CN102842134A - 基于sar图像的快速景象匹配方法 - Google Patents

Abstract

本发明公开了一种基于SAR图像的快速景象匹配方法。主要解决现有技术匹配时间长，匹配精度低的问题。其实现步骤是：（1）对实时SAR图像进行去噪，将去噪后的实时图像与参考SAR图像分别进行两层小波分解；（2）对两层分解图像及原始图像进行边缘特征提取；（3）在经过特征提取的第二级分解图像上进行二级粗匹配，得到二级粗匹配点；（4）返回到第一级分解图像上，在二级粗匹配点的邻域内进行一级粗匹配，得到一级粗匹配点；（5）返回到原始图像上，在一级粗匹配点的邻域内计算Hausdorff距离进行精匹配，得到最终的匹配位置。本发明能够在保持很高匹配精度和较小匹配误差的前提下明显地提高匹配速度，可用于导弹的精确制导。

Description

基于SAR图像的快速景象匹配方法

技术领域

本发明属于导航、制导技术领域，具体说的是快速景象匹配方法，可用于修正惯性导航系统的累积误差。

背景技术

景象匹配制导就是把预先存储在导弹中的地面某特定场景的参考图与弹载成像系统测量的所飞行区域的地面实时图进行比较判别，确定实时图在参考图中的最相似点，即匹配点，从而确定导弹所在的地理位置，供制导和控制系统修正弹道，达到精确制导的目的。景象匹配是一个多步骤的过程，不同的匹配算法之间步骤会有所不同，但大致过程是相同的，即均包括：特征空间、相似性度量和搜索策略。

景象匹配方法的特征空间主要有图像灰度和图像特征。前者直接利用两幅图像的灰度信息进行匹配，实现简单，减少了特征提取过程中可能会引起的误差。后者利用空间位置相对不变的景物特征，如边缘、角点进行匹配。景象匹配方法的关键在于通过将这两种不同特征空间分别与相似性度量和搜索策略合理组合，以提高匹配的准确度和速度。针对这一问题，有以下三种基于SAR图像的景象匹配方法：

冷雪飞等人在“加权Hausdorff距离算法在SAR／INS景象匹配中的应用，控制与决策，2006，21（1）：42-45”文章中，提出了一种基于特征图像分支点提取的加权Hausdorff距离图像匹配算法。这种加权Hausdorff距离算法比较复杂，即使加以改进耗时仍较长，难以满足SAR图像景象匹配制导系统中的实时性要求。

曹飞等人在“快速景象匹配算法控制策略，导弹与航天运载技术，2005，276（3）：46-50”文章中，提出了一种使用归一化互相关作为测度，采用先粗后精的分层匹配策略的景象匹配方法。这种归一化互相关方法性能不够稳定，将其结合塔式分层搜索策略，虽匹配速度提高，但准确度较差，受图像的几何失真影响比较大。

韦官余等人在“基于灰度特征编码的快速景象匹配方法，2009，29（2）：223-226”文章中，提出了一种基于分形编码思想的景象匹配方法，将图像分成小块，通过各个块灰度值之和的比较进行编码，提取图像中与分辨率无关的灰度特征，得到特征编码矩阵，再采用归一化互相关算法作为相关性度量函数进行匹配。这种基于图像灰度的匹配方法对图像的灰度变化较敏感，因为在实际战场环境和成像条件的限制下，参考图和实时图可能来自不同的传感器，图像在灰度形成上会存在较大差异，造成灰度信息难以作为匹配的共性特征完成景象匹配，且这种方法运算量较大，复杂度高。

发明内容

本发明的目的在于针对上述已有方法的缺点，提供一种基于SAR图像的快速景象匹配方法，以在提高匹配精度的同时降低匹配复杂度，确保匹配方法的实时性，实现精确制导。

为了实现上述目的，本发明的技术方案包括如下步骤：

1）输入参考图像A和实时SAR图像b，并对实时SAR图像b进行增强的Lee滤波降噪处理，得到滤波降噪后的实时SAR图像B；

2）对实时SAR图像B和参考图像Ａ分别进行第一层Daubechies小波分解，得到参考图像Ａ的第一层小波分解图像JJ₁和实时SAR图像B的第一层小波分解图像LL₁；

