技术领域
[0001] 本
发明涉及雷达
图像处理算法领域，具体涉及一种基于轮廓特征的无人机载SAR图像匹配方法。
背景技术
[0002] 无人机载SAR(Synthetic Aperture Radar)具有高灵活性、高
分辨率、低成本以及高效率等优势，可以广泛应用于军事、农业、地理测绘等多个领域。
[0003] 无人机载SAR的末端制导技术——图像匹配技术，在提高制导
精度、寻找目标等方面起着关键作用。SAR图像匹配是从不同
传感器获得的同一场景的两幅图像，或者从同一传感器但在不同时间获得的同一场景的两幅图像之间按照某一相似法则进行计算，以此在空间上对图像进行匹配，从而校正相对
位置平移、尺寸差别、旋转
角位移以及校正每幅图像的强度和几何畸变等，达到图像
定位和识别的目的。
[0004] 由于传统惯导误差随时间积累逐渐变大，不能达到长时间高精度定位的需求，因此需要寻找新的定位方法突破这一
瓶颈。
发明内容
[0005] 针对
现有技术中存在的问题，本发明的目的在于提供一种基于轮廓特征的无人机载SAR图像匹配方法，该方法基于质心距离和纹理信息，用于实现无人机载SAR图像的实时匹配，增强了图像匹配算法对图像信息的利用度和对图像相干斑噪声的鲁棒性，并且对图像的几何形变具有很好的适应性，提高了匹配算法的效率，特别是在无人机载SAR图像匹配方面具有显著的优势，可实现全天候高精度修正弹道的目标。
[0006] 为了达到上述目的，本发明采用以下技术方案予以实现。
[0007] 基于轮廓特征的无人机载SAR图像匹配方法，具体包括以下步骤：
[0008] 步骤1，获取基准SAR图像和实时SAR图像，并对所述基准SAR图像和实时SAR图像进行预处理，获得预处理后的基准SAR图像和实时SAR图像；
[0009] 步骤2，分别对所述预处理后的基准SAR图像和实时SAR图像进行
图像分割，并对图像分割后的基准SAR图像和实时SAR图像进行
边缘检测，获得基准SAR图像的
边缘图像和实时SAR图像的边缘图像；再分别对所述基准SAR图像的边缘图像和实时SAR图像的边缘图像进行轮廓
跟踪，获得基准SAR图像的闭合轮廓图和实时SAR图像的闭合轮廓图；
[0010] 步骤3，分别计算所述基准SAR图像的闭合轮廓图和实时SAR图像的闭合轮廓图的质心距离，并分别构建基准SAR图像和实时SAR图像的归一化轮廓中心距特征描述子；
[0011] 步骤4，采用欧氏距离对基准SAR图像和实时SAR图像的归一化轮廓中心距特征描述子进行双向匹配，取其交集作为正确匹配轮廓对。
[0012] 本发明技术方案的特点和进一步的改进为：
[0013] (1)步骤1包含以下子步骤：
[0014] 子步骤1.1，获取基准SAR图像和实时SAR图像，并对所述基准SAR图像和实时SAR图像进行三维
块滤波操作，获得滤波后的基准SAR图像和实时SAR图像。
[0015] 子步骤1.2，分别计算所述滤波后的基准SAR图像和实时SAR图像的局部区域直方图，并对所述局部区域直方图进行
对比度限幅操作，获得预处理后的基准SAR图像和实时SAR图像。
[0016] (2)步骤2包含以下子步骤：
[0017] 子步骤2.1，采用模糊C均值
聚类算法分别对所述预处理后的基准SAR图像和实时SAR图像进行图像分割，获得图像分割后的基准SAR图像和实时SAR图像。
[0018] 在进行图像分割的过程中，利用图像灰度随机性的统计量熵值反映图像的纹理信息，公式表示为：
[0019]
[0020] 其中，E表示熵值，zc表示
像素点c的灰度值， 是像素点c的概率分布。
[0021] 子步骤2.2，采用Canny算子分别对所述图像分割后的基准SAR图像和实时SAR图像进行边缘提取，获得基准SAR图像的边缘图像和实时SAR图像的边缘图像。
