CN104966294A - 基于定向角反演的极化sar图像匹配方法及装置 - Google Patents

Abstract

本发明公开了一种基于定向角反演的极化SAR图像匹配方法及装置，其中，方法包括以下步骤：获取DEM数据和极化SAR数据；根据所述DEM数据进行反演，以获取第一定向角；根据所述SAR数据进行反演，以获取第二定向角；分别对所述第一定向角和所述第二定向角进行可视化处理；通过BFSIFT算法对可视化处理后的第一定向角和第二定向角进行匹配。根据本发明实施例的匹配方法，通过基于定向角反演的极化SAR图像和DEM匹配，减小匹配时间，提高运算准确率，不但运算复杂度低，而且运算稳定性高。

Description

基于定向角反演的极化SAR图像匹配方法及装置

技术领域

本发明涉及景象匹配制导技术领域，特别涉及一种基于定向角反演的极化SAR图像匹配方法及装置。

背景技术

现有的SAR(Synthetic Aperture Radar，合成孔径雷达)图像匹配算法对山区匹配的结果较差。由于SAR为侧视斜距成像，当地面存在高度起伏时，距离像将存在迎坡缩短、背坡拉伸、阴影以及顶底倒置等几何失真。因此，当两幅SAR图像的成像区域地面高度起伏较大且成像几何结构不同时，二者之间将存在严重的几何形变，有时甚至通过人眼都无法识别为同一区域。这种现象在低空成像时尤为严重，给山区SAR图像匹配带来了极大的困难。以旧金山区域为例，图1给出了不同入射方向的极化SAR总功率图像使用SIFT算法匹配的结果。其中，参照图1所示，左侧图像的入射方向为从上到下，右侧图像的入射方向为从左到右，对比图中左右两幅图可以看出，地形起伏较小的城市地区呈现较好的相似性，得到了较多的匹配点；而方框中起伏较大的山区，呈现很严重的几何形变，没有获得匹配点。对于山区而言，DEM(Digital Elevation Model，数字高程模型)是最稳定的特征。

其中，将DEM和极化SAR数据进行联系的最好手段是定向角。极化SAR可以通过定向角来反演DEM。1996年，Schuler等人对极化SAR图像的定向角进行了计算，并用之进行地形的测量。2000年，Schuler等人通过利用多次飞行的极化SAR数据反演定向角，进而对山地进行了地形的测量。国内对极化SAR进行定向角及DEM反演的研究也有很多。2004年，金亚秋院士在只能获得单次飞行SAR数据的情况下，提出用倾斜地表水平方位排列产生的图像纹理作形态学细化算法来确定水平方位向角，进而确定方位向坡度及距离向坡度，实现DEM的反演。2009年，Chen等人通过结合定向角和shape-from-shading技术实现了DEM的反演。

2004年，Lowe在现有不变量技术特征检测方法的基础上，提出了SIFT(Scare InvariantFeature Transform)算法。这是一种对图像缩放、旋转及仿射变换具有不变性的特征匹配算法。该算法具有很强的匹配能力，通过提取稳定特征来处理图像之间的仿射、视角、光照变换下的匹配问题。近年来，SIFT变换也被用于SAR图像的匹配。由于SAR图像具有很强的斑点噪声，SIFT算法易得到错误的关键点，导致匹配失败。对于非同源SAR图像，匹配率常常很低，这也是SIFT算法在SAR景象匹配中面临的重要问题。

发明内容

本申请是基于发明人对以下问题的认识和发现作出的：

由于在不同视角下，极化SAR图像的散射矩阵都不一样。而且山区SAR图像固有的几何畸变，例如迎坡缩短、背坡拉伸以及顶底倒置，导致山区SAR景象匹配变得非常困难

本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于定向角反演的极化SAR图像匹配方法，该方法能够解决山区经景象匹配难的问题，提高匹配效果。