3）分别对所述的JJ₁和LL₁图像进行第二层Daubechies小波分解，得到参考图像Ａ的第二层小波分解图像JJ₂和实时SAR图像B的第二层小波分解图像LL₂；

4）采用Canny算子对上述的JJ₁、LL₁、JJ₂、LL₂图像、参考图像A及实时SAR图像B分别进行边缘提取，得到参考图A第一层小波分解的边缘图像JJ₁′、实时SAR图像B第一层小波分解的边缘图像LL₁′、参考图A第二层小波分解的边缘图像JJ₂′、实时SAR图像B第二层小波分解的边缘图像LL₂′、参考图像A的边缘图像A′及实时SAR图像B的边缘图像B′；

5）对参考图A的第二层小波分解的边缘图像JJ₂′和实时SAR图像B的第二层小波分解的边缘图像LL₂′进行二级粗匹配，得到相似性程度最高的三个二级粗匹配点：

（5a）设参考图A的第二层小波分解的边缘图像JJ₂′的大小为M₁×N₁，实时SAR图像B第二层小波分解的边缘图像LL₂′的大小为M₂×N₂，且M₁>M₂,N₁>N₂，在该边缘图像JJ₂′中，按照从左至右，从上到下的顺序，依次截取大小为M₂×N₂的子图；

（5b）将上述截取的每个子图分别与实时SAR图像B的第二层小波分解的边缘图像LL₂′，利用下式计算相似性测度：

其中，&&是逻辑与运算符号，（i，j）是实时SAR图像B的第一层小波分解的边缘图像LL₂′的点的坐标，1≤i≤M₂,1≤j≤M₂是参考图A的第二层小波分解的边缘图像JJ₂′子图的左上角点的坐标，0≤u≤M₁-M₂+1，0≤v≤N₁-N₂+1，JJ₂′(i+u,j+v)是图像JJ₂′的以(u，v)为左上角的点的子图数据，LL₂′(i，j)是实时图第二层小波分解的边缘图像数据，Corr(u，v)是JJ₂′(i+u,j+v)与LL₂′(i，j)的相似性测度；

（5c）依次计算JJ₂′截取的所有子图与LL₂′之间的归一化互相关相似性测度，得到前三个相似程度最高的JJ₂′的三个子图，将这三个子图左上角的点作为三个二级粗匹配点；

6）在上述三个二级粗匹配点的邻域内，对参考图A第一层小波分解的边缘图像JJ₁′、实时SAR图像B的第一层小波分解的边缘图像LL₁′进行一级粗匹配，得到三个一级粗匹配点：

（6a）在参考图A的第一层小波分解的边缘图像JJ₁′中找到步骤5）中三个粗匹配点的对应位置；

（6b）分别在三个二级粗匹配点10×10的邻域内采用与步骤5）同样的方法，再进行一级粗匹配，得到一级粗匹配点；

7）在参考图像A的边缘图像A′及实时SAR图像B的边缘图像B′中进行精匹配，得到最终匹配点：

（7a）在参考图像A的边缘图像A′中找到步骤6）获得的一级粗匹配点所对应位置，并在其10×10的邻域内采用步骤5a）中的方法在A′中依次截取与SAR图像B的边缘图像B′同样大小的子图；

（7b）计算参考图的边缘图像A′的所有子图a₁,a₂,…a_l,…a_L与SAR图像B的边缘图像B′的Hausdorff距离h₁,h₂,…h_l,…h_L，1≤l≤L，从h₁,h₂,…h_l,…h_L中获取其最小值h_min所对应的子图，并将这个子图左上角的点作为最终的匹配点。

本发明与现有技术相比有以下优点：

（1）本发明使用边缘特征进行景像匹配，可降低计算量，缩小匹配时间，而且边缘特征具有稳定性，更适合于多传感器的实际环境和成像条件；

（2）本发明由于在粗匹配中使用简单、易于实现的相似性测度来寻找粗匹配点，在精匹配中使用复杂但匹配精度高的Hausdorff距离来寻找精匹配点，所以能够在减小匹配时间的同时提高匹配精度，并且具有抗小几何失真的能力；

