基于结构相似性的HOPC算法：多模态遥感影像配准方法及Matlab实现

随着遥感技术的发展，获取和分析多源遥感数据已成为信息处理的重要手段。不同传感器提供的多光谱、多时相、多分辨率影像（如光学、红外、SAR、LiDAR等）为同一地区提供了丰富的观测数据。然而，多模态遥感影像的精确配准是许多遥感应用（如影像融合、变化检测、影像镶嵌等）的基础步骤，其精度直接影响后续分析的效果。

尽管当前的遥感影像可以通过轨道参数和几何定位模型进行粗纠正，以消除旋转和尺度变化，但多模态影像间较大的非线性辐射差异使得同名点匹配变得困难。传统基于灰度信息的匹配方法受灰度差异影响较大，难以应用于多模态影像。近年来，局部不变性特征如SIFT虽然适用于旋转和尺度变化的影像，但对于非线性辐射差异依然敏感，无法满足实际需求。

因此，我们介绍了一种新型多模态遥感影像匹配方法——HOPC算法，由西南交通大学叶沅鑫老师提出。该方法利用具有光照和对比不变性的相位一致性模型构建几何结构特征描述符（Histogram of Orientated Phase Congruency, HOPC），可以较好地体现多模态影像间的共有属性。HOPC算法可实现可见光、红外、SAR、LiDAR等多种遥感影像的自动配准，并获得了第23届国际摄影测量与遥感大会的最佳青年论文奖。

HOPC描述符借鉴了HOG（Histogram of Oriented Gradients）的思想，后者已成功应用于目标识别、影像分类和检索等领域。考虑到HOG利用梯度信息表示影像的结构特征，而相位一致性同样反映了影像局部区域的变化量且对光照和对比度变化有更强的鲁棒性，因此我们将相位一致性扩展为方向信息，并结合HOG框架构建HOPC特征描述符。

HOPC的主要步骤包括：
(1) 在影像上选取一定大小的模板窗口；
(2) 计算每个像素的相位一致性强度值和方向；
(3) 将模板窗口划分为若干个block块，每个block包含若干cell单元；
(4) 计算每个block和cell的相位一致性方向直方图，并进行归一化操作；
(5) 将所有block内的直方图向量链接在一起，形成最终的HOPC特征向量。

为了衡量多模态影像间的相似性，我们采用HOPC描述符间的灰度差平方和（SSD）和归一化相关系数（NCC）作为匹配测度，并使用模板匹配策略进行同名点识别。

我们使用了多种多模态遥感影像进行实验，包括可见光、红外、SAR、LiDAR等。实验结果显示，HOPC算法能够实现这些影像的可靠精确匹配。

HOPC算法通过构建几何结构特征描述符，有效抵抗了多模态遥感影像间的非线性辐射差异，突破了传统相似性测度依赖于灰度信息的局限性，实现了多种遥感影像的可靠精确配准。

HOPC算法已申请发明专利，在未获得发明者授权的情况下，仅限于科学研究，不得用于任何形式的商业化应用。