高分遥感舰船目标SIFT特征的提取与匹配

帅通，师本慧，张霞，陈金勇，刘翔

（1.中国电子科技集团公司第五十四研究所，河北 石家庄 050081；2.中国科学院 遥感与数字地球研究所，北京 100101）

高分遥感舰船目标SIFT特征的提取与匹配

帅通1，师本慧1，张霞2，陈金勇1，刘翔1

（1.中国电子科技集团公司第五十四研究所，河北 石家庄 050081；2.中国科学院 遥感与数字地球研究所，北京 100101）

随着对地观测技术的发展，光学遥感图像分辨率不断提高，使得利用舰船局部特征进行舰船的精细识别成为可能。基于经典的SIFT特征提取算法对高分辨率光学遥感图像中的舰船目标进行了特征点提取、特征点描述和特征匹配研究，通过同一类型舰船目标切片的匹配实验，结果表明SIFT算法可以有效用于遥感图像舰船切片的特征点提取和匹配，证明了该算法在高分辨率遥感图像中舰船目标精细识别的应用潜力。

高分辨率；遥感；舰船；SIFT；特征提取；特征匹配

0 引言

利用遥感图像对舰船目标进行检测和识别对水运交通、海上应急救助、渔业监测、非法入境监控等方面具有重要意义［1］。随着对地观测技术及相关光电技术的迅猛发展，遥感图像不论是成像质量还是分辨能力都随之取得了长足进步，光学遥感已经步入高分辨率时代，对舰船目标的判别也在从目标检测向目标识别的方向转变。

在舰船目标识别初期，主要利用舰船的形状特征、灰度特征和纹理特征等全局特征对舰船类型进行判别［2，3］，随着光学遥感图像分辨率的进一步提高，舰船目标的细节特征更加清晰，充分利用舰船目标的局部特征将有助于舰船目标的精细识别。

尺度不变特征变换（Scale Invariant Feature Transform，SIFT）是一种高效的图像特征点检测算法［4］，已经成为最为经典的局部特征描述子之一，在机器视觉和图像配准等领域取得了广泛应用［5，6］，但是受遥感数据源的限制，其在遥感图像识别领域的应用鲜有报道。SIFT算法在高斯差分金字塔图像中寻找目标特征点，再以其为中心提取具有平移、旋转和缩放等不变性的局部特征向量描述子。通过将待识别舰船目标与样本目标图像的SIFT局部特征向量进行匹配，可以用于舰船目标的识别，主要包括特征点提取、特征点描述和特征匹配等步骤。

本研究基于SIFT算法对高分辨率光学遥感图像中舰船目标的局部特征进行提取与匹配研究，为舰船目标精细识别奠定技术基础。其中，高分辨率遥感光学图像舰船目标从Google Earth中截取。

1 SIFT特征点提取

在尺度空间中完成SIFT特征点的检测，能够使检测到的局部特征点具有尺度不变性。文献［7］证明高斯卷积核是唯一的线性变化核，因此尺度空间的定义为：

式中，G（x，y，σ）是在尺度σ下的高斯函数卷积核，

σ值越小，图像越清晰，则对应于图像细节信息；σ值越大，图像越模糊，则对应于图像的概貌特征。

SIFT算法在某一尺度上检测特征点，首先将2个相邻高斯尺度空间的图像相减，得到一个高斯差（Difference of Gaussians，DoG）的响应值图像D(x，y，σ)。再对响应值图像进行非最大值抑制，在位置空间和尺度空间中对特征点进行定位。其中，

DoG通过高斯差分金字塔来构建，假设图像金字塔共O组，每组有S层，则下一组的图像由上一组图像降采样得到，对于每一组的S层图像而言，上一层的高斯滤波尺度都是下一层的k倍。

对特征点的搜索通过同一组内各DoG相邻层之间的比较来完成。每一个采样点要和它同一尺度以及相邻尺度下的所有相邻点进行比较，看它是否比这些点的值大或者小，以此寻找尺度空间的极值点。如图1所示，中间的检测点和它相邻的26个点进行比较，包括同尺度的8个相邻点和上下相邻尺度对应的18个点，以确保检测到的是极值点。

图1 极值点在尺度空间的检测

通过以上流程对尺度空间的特征点进行检测，可以得到它所在的尺度和位置。但得到的位置比较粗糙，定位不是很准确。某些特征点的极值响应比较弱，且包括一些位于边缘处的特征点，需要进行消除。对特征点准确定位，可以通过拟和二次函数来精确确定特征点的位置，能够达到亚像素级的精度，以此可以增强特征匹配的稳定性，提高对噪声的抗干扰能力。

