CN102903109B - 一种光学影像和sar影像一体化分割配准方法 - Google Patents

Abstract

一种光学影像和SAR影像的一体化分割配准方法，包括步骤：步骤1，对光学影像和SAR影像预处理；步骤2，对光学影像和SAR影像，分别随机产生聚类中心并利用模糊C均值聚类算法进行初始分割，得到初始的区域；步骤3，对光学影像和SAR影像分别进行多层水平集分割，得到面分割结果；步骤4，进行sift算法配准，然后判断是否存在同名点，是则将sift算法配准所得结果作为配准后分割结果影像，否则返回步骤2重新随机产生聚类中心；步骤5，判断步骤4所得配准后分割结果影像是否满足精度要求，是则输出步骤3所得配准后分割结果影像，否则利用步骤3所得配准后分割结果影像作为初始的区域，返回执行步骤3重新进行多层水平集分割，直到配准后分割结果影像满足精度要求。

Description

一种光学影像和SAR影像一体化分割配准方法

技术领域

本发明涉及遥感影像处理技术领域，尤其是涉及一种光学影像和SAR影像一体化分割配准方法。

背景技术

图像配准(Image Registration)技术是将相同地区，在不同视角、不同时刻、不同传感器或不同光照条件拍摄的图像进行空间对准的过程，该技术是异源空间数据获取和集成过程中极为关键的步骤，寻找最佳的几何变换参数是图像配准的最终目的。可见光传感器因其获取的图像分辨率非常高，并且所获取的图像与人目视效果一致，一直是遥感领域中重要的传感器之一。但是光学图像受云层状况、成像时间等天气条件影响较大，并且难以感知目标的材质等属性。与光学传感器相比，合成孔径雷达（SAR）系统具有全天候、全天时工作的优越性，并且SAR图像对目标的材质属性(如天然草坪、塑胶草坪)、多次反射及粗糙度极其敏感。利用两者的互补特性，将两类图像融合，可以获得地物目标更为本质、更为客观的特征，从而可以为目标识别、目标分类、目标提取及解译提供更为准确的依据。

对于SAR影像和光学影像的配准，由于其成像机理差异很大，加之图像获取的视角、时间、环境等条件的不同，使得SAR影像和光学影像的配准存在很多问题及难点。相对于光学传感器，雷达系统是斜视工作模式，这就导致SAR图像产生透视收缩、阴影、叠掩和近距离压缩等现象，造成雷达图像的几何校正难度极大增加。另外，作为工作在微波波段的一种相干成像系统，SAR影像不可避免地受到相干斑噪声的影响，这严重影响了影像特征目标的准确提取。正是因为SAR影像与光学影像的信息表达方式存在着很大不同，并受到透视收缩、相干斑噪声、迎坡缩短、顶底倒置、阴影等几何特征的影响，从而增加了SAR图像自动处理过程的难度。光学图像和SAR图像截然不同的成像机理也造成两类影像同名特征的提取以及配准难度的极大增加，而SAR影像与光学影像配准技术也成为二者信息集成的“瓶颈”。这也使得SAR影像与光学影像的配准问题成为目前的研究焦点。

由于光学和SAR成像机理差异很大，并且SAR影像受相干斑噪声影响严重，传统的影像配准方法并不适合于光学与SAR影像的配准问题中，需要对其进行改进。目前SAR影像和光学影像配准方法大致可分为两类：基于特征的配准方法和基于区域的配准方法。

（1）基于区域的配准方法

基于区域的配准方法又称为直接法或者模板匹配法，该类方法将模板上的灰度信息或者其某种变换作为基准进行配准。它将模板作为单位，并根据某种相似性度量准则，计算图像中各个位置上的当前窗口与模板之间的相似程度。由于该类算法中图像特征不需要被检测，因此相似性度量准则的设计成为算法的重点。经典的相似性度量准则主要有三类（B.Zitova等，2003）：互信息方法（mutual information methods）、相关法（correlation-like methods）、傅立叶方法（Fourier methods）。由于光学与SAR影像不同的成像机理，使得同一地物灰度可能完全不同，所以给基于区域的配准方法带来了困难。基于区域的配准方法大多都利用影像的灰度信息。但是由于SAR影像和光学不同的成像机理，导致两种影像的灰度之间存在复杂的关系，故大多基于区域的配准方法很难得到令人满意的配准结果。

