SAR 和光学图像配准研究

光学图像和 SAR 图像的配准是实现多源图像融合和复合分析的基础

基本方案 ：
(1)基于边缘提取的方法，即提取 SAR 图像和光学图像边缘特征的基础上按照一定的相似性测度进行匹配。缺点是依赖图像边缘的准确提取，如果边缘提取不够准确则配准效果就受到影响。
(2)基于封闭区域的方法，采用各种分割的方法提取封闭区域或子区，在闭合区域边缘进行匹配，精度和基于边缘类似，但是必须要求图像上存在封闭的边缘，如果没有封闭的边缘则很难实现配准。
(3)基于图像互相关的方法，但是由于 SAR 和光学机理差异大，互相关匹配的方法并不能完全有效。无论是提取图像的边缘还是封闭区域，都是根据原始图像提取边缘，而边缘的提取又会受到局部阈值的影响，阈值的不同会得到不同的边缘，因此基于边缘的方法十分依赖于边缘的提取效果。

方案二：基于封闭区域的方法

1. 对 SAR 图像与光学图像进行图像分割，形成二值图像;
2. 对分割后图像进行数学形态学处理，填补空洞，滤除边缘突刺;
3. 采用不变短作为闭合区域特征描述，对提取的SAR图像和光学图像闭合区域进行匹配;
4. 选取匹配好的闭合区域质，心作为同名特征点;
5. 采用最小二乘法计算空间变换参数，实现图像的配准。

方案三：基于图像互相关的方法

1. 采用人工的方式选择 3～4 个同名控制点，在此基础上实现图像的粗略配准，保证 SAR与光学图像尺度和旋转的归一化；
2. 在粗配准的光学图像上提取特征点，并分别采用不同的梯度算子提取 SAR和光学图像的梯度强度，基于梯度强度进行归一化互相关，从而得到不同图像上的同名特征点；
3. 根据提取的同名特征点构建不规则三角网，并对每个三角网构成的小面元进行图像的精确配准，最终实现 SAR 和光学图像的精配准。

方案四：基于深度卷积GAN的方法
1、使用多重约束的GAN网络学习可见光和遥感SAR图像之间的映射关系
2、然后利用训练好的模型扩充训练样本的数量和多样性
3、之后使用神经网络提取特征进行图像块的匹配预测

算法一：空间约束的尺度不变性变换SIFT算法是一种提取局部特征的算法
1、尺度空间极值检测,初步确定关键点位置和所在尺度；
2、通过拟合三维二次函数以精确确定关键点的位置和尺度,同时去除不稳定的边缘响应点和低对比度的关键点。
3、利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数,使算子具备旋转不变性。
4、生成SIFT特征向量

算法二：基于级联变换的遥感图像自动配准算法
1、. 根据光学和SAR图像的特点，通过灰度变换提取图像间的结构信息，削弱辐射差异性的影响；
2、提出一种新的加权对数极坐标变换算法，充分利用图像信息，得到图像间尺度和旋转参数，并初步确定平移量，解决图像间全局的几何差异；
3、最后，通过分块模板匹配得到精确匹配的同名点对，运用薄板样条插值算法实现图像的精确配准，去除图像间局部几何畸变的影响