2 SIFT特征点描述

对SIFT特征点进行描述主要包括特征点主方向和特征矢量2部分。

2.1 特征点主方向

确定特征点的主方向，能够保证特征点的特征向量具有旋转不变性，可以利用特征点周围区域像素的梯度幅值大小及方向分布的特性得到。

具体计算方法如下：对以特征点为中心的邻域进行采样，并统计邻域像素中每个梯度方向的累加值。用直方图对梯度统计结果进行显示，直方图的范围是0～360°，每10°代表一个方向，共计36个方向。在计算梯度方向直方图时，用一个参数为所在尺度1.5倍的高斯模板对各个梯度值进行加权，以降低距离特征点较远处的像素对主方向的影响，如图2中圆形所示，中心向边缘方向的权值逐渐减小。对得到的梯度方向直方图查找其中的峰值，峰值所处的方向即代表了该特征点的主方向。

图2 特征点主方向确定示意

如果在梯度直方图中另有某个峰值的大小超过主峰值80%，则保留这个方向作为该特征点的辅助方向，以此可增强特征点主方向的鲁棒性。因此一个特征点可能会被指定具有多个方向，一个主方向以及一个以上辅方向。

图3显示为高分辨率遥感图像舰船目标切片中随机选取的100个特征点的位置、尺度和主方向，其中圆圈中心是特征点位置，圆圈半径表示特征点尺度，线段方向指示特征点的主方向。

图3 SIFT特征点的位置、尺度及主方向展示

2.2 特征点特征矢量

为保证提取特征具有旋转不变性，将图像坐标轴旋转为特征点主方向，并以特征点为中心取一个16×16的区域。图4左图中，中央点表示当前特征点的位置，每个方格表示所在尺度空间中特征点邻域的像素点，箭头方向表示对应像素梯度方向，箭头长度表示梯度大小。

为避免由于特征点位置的微小变化导致整个特征描述子发生较大变化情况的发生，让远离特征点中心位置的梯度值影响尽可能小。通过对整个窗口进行高斯加权运算来实现，即用模板大小等于描述子宽度一半的高斯函数进行加权运算。如图4所示，圆圈代表高斯加权的范围，越远离特征点的像素，权值越小，对梯度方向的贡献也越小。然后将这个区域再划分为4×4个小区域，每个小区域的大小为4×4个像素，在每个小区域块中计算8个梯度方向的统计直方图（如图4右图所示），箭头的长度表示该方向上所有梯度总和的大小。

图4 特征矢量的生成方法示意

对以上16个小区域块中的8方向梯度值按照位置进行排序，形成一个16×8＝128维的特征向量，该特征向量即为SIFT特征点的描述子，此时构建的描述子特征向量已经去除了尺度、旋转等几何形变因素的影响，然后将描述子的长度进行归一化，以进一步去除光照对特征描述的影响。

SIFT特征点的特征矢量描述结果如图5所示，白色方框的大小表示特征点尺度，方框内箭头表示特征矢量。

图5 随机选取100个特征点进行特性矢量描述

3 特征匹配

令一幅图像中的特征点描述子集为目标集｛qj｝，j＝1，2，…，m，另一幅图像中的特征点描述子集为基准集｛pi｝，i＝1，2，…，n。特征匹配就是对每个qj，在基准集中找到与其距离最近的pi，则qj和pi就构成一个特征匹配对＜qj，pi＞。

进行特征匹配的方法主要可以分为2种：①线性扫描法，也称为穷举法，是将目标集中的点与基准集逐一进行距离比较求取最近匹配对，因此无需数据预处理，操作相对简单，但搜索效率偏低；②建立数据索引，然后再进行快速匹配，可以大大加快检索的速度，但建立索引结构需要比较高昂的代价，如Kd－树（K－dimension Tree）等［8］。相关研究发现，当需要匹配特征点数低于2 000时穷举法效率较高，特征点数大于2 000时，Kd-树算法效率较高［9］。本文采用穷举法对舰船目标和舰船样本进行匹配，匹配结果如图6所示。2艘舰船虽然船上装载物品有所差异，但二者主体结构一致，属于同一类型舰船。