（2）基于特征的配准方法

基于特征的配准算法根据提取的图像特征的不同，可分为基于点特征的图像配准算法、基于边缘（线）特征的图像配准算法、基于区域（面）特征的图像配准算法等。这类配准算法中图像同名特征的提取和匹配是两个关键的步骤。

点特征一般包括角点、高曲率点、区域的质心点、直线的交点等。常用角点提取算法有Harris角点检测算法（HARRIS等，1988），SUSAN角点检测法（Smith等，1997），Lowe提出并总结完善了SIFT算法(LOWE,1999;LOWE,2004)。SIFT算法（David G.Lowe,2004）具有旋转、缩放及仿射不变性对噪声及其视角变换不敏感、稳定性强，已经被广泛应用于目标识别和图像配准研究领域中。杨雪梅（杨雪梅等，2010）及龚俊斌等（龚俊斌等，2011）经过预处理减少光学图像与SAR图像的辐射差异，并对SIFT描述子进行了改进，对光学图像与SAR图像进行配准，但结果仍然不太稳定。

图像中大部分本质结构均可以用边缘特征代表，边缘特征能较好地剔除由姿态变化和传感器类型造成的几何畸变、成像畸变的影响。由于边缘检测计算的快捷性,目前成为基于特征的配准方法中一个较好的选择。刘佳敏等（刘佳敏等，2003）首先对SAR图像及光学图像作小波变换，然后在各自的极值点处提取边缘特征；在得到的边缘上利用均值归一化灰度相关算法进行多分辨率分级匹配，低分辨率匹配结果作为较高分辨层上搜索的依据，最终得到较好的匹配结果。Zhaojun Hu（Zhaojun Hu，2010）利用hough变换提取光学图像与SAR图像的直线段特征，并用直线段端点到直线段的距离和两条直线段的中心距离作为相似度，并使用遗传算法作为搜索策略来获取配准参数，从而获得较好的匹配效果。基于边缘匹配的方法都是以提取较好的边缘特征为条件的，然而由于SAR图像和光学图像的辐射差异，造成边缘提取上差异，从而影响匹配结果。

面特征是图像中最为稳定的特征，也是包含信息最多的特征。王子路（王子路，2007）提出利用基于自适应非线性扩散滤波和C均值分类或者联合MAP准则和规则化SRAD方法的方法作为SAR图像分割方法，而光学图像则利用四阶偏微分方程的滤波和C均值分类，分别提取闭合区域边缘特征，使用改进的Hausdorff距离作为两组特征间的相似性度量，利用遗传算法作为搜索策略估算出参数，从而得到较理想的匹配效果。张雍吉等（张雍吉等，2008）提出利用光学影像与SAR影像共有区域特征进行影像配准的方法，该方法首先提取影像的边缘特征并采用数学形态学方法得到封闭轮廓进而得到闭合区域，并把区域重心作为区域控制点，进而得到配准变换参数，从而实现SAR图像和光学图像的配准。

上述分析可以看出，目前，国内外没有一种通用的方法可以解决光学和SAR的配准问题，这是一个国际难题。虽然，面特征对于光学和SAR影像来说相对稳定，但现有的基于面特征的SAR影像和光学影像配准方法，都是先分割后配准，分割结果的好坏对后续配准产生极大的影响。因此，我们需要一种一体化的分割和配准方法，采用多尺度分割，迭代反馈的配准方式，分割和配准相互作用，在最优分割的同时，得到正确的配准结果。

