（
1. 兰州交通大学
测绘与地理信息学院
, 兰州
2.
地理国情监测技术应用国家地方联合工程研究中心，兰州
；
摘 要：当遥感影像强度映射差异较大或发生非刚性变换时，该类方法会导致不理想的配准效果。针对此问题，该文提出了一种结合改进的SIFT和LPM算法的遥感影像配准方法。首先，在SIFT算法的基础上引入Scharr滤波器进行空间极值检测并计算高斯尺度空间的梯度幅值；然后，在构建特征描述符时使用梯度位置方向直方图算子提取特征向量；最后，在特征匹配阶段通过设定阈值进行初始匹配并生成预设匹配集，利用LPM算法剔除预设匹配关系集中的错误匹配关系。实验结果表明，较之已有的遥感影像配准方法，本算法可以得到更高的匹配精度和更理想的配准效果。
0 引言
同一场景下的不同遥感影像间存在信息互补，利用配准技术对其进行共同解译分析具有重要的应用价值[1-2]。因此在遥感技术领域，影像配准是一项关键性的工作。对遥感影像进行配准，主要目的是把在不同时间、不同视角或不同传感器的情况下捕获到的相同场景中的两幅或多幅影像（参考影像和待配准影像）对准到共同空间轴。诸如图像拼接、图像融合、变化检测、环境监测和地图更新等遥感影像处理任务，都需要在影像成功配准的前提下进行[3-5] 。作为变化检测的关键环节，影像配准的质量更是直接影响着检测的精度[6]。
遥感影像配准的方法大致可以分为两类：基于图像灰度的配准方法和基于图像特征的配准方法[7]。较之前者，基于特征的方法是通过识别匹配特征来估计图像之间的几何变换。其主要包括4个处理步骤：特征提取、特征匹配、变换模型求解及图像重采样[8]。当参考影像与待配准影像之间存在噪声对比较大、强度映射差异明显等复杂的变换关系时，基于图像特征的配准方法更具鲁棒性，因此在遥感影像配准技术中得到了广泛的应用。本文的研究工作是基于图像特征的配准方法上展开的。
在基于图像特征的配准方法中，文献[9-10]提出了尺度不变特征变换(scale invariant feature transform, SIFT)算法，该算法提取到的特征对于图像的尺度缩放、旋转以及一定范围内的三维仿射变换、亮度变化、噪声叠加等均具有不变性。正是由于SIFT特征具有这种优良特性，SIFT以及基于SIFT的改进算法，在图像匹配领域得到了广泛应用。但将SIFT算法直接应用到遥感影像配准上，依然存在一些问题。当遥感影像强度差异较大或发生非刚性变换时，使用传统SIFT算法无法构造稳健的特征描述符；利用这些描述符进行后续的匹配则会导致误匹配概率较高。基于以上问题，本文的研究工作主要致力于两方面：①一是在特征提取阶段，获取更为稳健的特征描述符；②在特征匹配阶段，滤除掉匹配关系集中的错误匹配关系。
1 相关研究工作
图像配准技术已经被成功应用于许多领域，其中包括计算机视觉[11-12]、模式识别[13-15]及医学影像分析[16-17]，特别是在遥感技术领域[18-22]。基于图像特征的配准方法有着计算量小、速度快且鲁棒性强的优良特点，因此在研究具有复杂特征的遥感影像配准方法时，国内外学者更多地将研究重点放在了基于图像特征这一方法上，并在一定程度上推动了配准技术的发展。
利用基于图像特征的配准方法对遥感影像进行配准，要求特征描述符兼具独特性与鲁棒性。文献[10]提出了SIFT描述符，通过将关键点到最邻近和次邻近极值点的欧氏距离之间的比率与预定义的阈值进行比较，以实现不稳定匹配关系的粗略滤除。鉴于SIFT描述符的优良特性，利用SIFT算子进行图像配准的研究方法也被相继提出，并取得了较好的配准结果。然而，由于遥感影像具有更为复杂的特性，且在不同时间、视角及传感器的情况下获取到的影像会发生局部非刚性几何畸变，尤其当待配准影像与参考影像之间存在较为显著的强度映射差异时，将SIFT算子直接应用于遥感影像，生成的特征描述符鲁棒性较差，从而导致匹配关系集中,正确匹配关系数量较少,而错误匹配关系较多。为解决这些问题，文献[23]提出了鲁棒SIFT(robust SIFT, R-SIFT)，该方法通过为图像中的每个关键点分配更多的梯度方向来实现对特征点的精准描述，使其更具鲁棒性，同时构建了尺度方向联合约束准则，以提高匹配的性能，但该算法对发生非刚性变换影像的配准效果不佳。