關(guān)澤群，周敏璐，王建梅

（1.同濟(jì)大學(xué) 測繪與地理信息學(xué)院，上海 200092；2.同濟(jì)大學(xué) 遙感與空間信息技術(shù)研究中心，上海 200092）

隨著光學(xué)、紅外、SAR、激光等不同傳感器的涌現(xiàn)與應(yīng)用，對同一地區(qū)多時(shí)相、多傳感器、多平臺(tái)、多分辨率遙感圖像的獲取變得越來越容易.圖像配準(zhǔn)作為多源遙感圖像處理的關(guān)鍵支撐技術(shù)，直接影響后續(xù)圖像融合、變化檢測、信息整合等應(yīng)用的精度和有效性.而不同傳感器的成像機(jī)理差異較大，獲取圖像的時(shí)間、視角也不同，使得多源圖像上特征的表現(xiàn)形式各異，因此，異質(zhì)遙感圖像配準(zhǔn)成為目前多源遙感圖像處理的研究熱點(diǎn)和難點(diǎn)，光學(xué)和SAR圖像因其顯著的互補(bǔ)性成為其中的研究重點(diǎn).

傳統(tǒng)的配準(zhǔn)方法主要有基于區(qū)域和基于特征的兩大類方法［1］.基于區(qū)域的方法通常采用灰度的相似性度量進(jìn)行配準(zhǔn)［2］，但對異質(zhì)圖像上的灰度信息變化非常敏感，難以取得有效的配準(zhǔn)結(jié)果.基于特征的方法則分別提取兩幅圖像的特征后，進(jìn)行同名特征的匹配［3］，但這類算法的前提是兩幅圖像的同名特征必須共同存在，且被精確提取，這在特征表現(xiàn)差異較大（多處特征反轉(zhuǎn)或消失）的異質(zhì)圖像上較難實(shí)現(xiàn).針對這個(gè)問題，Keller［4－5］在研究多態(tài)醫(yī)學(xué)圖像配準(zhǔn)時(shí)，提出了基于隱含相似性的配準(zhǔn)思想，將傳統(tǒng)配準(zhǔn)需對兩幅圖像提取特征和復(fù)雜的同名特征匹配過程簡化為僅需在一幅圖像上提取特征，而在另一幅圖像上完成配準(zhǔn)參數(shù)迭代搜索的過程，有效避免兩幅圖像間的交互匹配，非常適用于特征差異較大的異質(zhì)圖像配準(zhǔn).李孟君［6］在改進(jìn)參數(shù)搜索算法的基礎(chǔ)上，首次將這種隱含相似性配準(zhǔn)應(yīng)用到光學(xué)和SAR圖像上，并取得了較好的配準(zhǔn)結(jié)果.

但是，已有的研究［4－6］在處理光學(xué)圖像時(shí)，將高梯度幅值點(diǎn)集作為圖像特征，未能從整體上保留圖像結(jié)構(gòu)，也未忽略孤立噪聲點(diǎn)的影響；在處理SAR圖像時(shí)，未強(qiáng)調(diào)SAR斑點(diǎn)噪聲對隱含相似性配準(zhǔn)算法的決定性影響；在優(yōu)化搜索配準(zhǔn)參數(shù)時(shí)，Keller［4－5］采用的牛頓迭代法，易陷入局部最優(yōu)，且必須在提供較準(zhǔn)確粗配準(zhǔn)的前提下，才能進(jìn)行局部尋優(yōu)，雖然李孟君［6］采用遺傳算法進(jìn)行了改進(jìn)，但是仍不能保證全局最優(yōu)，且算法操作復(fù)雜，也不是最佳的搜索算法.

因此，本文采用Canny邊緣檢測算子優(yōu)化高梯度幅值特征點(diǎn)集的提取過程，保證圖像結(jié)構(gòu)特征的完整性；考慮SAR斑點(diǎn)噪聲是影響整個(gè)配準(zhǔn)算法的關(guān)鍵，因此引入聯(lián)合馬爾可夫模型來提高去噪質(zhì)量，為后續(xù)光學(xué)和SAR圖像配準(zhǔn)提供有效的數(shù)據(jù)支持；以原理簡單、全局搜索性能更佳的改進(jìn)量子粒子群算法進(jìn)一步優(yōu)化配準(zhǔn)參數(shù)的搜索過程，最終實(shí)現(xiàn)基于隱含相似性光學(xué)和SAR異質(zhì)圖像的高精度配準(zhǔn).

