${\rm{vi}}{{\rm{s}}_i} = \left\{ {{f_{1*}}, {f_{2*}} \cdots {f_{k*}}} \right\}$$ (10) 加入地物的高度, 用fi.h表达高度, 那么visi可根据高度进一步地描述为有序数列形式：
$${\rm{vi}}{{\rm{s}}_i} = \left( {{f_1}, {f_2} \cdots {f_k}} \right), {f_i}.h \le {f_{i + 1}}.h$$ (11) 如果存在对应有序数列d：
$$ d=\left(d_{1}, d_{2} \cdots d_{k}\right), d_{i}=\left\|f_{i}-c\right\| $$ (12) 那么, visi内地物高度变化趋势可以表示为：
$$h = - gd + b$$ (13) 其中, g、b值可用(h, d)估计。当g > 0时, visi内地物高度呈现降低趋势, 认为从该方向观察可视域内其他地物不存在相互遮挡, 表明在该分割方向是可视的, 并且k越大可视性越强; 若g≤0, visi内地物高度呈现逐渐增长或不变趋势, 该分割方向地物之间存在相互遮挡, 表明不可视。
进一步, 用可视的分割数概率度量参考地物c的可视性, 描述为g', 即：
$$ g^{\prime}=|g| / m, g=\left\{\text { vis }_{i}, g_{i}<0\right\} $$ (14) 1.4 地标提取计算
以地物高度、Voronoi k阶邻域缝隙和Voronoi k阶邻域可视性为显著度因子构建显著度计算模型, 计算可视域内地物的显著度。为消除显著度因子因度量方法的差异产生的影响, 对显著度因子进行正规化处理, 其中, 地物高度、Voronoi k阶邻域缝隙变换到区间[0, 1], Voronoi k阶邻域可视性变换到区间[－1, 1]。将显著度模型描述为：
$$ f(X)=w_{1} h+w_{2} / Q+w_{3} g^{\prime} $$ (15) 其中, wi(i∈{1, 2, 3})为权重。
2 对比实验与分析
文献[25]从网页获取地物描述信息, 通过描述语料库对地物进行分类处理, 其提取原理为地标的语言空间词频定量描述。首先根据分词建立地物描述的词与词联系(Graph of Place); 其次将Graph分为环境、商业、旅游与其他4类; 最后建立每个类别的Graph概率描述。当将某个地物的相关描述通过分词与Graph转换为向量后, 即可与已存在Graph构成的向量计算距离, 进而判断类别。与文献[25]方法对比, 依据提取结果的重合度来验证本文方法。选取昆明市二环内部分矢量数据(图 6(a)), 比例尺为1:2 000, 采用当地坐标系, 包含1 918个面状地物, 对应生成的Voronoi图如图 6(b)所示。收集地物的网页形式描述, 根据地物属性分为环境、商业、旅游与其他4类, 并采用搜狗输入法词库进行分词处理(约包含110万个词汇), 得到每类的Graph(分别为1 245、3 543、2 196、1 588个)以及Graph的相关频率。
首先对实验区域内地物进行可视域分割, 并计算Voronoi k阶邻域缝隙和Voronoi k阶邻域可视性, 然后按照显著性度量模型进行地标提取。地物的数据结构中, id为地物目标唯一标识; h、area、areav分别描述地物高度、面积和Voronoi区域面积; kv表示所属参考地物的Voronoi邻近阶数; gv表示所属参考地物的可视分割区域标识。根据式(12), w1、w2、w3分别设为0.4, 0.3, 0.3, 图 7(a)中紫色目标为利用本文方法所提取的地标, 共35个, 图 7(b)中红色目标为利用文献[25]的方法提取的地标, 共42个, 其中本文方法与文献[25]方法地标所占比分别为1.82%与2.18%。两个方法提取的地标重合数量为23个, 重合度为65.71%。
实验结果的重合度随着可视域范围增加而发生变化, 如图 8所示, 地物目标可视范围从Voronoi 1阶变化到10阶, 随着可视域范围变大, 重合度也在逐步增大, 并且最终稳定在65%左右。
![]()
图 8 重合度与可视域范围变化示意图Figure 8. The Diagram of the Relationship Between the Coincidence Rate and the Range of Visibility图 9统计了地标元素及其邻近地物构成的k阶邻域缝隙情况。k阶邻域缝隙较大的地标对应地在图 10中可视性不强, 如地标16、27。而对于k阶邻域缝隙较小的地标, 均具备较强的可视性, 如地标15、28。这表明在地标周围通常会密集存在较多地物, 且它们之间高差较为明显。
![]()
图 10 本文地标提取的可视性示意图Figure 10. Diagram of the Visibility of the Landmarks Extraction in this Paper两种方法的实验结果重合度为65.71%, 表明地物目标的几何形态与邻近目标分布是认知形成地标的主要因素, 说明本文方法是可行的。对比发现, 重合地物主要为云南陆军讲武堂、云南省博物馆、翠湖宾馆及东风大楼。表 1列举了显著性较强的10个地物, 这些地物在实际生活中都具有较强的视觉特征, 可以作为地标。对于未重合的部分地标, 主要原因为, 从Voronoi图出发, 仅考虑将地物高度、缝隙与可视性作为显著性因子; 相较于对比方法, 本文方法并没有对实验区域的地物进行分类处理, 也忽略地物功能性因素和文化语义因素, 造成地标提取结果存在差异。