文献[24]提出了合成孔径雷达SIFT(synthetic aperture radar SIFT, SAR-SIFT)，该算法在SIFT的基础上，重新定义高斯尺度空间中每个像素的梯度（包括梯度方向和梯度大小），使特征描述符对具有明显强度映射差异的影像依然保持稳健，然而该算法普适性不高，对于分辨率较高的影像，使用该算法可获得的正确匹配关系数量无法保证精确配准。文献[25]提出了一种利用SIFT特征点阵的全局和局部几何结构特征进行多视角遥感影像配准的算法，通过增加对SIFT点阵的几何结构特征描述以及利用SIFT点阵间全局与局部几何结构特征的互补关系，提升非刚性畸变的多视角遥感影像配准精度，但当待配准影像与参考影像之间存在强度映射差异时，该算法的配准效果并不理想。在SIFT算法的基础上，文献[26]提出了加速鲁棒性特征(speeded up robust features, SURF)，较之SIFT算子，SURF具有计算量小、匹配速度快的优点，但该算法提取到的匹配特征点分布不均匀，配准误差较大。
以上算法主要解决匹配特征点数量较少、鲁棒性较差的问题，但没有考虑到错误匹配关系的剔除。然而，匹配关系集中若存在较多的错误匹配关系，将严重影响影像的配准精度。为解决这一问题，文献[27]提出了快速模式追踪SIFT (mode seeking SIFT, MS-SIFT)算法。该算法利用SIFT特征的比例、方向和位置信息，有效地去除不精确的SIFT关键点对应关系，然而该算法需要对强度映射差异大的影像进行图像增强处理才能实现较为理想的配准效果。文献[28]提出一种基于多角度归一化互相关法优化SIFT遥感图像的配准方法，该算法利用SIFT算法进行特征提取和特征匹配，并结合随机抽样一致性算法(random sample consensus, RANSAC)剔除错误配准点，提高配准精度，然而当遥感影像为非林地、山地等地貌特征时，该算法的配准精度不理想。
随着深度学习技术的快速发展，一些学者尝试将卷积神经网络(convolutional neural network, CNN)应用到遥感影像处理中[29]。文献[30]提出了一种结合卷积神经网络的遥感影像配准方法，该方法通过将PSO-SIFT[31]算法提取到的特征点和利用VGG16网络[32]训练得到的特征点进行融合来获取预设特征点集，再利用该点集进行匹配。同年，文献[33]提出先利用卷积神经网络提取影像特征点,再利用传统方法进行特征匹配，以此来实现多时相遥感影像的自动配准。然而，结合卷积神经网络的遥感影像配准方法需要大量的训练数据和验证数据，且这些数据需要由不同传感器在不同时间、不同视角及不同区域获取到的大量遥感影像构成，否则达不到理想的实验效果，这便导致该方法的实验成本较大。
利用经典SIFT算法配准具有强度映射差异较大或发生非刚性变换的遥感影像，构建的特征描述符稳健性不高；直接将其用于预设匹配集的生成再进行特征匹配，会存在大量的错误匹配关系，无法满足影像配准精度的需求。为了解决这些问题，本文在SIFT特征提取方法的基础上，引入了Scharr滤波器[34]及梯度位置和方向直方图（gradient location and orientation histogram，GLOH）算子来构建更为稳健的特征描述符；在特征匹配阶段，利用局部保留匹配算法(locality preserving matching, LPM) [35]滤除错误匹配关系，获得了更高的匹配精度和更理想的配准效果。
2 改进的SIFT特征提取
在基于图像特征的配准过程中，特征提取是必要且十分重要的任务，能否获得足够数目且较为稳健、分布均匀的关键特征点，将直接影响到后续的匹配过程。由于SIFT算法提取到的特征描述符对影像的尺度缩放、旋转及亮度变化等变换情况均具有不变性，故该算法在图像特征提取方面得到了广泛应用。
