CN109003293A - 基于各向异性斑点抑制模型的sar图像配准方法 - Google Patents

Abstract

本发明公开了一种基于各向异性斑点抑制模型的SAR图像配准方法。该方法首先利用各向异性斑点抑制模型(SRAD)建立图像的各向异性尺度空间表示，并在此尺度空间中检测特征点并对其进行描述。然后对于在参考图像以及待配准图像上提取出的特征点利用双向匹配策略确立同名特征点。最后根据的同名特征点对构建不规则三角网TIN，并对待配准图像进行三角形小面元的精确校正。与现有方法相比，本方法能够实现SAR图像快速精确的配准。

Description

基于各向异性斑点抑制模型的SAR图像配准方法

技术领域

本发明涉及一种遥感图像配准方法，尤其是一种基于各向异性斑点抑制模型的SAR图像配准方法，属于数字图像处理等技术领域。

背景技术

合成孔径雷达SAR(Synthetic aperture radar)图像配准的目的是找到同一场景下不同时间或不同视角、不同传感器获取的两幅或多幅SAR图像之间的对应关系,是三维重建、目标识别、匹配制导、变化检测、信息融合等应用中的关键技术。因此SAR图像的配准是SAR图像分析的基础，为SAR图像的应用提供技术支持。

现有的图像配准技术通常可以分为两类：基于区域的配准技术和基于特征的配准技术。相比于基于区域的配准技术，基于特征的配准技术具有鲁棒性好、精确度高的优点，因此在实际应用中常采用基于特征的图像匹配技术。特征点的提取是基于特征的配准技术的关键步骤。在进行特征点检测时，需要构建一副图像的多尺度空间表示，并在不同的尺度空间下提取图像的特征点。构建多尺度空间表示可以通过使用一种合适的函数在渐增的时间或者尺度上对原始图像进行滤波来实现。由于 SAR图像中斑点噪声的影响，在利用多尺度空间进行特征检测时会产生大量的由斑点噪声引起的不稳定特征点。这些不稳定特征点会影响配准的准确率。

对于构建一幅图像的多尺度空间表示，最简单的滤波函数是基于高斯核的滤波函数，比如SIFT算法。但由于高斯滤波是一种各向同性扩散函数，它对斑点噪声敏感并且不能有效的保持物体边缘细节，因此SIFT 建立的高斯尺度空间不适用于SAR图像特征点的提取。为了提高特征检测性能，一些文献提出了基于各向异性扩散函数建立尺度空间的算法。比如BFSIFT、AAG-SIFT和NDSS-SIFT算法，这些算法分别利用双边滤波、各向异性高斯滤波和P-M方程构建图像的多尺度空间。

这些算法建立的各向异性尺度空间表示可以有效的保持图像边缘细节的信息，提高特征点定位的精度，然而他们不能从根本上消除斑点噪声的影响。这是由于这些各向异性扩散函数利用图像梯度幅值作为边缘检测子。当图像受到斑点噪声污染时,由斑点噪声引起的梯度变化很可能超过由边缘引起的梯度变化。也就是说梯度幅值并不能有效区分斑点噪声和图像的边缘,滤波的结果不但不能有效去除噪声,还有可能增强噪声。这些增强的噪声在各向异性尺度空间中被检测为不稳定的特征点，影响 SAR图像配准的精度。

在这样的背景下，需要设计一种基于各向异性斑点抑制模型的SAR 图像配准技术，以有效的消除斑点噪声的影响，提高特征提取的稳定性以及特征点的正确匹配率，为SAR图像的变化检测、三维重建等遥感图像实际应用提供支持。

发明内容

本申请所要解决的技术问题在于提供一种各向异性斑点抑制模型的 SAR图像配准方法。该方法首先利用各向异性斑点抑制模型(SRAD)建立图像的各向异性尺度空间表示，然后在此尺度空间上进行特征点的检测与描述。最后对提取出的特征点利用采用双向匹配策略建立同名特征点。

为实现上述的发明目的，本发明采用下述的技术方案：

一种基于各向异性斑点抑制模型的SAR图像配准方法，包括如下步骤：

(1)将需要建立的各向异性尺度空间中图像集合划分为O组，每组S 层，利尺度映射公式σ_i＝σ₀2^z+c/S得到一组尺度参数集合{σ_i}，其中σ₀为图像的初始尺度，z∈[0,...,O-1]，c∈[0,...,S-1]，i∈[0,...,O×S]，然后根据时间时间映射公式获得一组进化时间集合{t_i}；