[0022] 子步骤2.3，再通过逐点跟踪的方式分别对所述基准SAR图像的边缘图像和实时SAR图像的边缘图像进行轮廓跟踪，获得基准SAR图像的闭合轮廓图和实时SAR图像的闭合轮廓图。
[0023] (3)步骤3包含以下子步骤：
[0024] 子步骤3.1，按照下式分别计算所述基准SAR图像的闭合轮廓图和实时SAR图像的闭合轮廓图的质心距离：
[0025]
[0026]
[0027]
[0028] 其中，(xi,yi)为闭合轮廓图上的任意一点，(xc,yc)为闭合轮廓图的质心坐标；M为闭合轮廓图上的轮廓点的总个数；
[0029] 子步骤3.2，将得到的闭合轮廓图的质心距离由大到小排列为行质心距离矩阵：
[0030] R(o)＝[r(1)，r(2),…,r(M)]
[0031] 子步骤3.3，将行质心距离矩阵分为Z块特征区域，间隔取为质心距离最大值与特征区域的块数的比值；再按照间隔数统计出每一个特征区域中所包含的轮廓点数，并将每块特征区域中的特征点数除以该闭合轮廓图的轮廓总点数M，即得到该闭合轮廓图的归一化轮廓中心距特征描述子。
[0032] (4)步骤4包含以下子步骤：
[0033] 子步骤4.1，根据步骤3获得的基准SAR图像和实时SAR图像的归一化轮廓中心距特征描述子，按行逐点分别计算基准SAR图像的闭合轮廓图相对于实时SAR图像的闭合轮廓图的欧氏距离以及实时SAR图像的闭合轮廓图相对于基准SAR图像的闭合轮廓图的欧氏距离；
[0034] 子步骤4.2，将得到的基准SAR图像的闭合轮廓图相对于实时SAR图像的闭合轮廓图的欧氏距离和实时SAR图像的闭合轮廓图相对于基准SAR图像的闭合轮廓图的欧氏距离分别排列为基准SAR图像的闭合轮廓图相对于实时SAR图像的欧氏距离矩阵和实时SAR图像的闭合轮廓图相对于基准SAR图像的欧氏距离矩阵，并按照下式分别计算各个欧式距离矩阵的每一行的最近邻值与次近邻值的比值NNDR：
[0035]
[0036] 其中，dmin为欧式距离矩阵中的每一行的最近邻距离，dmin-1为欧式距离矩阵的每一行中的次近邻距离；
[0037] 子步骤4.3，取基准SAR图像的闭合轮廓图相对于实时SAR图像的欧氏距离行矩阵的NNDR和实时SAR图像的闭合轮廓图相对于基准SAR图像的欧氏距离行矩阵的NNDR的交集，作为基准SAR图像和实时SAR图像的正确匹配轮廓对，并用所述正确匹配轮廓中各轮廓的质心坐标将基准SAR图像和实时SAR图像连接起来。
[0038] (5)进一步的，基于轮廓特征的无人机载SAR图像匹配方法还包括步骤5，选择步骤4所得到的正确匹配轮廓对中质心距离最大值点和最小值点，分别计算正确匹配轮廓对中各轮廓的局部二值模式算子；若正确匹配轮廓对中各轮廓的局部二值模式算子相等，则所述正确匹配轮廓对为精匹配轮廓对。
[0039] 步骤5包括以下子步骤：
[0040] 子步骤5.1，选择步骤4所得到的正确匹配轮廓对中质心距离最大值点和最小值点分别作为圆形邻域的中心，以质心距离最大值点到质心的距离以及最小值点到质心的距离分别作为
采样半径，分别计算各轮廓的局部二值模式算子；
[0041] 子步骤5.2，若正确匹配轮廓对中各轮廓的局部二值模式算子计算结果相等，则所述正确匹配轮廓对为精匹配轮廓对。
[0042] 与现有技术相比，本发明的有益效果为：
[0043] (1)本发明针对SAR图像中稳健性强的闭合轮廓特征，提出一种基于轮廓特征的无人机载SAR图像匹配方法，并对模糊C均值聚类算法进行改进，提高了其对图像特征的利用度，并将其运用到SAR图像轮廓提取过程中，实现了高精度、高效率的轮廓提取过程。
[0044] (2)同时，本发明采用质心距离算子定义了一种新的归一化中心距特征描述子，该描述子可以反映闭合轮廓的全局特征，对相干斑噪声有很好的鲁棒性，并且满足SAR图像匹配过程中的尺度不变、旋转不变等性质。
[0045] (3)本发明选择初步匹配轮廓对中的点特征，采用改进后的局部二值模式算子计算其局部邻域的纹理特征，满足灰度不变性和旋转不变性等显著优点。