1 隱含相似性配準(zhǔn)及其改進(jìn)

Keller首次提出了隱含相似性的概念［4－5］，認(rèn)為在兩幅圖像的共同場景中，雖然不同傳感器下的灰度、特征表現(xiàn)各不相同，但在一定程度上存在著物理結(jié)構(gòu)的相似性.因此，若把包含這類隱含相似特征的點(diǎn)集提取出來，并根據(jù)這種相似性構(gòu)建配準(zhǔn)測度，最終可實(shí)現(xiàn)異質(zhì)圖像的配準(zhǔn)，這就是隱含相似性的配準(zhǔn)思想.

已有的研究［4－6］認(rèn)為，對于圖像中由前20%梯度幅值最大的像素點(diǎn)構(gòu)成的點(diǎn)集，可將其物理意義看作是圖像中大量基本結(jié)構(gòu)特征和少量孤點(diǎn)噪聲的代表，并涵蓋了配準(zhǔn)所需的隱含相似特征.不同于高梯度幅值點(diǎn)集，本文引入具有優(yōu)良邊緣檢測能力的Canny算子，改進(jìn)圖像隱含相似特征的提取方法，能在一定程度上抑制孤點(diǎn)噪聲，又保證了圖像結(jié)構(gòu)特征的完整性，為后續(xù)的像素遷移提供有效的數(shù)據(jù)支持.

由于SAR使用相干波照射物體，各個(gè)目標(biāo)單元的隨機(jī)散射信號相互疊加，因此在SAR圖像上遍布相干斑噪聲，嚴(yán)重影響SAR圖像的特征提取、配準(zhǔn)、目標(biāo)識(shí)別和融合等處理以及應(yīng)用［7］.現(xiàn)有的隱含相似性配準(zhǔn)，并沒有強(qiáng)調(diào)SAR斑點(diǎn)噪聲的影響［4－6］.而本文認(rèn)為噪聲占據(jù)著整幅圖像的梯度最大值位置，當(dāng)隱含相似性配準(zhǔn)以特征點(diǎn)集的梯度平方和（sum of squared-gradient，SSG）作為配準(zhǔn)測度時(shí)，SAR 斑點(diǎn)噪聲的大量存在會(huì)直接影響配準(zhǔn)算法對最大SSG值的確定過程，使得配準(zhǔn)參數(shù)搜索停止在非最優(yōu)的位置，導(dǎo)致圖像的誤配準(zhǔn).因此，SAR斑點(diǎn)噪聲是隱含相似性配準(zhǔn)的重要影響因素，本文將SAR圖像去噪方法作為一個(gè)研究重點(diǎn)，目的是去除斑點(diǎn)噪聲的同時(shí)也盡可能多地保留邊緣細(xì)節(jié)信息，為實(shí)現(xiàn)SAR圖像上配準(zhǔn)參數(shù)的優(yōu)化搜索提供可靠的數(shù)據(jù)源.

基于隱含相似性光學(xué)和SAR圖像的整個(gè)配準(zhǔn)過程如圖1所示.

圖1 基于隱含相似性的配準(zhǔn)過程Fig.1 Registration process based on implicit similarity

2 引入馬爾可夫的SAR圖像去噪

目前成像后SAR圖像斑點(diǎn)去噪主要有空域和頻域兩種方法［8］.前者是直接以圖像為處理對象，有傳統(tǒng)非模型的均值濾波、中值濾波，和基于模型的Lee，Kuan，F(xiàn)rost濾波等.后者是對原始圖像進(jìn)行頻域變換后，在頻域內(nèi)根據(jù)斑點(diǎn)噪聲和信號的不同頻譜特性進(jìn)行濾波，近些年發(fā)展起來的小波變換因其頻域多尺度特性而被廣泛用于圖像去噪.其中小波域隱馬爾可夫樹模型（hidden markov tree，HMT）［9－10］成功地描述了圖像小波系數(shù)在尺度間的相關(guān)性和依賴性，能進(jìn)一步提高傳統(tǒng)方法的去噪質(zhì)量.李喬亮針對隱馬爾可夫樹模型忽略了尺度內(nèi)小波系數(shù)的相關(guān)性問題而提出了聯(lián)合馬爾可夫模型（joint markov model，JMM）［11］，在 HMT 的 基 礎(chǔ)上，對小波系數(shù)進(jìn)行馬爾可夫隨機(jī)場鄰域聚類，更真實(shí)地?cái)M合了小波系數(shù)的空間分布，從而更好地還原無噪圖像.