SIFT算法的实质是通过在不同尺度空间上查找关键点，并计算关键点的位置、方向和尺度信息，再利用这些信息生成对特征点的描述来构造特征描述符。使用SIFT算法进行特征提取的过程包括以下的几个步骤：①生成高斯差分金字塔函数（difference of Gaussian, DoG）来构建高斯差分尺度空间;②利用高斯拉普拉斯函数（laplacian of gaussian, LoG）近似DoG来检测多尺度空间极值点，并选择DoG空间中的局部极值作为候选关键点;③基于梯度方向的局部直方图，为每个关键点分配一个或多个主方向;④为每个关键点赋值一个128维方向参数并生成关键点描述符。
然而，由于遥感影像具有地物信息更为丰富、变换关系更为复杂等特性，若将SIFT算法直接应用于遥感影像的特征提取，极大可能导致提取到的特征点数目明显减少。为解决这一问题，本研究改进了SIFT算法，并提取遥感影像的特征。引入了Scharr滤波器计算高斯尺度空间的梯度幅度，然后使用GLOH算子构建特征描述符。
为了在不同尺度下都能够检测到稳健特征点，SIFT算法引入了尺度空间理论来描述图像的多尺度特征。由于高斯卷积核是实现尺度变换的唯一线性核，因此采用图像的高斯金字塔表示尺度空间。高斯差分金字塔函数（DoG）是由高斯图像相减得到，其运算简单高效，且DoG是尺度规范化的拉普拉斯函数（LoG）的近似，而LoG的极值是十分稳定的特征点，因此在SIFT算法中，利用DoG近似LoG的方法在构建的尺度空间中检测稳定特征点。
尺度空间是指在图像处理的模型中引入一个尺度参数，通过尺度参数的连续变化来获取多尺度下空间表示的序列，提取这些序列的部分特征描述子并将其抽象成特征向量，从而实现图像在不同尺度或分辨率下的特征提取。在尺度空间中，随着尺度变化因子的增大，图像的模糊
程度会逐渐增大，且尺度空间需满足旋转不变性、平移不变性及尺度不变性等特性。假设f(x, y)是输入的原始图像，G(x, y, σ)是尺度空间可变的高斯函数，则可将一幅图像的尺度空间L(x, y, σ)定义为对原始图像进行尺度可变的高斯卷积,见式（1）。
欢迎大家来到IT世界,在知识的湖畔探索吧!
式中：∗是卷积运算；σ是
尺度变化因子，其大小决定着图像的平滑程度，σ值越大则图像越模糊，因此，大尺度表示图像的总体特征，小尺度表示图像的局部细节特征。高斯函数G(x, y, σ)定义为式（2）。
使用高斯金字塔构建尺度空间包括两个主要过程：一是对图像进行降采样，二是对图像进行不同尺度的高斯模糊处理。对图像进行降采样可得到不同尺度的图像，即不同的组（Octave），而后一个组为对上一个图像进行降采样得到的图像。图像的组数是由原始图像的大小与金字塔塔顶图像的大小决定的，见式（3）。
式中：
w
0
和
h
0
为原始图像的宽度和高度；
w
和
h
为塔顶图像的宽度和高度。每个组由若干个层（
Interval
）构成，这些层便是通过对图像进行不同尺度的高斯模糊处理得到的。尺度变化因子
σ
的取值由金字塔的组数和层数决定，若第一组第一层的尺度变化因子为
σ
(1, 1)=
σ
0
，则第
m
组第
n
层的
σ
见式（4）。
高斯差分尺度空间（DoG scale space）则是通过不同尺度的高斯差分核与图像卷积生成的，即将D(x, y, σ)定义为式（5）。
由于尺度规范化的LoG算子具有尺度不变性，
即LoG算子在不同的尺度下都可以检测到图像的斑点特征，从而检测到图像在尺度变化下依然保持位置不变的特征点，因此可以利用DoG算子近似替代LoG算子的方法检测空间中稳定的特征极值点。
拉普拉斯算子通过检测图像函数极值点即计算函数f(x, y)二阶导数的零点来实现边缘检测，但二阶导数对噪声比较敏感，因此需要先对图像进行高斯平滑滤波处理，再利用拉普拉斯算子进行边缘检测。所以可
将高斯拉普拉斯函数（LoG）定义为将原始图像与高斯核进行卷积，而后再做拉普拉斯运算，其表达见式（6）。
而高斯差分尺度函数表示图像在不同尺度参数σ下进行高斯滤波处理，并将滤波结果相减，因此DoG算子可表示为式（7）。
式中：
σ
1
和
σ
2
表示两个不同的尺度变化因子。
由式
(2)
的
高斯差分函数
DoG
可知，存在式（8）、式（9）。