表 1 地标特征定量化描述Table 1. Quantitative Descriptions of Landmark Feature编号 名称 地物面积/m2 Voronoi面积/m2 高度/m 缝隙 可视性 1 云南陆军讲武堂 1391.02 2527.09 26 2.91 0.71 2 昆明市体育馆 5998.18 7856.72 36 3.01 o.75 3 东风大楼 4858.74 5396.36 71 2.97 0.79 4 金马碧鸡坊 4350.27 5929.61 81 3.48 0.86 5 云南日报社 3742.01 5427.32 72 3.96 0.81 6 云南省博物馆 4011.62 5327.01 89 3.34 0.90 7 云大医院 3921.04 4267.38 91 3.12 0.89 8 东寺塔 3627.05 4516.57 40 3.04 0.76 9 翠湖宾馆 2949.76 3627.32 63 3.07 0.83 10 昆明邮电大楼 6190.04 7834.13 92 4.01 0.91 3 结语
为了有效地提取地标, 多数方法往往通过使用纹理、语义与人文特征将地物嵌入高维空间, 使地标与普通地物之间差异最大化。而本文方法依据平面Voronoi图的性质, 结合可视域分割快速地选取地物几何特征, 并作为显著性因子, 其优点在于：(1)从平面Voronoi图出发来选取显著性影响因子, 降低了特征选择的复杂程度; (2)结合多个可视域的可视性分析, 更符合实际情况中多视角的空间认知。
复合Voronoi几何特征的地标提取方法可作为地标精炼的基础, 并可验证地物目标与其邻近地物目标的几何分布特征对地标的重要性, 地物功能性因素和语义因素将在后续工作中着重研究。
http://ch.whu.edu.cn/cn/article/doi/10.13203/j.whugis20230279 -
![]()
图 2 传统灰度化方法和本文方法的特征检测对比
Figure 2. Comparison of Feature Detection Based on Conventional Grayscale Method and the Proposed Method
表 1 测试数据参数
Table 1 Parameters of Test Data
实验组号 影像 分辨率/m 波段 影像尺寸/像素 获取时间 所属地区 1 光学影像SAR影像 85 —C 900×900770×770 2021-102021-06 江苏盐城 2 光学影像SAR影像 85 —C 774×774600×600 2021-092021-06 江苏盐城 3 光学影像SAR影像 355 —C 1008×858971×802 2021-042021-06 江苏盐城 4 光学影像SAR影像 85 —C 868×850868×759 2022-122022-12 山东烟台 5 光学影像SAR影像 85 —C 974×766899×747 2022-092022-12 山东青岛 6 光学影像SAR影像 355 —C 899×8711065×820 2021-112022-12 山东烟台 
下载: 导出CSV
表 2 实验结果对比
Table 2 Contrast of Experimental Results
实验组号 算法 NCM CMR/% RMSE/像素 耗时/s 1 PSO⁃SIFT[17] 2 — — — OS⁃SIFT[18] 11 0.64 1.982 7 21.499 HAPCG[12] 613 5.15 2.001 0 22.457 本文算法 594 34.02 1.972 4 41.889 2 PSO⁃SIFT[17] 2 0 — — OS⁃SIFT[18] 14 0.85 1.914 6 15.641 HAPCG[12] 106 0.95 1.975 7 17.458 本文算法 175 15.35 1.899 2 38.349 3 PSO⁃SIFT[17] 0 — — — OS⁃SIFT[18] 17 0.55 1.097 7 38.991 HAPCG[12] 116 0.77 1.834 9 31.543 本文算法 172 11.03 1.914 0 47.765 4 PSO⁃SIFT[17] 0 — — — OS⁃SIFT[18] 0 — — — HAPCG[12] 238 2.16 1.931 8 26.121 本文算法 291 22.09 1.981 4 43.576 5 PSO⁃SIFT[17] 0 — — — OS⁃SIFT[18] 30 — — — HAPCG[12] 113 0.99 1.874 7 23.203 本文算法 293 20.23 1.947 0 47.586 6 PSO⁃SIFT[17] — — — — OS⁃SIFT[18] 62 1.95 1.962 3 51.835 HAPCG[12] 66 0.52 2.020 9 26.534 本文算法 139 8.88 1.958 1 44.310
下载: 导出CSV
-
[1] 苗延超, 刘晶红, 刘成龙, 等. 基于改进OS-SIFT的可见光与SAR图像自动配准[J]. 激光与光电子学进展, 2022, 59（2）： 474-484. Miao Yanchao, Liu Jinghong, Liu Chenglong, et al. Automatic Registration of Optical and SAR Images Based on Improved OS-SIFT[J]. Laser & Optoelectronics Progress, 2022, 59（2）： 474-484.