发明内容

针对上述问题，本发明提出了一种基于多层多尺度水平集演化的光学和SAR一体化分割配准方法。

本发明提供一种光学影像和SAR影像的一体化分割配准方法，其特征在于，包括以下步骤：

步骤1，对光学影像和SAR影像预处理，包括对光学影像进行高斯滤波处理，对SAR影像进行Frost滤波处理；

步骤2，对步骤1所得预处理后的光学影像和SAR影像，分别随机产生聚类中心并利用模糊C均值聚类算法进行初始分割，得到初始的区域；

步骤3，基于初始的区域，对步骤1所得预处理后的光学影像和SAR影像分别进行多层水平集分割，得到面分割结果；

步骤4，基于步骤3所得光学影像的面分割结果和SAR影像的面分割结果进行sift算法配准，然后判断是否存在同名点，是则将sift算法配准所得结果作为配准结果影像，否则返回步骤2重新随机产生聚类中心；

步骤5，判断步骤4所得配准结果影像是否满足配准精度要求，是则输出步骤4所得配准结果影像，否则利用步骤3所得光学影像的面分割结果和SAR影像的面分割结果作为初始的区域，返回执行步骤3重新进行多层水平集分割，直到配准结果影像满足精度要求。

而且，步骤3中，对预处理后的光学影像进行多层水平集分割包括如下步骤，

（a）对初始的区域设标号i，并取得每个区域的均值μ_i，得到均值集合{μ_i}；

（b）根据下式计算水平集层{l_i}，

$l_i=\log \left(\frac{{\mathrm{\μ}}_{i+1}}{{\mathrm{\μ}}_i}\right)\·\frac{{\mathrm{\μ}}_{i+1}{\mathrm{\μ}}_i}{{\mathrm{\μ}}_{i+1}-{\mathrm{\μ}}_i}$

（c）根据水平集层{l_i}得到初始化水平集分割结果，根据下式获得区域集合{Ω_i}，重新计算得到均值集合{μ_i}和水平集层{l_i}，

$\left\{\begin{array}{c}x\&Element;{\mathrm{\&Omega;}}_i,\mathrm{if}{l}_{i-1}<x<l_i\\ x\&Element;{\mathrm{\&Omega;}}_{i+1},\mathrm{if}{l}_i<x<l_{i+1}\end{array}\right.$

其中，Ω_i表示区域，x为像素；

（d）根据下式初始化水平集演化函数φ(x)，

φ(x)＝u(x),x∈Ω

其中，u(x)表示光学影像；

（e）基于如下多层水平集能量函数获得面分割结果，

$F(c_1,c_2,...,c_{m+1},\mathrm{\&phi;})={\&Integral;}_{\mathrm{\&Omega;}}{|\mathrm{\&mu;}\left(x\right)-c_1|}^{2}H(l_1-\mathrm{\&phi;}\left(x\right))\mathrm{dx}$

$+\underset{i=2}{\overset{m}{\mathrm{\&Sigma;}}}{\&Integral;}_{\mathrm{\&Omega;}}{|\mathrm{\&mu;}\left(x\right)-c_i|}^{2}H(\mathrm{\&phi;}\left(x\right)-l_{i-1})H(l_i-\mathrm{\&phi;}\left(x\right))\mathrm{dx}$

$+{\&Integral;}_{\mathrm{\&Omega;}}{|\mathrm{\&mu;}\left(x\right)-c_{m+1}|}^{2}H(\mathrm{\&phi;}\left(x\right)-l_m)\mathrm{dx}+v\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\&Integral;}_{\mathrm{\&Omega;}}|\&dtri;H(\mathrm{\&phi;}-l_i)|$

其中，H为单位阶跃函数，m表示水平层的个数，i的取值为1,2,…m+1，l₁＜l₂＜...＜l_m，c₁,c₂,…,c_m+1分别为区域R₁,R₂,…,R_m+1的均值，v为非负常数。

而且，步骤3中，对预处理后的SAR影像进行多层水平集分割包括如下步骤，

（a）对初始的区域设标号i，并取得每个区域的均值μ_i，得到均值集合{μ_i}；

（b）根据下式计算水平集层{l_i}，

$l_i=\log \left(\frac{{\mathrm{\&mu;}}_{i+1}}{{\mathrm{\&mu;}}_i}\right)\&CenterDot;\frac{{\mathrm{\&mu;}}_{i+1}{\mathrm{\&mu;}}_i}{{\mathrm{\&mu;}}_{i+1}-{\mathrm{\&mu;}}_i}$