式中：k—1是常数，对极值点的检测并无影响。由图1所示的LoG和DoG的函数波形对比可知，DoG算子是尺度规范化的LoG算子的近似，且由于DoG是差分运算，其计算复杂度明显低于LoG,所以可使用DoG近似LoG的方法来检测多尺度空间极值点。
高斯差分函数（DoG）的边缘响应较强,需将不稳定的边缘响应点剔除。由于边缘点的表现特征为在某个方向有相对较大的主曲率，因此可以通过梯度幅值的响应阈值将低响应的空间极值点滤除。本算法使用原始图像作为高斯金字塔的最低级别，在计算高斯尺度空间中图像的梯度时引入了Scharr滤波器[32]。Scharr滤波器算子作为一种边缘检测方法，是由Sobel滤波器演化而来，而相较于Sobel算子，同为一阶微分算子的Scharr算子在保证运算速度相当的同时还可获得更为稳健且精确的结果。Scharr算子的概念源自于求解频域上最小化加权的均方角度差的最优化问题，该问题需要考虑滤波器在数值上的一致性，因此它们是微分核，具有运算速度较快的优点。该算子由水平与垂直两个方向的模板组成，如图2所示。Scharr两个方向的算子在图像上滑动，将模板与其覆盖的图像区域内的像素进行卷积计算，得到水平和垂直方向算子的卷积结果,见式（10）。
在得到稳定的极值点之后，便要为关键特征点分配方向信息，这一过程所需要解决的关键问题是，保证关键点对图像的旋转及缩放变换具有不变性。在原始SIFT算法中，通过计算空间极值点梯度幅度的高斯加权来计算梯度直方图，从而决定方向的分配。
在对图像局部特征进行描述时，使用GLOH算法可以增强描述子的独立性和鲁棒性，从而得到更好的结果[36]。因此，本研究使用类似GLOH的圆形邻域和对数极点扇区来代替SIFT算法中的正方形邻域和4×4正方形扇区，并以此来创建特征描述符。在SIFT算法中，特征描述子用关键点的邻域梯度值经过高斯加权后的统计结果表示。先将关键点周围的图像划分成区域分块，后计算每块区域内的梯度直方图，从而得到能够表示特征点局部信息的特征向量，该过程如图3(a)所示。而GLOH算法是以对数极坐标方向建立3个环带及8个角度方向，并将检测到的感兴趣区域按照径向和角度划分为17个子区域，梯度方向便是在这些区域中进行量化得到的，该过程如图3(b)所示。
3 特征匹配
利用上一节的方法依次提取参考影像和待配准影像的特征，从而得到待匹配的特征点对。为达到精确的配准结果，在特征匹配阶段，通过设置阈值对特征点对进行初始匹配，利用LPM算法[34]剔除错误匹配关系。
初始匹配过程通过计算特征向量间的欧式距离来实现。欧氏距离的大小与特征点对的相似度成反比：距离越小，则表明相似度越高；反之相反。在参考影像中选取某个关键点A，在待配准影像中找到与其距离最邻近和次邻近的两个关键点；依次计算A点到这两个关键点的欧氏距离，并计算距离比率；将该比率值与预设的阈值ε进行比较，当此值小于ε时，则表明距离最近的这一对关键点为正确匹配点。
由于特征空间具有高维性，这导致欧氏距离相似的关键点也可能包含大量的错误匹配，从而使距离比率值较高。为此，文献[10]经过大量实验得出结论：当阈值ε取0.8时，可滤除90%的错误匹配，但造成5%左右的正确匹配关系丢失；当阈值ε取0.7时，可滤除96%的错误匹配关系，但同时造成8%左右的正确匹配关系丢失的结果。为保留更多的正确匹配关系，本文将阈值ε设定为0.9。
在初始匹配过程中，将匹配阈值ε设置为0.9，这一设定虽然可以保留住更多的正确匹配关系，但同时也保留了较多的错误匹配关系。为解决此问题，本文利用LPM算法[30]剔除错误匹配关系。
当待配准影像较之参考影像发生了视角变化或非刚性变换时，在两幅影像中提取到的相对应特征点对之间的绝对距离可能会发生巨大变化，但特征点之间的空间邻域关系总是保持着拓扑结构的一致性。基于此理论，文献[35]提出了一个可以用来约束正确对应关系的数学模型，在该模型中，正确的对应关系有着相似的空间邻域关系。设经过初始匹配过程筛选留下的所有匹配关系为预设特征匹配集，N为点对总数，LPM算法的目的是保留预设匹配集S中具有空间邻域结构相似性的对应关系，从而实现错误匹配关系的滤除。该算法是利用惩罚函数将求取预设匹配集S中的未知正确匹配集这一问题抽象为函数模型，求解其最优解。