(2)根据上述步骤得到的进化时间集合{t_i}，利用公式(1)对参考图像进行迭代，得到图像有序集合即参考图像的各向异性尺度空间，同时利用公式(2)对待配准图像进行迭代，得到图像有序集合组成待配准图像的各向异性尺度空间，其中i∈[1,...,O×S]，与分别为参考图像与待配准图像在第i次迭代得到的图像，与分别为参考图像与待配准图像在l方向的SRAD传导系数矩阵,I为单位矩阵；

(3)对于上述步骤(2)中得到的参考图像各向异性尺度空间与待配准图像各向异性尺度空间分别在集合与中对相邻两层图像进行相减得到相应的差分空间，对相应差分空间中每个像素进行非极大值抑制得到参考图像与待配准图像的特征点集合，并对所述的特征点集合中的特征点用SIFT描述子进行描述；

(4)对于上述步骤(3)中得到的参考图像特征点集合中的每一个特征点，利用最近邻/次近邻比值法NNDR求得与之对应的待配准图像的特征点；对于待配准图像特征点集合中的每一个特征点，利用NNDR方法求得与之对应的参考图像的特征点，如果参考图像的特征点与待配准图像的特征点互为对应的特征点，那么将其作为一对同名特征点；

(5)根据上述步骤(4)中得到的所有同名特征点，构建不规则三角网TIN，并对TIN网中的每个像素进行三角形小面元纠正已获得配准后的图像。

其中，在所述步骤(1)中，优选S＝3，O＝3，σ₀＝1.6。

所述步骤(2)中，l取图像的水平方向与垂直方向。

所述步骤(4)中，NNDR的比率优选0.8。

所述步骤(5)中，利用Delaunay三角网来构建的TIN网。

本申请所提供的基于各向异性斑点抑制模型的SAR图像配准方法有如下的优点：

1 本申请中建立的各向异性尺度空间表示不仅能够保持图像边缘细节，而且能够抑制斑点噪声，从而检测到稳定的特征点。

2 本申请中双向匹配策略能够提高特征点正确匹配率。

附图说明

下面结合附图和具体实施方式对本发明作进一步的详细说明。

图1是基于各向异性斑点抑制模型的SAR图像配准方法的流程图；

图2显示了本发明方法与SIFT算法的特征点匹配对比，其中(a)为 SIFT方法匹配结果，(b)为本发明方法匹配结果；

图3为了本方法配准结果的卷帘表示。

具体实施方式

下面，对本发明所提供的基于各向异性斑点抑制模型的SAR图像配准方法具体实施步骤进行详细说明，处理流程见图1。

步骤1、将需要建立的各向异性尺度空间中图像集合划分为O组，每组S层，利尺度映射公式σ_i＝σ₀2^z+c/S得到一组尺度参数集合{σ_i}，其中σ₀为图像的初始尺度，z∈[0,...,O-1]，c∈[0,...,S-1]，i∈[0,...,O×S]，然后根据时间时间映射公式获得一组进化时间集合{t_i}。

在构造各向异性尺度空间时，尺度级别按对数递增，共有O组，每组S层。其中每组的最后一层将采样一倍作为下一组的第一层。其中σ₀为初始尺度参数基准值，i∈[0,...,N]，N＝O×S为整个尺度空间包含的图像总数。

步骤2、根据上述步骤得到的进化时间集合{t_i}，利用公式对参考图像进行迭代，得到图像有序集合组成参考图像的各向异性尺度空间，同时利用公式对待配准图像进行迭代，得到图像有序集合组成待配准图像的各向异性尺度空间，其中i∈[0,...,O×S]，与分别为参考图像与待配准图像第i次迭代得到的图像，与分别为参考图像与待配准图像沿l方向的SRAD传导系数矩阵,I为单位矩阵。

各向异性斑点抑制模型SRAD可以表示为公式(3)，其中L₀(x,y)为输入图像，L(x,y；t)为t时刻输出图像，div为散度算子，▽L为梯度算子。 c(q)为SRAD传导系数，其表达式为公式(4)。其中q(x,y；t)为瞬时变化算子，作为SRAD的边缘检测器，其表达式为公式(5)，其中▽²L为拉普拉斯算子。q₀(t)为该时刻的扩散门限，其估计值为公式(6)，其中ρ＝1/6。

由于拉普拉斯算子的二阶导数性质可用于区分由噪声引起的灰度变化和由边缘引起的灰度变化,因此结合梯度算子和拉普拉斯算子使得在斑点噪声环境中的边缘检测更加准确。SRAD的传导系数c(q)的设计也是通过边缘的强度和扩散门限的关系来控制扩散的力度,而扩散门限决定了扩散的总量。

q₀(t)≈q₀exp[-ρt] (6)