[2] 谢志华, 刘晶红, 孙辉, 等. 可见光图像与合成孔径雷达图像的快速配准[J]. 激光与光电子学进展, 2020, 57（6）： 337-345. Xie Zhihua, Liu Jinghong, Sun Hui, et al. Fast Registration of Visible Light and Synthetic Aperture Radar Images[J]. Laser & Optoelectronics Progress, 2020, 57（6）： 337-345.
[3] Lowe D G. Distinctive Image Features from Scale-Invariant Keypoints[J]. International Journal of Computer Vision, 2004, 60（2）： 91-110.
[4] Harris C, Stephens M. A Combined Corner and Edge Detector[C]//Alvey Vision Conference, Manchester, British, 1988.
[5] 侯翔, 闵连权. 基于SURF特征区域的鲁棒水印算法[J]. 武汉大学学报（信息科学版）, 2017, 42（3）： 421-426. Hou Xiang, Min Lianquan. A Robust Watermarking Algorithm Using SURF Feature Regions[J]. Geomatics and Information Science of Wuhan University, 2017, 42（3）： 421-426.
[6] 王丽娜, 梁怀丹, 王中石, 等. 面向可见光和SAR影像配准的特征点检测[J]. 光学精密工程, 2022, 30（14）： 1738-1748. Wang Li'na, Liang Huaidan, Wang Zhongshi, et al. Feature Point Detection for Optical and SAR Remote Sensing Images Registration[J]. Optics and Precision Engineering, 2022, 30（14）： 1738-1748.
[7] Paul S, Pati U C. Automatic Optical-to-SAR Image Registration Using a Structural Descriptor[J]. IET Image Processing, 2020, 14（1）： 62-73.
[8] Sedaghat A, Mohammadi N. Illumination-Robust Remote Sensing Image Matching Based on Oriented Self-Similarity[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 153： 21-35.
[9] Costantini M, Zavagli M, Martin J, et al. Automatic Coregistration of SAR and Optical Images Exploiting Complementary Geometry and Mutual Information[C]//IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, 2018.
[10] Ye Y X, Shan J, Bruzzone L, et al. Robust Registration of Multimodal Remote Sensing Images Based on Structural Similarity[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55（5）： 2941-2958.
[11] Ye Y X, Wang M M, Hao S Y, et al. A Novel Keypoint Detector Combining Corners and Blobs for Remote Sensing Image Registration[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 18（3）： 451-455.
[12] 姚永祥, 张永军, 万一, 等. 顾及各向异性加权力矩与绝对相位方向的异源影像匹配[J]. 武汉大学学报（信息科学版）, 2021, 46（11）： 1727-1736. Yao Yongxiang, Zhang Yongjun, Wan Yi, et al. Heterologous Images Matching Considering Anisotropic Weighted Moment and Absolute Phase Orientation[J]. Geomatics and Information Science of Wuhan University, 2021, 46（11）： 1727-1736.
[13] 崔志祥, 蓝朝桢, 张永显, 等. 一种热红外与可见光影像深度特征匹配方法[J]. 武汉大学学报（信息科学版）, 2023, 48（2）： 316-324. Cui Zhixiang, Lan Chaozhen, Zhang Yongxian, et al. A Method Based on Depth Features for Matching Thermal Infrared Images with Visible Images[J]. Geomatics and Information Science of Wuhan University, 2023, 48（2）： 316-324.