（3）本发明使用小波分解的方法，即在一系列分解图像上进行快速粗匹配，得到粗匹配点后，只在粗匹配点邻域内进行精匹配，有效地缩短了匹配时间。

理论分析和仿真结果表明本发明与现有技术相比，景像匹配精度高，匹配速度快，可有效抵抗小几何失真。

附图说明

图1是本发明实现流程图；

图2是本发明对SAR图像与光学图像的仿真匹配结果图；

图3是本发明对SAR图像与光学图像进行匹配后所得的匹配点分布图；

图4是本发明对SAR图像的100个子图与光学图像进行蒙特卡罗仿真匹配，得到的匹配位置与实际位置分布图。

具体实施方式

参照图1，本发明的具体实施方式如下：

步骤1.输入参考图像A和实时SAR图像b，并对实时SAR图像b进行增强的Lee滤波降噪处理，得到滤波降噪后的实时SAR图像B。

步骤2.对滤波降噪后的实时SAR图像B和参考图像Ａ分别进行如下操作：

首先，在水平方向进行低通滤波；再将在水平方向进行低通滤波后得到的图像进行垂直方向的低通滤波；然后，将上述经过水平和垂直方向低通滤波后的图像进行二抽取，得到参考图像Ａ的第一层小波分解图像JJ₁和实时SAR图像B的第一层小波分解图像LL₁。

步骤3.分别对所述的JJ₁和LL₁图像在水平和垂直两个维度先进行低通滤波，再进行二抽取，得到参考图像Ａ的第二层小波分解图像JJ₂和实时SAR图像B的第二层小波分解图像LL₂。

步骤4.采用Canny算子对上述的JJ₁、LL₁、JJ₂、LL₂图像、参考图像A及实时SAR图像B分别进行边缘提取，得到参考图A第一层小波分解的边缘图像JJ₁′、实时SAR图像B第一层小波分解的边缘图像LL₁′、参考图A第二层小波分解的边缘图像JJ₂′、实时SAR图像B第二层小波分解的边缘图像LL₂′、参考图像A的边缘图像A′及实时SAR图像B的边缘图像B′。

步骤5.对参考图A的第二层小波分解的边缘图像JJ₂′和实时SAR图像B的第二层小波分解的边缘图像LL₂′进行二级粗匹配，得到相似性程度最高的三个二级粗匹配点：

（5a）设参考图A的第二层小波分解的边缘图像JJ₂′的大小为M₁×N₁，实时SAR图像B第二层小波分解的边缘图像LL₂′的大小为M₂×N₂，且M₁>M₂,N₁>N₂，在该边缘图像JJ₂′中，按照从左至右，从上到下的顺序，依次截取大小为M₂×N₂的子图；

（5b）将上述截取的每个子图分别与实时SAR图像B的第二层小波分解的边缘图像LL₂′，利用下式计算其相似性测度：

其中，&&是逻辑与运算符号，（i，j）是实时SAR图像B的第一层小波分解的边缘图像LL₂′的点的坐标，1≤i≤M₂,1≤j≤N₂，(u,v)是参考图A的第二层小波分解的边缘图像JJ₂′子图的左上角点坐标，0≤u≤M₁-M₂+1，0≤v≤N₁-N₂+1，JJ₂′(i+u,j+v)是图像JJ₂′以(u，v)为左上角点的子图数据，LL₂′(i，j)是实时SAR图像B第二层小波分解的边缘图像数据，Corr(u，v)是JJ₂′(i+u,j+v)与LL₂′(i，j)的相似性测度；

（5c）依次计算JJ₂′的所有子图与LL₂′之间的相似性测度，得到前三个相似性测度最大的JJ₂′子图，并将这三个子图左上角的点作为三个二级粗匹配点。

步骤6.在上述三个二级粗匹配点的邻域内，对参考图A第一层小波分解的边缘图像JJ₁′、实时SAR图像B的第一层小波分解的边缘图像LL₁′进行一级粗匹配，得到三个一级粗匹配点：