附图说明
[0046] 下面结合附图和具体
实施例对本发明做进一步详细说明。
[0047] 图1是本发明实施例提供的基于轮廓特征的无人机载SAR图像匹配方法对无人机载SAR图像进行闭合轮廓匹配的流程示意图；
[0048] 图2是本发明实施例提供的基于轮廓特征的无人机载SAR图像匹配方法中利用改进的局部二值模式(LBP)算子进行精匹配的示意图；
[0049] 图3是本发明实施例提供的基于轮廓特征的无人机载SAR图像匹配方法对粗匹配轮廓中实现改进局部二值模式算子旋转不变性的模型示意图；
[0050] 图4是本发明实施例提供的基于轮廓特征的无人机载SAR图像匹配方法中图像预处理实验结果示意图；
[0051] 图5是本发明实施例提供的基于轮廓特征的无人机载SAR图像匹配方法中闭合轮廓提取实验结果示意图；
[0052] 图6(a)是本发明实施例提供的基于轮廓特征的无人机载SAR图像匹配方法中图像旋转90度后基于轮廓质心距离粗匹配的结果示意图；
[0053] 图6(b)是本发明实施例提供的基于轮廓特征的无人机载SAR图像匹配方法中图像旋转90度后基于改进LBP算子精匹配的结果示意图；
[0054] 图7(a)是本发明实施例提供的基于轮廓特征的无人机载SAR图像匹配方法中图像尺度变换后基于轮廓质心距离粗匹配的结果示意图；
[0055] 图7(b)是本发明实施例提供的基于轮廓特征的无人机载SAR图像匹配方法中图像尺度变换后基于改进LBP算子精匹配的结果示意图；
[0056] 图8是本发明实施例提供的基于轮廓特征的无人机载SAR图像匹配方法的效果与传统方法的效果对比结果示意图；其中，图8(a)为SURF的算法的匹配结果；图8(b)为SIFT-OCT算法的匹配结果；图8(c)为本发明实施例提供的基于轮廓特征的无人机载SAR图像匹配方法的匹配结果。
具体实施方式
[0057] 下面将结合实施例对本发明的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。
[0058] 如图1所示，本发明提出一种基于轮廓特征的无人机载SAR图像匹配方法，技术思路是：图像预处理、闭合轮廓提取和轮廓匹配模块。图像预处理模块主要包括三维
块匹配滤波(BM3D)和限制对比度的自适应直方图均衡化(CLAHE)。轮廓提取模块包括改进的模糊C均值聚类(FCM)图像分割、Canny算子提取边缘和轮廓跟踪。轮廓匹配模块主要包括归一化中心距特征描述子的构建、轮廓描述子粗匹配、改进LBP算子精匹配。
[0059] 具体包括以下步骤：
[0060] 步骤1，获取基准SAR图像和实时SAR图像，并对所述基准SAR图像和实时SAR图像进行预处理，获得预处理后的基准SAR图像和实时SAR图像。
[0061] 由于SAR是相干成像系统，成像结果表示的是目标地物的后向散射特性，散射地物表面的凹凸不平使每个散射中心在矢量
叠加时会随机增强或者抵消，最终在SAR图像中表现为
亮度分布不均匀的相干斑噪声，即使在均匀区域内部也会存在较大灰度变化。因此通过图像预处理操作，消除或减小各种误差对匹配性能的影响，提高特征描述的精度和匹配性能。
[0062] 具体的，步骤1包含以下子步骤：
[0063] 子步骤1.1，获取基准SAR图像和实时SAR图像，并对所述基准SAR图像和实时SAR图像进行三维块滤波操作，即先使用硬
阈值得到相对干净的图像块以用于统计数据；接着在变换域中采用维纳滤波对图像全部
信号降噪；最后对图像中重叠图像块的估计结果进行加权平均，最终获得滤波后的基准SAR图像和实时SAR图像。
[0064] 子步骤1.2，分别计算所述滤波后的基准SAR图像和实时SAR图像的局部区域直方图，即对滤波后的图像