（c）根据水平集层{l_i}得到初始化水平集分割结果，根据下式获得区域集合{Ω_i}，重新计算得到均值集合{μ_i}和水平集层{l_i}，

$\left\{\begin{array}{c}x\&Element;{\mathrm{\&Omega;}}_i,\mathrm{if}{l}_{i-1}<x<l_i\\ x\&Element;{\mathrm{\&Omega;}}_{i+1},\mathrm{if}{l}_i<x<l_{i+1}\end{array}\right.$

其中，Ω_i表示区域，x为像素；

（d）根据下式初始化水平集演化函数φ(x)，

φ(x)＝u(x),x∈Ω

其中，u(x)表示SAR影像；

（e）基于如下多层水平集能量函数获得面分割结果，

$F(p_1,p_2,...,p_{m+1},\mathrm{\&phi;})={\&Integral;}_{\mathrm{\&Omega;}}H(l_1-\mathrm{\&phi;}\left(x\right))\log P_1\mathrm{dx}$

$+\underset{i=2}{\overset{m}{\mathrm{\&Sigma;}}}{\&Integral;}_{\mathrm{\&Omega;}}H(\mathrm{\&phi;}\left(x\right)-l_{i-1})H(l_i-\mathrm{\&phi;}\left(x\right))\log P_i\mathrm{dx}$

$+{\&Integral;}_{\mathrm{\&Omega;}}H(\mathrm{\&phi;}\left(x\right)-l_m)\log P_{m+1}\mathrm{dx}+v\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\&Integral;}_{\mathrm{\&Omega;}}|\&dtri;H(\mathrm{\&phi;}-l_i)|$

其中，H为单位阶跃函数，m表示水平层的个数，i的取值为1,2,…m+1，l₁＜l₂＜...＜l_m，c₁,c₂,…,c_m+1分别为区域R₁,R₂,…,R_m+1的均值，v为非负常数。

本发明提出的方法提供一种基于多层多尺度水平集演化的光学和SAR一体化分割与配准方法，该方法以多尺度多层水平集面分割为基础，利用sift算法对分割后的光学和SAR影像进行配准，在分割的同时进行配准，配准结果又用来指导分割，分割与配准结果互为指引的一体化方法。与传统的方法相比，本发明具有以下特点

1)针对光学和SAR影像，提出了一种一体化的基于统计模型的多层水平集分割方法，为利用水平集演化函数自适应的进行多个区域的分割，提供了新的技术方案。

2)提出了一种基于多尺度的，迭代反馈的一体化分割和配准方法，提高了分割和配准精度，为异源图像配准提供了新的技术方案。

3)基于面分割结果对光学和SAR影像进行配准，消除了光学和SAR影像成像方式不同所造成的图像特征差异，适合具有典型面特征结构的光学和SAR影像配准，亦可利用面特征分割结果作为控制点影像库，对典型面目标进行配准，例如河流、湖泊、道路、机场等。

附图说明

图1为本发明实施例的流程图。

图2为本发明的多层水平集示意图之一。

图3为本发明的多层水平集示意图之二。

具体实施方式

本发明技术方案可采用计算机软件技术实现自动运行流程。以下结合附图和实施例详细说明本发明技术方案。如图1，实施例的技术方案的流程包括以下步骤：

步骤1，对光学影像和SAR影像预处理：

实施例对分别对光学影像和SAR影像进行滤波处理，包括对光学影像进行高斯滤波，可采用高斯滤波器进行滤波处理；对SAR影像进行Frost滤波，可采用Frost滤波器进行滤波处理。光学影像和SAR影像必须有某部分为同名区域。

步骤2，对步骤1所得预处理后的光学影像和SAR影像，分别随机产生聚类中心并利用模糊C均值聚类算法进行初始分割，得到初始的区域。

本步骤对预处理后的光学影像，随机产生聚类中心，并利用模糊C均值聚类算法进行初始分割，得到光学影像的初始的区域；对预处理后的SAR影像，随机产生聚类中心，并利用模糊C均值聚类算法进行初始分割，得到SAR影像的初始的区域。