（6a）在参考图A的第一层小波分解的边缘图像JJ₁′中找到步骤5）中三个粗匹配点的对应位置；

（6b）分别在三个二级粗匹配点10×10的邻域内采用与步骤5）同样的方法，再进行一级粗匹配，得到三个一级粗匹配点。

步骤7.在参考图像A的边缘图像A′及实时SAR图像B的边缘图像B′中进行精匹配，得到最终匹配点：

（7a）在参考图像A的边缘图像A′中找到步骤6）获得的一级粗匹配点所对应位置，并在其10×10的邻域内采用步骤5a）中的方法在A′中依次截取与SAR图像B的边缘图像B′同样大小的子图；

（7b）假设参考图像A的边缘图像A′的一个子图为a_l，1≤l≤L,L是参考图像A的边缘图像A′的子图的个数，参考图像A的边缘图像A′的一个子图a_l对应的图像矩阵像素点集为：S_h={s₁,s₂,…,s_j,…s_p}，s_j是参考图像A的边缘图像A′的子图a_l对应的图像矩阵像素点集S_h中的一点，1≤j≤p，p是S_h中点的个数；设SAR图像B的边缘图像B′对应的图像矩阵像素点集为：T_h={t₁,t₂,…,t_i,…,t_q}，t_i是为SAR图像B的边缘图像B′对应的图像矩阵像素点集T_h中的一点，1≤i≤q，q为SAR图像B的边缘图像B′对应的图像矩阵像素点集T_h中点的个数；

（7c）对于参考图像A的边缘图像A′的子图a_l对应的图像矩阵像素点集S_h中的一点s_j，在SAR图像B的边缘图像B′对应的图像矩阵像素点集T_h中找到与s_j相对应的点，在这个点的9×9的邻域中由内到外搜索与所述点集S_h中的一点s_j的值相同的匹配点，若能够搜索到这样的匹配点，则点s_j到SAR图像B的边缘图像B′对应的图像矩阵像素点集T_h的距离d(j)为搜索到的第一个匹配点与s_j的距离，否则点s_j到SAR图像B的边缘图像B′对应的图像矩阵像素点集T_h的距离d(j)为一个指定的值d_max，得到点s_j到点集T_h的距离d(j)，计算参考图像A的边缘图像A′的子图a_l对应的图像矩阵像素点集S_h中的每个点s₁,s₂,…,s_j,…s_p到SAR图像B的边缘图像B′对应的图像矩阵像素点集T_h距离d(1),d(2)…d(j)…d(p)；

（7d）将上述所得的点集S_h中的每个点s₁,s₂,…,s_j,…s_p到点集T_h距离d(1),d(2)…d(j)…d(p)按升序排列，取第k个距离值为d_k，1≤k≤p；

（7e）对于SAR图像B的边缘图像B′对应的图像矩阵像素点集T_h中的一点t_i，在所述参考图像A的边缘图像A′的子图a_l对应的图像矩阵像素点集S_h中找到与t_i相对应的点，在这个点的邻域中由内到外搜索与所述点集T_h中的一点t_i的值相同的匹配点，若能够搜索这样的匹配点，则点t_i到点集S_h的距离c(i)是搜索到的第一个匹配点与t_i的距离，否则点t_i到点集S_h的距离c(i)是一个指定的值c_max，得到点t_i到点集S_h的距离c(i)，计算SAR图像B的边缘图像B′对应的图像矩阵像素点集T_h中的每个点t₁,t₂,…,t_i,…t_q到参考图像A的边缘图像A′的子图a_l对应的图像矩阵像素点集S_h的距离c(1),c(2)…c(j)…c(q)；

（7f）将上述点集T_h中的每个点t₁,t₂,…,t_i,…t_q到参考图像A的边缘图像A′的子图a_l对应的图像矩阵像素点集S_h的距离c(1),c(2)…c(j)…c(q),1≤i≤q按升序排列取第m个距离值为c_m，1≤m≤q；