由于特征点之间的空间邻域关系总是保持着拓扑结构一致性，这表明即使影像发生了一系列变换，经过变换的相邻点对之间的局部邻域结构不会随意改变。因此，将预设集S中的未知正确匹配集定义为I，且其最优解I*见式（13）。
由于式
(14)
中的邻域结构
Nx
是在整个特征集的基础上构建的，该集合中也包含了异常值。理想情况是仅基于正确匹配集
I
来构建邻域结构，然而，正确匹配集是未知的，因此需要通过求取
I
的近似值
I
0
的方法来解决该问题，见式（21）。
利用式（21）求得的I0为预设匹配集S中的每一个对应关系构建其相应的邻域，得到优化后的正确匹配集I*,见式（22）。
在完成特征提取后，先对特征向量进行初始匹配，再使用LPM算法进行错误匹配滤除，具体步骤如下：
从特征提取到特征匹配再到影像配准的算法流程如图4所示。
4 实验结果及分析
实验在MATLAB R2018a和Python3.7下完成，硬件为主频2.50 GHz的Core i5-7200U处理器、内存8 GB的笔记本电脑。为了验证本文算法，选取不同区域、不同分辨率且不同大小的3组遥感影像对（参考影像和待配准影像）进行验证，并以正确匹配关系的数目和均方根误差(root mean square error，RMSE)作为匹配精度评价指标。
实验一 选取两组较具有代表性的遥感影像：甘肃省兰州市GF1号影像和安徽省合肥市Landsat8卫星影像。第一组实验中的图5 (a)、图5 (b)裁剪自兰州市的高分一号影像。该组影像的获取传感器为WFV，分辨率为16 m，获取时间依次为2014年和2017年,尺寸均为480像素×480像素，两幅影像的获取时间、视角皆不相同。第二组实验数据由合肥市Landsat8卫星影像裁剪得到，该组影像的获取传感器为OLI_TIRS，分辨率为30 m，获取时间分别为2013年和2018年，影像尺寸为600像素×600像素。在该组影像中，图5（c）为选自第六波段（band6）的单波段影像, 图5（d）为经过多波段融合后得到的影像，该组实验数据具有明显不同的影像灰度。
两组影像取自不同地区，具有不同时相、不同视角，其变换关系较为复杂；影像包含了水体、土壤、植被、建筑、道路等地物，影像的地物信息相对较为复杂；且第二组影像为灰度不同的影像数据，其强度映射存在明显差异。因此，选用这两组影像进行对比实验具有合理性和说服性。
实验二 为了进一步验证本文算法对遥感影像配准的有效性，实验二选取来自Vision Research Laboratory的一组影像对，如图6所示。两幅影像尺寸均为800像素×800像素，分辨率为30 m，图5(e)为参考影像，由ALOS-PALSAR于2010年6月5日获取；待配准影像图5(f)由Land-ETM于1999年6月26日获取的第五波段数据（band5）。该组影像来自不同获取时间，不同传感器的不同波段，影像间的强度映射差异较为显著。
RMSE是一种控制点统计分析的方法，可用来评估算法的匹配精度。RMSE的计算见式（23）。
此外，还可结合正确匹配的点对总数M的多少对几种算法进行评估和比较。
本文算法与SAR-SIFT[23]、SURF[24]以及传统SIFT(FSC)（基于FSC的SIFT算法）等基于图像特征的遥感影像配准方法进行对比实验。包含匹配精度RMSE、正确匹配关系数目M以及平均运行时间（每组实验运行5次，取算术平均值作为最终结果）的实验结果如表1所示。
实验一 第一组实验数据为兰州GF1影像，该组影像具有较高的分辨率（16 m）；两幅影像选自不同时间，因此具有较为复杂的变换关系，而SAR-SIFT、SURF和传统SIFT(FSC)算法在处理具有复杂变化关系的较高分辨率遥感影像的配准时，无法获取足够数目的关键特征点，从而会导致配准效果不佳。表1定量评价指标数据和图7的匹配结果可视化图（图中用连线来表示正确匹配关系）表明，相对于其他3种方法，本文算法获取到的正确匹配关系数量上明显占优。虽然SAR-SIFT算法的RMSE值稍微低于本文算法，但其正确的对应关系数量远不及本文算法，无法保证配准精度。