本发明的另一个目的在于提出一种基于定向角反演的极化SAR图像匹配装置。

为达到上述目的，本发明一方面实施例提出了一种基于定向角反演的极化SAR图像匹配方法，包括以下步骤：获取DEM数据和极化SAR数据；根据所述DEM数据进行反演，以获取第一定向角；根据所述SAR数据进行反演，以获取第二定向角；分别对所述第一定向角和所述第二定向角进行可视化处理；以及通过BFSIFT算法对可视化处理后的第一定向角和第二定向角进行匹配。

根据本发明实施例提出的基于定向角反演的极化SAR图像匹配方法，通过将由DEM数据和极化SAR数据获取的定向角进行可视化处理，以利用BFSIFT算法进行匹配，从而解决SAR图像在地形起伏较大区域例如山区的配准问题，从DEM这一山区稳定特征出发，实现极化SAR图像和DEM的匹配，不但减小匹配时间，提高运算准确率，而且运算复杂度低，运算稳定性高。

另外，根据本发明上述实施例的基于定向角反演的极化SAR图像匹配方法还可以具有如下附加的技术特征：

进一步地，在本发明的一个实施例中，在根据所述DEM数据进行反演时，所述第一定向角与方位向坡度和距离向坡度的关系式为：

其中，ψ为由坡度产生的定向角，φ为雷达视线的照射角，tanγ为所述距离向坡度，tanβ为所述方位向坡度。

进一步地，在本发明的一个实施例中，通过基于圆极化基的定向角反演算法对所述SAR数据进行反演。

进一步地，在本发明的一个实施例中，通过线性变换分别将所述第一定向角和所述第二定向角映射至预设图像区间，以实现可视化处理。

进一步地，在本发明的一个实施例中，所述预设图像区间可以为[0 1]区间。

本发明另一方面实施例提出了一种基于定向角反演的极化SAR图像匹配装置，包括：获取模块，用于获取DEM数据和极化SAR数据；第一反演模块，用于根据所述DEM数据进行反演，以获取第一定向角；第二反演模块，用于根据所述SAR数据进行反演，以获取第二定向角；可视化模块，用于分别对所述第一定向角和所述第二定向角进行可视化处理；以及匹配模块，用于通过BFSIFT算法对可视化处理后的第一定向角和第二定向角进行匹配。

根据本发明实施例提出的基于定向角反演的极化SAR图像匹配装置，通过将由DEM数据和极化SAR数据获取的定向角进行可视化处理，以利用BFSIFT算法进行匹配，从而解决SAR图像在地形起伏较大区域例如山区的配准问题，从DEM这一山区稳定特征出发，实现极化SAR图像和DEM的匹配，不但减小匹配时间，提高运算准确率，而且运算复杂度低，运算稳定性高。

另外，根据本发明上述实施例的基于定向角反演的极化SAR图像匹配装置还可以具有如下附加的技术特征：

进一步地，在本发明的一个实施例中，在根据所述DEM数据进行反演时，所述第一定向角与方位向坡度和距离向坡度的关系式为：

$tan\mathrm{\ψ}=\frac{tan\mathrm{\β}}{sin\mathrm{\φ}-cos\mathrm{\φ}tan\mathrm{\γ}},$

其中，ψ为由坡度产生的定向角，φ为雷达视线的照射角，tanγ为所述距离向坡度，tanβ为所述方位向坡度。

进一步地，在本发明的一个实施例中，所述第二反演模块用于通过基于圆极化基的定向角反演算法对所述SAR数据进行反演。

进一步地，在本发明的一个实施例中，所述可视化模块还用于通过线性变换分别将所述第一定向角和所述第二定向角映射至预设图像区间，以实现可视化处理。

进一步地，在本发明的一个实施例中，所述预设图像区间可以为[0 1]区间。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为相关技术中不同入射方向的极化SAR图像匹配效果的差异性示意图；