（7g）将所述点集S_h中的每个点s₁,s₂,…,s_j,…s_p到点集T_h距离d(1),d(2)…d(j)…d(p)按升序排列的第k个值d_k和点集T_h中的每个点t₁,t₂,…,t_j,…t_q到点集S_h的距离c(1),c(2)…c(j)…c(q)按升序排列的第m个值c_m进行比较，取较大值作为参考图的边缘图像A′的子图a_l与SAR图像B的边缘图像B′的Hausdorff距离h_l；

（7h）重复步骤（7b)-（7g)，得到参考图的边缘图像A′的所有子图a₁,a₂,…a_l,…a_L与SAR图像B的边缘图像B′的Hausdorff距离h₁,h₂,…h_l,…h_L，1≤l≤L，从h₁,h₂,…h_l,…h_L中获取其最小值h_min所对应的子图，并将这个子图左上角的点作为最终的匹配点。

本发明的效果可通过以下仿真实验进一步说明：

1．仿真条件

仿真实验采用的图像是从Google Earth上截取的一座桥梁的光学图像和从美国Sandia国家实验室网站下载的相应SAR图像。仿真实验使用的PC机配置为Pentium(R)Dual-Core CPU 2.5GHz，2G内存，WXP操作系统，编程语言为MATLAB。

2仿真内容与结果

仿真1.将从Google Earth上截取的一座桥梁的光学图像作为参考图像，将从美国Sandia国家实验室网站下载的相应SAR图像作为实时SAR图像，用Hough变换计算得角度差为-2.5度，用本发明的方法进行图象匹配，匹配结果如图2所示，其中图2(a)是大小为435×647的参考图像，图2(b)是大小为335×526的实时SAR图像，图2(c)是匹配效果图，图2(c)中实线框内为实时图匹配位置，图3为图2(c)中匹配点的分布图。

从图2和图3可以看出，本发明提出的匹配方法具有抗小角度旋转失真的优势。

仿真2.以从Google Earth上截取的一座桥梁的光学图像作为参考图像，以从美国Sandia国家实验室网站下载的相应SAR图像中随机截取大小为256×400的子图像为实时图，用发明方法进行100次蒙特卡罗统计试验，统计结果如图4所示，从图4可以看出，本发明提出的匹配方法匹配精度高，匹配概率大。

仿真3.用现有NCC方法、NCC-NCC方法和本发明方法对光学图像和SAR图像的子图进行图象匹配，这三种方法的蒙特卡洛实验统计结果如表1所示。

其中：NCC方法，是基于灰度信息的归一化互相关匹配方法；

NCC-NCC方法，是采用塔式分层搜索且在粗、精匹配时均采用归一化互相关作为相关性测度的匹配方法。

表1三种不同方法的匹配性能

从表1可见，基于灰度的归一化互相关法NCC，由于其未采用分层搜索策略，必须在原图上逐行进行匹配，所以匹配时间长，不利于实时处理，同时由于参考图与实时图分别来自不同传感器，直接进行灰度匹配，匹配精度不理想；采用塔式分层搜索且在粗、精匹配时均采用归一化互相关作为相似性测度的匹配方法NCC-NCC，由于在粗、精匹配时都采用归一化互相关方法，虽然匹配速度很快，但是配准精度急剧下降，难以达到制导系统的精度要求；本发明的匹配误差均值在2个像素以内，匹配概率达98%，匹配时间为1.47min，本发明在提高匹配精度的同时缩短了匹配时间，能够满足精确制导的要求。

本发明所提的方法的匹配误差均值在2个像素以内，匹配概率达98%，匹配时间为1.47min；而采用塔式分层搜索且在粗、精匹配时均采用归一化互相关作为相似性测度的匹配方法由于在粗、精匹配时都采用归一化互相关方法，虽然匹配速度很快，但是配准精度急剧下降，难以达到制导系统的精度要求；基于灰度的归一化互相关法虽然较采用塔式分层搜索的归一化互相关法进行相似性度量的匹配方法配准精度有所提高，但是由于其未采用分层搜索策略，必须在原图上逐行进行匹配，所以匹配时间长，不利于实时处理，同时由于参考图与实时图分别来自不同传感器，直接进行灰度匹配，部分地貌未能在两幅图上同时显现，所以匹配精度也并不理想。