考慮到SAR斑點(diǎn)噪聲對基于隱含相似性配準(zhǔn)算法的重要影響，即斑點(diǎn)噪聲的大量存在會(huì)直接影響算法對梯度平方和配準(zhǔn)測度的極值搜索，得到錯(cuò)誤的配準(zhǔn)結(jié)果，因此本文將通過具體的實(shí)驗(yàn)對引入馬爾可夫的HMT去噪、JMM去噪和傳統(tǒng)的均值濾波、中值濾波和小波軟閾值去噪［12］進(jìn)行比較分析，以確定一種最為有效的方法，能同時(shí)兼顧斑點(diǎn)噪聲的抑制和邊緣細(xì)節(jié)信息的保持，為后續(xù)光學(xué)和SAR圖像的配準(zhǔn)提供可靠的數(shù)據(jù)源.

3 基于量子粒子群算法的配準(zhǔn)參數(shù)優(yōu)化搜索

針對已有隱含相似性配準(zhǔn)研究［4－6］利用牛頓迭代法或遺傳算法搜索配準(zhǔn)參數(shù)的不足，粒子群算法（particle swarm optimization，PSO）具有原理更簡單，沒有“交叉”和“變異”的復(fù)雜操作，信息共享機(jī)制更全局，搜索更高效［13］等優(yōu)點(diǎn)，在此基礎(chǔ)上的量子粒子群算法（quantum particle swarm optimization，QPSO）［14］進(jìn)一步降低搜索陷入局部最優(yōu)的可能性，在實(shí)現(xiàn)全局最優(yōu)搜索的同時(shí)，將原來復(fù)雜的位移－速度更新模型簡化為僅需對位移的更新，將原有的3個(gè)控制參數(shù)簡化為僅需1個(gè).

引入全局尋優(yōu)性更強(qiáng)、更易實(shí)現(xiàn)的QPSO算法實(shí)現(xiàn)圖像配準(zhǔn)，首先需根據(jù)具體問題，確定粒子群規(guī)模N和搜索空間維數(shù)d；并在一定的參數(shù)范圍內(nèi)，確立隨機(jī)初始化粒子的位置；然后根據(jù)位移更新模型（見公式（1）～（4））進(jìn)行優(yōu)化搜索，尋找使粒子適應(yīng)度函數(shù)最大的位置，獲取最優(yōu)解.本文將配準(zhǔn)參數(shù)記錄于粒子的位置坐標(biāo)中，并將梯度平方和SSG值作為粒子的適應(yīng)度大小，通過改進(jìn)粒子初始化范圍和控制參數(shù)α的確定過程，實(shí)現(xiàn)基于隱含相似性的改進(jìn)QPSO算法，完成配準(zhǔn)參數(shù)的優(yōu)化搜索過程.

式（1）～ （4）中：x′i為 第i個(gè) 粒 子 的 新 位 置，x′i＝（xi1，xi2，…，xid），i＝1，2，…，N（d為搜索空間維數(shù)，即配準(zhǔn)參數(shù)的個(gè)數(shù)；N為粒子的總個(gè)數(shù)）；xi為第i個(gè)粒子的原位置；Pi為第i個(gè)粒子的最佳適應(yīng)值與整個(gè)粒子群的最佳適應(yīng)值之間的一個(gè)隨機(jī)位置，即為新位置x′i的更新提供隨機(jī)化過程；α為收縮擴(kuò)張系數(shù)，控制著QPSO算法的收斂性，因此又稱為整個(gè)算法的控制參數(shù)，α1為其初始值，α2為其最終值；Ci為第i個(gè)粒子已搜索得到的最佳適應(yīng)值的中間位置；Ai為第i個(gè)粒子的最佳適應(yīng)值；B為整個(gè)粒子群的最佳適應(yīng)值；u，φ為0～1之間的隨機(jī)數(shù)；T為當(dāng)前搜索次數(shù)；S為定義的最大迭代次數(shù).