图2为根据本发明实施例的基于定向角反演的极化SAR图像匹配方法的流程图；

图3为根据本发明一个实施例的基于定向角反演的极化SAR图像匹配方法的流程图；

图4为根据本发明一个实施例的BFSIFT算法的流程图；

图5为根据本发明一个实施例的使用TopSAR数据(ts545和ts555)进行山区景象匹配的结果示意图；

图6为根据本发明一个实施例的使用TopSAR数据(ts555和ts554)进行山区景象匹配的结果示意图；以及

图7为根据本发明实施例的基于定向角反演的极化SAR图像匹配装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。

下面参照附图描述根据本发明实施例提出的基于定向角反演的极化SAR图像匹配方法及装置，首先将参照附图描述根据本发明实施例提出的基于定向角反演的极化SAR图像匹配方法。参照图2所示，该匹配方法包括以下步骤：

S101，获取DEM数据和极化SAR数据。

在本发明的一个实施例中，参照图3所示，分别根据参考数据和待匹配数据获取DEM数据和极化SAR数据。

S102，根据DEM数据进行反演，以获取第一定向角。

其中，在本发明的一个实施例中，在根据DEM数据进行反演时，第一定向角与方位向坡度和距离向坡度的关系式如式(1)所示：

$tan\mathrm{\ψ}=\frac{tan\mathrm{\β}}{sin\mathrm{\φ}-cos\mathrm{\φ}tan\mathrm{\γ}}---\left(1\right)$

其中，ψ为由坡度产生的定向角，φ为雷达视线的照射角，tanγ为距离向坡度，tanβ为方位向坡度。具体地，距离向和方位向坡度可以通过DEM直接算出，再结合雷达视线的照射角即可反演出参照定向角，即第一定向角。

S103，根据SAR数据进行反演，以获取第二定向角。

其中，在本发明的一个实施例中，通过基于圆极化基的定向角反演算法对SAR数据进行反演。

具体地，参照图3所示，使用极化SAR数据反演实时定向角，即第二定向角。

由定向角的定义可知，定向角会引起极化SAR矩阵的旋转，如式(2)所示。可以说，定向角隐藏在测量得到极化SAR数据中。

$\tilde{S}=\left[\begin{array}{cc}cos\mathrm{\θ}& sin\mathrm{\θ}\\ -sin\mathrm{\θ}& cos\mathrm{\θ}\end{array}\right]S\left[\begin{array}{cc}cos\mathrm{\θ}& -sin\mathrm{\θ}\\ sin\mathrm{\θ}& \cos \mathrm{\θ}\end{array}\right]---\left(2\right)$

其中，θ为定向角，S为旋转前的Sinclair矩阵，为旋转后的Sinclair矩阵。

互易定理满足时，圆极化基下极化散射矩阵的三个元素与水平垂直极化基下极化矩阵的三个元素的关系如(3)所示。

S_RR＝(S_HH-S_VV+i2S_HV)/2

S_LL＝(S_VV-S_HH+i2S_HV)/2          (3)

S_RL＝i(S_HH+S_VV)/2

旋转后的圆极化基下极化矩阵的三个元素可表达为：

$\begin{array}{c}{\tilde{S}}_{RR}=S_{RR}{e}^{-i2\mathrm{\θ}}\\ {\tilde{S}}_{LL}=S_{LL}{e}^{i2\mathrm{\θ}}\\ {\tilde{S}}_{RL}=S_{RL}\end{array}---\left(4\right)$