选定限制对比度的自适应直方图均衡(CLAHE)方法，对图像局部区域的直方图进行计算；并对所述局部区域直方图进行对比度限幅操作，即改变图像亮度的分布情况以达到重新调整局部范围内对比度的目的，最终获得预处理后的基准SAR图像和实时SAR图像。
[0065] 步骤2，分别对所述预处理后的基准SAR图像和实时SAR图像进行图像分割，并对图像分割后的基准SAR图像和实时SAR图像进行边缘检测，获得基准SAR图像的边缘图像和实时SAR图像的边缘图像；再分别对所述基准SAR图像的边缘图像和实时SAR图像的边缘图像进行轮廓跟踪，获得基准SAR图像的闭合轮廓图和实时SAR图像的闭合轮廓图。
[0066] 常见的图像轮廓提取方法存在很多问题，这些方法不仅检测出目标的整体轮廓，还检测到了目标中极其小的边缘，使得算法计算量过大。所以，对于提取轮廓的问题，本发明采用改进后的图像聚类分割方法，采用Canny算子对分割后的图像进行边缘检测，然后对边缘图像进行区域轮廓跟踪以得到SAR图像的闭合轮廓图。
[0067] 具体的，包含以下子步骤：
[0068] 子步骤2.1，采用模糊C均值聚类算法(FCM)分别对所述预处理后的基准SAR图像和实时SAR图像进行图像分割，获得图像分割后的基准SAR图像和实时SAR图像。
[0069] 为了提高其对图像特征信息的利用度，用图像灰度随机性的统计量熵值来反映图像的纹理信息。公式表示为：
[0070]
[0071] 其中，E表示熵值，zc表示像素点c的灰度值， 是像素点c的概率分布。
[0072] 若图像中的纹理信息越强，则熵值越大。若图像中没有任何纹理信息，则熵值接近于0。同样，粗糙区域的熵值高于平滑区域的熵值。将熵值作为模糊C均值聚类算法的约束条件，在重新定义目标函数来进行
迭代计算，最后利用
马氏距离替代欧式距离实现聚类分割计算。
[0073] 子步骤2.2，采用Canny算子分别对所述图像分割后的基准SAR图像和实时SAR图像进行边缘提取，获得基准SAR图像的边缘图像和实时SAR图像的边缘图像。
[0074] 传统的Canny边缘检测算子具有
信噪比大、检测精度高和计算量小等优势，因此本发明对图像分割后的SAR图像采用Canny算子提取边缘。
[0075] 子步骤2.3，再通过逐点跟踪的方式分别对所述基准SAR图像的边缘图像和实时SAR图像的边缘图像进行轮廓跟踪，将开环或者足够小的轮廓剔除掉，最终获得基准SAR图像的闭合轮廓图和实时SAR图像的闭合轮廓图。
[0076] 步骤3，分别计算所述基准SAR图像的闭合轮廓图和实时SAR图像的闭合轮廓图的质心距离，并分别构建基准SAR图像和实时SAR图像的归一化轮廓中心距特征描述子；
[0077] 本发明选取质心距离来描述闭合轮廓，为使其满足尺度不变性、旋转不变性等优势，本发明设计了归一化轮廓中心距特征描述子。
[0078] 具体包含以下子步骤：
[0079] 子步骤3.1，按照下式分别计算所述基准SAR图像的闭合轮廓图和实时SAR图像的闭合轮廓图的质心距离：
[0080]
[0081]
[0082]
[0083] 其中，(xi,yi)为闭合轮廓图上的任意一点，(xc,yc)为闭合轮廓图的质心坐标；M为闭合轮廓图上的轮廓点的总个数；
[0084] 子步骤3.2，将得到的闭合轮廓图的质心距离由大到小排列为行质心距离矩阵：
[0085] R(o)＝[r(1)，r(2),…,r(M)]
[0086] 子步骤3.3，将行质心距离矩阵分为Z块特征区域，间隔取为质心距离最大值与特征区域的块数的比值；再按照间隔数统计出每一个特征区域中所包含的轮廓点数，并将每块特征区域中的特征点数除以该闭合轮廓图的轮廓总点数M，即得到该闭合轮廓图的归一化轮廓中心距特征描述子。
[0087] 例如，根据经验值，将质心距离矩阵分为4块，通过上述计算之后，得到基准SAR图像的闭合轮廓图(为方便描述，此处记为图像A)和实时SAR图像(记为图像B)的特征描述子，假设基准SAR图像得到的轮廓总数为Q，实时SAR图像得到的轮廓总数为W，则会有：
