SAR图像匹配在变化检测、图像条带拼接和镶嵌、目标识别等方面具有重要的应用。SAR图像的匹配就是查找不同图像上的同名点,其本质是要在图像中检测到具有稳定特征的"明显点"。为了检测这些特征点,一般需要三个步骤:(1)在图像上选择具有特殊位置的"兴趣点",如角点、斑点和T型点。检测兴趣点的最主要特性是重复性,即要求在不同视角条件下能够可靠地找到同样的兴趣点。(2)每个兴趣点的邻域特征向量表示,该特征向量描述符必须具有唯一性,而且对噪声、几何变形、灰度变形具有较强的鲁棒性。(3)不同图像间的特征描述符能够匹配,匹配是基于向量间的距离,特征向量的维数会影响匹配的效率。近年来在计算机视觉领域,基于多尺度图像寻找特征点并以特征点邻域内的图像片构建特征向量方面取得了重大进步,其中SIFT和SURF是典型代表。,加速稳健特征(SURF)是Speeded-UP Robust Feature的缩写,具有重复性、独特性和鲁棒性,而且计算效率大大提高,这主要归功于它在图像卷积处理中采用了积分图像、在特征点检测中采用了Hessian矩阵,而在特征向量的构建上则综合了特征点周围图像片的空间分布信息。本文在详细阐述了SURF的兴趣点检测、尺度空间构建、特征点主方向、特征描述符,并根据SAR图像的特点改进了特征点提取的频阶选择。从SAR图像上提取的SURF特征点具有较为稳定的尺度不变和旋转不变特性,由于提取的SURF特征描述向量进行了归一化处理,使得SURF特征向量对SAR图像灰度变化也不敏感。因此SURF特征具有较好的尺度、旋转和灰度不变性。SAR图像对光照不敏感,利用SURF特征进行SAR图像匹配有较好的优势。本文利用SURF方法对两幅SAR图像存在不同旋转角和分辨率差异时进行了特征点提取和自动匹配试验,图像特征点匹配的正确率达到90%以上,实验结果表明通过SAR图像的SURF特征点提取进行SAR图像自动匹配是可行的。