那么对应旋转后的圆极化基下的相关矩阵为：

$\begin{array}{c}\tilde{C}=\left[\begin{array}{ccc}{\tilde{S}}_{RR}{\tilde{S}}_{RR}^{*}& \sqrt{2}{\tilde{S}}_{RR}{\tilde{S}}_{RL}^{*}& {\tilde{S}}_{RR}{\tilde{S}}_{LL}^{*}\\ \sqrt{2}{\tilde{S}}_{RL}{\tilde{S}}_{RR}^{*}& 2{\tilde{S}}_{RL}{\tilde{S}}_{RL}^{*}& \sqrt{2}{\tilde{S}}_{RL}{\tilde{S}}_{LL}^{*}\\ {\tilde{S}}_{LL}{\tilde{S}}_{RR}^{*}& \sqrt{2}{\tilde{S}}_{LL}{\tilde{S}}_{RL}^{*}& {\tilde{S}}_{LL}{\tilde{S}}_{LL}^{*}\end{array}\right]\\ =\left[\begin{array}{ccc}{S}_{RR}{S}_{RR}^{*}& \sqrt{2}\left(S_{RL}{S}_{RL}^{*}\right)e^{-i2\mathrm{\θ}}& \left(S_{RR}{S}_{LL}^{*}\right)e^{-i4\mathrm{\θ}}\\ \sqrt{2}\left(S_{RL}{S}_{RL}^{*}\right)e^{i2\mathrm{\θ}}& 2S_{RL}{S}_{RL}^{*}& \sqrt{2}\left(S_{RL}{S}_{RL}^{*}\right)e^{i2\mathrm{\θ}}\\ \left(S_{LL}{S}_{RR}^{*}\right)e^{-i4\mathrm{\θ}}& \sqrt{2}\left(S_{RL}{S}_{RL}^{*}\right)e^{-i2\mathrm{\θ}}& S_{LL}{S}_{LL}^{*}\end{array}\right]\end{array}---\left(5\right)$

观察的第一行第三列的元素：

${\tilde{S}}_{RR}{\tilde{S}}_{LL}^{*}=\left(S_{RR}{S}_{LL}^{*}\right)e^{-i4\mathrm{\θ}}---\left(6\right)$

当为反射对称介质时， $S_{HH}{S}_{HV}^{*}=0,S_{VV}{S}_{HV}^{*}=0.$ 带入式可得式(7)。为实数，并不为引入相位变化，即的相位即为-4θ。可知θ的取值范围为[-π/4,π/4]。

$S_{RR}{S}_{LL}^{*}=\frac{-|S_{HH}-S_{VV}{|}^2+4|S_{HV}{|}^2}{4}---\left(7\right)$

${\tilde{S}}_{RR}{\tilde{S}}_{LL}^{*}=\frac{1}{4}\[-|{\tilde{S}}_{HH}-{\tilde{S}}_{VV}{|}^2+4|{\tilde{S}}_{HV}{|}^2\]-i4\mathrm{Re}\[({\tilde{S}}_{HH}-{\tilde{S}}_{\mathrm{VV}}){\tilde{S}}_{HV}\]---\left(8\right)$

由此可得：

$\begin{array}{c}\mathrm{\θ}=-\frac{1}{4}Arg\left({\tilde{S}}_{RR}{\tilde{S}}_{LL}^{*}\right)\\ =-\frac{1}{4}{\tan }^{-1}\left(\frac{-\mathrm{Re}\[({\tilde{S}}_{HH}-{\tilde{S}}_{VV}){\tilde{S}}_{HV}^{*}\]}{-|{\tilde{S}}_{HH}-{\tilde{S}}_{VV}{|}^2+4|{\tilde{S}}_{HV}{|}^2}\right)\end{array}---\left(9\right)$

对于方位对称介质，上式不能直接用于求定向角。通常情况下远大于即分母是负的。当分子趋于0时，θ将趋于±π/4，而事实上此时定向角应趋于0的。为了将θ与定向角对应，调整如下：

$\mathrm{\θ}=\left\{\begin{array}{cc}\mathrm{\η}& (\mathrm{\η}\≤\mathrm{\π}/4)\\ \mathrm{\η}-\mathrm{\π}/2& (\mathrm{\η}>\mathrm{\π}/4)\end{array}\right.---\left(10\right)$