3.1 確定粒子初始化范圍

在粒子的初始化過程中，需要根據(jù)先驗(yàn)信息（即粗配準(zhǔn)參數(shù)），定義初始參數(shù)范圍.由于初始化過程的隨機(jī)性，決定了無需準(zhǔn)確的粗配準(zhǔn)結(jié)果，因此本文通過易于實(shí)現(xiàn)的人工選點(diǎn)方式，簡單確定粗配準(zhǔn)參數(shù).隨后的初始參數(shù)范圍，一般需要定義足夠大的區(qū)間，以保證涵蓋最優(yōu)解，但在基于隱含相似性的配準(zhǔn)思想中，由于以SSG測度作為粒子的適應(yīng)度，若初始范圍過大會(huì)使得特征點(diǎn)集遷移過程出現(xiàn)越界、聚集等不良現(xiàn)象，特別是后者可能出現(xiàn)多個(gè)特征點(diǎn)映射到一個(gè)梯度很大點(diǎn)上的極端現(xiàn)象，使得當(dāng)搜索到SSG最大時(shí)，得到的是病態(tài)解.可見定義一個(gè)有效的初始參數(shù)范圍十分重要.本文考慮到旋轉(zhuǎn)縮放參數(shù)對越界、聚集不良現(xiàn)象的直接影響，采用由整體到局部的搜索策略來確定旋轉(zhuǎn)縮放參數(shù)的范圍.首先定義一個(gè)較大的參數(shù)范圍，然后線性分段為若干個(gè)局部范圍，通過比較各局部最優(yōu)解下的最終SSG取值大小和遷移點(diǎn)集與搜索圖的疊加效果，選擇其中最優(yōu)的局部范圍，作為粒子的初始化范圍，這樣既保證了大參數(shù)范圍的前提，又保證了是在良態(tài)下實(shí)現(xiàn)最優(yōu)配準(zhǔn)參數(shù)的優(yōu)化搜索.而對影響甚小的平移參數(shù)則采用統(tǒng)一的全局搜索范圍.

3.2 合理選擇控制參數(shù)

在QPSO算法的粒子進(jìn)化過程中（見公式（1）），僅含唯一未知的參數(shù)α，為QPSO的收縮擴(kuò)張系數(shù)，控制著整個(gè)算法的收斂性.但是在多數(shù)實(shí)驗(yàn)中常取經(jīng)驗(yàn)的初始值α1＝1.0，最終值α2＝0.5，并未討論其余取值及收斂情況.因此，本文將在具體實(shí)驗(yàn)中詳細(xì)討論控制參數(shù)α的不同取值，通過比較不同參數(shù)下粒子適應(yīng)度函數(shù)的迭代曲線，來合理選擇參數(shù)取值，保證QPSO算法的收斂性.

4 算法流程

本文利用Canny算子改進(jìn)特征點(diǎn)集的提取過程，引入聯(lián)合馬爾可夫模型強(qiáng)化SAR圖像的去噪效果，用改進(jìn)后的量子粒子群優(yōu)化搜索算法實(shí)現(xiàn)光學(xué)和SAR圖像的最優(yōu)配準(zhǔn)，具體的算法流程如下：

（1）圖像選取.為了避免直接對復(fù)雜的SAR圖像進(jìn)行特征提取，同時(shí)提高SSG搜索遍歷的精度，將分辨率較低、易于處理的光學(xué)圖像作為特征提取圖，而將分辨率較高、不易處理的SAR圖像作為無需進(jìn)行特征提取的搜索圖.

（2）圖像裁剪.在光學(xué)圖像上裁剪共同區(qū)域作為實(shí)驗(yàn)圖像，而在SAR圖像上為保證引入馬爾可夫去噪時(shí)需要的小波全尺度分解，圖像大小要求為2的整數(shù)冪，如256，512等.

（3）光學(xué)特征提取.在光學(xué)圖像上，采用Canny邊緣檢測算子，獲取包含隱含相似特征的點(diǎn)集.

（4）SAR去噪.對SAR圖像作對數(shù)變換，變乘性噪聲為加性噪聲，并通過實(shí)驗(yàn)比較分析后，選擇一種最為有效的去噪方法來實(shí)現(xiàn)SAR圖像去噪.

（5）確定配準(zhǔn)模型.本文選取6參數(shù)的仿射變換作為配準(zhǔn)模型，見公式（5），其中p1，p2，p3，p4，p5，p6為仿射變換參數(shù)，即配準(zhǔn)參數(shù).