Claims (4)

1.一种基于SAR图像的快速景象匹配方法，包括如下步骤：

1）输入参考图像A和实时SAR图像b，并对实时SAR图像b进行增强的Lee滤波降噪处理，得到滤波降噪后的实时SAR图像B；

2）对实时SAR图像B和参考图像Ａ分别进行第一层Daubechies小波分解，得到参考图像Ａ的第一层小波分解图像Jj₁和实时SAR图像B的第一层小波分解图像LL₁；

3）分别对所述的JJ₁和LL₁图像进行第二层Daubechies小波分解，得到参考图像Ａ的第二层小波分解图像JJ₂和实时SAR图像B的第二层小波分解图像LL₂；

4）采用Canny算子对上述的JJ₁、LL₁、JJ₂、LL₂图像、参考图像A及实时SAR图像B分别进行边缘提取，得到参考图A第一层小波分解的边缘图像JJ₁′、实时SAR图像B第一层小波分解的边缘图像LL₁′、参考图A第二层小波分解的边缘图像JJ₂′、实时SAR图像B第二层小波分解的边缘图像LL₂′、参考图像A的边缘图像A′及实时SAR图像B的边缘图像B′；

5）对参考图A的第二层小波分解的边缘图像JJ₂′和实时SAR图像B的第二层小波分解的边缘图像LL₂′进行二级粗匹配，得到相似性程度最高的三个二级粗匹配点：

（5a）设参考图A的第二层小波分解的边缘图像JJ₂′的大小为M₁×N₁，实时SAR图像B第二层小波分解的边缘图像LL₂′的大小为M₂×N₂，且M₁>M₂,N₁>N₂，在该边缘图像JJ₂′中，按照从左至右，从上到下的顺序，依次截取大小为M₂×N₂的子图；

（5b）将上述截取的每个子图分别与实时SAR图像B的第二层小波分解的边缘图像LL₂′，利用下式计算相似性测度：

其中，&&是逻辑与运算符号，（i,j）是实时SAR图像B的第一层小波分解的边缘图像LL₂′的点的坐标，1≤i≤M₂,1≤j≤N₂，(u,v)是参考图A的第二层小波分解的边缘图像JJ₂′子图的左上角点的坐标，0≤u≤M₁-M₂+1，0≤v≤N₁-N₂+1，JJ₂′(i+u,j+v)是图像JJ₂′的以(u,v)为左上角的点的子图数据，LL₂′(i,j)是实时图第二层小波分解的边缘图像数据，Corr(u,v)是JJ₂′(i+u,j+v)与LL₂′(i,j)的相似性测度；

（5c）依次计算JJ₂′截取的所有子图与LL₂′之间的归一化互相关相似性测度，得到前三个相似程度最高的JJ₂′的三个子图，将这三个子图左上角的点作为三个二级粗匹配点；

6）在上述三个二级粗匹配点的邻域内，对参考图A第一层小波分解的边缘图像JJ₁′、实时SAR图像B的第一层小波分解的边缘图像LL₁′进行一级粗匹配，得到三个一级粗匹配点：

（6a）在参考图A的第一层小波分解的边缘图像JJ₁′中找到步骤5）中三个粗匹配点的对应位置；

（6b）分别在三个二级粗匹配点10×10的邻域内采用与步骤5）同样的方法，再进行一级粗匹配，得到一级粗匹配点；

7）在参考图像A的边缘图像A′及实时SAR图像B的边缘图像B′中进行精匹配，得到最终匹配点：

（7a）在参考图像A的边缘图像A′中找到步骤6）获得的一级粗匹配点所对应位置，并在其10×10的邻域内采用步骤5a）中的方法在A′中依次截取与SAR图像B的边缘图像B′同样大小的子图；

（7b）计算参考图的边缘图像A′的所有子图a₁,a₂,…a_l,…a_L与SAR图像B的边缘图像B′的Hausdorff距离h₁,h₂,…h_l,…h_L，1≤l≤L，从h₁,h₂,…h_l,…h_L中获取其最小值h_min所对应的子图，并将这个子图左上角的点作为最终的匹配点。