其中：

$\mathrm{\η}=-\frac{1}{4}\{{\tan }^{-1}\left(\frac{-\mathrm{Re}\[({\tilde{S}}_{HH}-{\tilde{S}}_{VV}){\tilde{S}}_{HV}^{*}\]}{-|{\tilde{S}}_{HH}-{\tilde{S}}_{VV}{|}^2+4|{\tilde{S}}_{HV}{|}^2}\right)+\mathrm{\π}\}---\left(11\right)$

S104，分别对第一定向角和第二定向角进行可视化处理。

进一步地，在本发明的一个实施例中，通过线性变换分别将第一定向角和第二定向角映射至预设图像区间，以实现可视化处理。

其中，在本发明的一个实施例中，预设图像区间优选为[0 1]区间。

具体地，参照图3所示，对参照定向角和实时定向角进行可视化处理。

进一步地，定向角的范围是[0 90]，因此可以通过简单的线性变换将定向角映射到[0 1]区间内，实现可视化处理。

S105，通过BFSIFT算法对可视化处理后的第一定向角和第二定向角进行匹配。

具体地，参照图3所示，对可视化处理后的参照定向角和实时定向角进行匹配。

通过BFSIFT算法实现参照定向角及实时定向角的匹配，即第一定向角和第二定向角的匹配。其中，BFSIFT算法也可由SIFT算法代替，但BFSIFT算法具有更好地抗噪性。

具体地，参照图4所示，BFSIFT为基于特征图像配准方法，基于特征的图像配准方法基本流程，包括特征提取，特征匹配和变换参数求解三个基本步骤。BFSIFT算法提取特征为点特征，提取出图像尺度、旋转、平移不变性的点，并对特征点做相应描述。由于特征描述为高维向量空间特征点匹配，所以采用kd树搜索算法进行特征匹配。变换参数求解采用最小二乘估计，为使得求解的变换参数最优，采用随机一致性求解变换参数。

BFSIFT算法与经典匹配算法SIFT不同之处在于特征点检测，为提取具有图像尺度不变性的特征点，SIFT算法采用高斯金字塔构造图像尺度空间，高斯滤波器核如式：

$G\left(r\right)=\frac{1}{2{\mathrm{\π\σ}}^2}\exp (-\frac{r^2}{2{\mathrm{\σ}}^2}),$

其中σ尺度因子。尺度空间构造方式如式，通过在不同尺度级上采用不同尺度高斯滤波核滤波，得到多幅尺度连续图像。

L(x,y,σ)＝G(x,y,σ)*I(x,y)

其中G(x,y,σ)不同尺度高斯滤波核，I(x,y)为图像。

但由于SAR图像的乘性噪声特性，高斯滤波器构建尺度空间时，对SAR图像起到的平滑作用会使得其特征变得模糊，不利于后续特征的提取，双向滤波器BF核因为同时考虑邻域及灰度域两个方向，其构造的尺度空间能够更好的保留SAR图像的特征。双向滤波器核公式如式：

$BF(r,I)=\frac{1}{2{\mathrm{\π\σ}}_s{\mathrm{\σ}}_r}\exp (-\frac{r^2}{2{\mathrm{\σ}}_s^2})\exp \left(\right(-\frac{I^2}{{\mathrm{\σ}}_r^2}))$