步骤3、对于上述步骤2中得到的参考图像各向异性尺度空间与待配准图像各向异性尺度空间分别在集合与中对相邻两层图像进行相减得到相应的差分空间，对相应差分空间中每个像素进行非极大值抑制得到参考图像与待配准图像的特征点集合，并对所述的特征点集合中的特征点用SIFT描述子进行描述。

类似于SIFT构建高斯差分空间的过程，根据各向异性尺度空间求得对应的差分空间。对于差分空间每一层图像的每一个像素计算尺度归一化后的Hessian矩阵行列式，其表达式为：

其中，(L_xx,L_yy)分别是水平方向和垂直方向的二阶导数，L_xx是二阶交叉导数。然后在尺度和空间3个大小为σ_i×σ_i矩形窗口进行非最大值抑制，寻找局部最大值，对应为检测到的特征坐标。最后对检测出来的特征点利用SIFT描述子进行描述，建立128维的特征描述向量。

步骤4、对于上述步骤3中得到的参考图像特征点集合中的每一个特征点，利用最近邻/次近邻比值法NNDR求得与之对应的待配准图像的特征点；对于待配准图像特征点集合中的每一个特征点，利用NNDR方法求得与之对应的参考图像的特征点，如果参考图像的特征点与待配准图像的特征点互为对应的特征点，那么将其作为一对同名特征点。

在采用NNDR方法进行匹配时，经常会有多个点对应一个点的现象，响了匹配结果，因此本方法采用双向匹配，即两次比值法，待匹配图像中的A点对应的匹配点是参考图像中的B点，同时B点匹配点是A点，这样才确定A和B是一对匹配点。通过双向匹配策略，可以有效的提高了匹配点的正确率。

步骤5、根据上述步骤4中得到的所有同名特征点，构建不规则三角网TIN，并对TIN网中的每个像素进行三角形小面元纠正已获得配准后的图像。

根据同名特征点对分别在参考图像I₁和待配准图像I₂上建立狄洛克三角网来覆盖整幅图像。由于每个三角形小面元的三个顶点都是同名特征点，在特征点上两幅图像之间的对应关系是已知的，在三角形内部的像元点可以认为符合简单的仿射变换关系，即根据三角形的三个顶点建立一次多项式(公式8)，其中，(X,Y)为参考图像I₁坐标，(x,y)为待配准图像 I₂坐标。由于三个顶点坐标之间已经通过同名点构建，因此得到三组点对： (X₁,Y₁,x₁,y₁)、(X₂,Y₂,x₂,y₂)、(X₃,Y₃,x₃,y₃)，根据这三组点对利用公式(9)计算得到该子块仿射变换系数。最后根据仿射变换系数，纠正该子块图像的形变。整幅图像TIN中的每个三角形都进行类似处理，完成图像的精确配准。

本发明方法与基于各向异性扩散的SAR图像配准方法进行了实验对比，其中包括BFSIFT算法(A novel method to find feature matches for SAR imageregistration)、AAG-SIFT算法(Adapted Anisotropic Gaussian SIFT MatchingStrategy for SAR Registration)、NDSS-SIFT算法(SAR Image Registration UsingPhase Congruency and Nonlinear Diffusion-Based SIFT)。实验数据为PALSAR***拍摄的VI和VV极化方式的农田地区 SAR图像。配准精度评价指标包括均方根误差(RMSE)、互信息量(MI)、特征点正确匹配率(CMR)、特征点正确匹配数(CMN)和特征点数量(KPS)。这些指标定义如下：

(1)RMSE：RMSE定义为观测值与真值偏差的平方和观测次数比值的平方根，其可用公式(11)表示，其中与为参考图像与待配准图像的同名点，n为同名特征点的个数。RMSE越小说明配准精度越高。

(2)MI：MI反映的两个数据集A、B的相似程度。对于给定的两幅图像I_A 15和I_B，令A、B为它们的灰度随机变量组成的向量，I_A和I_B的MI可以表示为公式(12)，其中 为I_A和 I_B的联合概率分布.MI越大说明配准精度越高.