第二组实验数据为合肥Landsat8影像，该组影像选自不同时间、不同视角的Landsat8 OLI_TIRS第六波段（band6）影像，影像对间存在明显强度映射差异。由表1定量评价指标数据和图8的匹配结果可以看出，SAR-SIFT和SURF算法可得到的正确匹配数目极少，因为当影像强度映射差异较大时，这两种算法可以获得的稳健特征点数目较少，虽然SIFT(FSC)算法与本文算法相当，但在处理强度映射差异大的遥感影像配准时，该算法会产生较多的错误匹配关系而使得配准结果难以达到理想效果。此外，与其他几种算法相比，本文算法较为复杂，因此运行时间较长，算法运行时间如表1所示。而正是由于SURF算法具有简单快速的特点，其运行时间最短，但该算法对复杂遥感影像的配准效果较差。表中以“/”表示算法配准失败（RMSE>4）。
利用本文的匹配算法将影像进行配准，并将配准好的影像与参考影像进行融合且以棋盘格叠加的形式显示。棋盘格叠加显示的方法是一种传统的目视比较方法，通过将配准好的影像与参考影像叠加在一起，并以棋盘格的形式分块交替显示来直观展示影像配准的结果。图9 (a)、图9 (b)为兰州GF1号影像的配准结果，图9 (c)、图9 (d)为合肥市Landsat8影像的配准结果。其中, 图9（a）和图9（c）为两组影像中的待配准影像经配准后与参考影像的融合结果图，由图可知配准后影像的边缘和区域皆能准确覆盖参考影像。图9（b）和图9（d）为配准结果的棋盘格叠加显示图，可以清晰地看出，本文算法较准确地将每对图像叠加在一起，因此本文算法的配准效果较为理想。
实验二
选择由ALOS-PALSAR获取的影像作为参考影像，由Land-ETM获取的影像作为待配准影像。将本文算法与几种对比算法比较，所得结果如表2所示。几种算法的匹配结果如图10所示。由表2可知，对于具有较大强度映射
差异的遥感影像，相比其他几种算法，本文算法可获得最多的对应关系数量及最低的RMSE值，且运行时间小于SAR-SIFT算法，匹配效果最为理想。
实验三 由实验一及实验二的结果可知，本文算法优于SIFT(FSC)、SAR-SIFT及SURF等经典的基于特征的影像配准方法。为了进一步验证本文算法对遥感影像配准的有效性，实验三选择与文献[33]所提的结合卷积神经网络的配准方法进行对比，实验数据选择由ALOS-PALSAR获取的影像作为参考影像（图5(e)所示），由Land-ETM获取的影像作为待配准影像（图5(f)所示）。结合图11所示的配准结果及图5原始影像可以看出，在配准具有较大强度映射差异的遥感影像时，文献[33]所提的结合CNN的方法在细节方面无法完美配准，其效果不及本文算法，如图中红色圆圈标注的位置所示。
综合实验一、实验二、实验三可以看出，本文算法对不同分辨率、不同时相的遥感影像均具有较为理想的配准结果，尤其当影像对之间存在明显强度映射差异或非刚性变换时，本文算法更是优于其他配准方法。
5 结束语
本文为解决遥感影像发生强度变化或非刚性变换时造成的配准精度不高的问题，提出了一种结合改进的SIFT和LPM算法的影像配准方法。在特征提取阶段引入Scharr滤波器来获得更为稳健的特征点；在特征匹配阶段，基于特征点之间的空间邻域关系保持拓扑一致性的理论，引入LPM算法进行错误匹配关系的剔除从而提高匹配精度。实验结果表明，相比于SAR-SIFT算法、SURF算法及基于FSC的SIFT算法，本文算法可取得更为理想的配准结果。但是本文仅仅将研究重点放在特征点提取和错误匹配关系的剔除上，并没有进一步对正确对应关系的保留率进行研究，这将是未来研究工作需要解决的问题。
作者简介：杨军（1973—），男（回族），宁夏吴忠人，教授，博士生导师，博士，主要研究方向为计算机图形学、数字图像处理、地理信息系统、模式识别等。
E-mail：
基金项目：国家自然科学基金项目（ ，）
引用格式：杨军,杨婉钰.改进尺度不变特征变换的遥感影像配准[J].测绘科学,2021,46(5):84-94.