然后对构建不同尺度图像采用拉普拉斯算子提取尺度空间角点、边缘点等感兴趣极值点，据此采用与SIFT算法一致的特征点描述方法及匹配方法进行处理。

在本发明的一个具体实施例中，实验使用三组数据(ts545、ts554和ts555)，均为1998年5月1日TOPSAR飞行得到的地距数据，成像地区为Camp Roberts。ts554和ts55组数据包含C波段的极化SAR数据、L波段的SAR数据和对应的DEM数据；ts545组数据包含C和L波段的SAR数据和对应的DEM数据。每一组组内的数据为同一次飞行得到，具有相同的成像条件和成像区域。参照图5所示，在图中，(a)为L波段与C波段的极化SAR图像匹配结果图，即未使用本发明前的匹配效果图，(b)为DEM和极化SAR数据反演得到的定向角匹配结果，即使用本发明后的匹配效果图。同样地，参照图6所示，在图中，(a)为L波段与C波段的极化SAR图像匹配结果，即未使用本发明前的匹配效果图，(b)为DEM和极化SAR数据反演得到的定向角匹配结果，使用本发明后的匹配效果图。通过图5的入射方向垂直的数据匹配结果1(ts545与ts555)和图6的入射方向垂直的数据匹配结果2(ts555与ts554这两组典型结果示意图，从而可以发现，基于定向角反演的极化SAR图像和DEM匹配效果要明显优于基于极化散射总功率的极化SAR图像匹配。无论是配准点还是匹配时间，本发明实施例都具有明显的优势。

在本发明的实施例中，参照图5和图6所示，使用本发明的匹配方法之后，SIFT算法提取的有效关键点数明显增大，并且SIFT算法匹配时间明显下降，以及运算复杂度低，稳定性高，准确率高。具体如表1所示，表1为图5和图6中的图像匹配结果评估。

表1

在本发明的一个实施例中，本发明实施例首先根据定向角的定义，简单的通过DEM反演出参照定向角；其次根据Lee等人提出的基于圆极化基的定向角反演算法，对极化SAR数据进行实时定向角反演；然后通过简单的线性变换将定向角映射到[0 1]区间内，实现可视化处理；最后通过BFSIFT实现参照及实际获取数据的定向角的匹配。本发明实施例具有匹配精度高，算法速度快，可以实现实时图像匹配的特点。

根据本发明实施例提出的基于定向角反演的极化SAR图像匹配方法，通过将由DEM数据和极化SAR数据获取的定向角进行可视化处理，以利用BFSIFT算法进行匹配，从而解决SAR图像在地形起伏较大区域例如山区的配准问题，从DEM这一山区稳定特征出发，实现极化SAR图像和DEM的匹配，不但减小匹配时间，提高运算准确率，而且运算复杂度低，运算稳定性高。

其次参照附图描述根据本发明实施例提出的基于定向角反演的计划SAR图像匹配装置。参照图7所示，该匹配装置10包括：获取模块100、第一反演模块200、第二反演模块300、可视化模块400和匹配模块500。

其中，获取模块100用于获取DEM数据和极化SAR数据。第一反演模块200用于根据DEM数据进行反演，以获取第一定向角。第二反演模块300用于根据SAR数据进行反演，以获取第二定向角。可视化模块400用于分别对第一定向角和第二定向角进行可视化处理。匹配模块500用于通过BFSIFT算法对可视化处理后的第一定向角和第二定向角进行匹配。本发明实施例的匹配装置10可以通过基于定向角反演的极化SAR图像和DEM匹配，减小匹配时间，提高运算准确率，不但运算复杂度低，而且与运算稳定性高。

进一步地，在本发明的一个实施例中，在根据DEM数据进行反演时，第一定向角与方位向坡度和距离向坡度的关系式为：

$tan\mathrm{\ψ}=\frac{tan\mathrm{\β}}{sin\mathrm{\φ}-\cos \mathrm{\φ}tan\mathrm{\γ}},$