(3)CMR:CMR为特征点正确匹配率。它定义为正确匹配的特征点对的数量比上所有匹配的特征点对的数量。

(4)KPS:KPS为参考图像与待配准图像中提取出的特征点数量的较小值。

(5)CMN:CMN为特征点正确匹配对数。它定义为正确匹配的特征点对的数量，CMN越大说明能够为图像变换矩阵参数的计算提供越多的支持。

表1列出了本发明方法与对比方法的客观评价结果。从对比结果可以看出，本发明方法提取的特征点数量要少于对比方法，这是由于本方法建立的各向异性尺度空间可以有效的消除由斑点噪声造成的不稳定特征点；同时本方法能够获得比对比方法更多的正确匹配对数，这是由于本方法采用了双向匹配策略，有效的增加了特征正确匹配率。另一方面，从RMSE与MI指标可以看出，本方法比对比方法具有更高的配准精度，这是由于本方法采用了三角形小面元纠正的方法，能够获得较高的纠正精度。

为了测试算法的时间性能，本发明方法与对比方法在相同的硬件环境下进行了对比实验，处理器为16核Intel Xeon E5-2650 2.00GHz处理器，内存为16G，操作***为windows 7 Ultimate 64-bit。表2为本发明方法与对比方法的运行时间对比。由表2可以看出，在特征点提取阶段，本发明方法均比对比方法耗时少。这是由于在特征点提取阶段，本方法使用过了加速***算法来提高建立各向异性尺度空间的速度。而在特征匹配阶段，本方法由于采用了双向匹配策略，因此耗时比对比方法多。本发明方法总耗时间小于对比方法。

表1 本发明方法与对比方法配准精度比较

表2 本发明方法与对比方法运行时间比较(单位：秒)

图2展示了本方法与BFSIFT方法特征点匹配的结果。由图2可以看出，本发明方法特征点正确匹配率要高于BFSIFT算法。这是由于BFSIFT 算法利用NNDR匹配策略建立同名点，存在大量的误匹配现象；而本发明方法利用双向匹配策略，可以有效的减少误匹配的数量。

本发明所提供的基于各向异性斑点抑制模型的SAR图像配准方法主要是为提高SAR图像特征提取稳定性以及特征匹配精度专门提出的。但显然，本配准方法也适用被斑点噪声污染的其它图像，比如医学图像，超声图像等，所取得的有益效果也是相似的。

以上对本发明所提供的基于各向异性斑点抑制模型的SAR图像配准方法进行了详细的说明，但显然本发明的具体实现形式并不局限于此。对于本技术领域的一般技术人员来说，在不背离本发明的权利要求范围的情况下对它进行的各种显而易见的改变都在本发明的保护范围之内。

Claims (5)

1.一种基于各向异性斑点抑制模型的SAR图像配准方法，包括如下步骤：

(1)将需要建立的各向异性尺度空间中图像集合划分为O组，每组S层，利尺度映射公式σ_i＝σ₀2^z+c/S得到一组尺度参数集合{σ_i}，其中σ₀为图像的初始尺度，z∈[0,...,O-1]，c∈[0,...,S-1]，i∈[0,...,O×S]，然后根据时间时间映射公式获得一组进化时间集合{t_i}；

(2)根据上述步骤得到的进化时间集合{t_i}，利用公式(12)对参考图像进行迭代，得到图像有序集合即参考图像的各向异性尺度空间，同时利用公式(13)对待配准图像进行迭代，得到图像有序集合组成待配准图像的各向异性尺度空间，其中i∈[1,...,O×S]，与分别为参考图像与待配准图像在第i次迭代得到的图像，与分别为参考图像与待配准图像在l方向的SRAD传导系数矩阵,I为单位矩阵；

(3)对于上述步骤(2)中得到的参考图像各向异性尺度空间与待配准图像各向异性尺度空间分别在集合与中对相邻两层图像进行相减得到相应的差分空间，对相应差分空间中每个像素进行非极大值抑制得到参考图像与待配准图像的特征点集合，并对所述的特征点集合中的特征点用SIFT描述子进行描述；

(4)对于上述步骤(3)中得到的参考图像特征点集合中的每一个特征点，利用最近邻/次近邻比值法NNDR求得与之对应的待配准图像的特征点；对于待配准图像特征点集合中的每一个特征点，利用NNDR方法求得与之对应的参考图像的特征点，如果参考图像的特征点与待配准图像的特征点互为对应的特征点，那么将其作为一对同名特征点；

(5)根据上述步骤(4)中得到的所有同名特征点，构建不规则三角网TIN，并对TIN网中的每个像素进行三角形小面元纠正已获得配准后的图像。

2.如权利要求1中所述的方法，其特征在于：

在所述步骤(1)中，优选S＝3，O＝3，σ₀＝1.6。

3.如权利要求1中所述的方法，其特征在于：

所述步骤(2)中，l取图像的水平方向与垂直方向。

4.如权利要求1中所述的方法，其特征在于：

所述步骤(4)中，NNDR的比率优选0.8。

5.如权利要求1中所述的方法，其特征在于：

所述步骤(5)中，利用Delaunay三角网来构建的TIN网。