（6）定義QPSO算法.確定QPSO的初始配準(zhǔn)參數(shù)范圍與合理的控制參數(shù)取值，定義搜索粒子數(shù)和最大迭代次數(shù).

（7）配準(zhǔn)參數(shù)優(yōu)化搜素.在QPSO算法下，首先隨機(jī)初始化解空間中的配準(zhǔn)參數(shù)并記錄于粒子坐標(biāo)中，將光學(xué)圖像上的特征點(diǎn)集遷移到SAR圖像上，并基于SAR的梯度圖計(jì)算遷移點(diǎn)集在SAR圖像上的梯度平方和值作為每個(gè)粒子的適應(yīng)度大小.然后利用公式（1）～（4）不斷更新粒子位置，調(diào)整適應(yīng)度大小，直至所有粒子收斂，此時(shí)達(dá)到配準(zhǔn)測度SSG最大值位置，認(rèn)為是兩幅圖像對應(yīng)結(jié)構(gòu)特征最相似的位置，此時(shí)對應(yīng)的粒子坐標(biāo)即為最優(yōu)配準(zhǔn)參數(shù).

（8）精度評價(jià).從定性分析角度，對光學(xué)特征點(diǎn)集在最優(yōu)配準(zhǔn)參數(shù)下遷移到SAR的疊加圖和配準(zhǔn)后的光學(xué)重采樣圖進(jìn)行目視評價(jià).從定量分析角度，通過人工選擇一定數(shù)量的檢查點(diǎn)（一般選10～15個(gè)），進(jìn)行配準(zhǔn)點(diǎn)位誤差和均方根誤差（root mean squared error，RMSE）的計(jì)算，以此衡量配準(zhǔn)精度.具體的RMSE計(jì)算見公式（6），其中n為檢查點(diǎn)個(gè)數(shù)，（xi，yi）為光學(xué)圖像坐標(biāo)，為SAR圖像坐標(biāo).

5 實(shí)驗(yàn)與分析

基于上述算法流程，本文以256×256像素的光學(xué)圖像（圖2a），和512×512像素的SAR圖像（圖2b）為例，進(jìn)行配準(zhǔn)實(shí)驗(yàn).

首先在光學(xué)圖像上基于Canny算子提取特征點(diǎn)集，如圖2c所示.

圖2 待配準(zhǔn)圖像及其特征點(diǎn)集與參考圖像Fig.2 Image to be registrated and its feature points as well as the reference image

然后比較5種不同方法下的去噪效果（定性定量評價(jià)如圖3和表1所示），在盡可能保留邊緣細(xì)節(jié)信息的前提下，選擇平滑效果最佳的聯(lián)合馬爾可夫模型進(jìn)行SAR圖像的去噪，并將圖3f的JMM去噪結(jié)果圖用于后續(xù)配準(zhǔn)實(shí)驗(yàn).

圖3 不同方法的去噪結(jié)果Fig.3 The comparison of denoising images by different methods

表1 不同方法的去噪評價(jià)指標(biāo)比較Tab.1 The comparison of denoising evaluation indexes by different methods

接著確定QPSO算法的粒子初始化范圍和控制參數(shù)取值：①在表2的基礎(chǔ)上，根據(jù)整體到局部的搜索策略，將旋轉(zhuǎn)縮放參數(shù)范圍線性分為5段，通過比較最終SSG取值大?。ū?所示）、遷移點(diǎn)集與搜索圖的疊加效果（圖4所示）及其量化指標(biāo)RMSE（表4所示），來確定最優(yōu)的局部范圍，即旋轉(zhuǎn)縮放參數(shù)為［－0.1，0.1］，平移參數(shù)為［－50，50］。②對于控制參數(shù)α，分別改變?chǔ)?和α2的取值（如圖5a～5d和圖5e～5g所示），比較所有粒子SSG值的收斂性，確定最優(yōu)的參數(shù)為α1＝0.5和α2＝0.