2.根据权利要求1所述的基于SAR图像的快速景象匹配方法，其特征在于，步骤2）所述的对实时SAR图像B和参考图像Ａ分别进行第一层Daubechies小波分解，是对实时SAR图像B和参考图像Ａ分别在水平和垂直两个维度先进行低通滤波，再进行二抽取后得到参考图像Ａ的第一层小波分解图像JJ₁和实时SAR图像B的第一层小波分解图像LL₁。

3.根据权利要求1所述的基于SAR图像的快速景象匹配方法，其特征在于，步骤3）所述的对参考图像Ａ的第一层小波分解图像JJ₁和实时SAR图像B的第一层小波分解图像LL₁的第二层Daubechies小波分解，是对参考图像Ａ的第一层小波分解图像JJ₁和实时SAR图像B的第一层小波分解图像LL₁分别在水平和垂直两个维度进行低通滤波，并二抽取后得到参考图像Ａ的第二层小波分解图像JJ₂和实时SAR图像B的第二层小波分解图像LL₂。

4.根据权利要求1所述的基于SAR图像的快速景象匹配方法，其特征在于，步骤（7b）所述的计算参考图的边缘图像A′的所有子图a₁,a₂,…a_l,…a_L与SAR图像B的边缘图像B′的Hausdorff距离h₁,h₂,…h_l,…h_L，按照如下步骤进行：

7b1)假设参考图像A的边缘图像A′的一个子图为a_l，1≤l≤L,L是参考图像A的边缘图像A′的子图的个数，参考图像A的边缘图像A′的一个子图a_l对应的图像矩阵像素点集为：S_h={s₁,s₂,…,s_j,…s_p}，s_j是点集S_h中的一点，1≤j≤p，p是S_h中点的个数；设SAR图像B的边缘图像B′对应的图像矩阵像素点集为：T_h={t₁,t₂，…,t_i,…,t_q}，t_i是为点集T_h中的一点，1≤i≤q，q为点集T_h中点的个数；

7b2)对于所述点集S_h中的某一点s_j，在所述点集T_h中找到与s_j相对应的点，在这个点的9×9的邻域中由内到外搜索与s_j的值相同的匹配点，若能够搜索到这样的匹配点，则点s_j到点集T_h的距离d(j)为搜索到的第一个匹配点与s_j的距离，否则点s_j到点集T_h的距离d(j)为一个指定的值d_max，得到点s_j到点集T_h的距离d(j)，计算点集S_h中的每个点s₁,s₂,…,s_j,…s_p到点集T_h距离d(1),d(2)…d(j)…d(p)；

7b3)将上述所得的点s₁,s₂,…,s_j,…s_p到点集T_h距离d(1),d(2)…d(j)…d(p)按升序排列，取第k个距离值为d_k，1≤k≤p；

7b4)对于所述点集T_h中的某一点t_i，在所述点集S_h中找到与t_i相对应的点，在这个点的9×9的邻域内由内到外搜索与t_i的值相同的匹配点，若能够搜索这样的匹配点，则点t_i到点集S_h的距离c(i)是搜索到的第一个匹配点与t_i的距离，否则点t_i到点集S_h的距离c(i)是一个指定的值c_max，得到点t_i到点集S_h的距离c(i)，计算点集T_h中的每个点t₁,t₂,…,t_i,…t_q到点集S_h的距离c(1),c(2)…c(j)…c(q)；

7b5)将上述所得的点t₁,t₂,…,t_i,…t_q到点集S_h的距离c(1),c(2)…c(j)…c(q),1≤i≤q按升序排列取第m个距离值为c_m，1≤m≤q；

7b6)将上述所得的f_k和c_m进行比较，取较大值作为参考图的边缘图像A′的子图a₁与SAR图像B的边缘图像B′的Hausdorgg距离h_l；

7b7)重复步骤7b1)-7b6)，得到参考图的边缘图像A′的所有子图a₁,a₂,…a_l,…a_L与SAR图像B的边缘图像B′的Hausdorff距离h₁,h₂,…h_l,…h_L，1≤l≤L。

Images