[0088]
[0089] 其中K，H分别表示满足一定统计间隔且归一化后的质心距离总点数。
[0090] 步骤4，采用欧氏距离对基准SAR图像和实时SAR图像的归一化轮廓中心距特征描述子进行双向匹配，取其交集作为正确匹配轮廓对。
[0091] 具体包含以下子步骤：
[0092] 子步骤4.1，根据步骤3获得的基准SAR图像和实时SAR图像的归一化轮廓中心距特征描述子，按行逐点分别计算基准SAR图像的闭合轮廓图相对于实时SAR图像的闭合轮廓图的欧氏距离以及实时SAR图像的闭合轮廓图相对于基准SAR图像的闭合轮廓图的欧氏距离；
[0093] 具体按照以下公式进行计算：
[0094]
[0095]
[0096] i和j分别表示A和B中的行数。
[0097] 子步骤4.2，将得到的基准SAR图像的闭合轮廓图相对于实时SAR图像的闭合轮廓图的欧氏距离和实时SAR图像的闭合轮廓图相对于基准SAR图像的闭合轮廓图的欧氏距离分别排列为基准SAR图像的闭合轮廓图相对于实时SAR图像的欧氏距离行矩阵和实时SAR图像的闭合轮廓图相对于基准SAR图像的欧氏距离行矩阵。
[0098] 由于SAR图像实际中会受到畸变、噪声等的干扰，欧式距离最近的点不一定是准确的匹配轮廓对，因此，按照下式分别计算各个欧式距离行矩阵的最近邻值与次近邻值的比值NNDR：
[0099]
[0100] 其中，dmin为欧式距离行矩阵中的最近邻距离，dmin-1为欧式距离行矩阵中的次近邻距离。
[0101] 子步骤4.3，取基准SAR图像的闭合轮廓图相对于实时SAR图像的欧氏距离行矩阵的NNDR和实时SAR图像的闭合轮廓图相对于基准SAR图像的欧氏距离行矩阵的NNDR的交集，作为基准SAR图像和实时SAR图像的正确匹配轮廓对，并用所述正确匹配轮廓中各轮廓的质心坐标将基准SAR图像和实时SAR图像连接起来。
[0102] 进一步的，为了得到精确的匹配结果，本发明的基于轮廓特征的无人机载SAR图像匹配方法还包括步骤5，选择步骤4所得到的正确匹配轮廓对中质心距离最大值点和最小值点，分别计算局部二值模式算子LBP；通过这一重要的底层特征来直接反映图像的局部纹理信息，获得最终的匹配结果。
[0103] 基本的LBP算子定义为3*3的窗口内，将相邻的8个像素的灰度值与中心点灰度值进行比较，若相邻的大于中心值，标记为1，否则为0。这样，3*3领域内的8个点可产生8bit的无符号数，即可得LBP值。但基本的LBP算子的最大
缺陷在于它只
覆盖了一个固定半径范围内的小区域，这不能满足不同尺寸和
频率纹理的需要。为了适应不同尺度的纹理特征，并达到旋转不变性的要求，本发明采用圆形邻域代替正方形邻域，并通过不断旋转圆形邻域得到一系列初始定义的LBP值，最后取最小值作为该圆域的LBP值，具体实现过程如图2所示。
[0104] 为了使改进的LBP算子适用于轮廓精匹配过程，本发明将轮廓质心点作为各轮廓的圆域中心，圆域的半径R取为正确匹配轮廓对中各质心距离最大值点和最小值点到轮廓质心的距离，并在圆上等间隔取G个采样点，每个采样点的值可以通过以下公式计算：
[0105]
[0106]
[0107] 其中(xc,yc)为邻域中心点，(xG,yG)为某个采样点。通过上式可以计算任意采样点的坐标，但得到的坐标未必完全是整数，本发明可以通过双线性插值获得该采样点的像素值：
[0108]
[0109] 如图3所示，图3是本发明所提出的改进LBP算子精匹配模型图。
[0110] 具体的，步骤5包含以下子步骤：
[0111] 子步骤5.1，对于步骤4得到的正确匹配轮廓对，选择各轮廓的质心点作为各轮廓的圆域中心，选择各轮廓的质心距离最大值点和最小值点分别作为圆域的采样半径，分别计算各轮廓的局部二值模式算子LBP；
[0112] 子步骤5.2，若正确匹配轮廓对中各轮廓的局部二值模式算子LBP计算结果相等，则所述正确匹配轮廓对为精匹配轮廓对。