表2 確定粒子初始化范圍的基本參數(shù)Tab.2 Basic parameters to determin initial ranges of particles

表3 旋轉(zhuǎn)縮放參數(shù)在不同局部范圍下的SSG取值Tab.3 Final SSG values with different local ranges of rotation-scale parameters

表4 旋轉(zhuǎn)縮放參數(shù)在不同局部范圍下的配準(zhǔn)均方根誤差Tab.4 RMSE values with different local ranges of rotation-scale parameters

圖4 旋轉(zhuǎn)縮放參數(shù)在不同局部范圍下遷移點(diǎn)集與搜索圖的疊加效果Fig.4 Overlay images with different local ranges of rotation-scale parameters

圖5 不同參數(shù)下所有粒子的SSG迭代曲線Fig.5 SSG iterative curves of all particles with different parameters

隨后在QPSO算法下隨機(jī)進(jìn)行10次優(yōu)化搜索，得到最優(yōu)解，見表5.由此得到配準(zhǔn)結(jié)果如圖6所示，其中圖6a為光學(xué)特征點(diǎn)集在最優(yōu)配準(zhǔn)參數(shù)下遷移到SAR圖像上的疊加圖，圖6b為最優(yōu)配準(zhǔn)參數(shù)下，經(jīng)過雙線性插值重采樣后的光學(xué)圖像.

表5 確定最優(yōu)配準(zhǔn)的基本參數(shù)Tab.5 Basic parameters for optimal registration

圖6 配準(zhǔn)結(jié)果Fig.6 Results of registration images

最后進(jìn)行配準(zhǔn)精度評價(jià)，在光學(xué)和SAR圖像存在共同特征的區(qū)域，選擇15對均勻分布的明顯角點(diǎn)作為檢查點(diǎn)，計(jì)算配準(zhǔn)點(diǎn)位誤差（表6），得到總的配準(zhǔn)均方根誤差為1.158 1.

表6 配準(zhǔn)點(diǎn)位誤差Tab.6 Position errors of registration像素

實(shí)驗(yàn)結(jié)果分析：

（1）基于Canny算子的光學(xué)特征點(diǎn)集，能有效覆蓋與SAR圖像相似的結(jié)構(gòu)特征，也能保持圖像結(jié)構(gòu)特征的完整性，并在一定程度上有效抑制孤點(diǎn)噪聲的影響，因此更具代表性.

（2）聯(lián)合馬爾可夫模型用于SAR圖像去噪，能有效抑制SAR的斑點(diǎn)噪聲，又能極大程度地保留圖像的邊緣細(xì)節(jié)信息，明顯優(yōu)于傳統(tǒng)的去噪方法.

（3）量子粒子群QPSO算法簡單，控制參數(shù)少，易于實(shí)現(xiàn)，經(jīng)過本文改進(jìn)粒子初始化范圍和控制參數(shù)的確定過程后，適用于光學(xué)和SAR圖像的隱含相似性配準(zhǔn).實(shí)際上算法的搜索效率與定義的粒子數(shù)、最大迭代次數(shù)緊密相關(guān)，粒子數(shù)越少，迭代次數(shù)越少，則搜索效率越高，但是可能會(huì)以犧牲全局最優(yōu)解作為代價(jià).本文針對光學(xué)和SAR圖像配準(zhǔn)這種相對復(fù)雜的問題，在進(jìn)行QPSO配準(zhǔn)參數(shù)優(yōu)化搜索時(shí)，采用較多的粒子數(shù)和較大的迭代次數(shù)來保證收斂到全局最優(yōu)解，因此在搜索效率上并不高效.

（4）通過具體實(shí)驗(yàn)驗(yàn)證本文改進(jìn)后的隱含相似性光學(xué)和SAR圖像配準(zhǔn)算法，從配準(zhǔn)后光學(xué)特征點(diǎn)集與SAR的疊加圖、光學(xué)重采樣圖可以看出配準(zhǔn)的效果較為理想；而考慮到人工選擇的檢查點(diǎn)本身可能存在1～2個(gè)像素的選點(diǎn)誤差，因此上述配準(zhǔn)點(diǎn)位誤差和均方根誤差可以說明，本文的算法能達(dá)到1個(gè)像素甚至亞像素的配準(zhǔn)精度，是一種有效可行的異質(zhì)圖像配準(zhǔn)方法.