[14] 纪松, 张永生, 杨喆, 等. 半全局约束下的多基线立体影像MVLL匹配方法[J]. 武汉大学学报（信息科学版）, 2023, 48（1）： 155-164. Ji Song, Zhang Yongsheng, Yang Zhe, et al. MVLL Match Method for Multi-baseline Stereo Imagery Based on Semi-global Constraint[J]. Geomatics and Information Science of Wuhan University, 2023, 48（1）： 155-164.
[15] 刘肃艳, 王竞雪, 沈昭宇, 等. 结合线对几何特征及单线描述符约束的直线匹配算法[J]. 武汉大学学报（信息科学版）, 2023, 48（6）： 936-949. Liu Suyan, Wang Jingxue, Shen Zhaoyu, et al. Line Matching Algorithm Based on Pair-Wise Geometric Features and Individual Line Descriptor Constraints[J]. Geomatics and Information Science of Wuhan University, 2023, 48（6）： 936-949.
[16] 王蒙蒙, 叶沅鑫, 朱柏, 等. 基于空间约束和结构特征的光学与SAR影像配准[J]. 武汉大学学报（信息科学版）, 2022, 47（1）： 141-148. Wang Mengmeng, Ye Yuanxin, Zhu Bai, et al. An Automatic Registration Method for Optical and SAR Images Based on Spatial Constraint and Structure Features[J]. Geomatics and Information Science of Wuhan University, 2022, 47（1）： 141-148.
[17] Ma W P, Wen Z L, Wu Y, et al. Remote Sensing Image Registration with Modified SIFT and Enhanced Feature Matching[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14（1）： 3-7.
[18] Xiang Y M, Wang F, You H J. OS-SIFT： A Robust SIFT-Like Algorithm for High-Resolution Optical-to-SAR Image Registration in Suburban Areas[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56（6）： 3078-3090.
[19] Lu C W, Xu L, Jia J Y. Real-time Contrast Preserving Decolorization[C]//SIGGRAPH Asia 2012 Technical Briefs, Singapore, 2012.
[20] 马晓珂. 基于非线性尺度空间的图像特征提取与匹配算法研究[D]. 开封： 河南大学, 2019. Ma Xiaoke. Research on Image Feature Extraction and Matching Algorithm Based on Nonlinear Scale Space[D]. Kaifeng： Henan University, 2019.
[21] 钟志, 郑云天, 张扬, 等. 基于单目视觉的水下目标三维重建实验设计[J]. 实验技术与管理, 2022, 39（7）： 30-36. Zhong Zhi, Zheng Yuntian, Zhang Yang, et al. 3D Reconstruction Method of Underwater Targets Based on Monocular Vision[J]. Experimental Technology and Management, 2022, 39（7）： 30-36.
[22] Sobel I. Neighborhood Coding of Binary Images for Fast Contour Following and General Binary Array Processing[J]. Computer Graphics and Image Processing, 1978, 8（1）： 127-135.
[23] Fjortoft R, Lopes A, Marthon P, et al. Different Approaches to Multiedge Detection in SAR Images[C]//IEEE International Geoscience and Remote Sensing Symposium, Singapore, 1997.
[24] Perona P, Malik J. Scale-Space and Edge Detection Using Anisotropic Diffusion[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1990, 12（7）： 629-639.
[25] Weickert J, Romeny B H, Viergever M A. Efficient and Reliable Schemes for Nonlinear Diffusion Filtering[J]. IEEE Transactions on Image Processing, 1998, 7（3）： 398-410.
[26] Wu Y, Ma W P, Gong M G, et al. A Novel Point-Matching Algorithm Based on Fast Sample Consensus for Image Registration[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12（1）： 43-47.
-
期刊类型引用(4)
1. 陈玥雯，于沁弘，陈靖雯，陈冰滢，李霄鹤. 传统村落地标景观显著度评价指标体系构建与应用. 福建林业科技. 2024(03): 124-130 . 
百度学术
2. 周媛，周瑄. 基于计算机图形学的按键布局设计方法研究. 设计. 2023(02): 124-127 . 百度学术
3. 吕峥，孙群，赵国成，陆川伟，胡健健. 顾及方向关系的农村居民地聚类方法. 武汉大学学报(信息科学版). 2023(04): 631-638 . 百度学术
4. 何阳，闫浩文，王卓，王小龙. 面向微地图的地标提取方法及个性化寻路应用. 地球信息科学学报. 2022(05): 827-836 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 376
- HTML全文浏览量: 65
- PDF下载量: 92
- 被引次数: 7