其中，ψ为由坡度产生的定向角，φ为雷达视线的照射角，tanγ为距离向坡度，tanβ为方位向坡度。

具体地，距离向和方位向坡度可以通过DEM直接算出，再结合雷达视线的照射角即可反演出参照定向角，即第一定向角。

进一步地，在本发明的一个实施例中，参照图7所示，第二反演模块300用于通过基于圆极化基的定向角反演算法对SAR数据进行反演，以获取实时定向角，即第二定向角。

进一步地，在本发明的一个实施例中，参照图7所示，可视化模块400还用于通过线性变换分别将第一定向角和第二定向角映射至预设图像区间，以实现可视化处理。

进一步地，在本发明的一个实施例中，预设图像区间可以为[0 1]区间。

需要说明的是，本发明实施例的装置的具体实现方式与方法部分的具体实现方式类似，为了减少冗余，此处不做赘述。

根据本发明实施例提出的基于定向角反演的极化SAR图像匹配装置，通过将由DEM数据和极化SAR数据获取的定向角进行可视化处理，以利用BFSIFT算法进行匹配，从而解决SAR图像在地形起伏较大区域例如山区的配准问题，从DEM这一山区稳定特征出发，实现极化SAR图像和DEM的匹配，不但减小匹配时间，提高运算准确率，而且运算复杂度低，运算稳定性高。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于定向角反演的极化SAR图像匹配方法，其特征在于，包括以下步骤：

获取DEM数据和极化SAR数据；

根据所述DEM数据进行反演，以获取第一定向角；

根据所述SAR数据进行反演，以获取第二定向角；

分别对所述第一定向角和所述第二定向角进行可视化处理；以及

通过BFSIFT算法对可视化处理后的第一定向角和第二定向角进行匹配。

2.根据权利要求1所述的基于定向角反演的极化SAR图像匹配方法，其特征在于，在根据所述DEM数据进行反演时，所述第一定向角与方位向坡度和距离向坡度的关系式为：

$tan\mathrm{\ψ}=\frac{tan\mathrm{\β}}{sin\mathrm{\φ}-cos\mathrm{\φ}tan\mathrm{\γ}},$

其中，ψ为由坡度产生的定向角，φ为雷达视线的照射角，tanγ为所述距离向坡度，tanβ为所述方位向坡度。

3.根据权利要求1所述的基于定向角反演的极化SAR图像匹配方法，其特征在于，通过基于圆极化基的定向角反演算法对所述SAR数据进行反演。

4.根据权利要求1所述的基于定向角反演的极化SAR图像匹配方法，其特征在于，通过线性变换分别将所述第一定向角和所述第二定向角映射至预设图像区间，以实现可视化处理。

5.根据权利要求4所述的基于定向角反演的极化SAR图像匹配方法，其特征在于，所述预设图像区间为[0 1]区间。

6.一种基于定向角反演的极化SAR图像匹配装置，其特征在于，包括：

获取模块，用于获取DEM数据和极化SAR数据；

第一反演模块，用于根据所述DEM数据进行反演，以获取第一定向角；

第二反演模块，用于根据所述SAR数据进行反演，以获取第二定向角；

可视化模块，用于分别对所述第一定向角和所述第二定向角进行可视化处理；以及

匹配模块，用于通过BFSIFT算法对可视化处理后的第一定向角和第二定向角进行匹配。

7.根据权利要求6所述的基于定向角反演的极化SAR图像匹配装置，其特征在于，在根据所述DEM数据进行反演时，所述第一定向角与方位向坡度和距离向坡度的关系式为：

$tan\mathrm{\ψ}=\frac{tan\mathrm{\β}}{sin\mathrm{\φ}-cos\mathrm{\φ}tan\mathrm{\γ}},$

其中，ψ为由坡度产生的定向角，φ为雷达视线的照射角，tanγ为所述距离向坡度，tanβ为所述方位向坡度。

8.根据权利要求6所述的基于定向角反演的极化SAR图像匹配装置，其特征在于，所述第二反演模块用于通过基于圆极化基的定向角反演算法对所述SAR数据进行反演。

9.根据权利要求6所述的基于定向角反演的极化SAR图像匹配装置，其特征在于，所述可视化模块还用于通过线性变换分别将所述第一定向角和所述第二定向角映射至预设图像区间，以实现可视化处理。

10.根据权利要求9所述的基于定向角反演的极化SAR图像匹配装置，其特征在于，所述预设图像区间为[0 1]区间。