6 結(jié)論

本文在隱含相似性的配準(zhǔn)思想下，從3個(gè)方面優(yōu)化改進(jìn)配準(zhǔn)算法：用Canny邊緣檢測算子代替高梯度幅值點(diǎn)集實(shí)現(xiàn)更完整的圖像結(jié)構(gòu)特征提取，涵蓋更多的隱含相似信息；分析SAR斑點(diǎn)噪聲與隱含相似性配準(zhǔn)之間的關(guān)系，將之作為此類配準(zhǔn)的重要影響因素，引入更有效的聯(lián)合馬爾可夫模型進(jìn)行SAR圖像去噪；以原理簡單、控制參數(shù)少、全局搜索性強(qiáng)的量子粒子群算法作為配準(zhǔn)參數(shù)的優(yōu)化搜索算法，并進(jìn)一步改進(jìn)粒子初始化范圍和控制參數(shù)的確定過程，實(shí)現(xiàn)高精度的光學(xué)和SAR圖像配準(zhǔn).但是，在保證優(yōu)化搜索全局性的前提下，如何實(shí)現(xiàn)配準(zhǔn)算法的高效率，是今后有待研究和解決的問題.

［1］ Brown L G.A survey of image registration techniques［J］.ACM Computing Surveys，1992，24（4）：326.

［2］ Kim J，F(xiàn)essler J A.Intensity-based image registration using robust correlation coefficients ［J］.IEEE Transactions on Medical Imaging，2004，23（11）：1430.

［3］ Christmas W J，Kittler J.Structural matching in computer vision using probabilistic relaxation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1995，17（8）：749.

［4］ Keller Y，Averbuch A.Implicit similarity：a new approach to multi-sensor image registration ［C］／／Proceedings of the 2003 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Madison：IEEE，2003：1-6.

［5］ Keller Y，Averbuch A.Multisensor image registration via implicit similarity［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28（5）：794.

［6］ 李孟君.基于隱含相似性的光學(xué)和SAR圖像配準(zhǔn)研究［D］.長沙：國防科技大學(xué)電子科學(xué)與工程學(xué)院，2008.

LI Mengjun.Study on registration for SAR and optical image via implicit similarity ［D］.Changsha：College of Eletronic Science and Engineering of National University of Defense Technology，2008.

［7］ 賈偉潔.SAR影像與光學(xué)影像配準(zhǔn)研究［D］.青島：山東科技大學(xué)測繪科學(xué)與工程學(xué)院，2010.

JIA Weijie.Study on registration of SAR image and optical image ［D］.Qingdao：School of Geomatic Science and Engineering of Shandong University of Science and Technology，2010.

［8］ 黃世奇，劉代志.SAR圖像斑點(diǎn)噪聲抑制方法與應(yīng)用研究［J］.測繪學(xué)報(bào)，2006，35（3）：245.

HUANG Shiqi，LIU Daizhi.Research on method and application of speckle noise reduction of SAR image［J］.Acta Geodaetica et Cartographica Sinica，2006，35（3）：245.

［9］ Crouse M S，Nowak R D，Baraniuk R G.Wavelet-based statistical signal processing using hidden markov models［J］.IEEE Transactions on Signal Processing，1998，46（4）：886.

［10］ FAN Guoliang，XIA Xianggen.Wavelet-based statistical image processing using hidden Markov tree model ［C］／／ 2000 Conference on Information Science and Systems.Princeton：Princeton University，2000.

［11］ 李喬亮.圖像配準(zhǔn)若干理論及應(yīng)用研究［D］.武漢：華中科技大學(xué)圖像識(shí)別與人工智能研究所，2009.

LI Qiaoliang.Theories and applications on image registration［D］.Wuhan：Institute of Image Recognition and Artificial Intelligence of Huazhong University of Science and Technology，2009.

［12］ 張俊，柳健.SAR圖像斑點(diǎn)噪聲的小波軟門限濾除算法［J］.測繪學(xué)報(bào)，1998，27（2）：119.

ZHANG Jun，LIU Jian.A speckle reduction algorithm by soft thresholding based on wavelet filters for SAR images［J］.Acta Geodaetica et Cartographica Sinica，1998，27（2）：119.

［13］ 劉國平，徐欽龍.粒子群算法及其與遺傳算法的比較［J］.中南工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2003，34（2）：328.

LIU Guoping，XU Qinlong.Particle swarm optimization algorithm and comparison with genetic algorithm ［J］.Journal of Central South University of Technology：Natural Science，2003，34（2）：328.

［14］ 劉瓊.智能優(yōu)化算法及其應(yīng)用研究［D］.無錫：江南大學(xué)信息學(xué)院，2011.

LIU Qiong.Intelligent optimization algorithms and their applications［D］.Wuxi：College of Information Technology of Jiangnan University，2011.