SAR图像同名点提取是从存在几何和灰度畸变的两幅SAR图像中提取同名特征点，是图像配准、图像镶嵌、目标检测和识别等众多应用的关键技术。近年来，基于不变特征的方法是同名点自动提取的研究热点，该类方法分为特征检测、特征描述、特征匹配以及特征筛选四个阶段：首先利用检测子提取图像中稳定的点、线或面特征，然后抽取特征邻域的结构、形状、纹理以及其他信息形成描述子，并计算描述子之间的相似性进而获得匹配点，最后采用一致性检验算法筛选出正确的匹配点。

SIFT(Scale Invariant Feature Transform)是该类方法中应用最为广泛的一种，算法流程图如下：它首先检测图像高斯尺度空间中稳定的块点(blob)并确定邻域大小，具有尺度不变性，然后利用特征点邻域的梯度方向直方图计算特征点主方向，具有旋转不变形，最后计算分块梯度方向直方图形成描述子，具有较强的区分力，以及局部仿射和灰度不变性。

不同成像条件会导致两幅同一场景的SAR图像间存在灰度和几何变化：斑点噪声、不同时相、不同波段、不同极化方式会导致图像间的灰度差异；不同分辨率、不同视角会导致图像间的几何变化。SIFT应用于SAR斜距图像同名点提取时，存在两个问题：一是在特征检测阶段，斑点噪声导致在原始分辨率图像上检测到大量的块点（blob），这些点中很大一部分并不是实际的特征点，而是斑点噪声点，由于斑点噪声的随机性，这些点重复率较差，不易匹配。同时因其数量巨大，影响了后续的匹配速度；二是在特征筛选阶段，斜距图像之间存在局部变换，不能用统一的变换模型来拟合整体的变换关系，这就增大了利用几何约束关系筛选正确的匹配点的难度，导致经典方法随机采样一致性算法（Random SAmple Concensus, RANSAC）漏掉很多正确匹配点。

针对第一个问题，提出大尺度SIFT算法：在尺度空间建立时，高斯函数模糊图像的同时会减少斑点噪声，对图像的降采样相当于多视处理，会进一步减少斑点噪声。因此为了去除斑点噪声的影响，可直接在大尺度上提取同名点，减小非同名点的干扰，既可增大同名点数量，又可大大提高计算速度。

针对第二个问题，引入多模型RANSAC算法：经典RANSAN算法假设如一次采样中全是内点，则通过该采样计算的变换模型可以把所有内点筛选出来。SAR是侧视成像，图像近距和远距不同位置处几何畸变不同，图像间仍不能只用一个模型就把所有内点筛选出来。因此采用如下策略：迭代中某次模型得到的内点数大于指定阈值，则保留这些匹配点，而不是仅保留有最多内点数的模型下的匹配点，这样就大大增多了筛选出的内点数量。