[0113] 最后，为了使最终的匹配结果
可视化，本发明将精匹配轮廓对上满足LBP算子要求的点连接起来。
[0114] 本实例为了验证本发明所提到的算法的匹配效果，选取SAR图像实测数据，分别对其进行图像预处理实验，验证其旋转和尺度不变性。最后将本发明所提算法与SURF、SIFT-OCT算法进行对比，同时利用均方根误差(root mean square error,RMSE)定量分析匹配的正确性。具体做法是两幅图像匹配后，待匹配图像中的多个特征点变换到基准图像中的位置与这些特征点在基准图中的像素点位置之间偏差的均值平方根。RMSE定义如下：
[0115]
[0116] (1)实验一，图像预处理分析
[0117] 本发明以某池塘的SAR实测图像数据为例，算法首先对图像进行三维块匹配滤波和限制对比度的自适应直方图均衡增强操作。效果如图4所示，可以看出处理后的图像细节信息保持效果较好，同时相干斑噪声被抑制，并且图像经过增强后在视觉上更加清晰。
[0118] (2)实验二，轮廓提取分析
[0119] 本发明以某池塘的SAR实测图像数据为例，采用基于模糊聚类的闭合轮廓提取方法，得到SAR图像间具有共性的闭合轮廓特征。效果如图5所示，可以验证改进后的模糊C均值聚类(FCM)图像分割算法不仅增强了图像信息，并且剔除了极其小的目标；同时Canny算子也检测到精确的边缘特征。
[0120] (3)实验三，旋转不变性验证
[0121] 选取大小为512×512的某池塘的SAR实测图像，分辨率为0.5米，对其进行旋转90度的操作，并与原始图像采用本发明提出的算法做匹配。分析实验结果。图6(a)为质心距离轮廓特征粗匹配的结果，图6(b)为对轮廓中特殊点采用LBP算子精匹配的结果。由图可知正确匹配的结果有16组，其RMSE值为0.571，验证了本发明算法对图像旋转有强适应性。
[0122] (4)实验四，尺度不变性验证
[0123] 选取大小为428×428的某池塘SAR实测图像，对其进行尺度变换得到大小为256×256的图像，将两幅图像用本发明提出的算法进行匹配。分析实验结果，图7(a)为质心距离轮廓特征粗匹配的结果，图7(b)为对轮廓中特殊点采用LBP算子精匹配的结果。由图可知正确匹配的结果有10组，其RMSE值为0.524，验证了本发明算法对尺度变换具有强适应性。
[0124] (5)实验五，匹配效果对比
[0125] 我们选取一组不同时间、不同角度下的图像，为了验证算法性能，将其与SIFT-OCT和SURF进行对比，其中实时图像大小为300×300，基准图大小为480×320。图8(a)为SURF的算法的匹配结果，图8(b)为SIFT-OCT算法的匹配结果。本发明提出的算法，效果如图8(c)所示，共找到11个匹
配对，其中正确匹配对有9对，匹配正确率为81.25％。匹配效果定量对比如表1所示。
[0126] 表1匹配结果定量分析
[0127]
[0128]
[0129] 由计算结果可以看出，本发明算法的RMSE值明显低于SURF和SIFT-OCT算法。另外，对比执行时间可知，改进算法的时间复杂度与其它算法虽然仍在同一个量级上，但有所减少。
[0130] 通过对具有旋转变换、尺度变换的多组SAR图像数据进行仿真实验，结果表明了基于轮廓特征的无人机载SAR图像匹配方法对图像旋转、尺度变换等仿射变换具有不变性，且具有较高的匹配精度。匹配精度为待匹配图像中的多个特征点变换到基准图像中的位置与这些特征点在基准图中的像素点位置之间偏差的均值平方根。对不同的SAR图像数据，匹配精度均＜0.6。
[0131] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉
本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述
权利要求的保护范围为准。