图6 SIFT局部特征匹配结果

即使匹配对中2个数据点的距离最近，但由于误差的存在也并不意味着它们对应相同的目标区域，因此需要对匹配对进行筛选，剔除错误的匹配对。本文采用经典的随机抽样一致性RANSAC（Random Sample consensus）算法进行匹配对的提纯，它实现简单，性能良好［10］。

通常能够进行匹配的2幅图像存在透视变换关系，则正确的匹配对的变换关系应具有一致性。RANSAC算法的核心思想是首先创建一个误差判断模型，然后随机抽取一定符合条件的数据（本文是选择4组），通过误差判断模型反复地迭代、测试，最终找到一个误差最小的模型，用来区分一致性数据和非一致性数据。图6经过匹配对提纯后的匹配结果如图7所示。

图7 RANSAC匹配对提纯后匹配结果

4 结束语

基于SIFT算法对高分辨率光学遥感图像中舰船目标进行了特征点的提取与匹配研究。通过上述SIFT特征点提取、特征描述以及特征匹配，可以看出两舰船的匹配点提取准确，局部细节特征匹配精准，匹配对具有高度的一致性，因此可以利用SIFT算法进行待识别舰船目标和舰船样本的匹配，从而达到通过图像匹配进行舰船目标精细识别的目的。本文的研究成果为舰船目标识别奠定了技术基础，后期将在此基础上针对该算法应用中的鲁棒性、时效性、识别精度等问题继续开展深入研究。

［1］陈韬亦，陈金勇，赵和鹏.基于Ecogniton的光学遥感图像舰船目标检测［J］.无线电工程，2013，43（11）：11－14.

［2］裴洪飞.航空图像中舰船目标识别技术研究［D］.哈尔滨：哈尔滨工程大学，2010.

［3］于 鹏.高分辨率可见光遥感图像舰船目标识别方法研究［D］.长春：吉林大学，2011.

［4］LOWE D.Distinctive Image Features from Scale-invariant Keypoints［J］.International Journal of Computer Vision，2004，60（2）：91－110.

［5］黄 灿.基于局部特征的车辆识别［D］.上海：上海交通大学，2010.

［6］王云飞.基于SIFT和归一化互信息的SAR图像配准算法研究［D］.西安：西安电子科技大学，2014.

［7］LINDEBERG T.Detecting Salient Blob-like Image Struc-tures and their Scales with a Scale-space Primal Sketch：a Method for Focus-of-attention［J］.International Journal of Computer Vision，1993，11（3）：283－318.

［8］王永明，王贵锦.图像局部不变性特征与描述［M］.北京：国防工业出版社，2010.

［9］朱佳文，屈新原，高小伟.基于CSIFT算法的UAV影像配准技术研究［J］.首都师范大学学报（自然科学版），2013，34（4）：69－74.

［10］FISHER M，BOLLEs R.A Random Sample Consensus：A Paradigm Formodel Fitting with Application to Image Analysis and AutomatedCartography［J］.Communication Association Machine，1981，24（6）：381－395.

Extraction and Matching of Ship SIFT Features of High-Resolution Remote Sensing Images

SHUAI Tong1，SHI Ben-hui1，ZHANG Xia2，CHEN Jin-yong1，LIU Xiang1
（1．The 54th Research Institute of CETC，Shijiazhuang Hebei 050081，China；2．Institute of Remote Sensing and Digital Earth，Chinese Academy of Sciences，Beijing 100101，China）

Along with the development of earth observation technology，the spatial resolution of optical remote sensing image is becoming increasingly high，which leads to the possibility of identifying ships using the local features of ship slices.The feature extrac-tion，description and matching of ship slices of high-resolution optical remote sensing images are studied using the classical SIFT meth-od.The ship matching experiment of the same type shows that the SIFT method is valid for feature extraction and matching of ship slices，and it demonstrates the application potential of this method in ship identification of high-resolution remote sensing images.

high-resolution；remote sensing；ship；SIFT；feature extraction；feature matching

TP751

A

1003－3106（2015）11－0048－04

10.3969／j.issn.1003－3106.2015.11.13

帅 通，师本慧，张 霞，等.高分遥感舰船目标SIFT特征的提取与匹配［J］.无线电工程，2015，45（11）：48－51.

帅 通男，（1986—），博士。主要研究方向：遥感图像处理及应用。

2015-08-17

师本慧男，（1965—），研究员。主要研究方向：航天地面应用和测控。