在本发明中，层作为区域之间的边界随水平集函数的演化而变化，由图像分布的参数计算得到，本发明主要利用模糊C均值聚类方法自适应的获取水平集函数的多个层信息。因此先利用模糊C均值聚类算法进行初始分割。模糊C均值聚类算法具体实现为现有技术。

步骤3，基于初始的区域，对步骤1所得预处理后的光学影像和SAR影像分别进行多层水平集分割，得到面分割结果。

本发明对预处理后的光学和SAR影像分别建立多层水平集分割模型，即针对光学和SAR影像的不同统计分布模型，采用不同的水平集能量函数。与传统的多层水平集方法不同，本发明的多层水平集是用水平集函数的多个水平层表示多个区域的边界，极小化相应的能量函数得到多个区域的分割结果，具体如图2和图3所示：令Ω为R²的有限开子集，R表示实数集，像素x为有限开子集Ω中的元素，其中φ(x)表示水平集演化函数。图2表示的是利用2个水平层{x∈Ω:φ(x)＝0}和{x∈Ω:φ(x)＝10}将图像分成3类区域：φ<0，0<φ<10，φ>10。图3表示的是利用3个水平层{x∈Ω:φ(x)＝0}，{x∈Ω:φ(x)＝10}和{x∈Ω:φ(x)＝20}将图像分成4类区域：φ<0，0<φ<10，10<φ<20，φ>20。多层水平集方法是2005年Chung and Vese提出的，但该方法没有考虑到图像的先验信息，仅用固定的水平层来实施分割，对遥感影像来说，得到的分割结果不精确，且演化时间很长。因此基于初始的区域进行优化，执行多层水平集分割。

实施例令Ω为R²的有限开子集，R表示实数集。u(x):Ω→R为影像，以两个水平层l₁、l₂为例，l₁＝0和l₂＝l，l＞0；水平集演化函数φ(x)可以将影像u(x)分为3个区域R₁、R₂、R₃，如下所示：

R₁＝{x:φ(x)＜0},R₂＝{x:0＜φ(x)＜l},R₃＝{x:φ(x)＞l}                  (1)

其中，x表示图像中某像素。

对于光学影像，实施例选择多层的水平集能量函数如下：

$F(c_1,c_2,...,c_{m+1},\mathrm{\&phi;})={\&Integral;}_{\mathrm{\&Omega;}}{|\mathrm{\&mu;}\left(x\right)-c_1|}^{2}H(l_1-\mathrm{\&phi;}\left(x\right))\mathrm{dx}$

$+\underset{i=2}{\overset{m}{\mathrm{\&Sigma;}}}{\&Integral;}_{\mathrm{\&Omega;}}{|\mathrm{\&mu;}\left(x\right)-c_i|}^{2}H(\mathrm{\&phi;}\left(x\right)-l_{i-1})H(l_i-\mathrm{\&phi;}\left(x\right))\mathrm{dx}---\left(2\right)$

$+{\&Integral;}_{\mathrm{\&Omega;}}{|\mathrm{\&mu;}\left(x\right)-c_{m+1}|}^{2}H(\mathrm{\&phi;}\left(x\right)-l_m)\mathrm{dx}+v\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\&Integral;}_{\mathrm{\&Omega;}}|\&dtri;H(\mathrm{\&phi;}-l_i)|$

该函数提供的多层水平集分割模型记为CV模型。

其中，u(x)为影像灰度图像（此时为光学影像），H为单位阶跃函数，m表示水平层的个数，i的取值为1,2,…m+1，l₁＜l₂＜...＜l_m，c₁,c₂,…,c_m+1分别为区域R₁,R₂,…,R_m+1的均值，v为非负常数。

对于SAR影像，多层水平集能量函数如下：

$F(p_1,p_2,...,p_{m+1},\mathrm{\&phi;})={\&Integral;}_{\mathrm{\&Omega;}}H(l_1-\mathrm{\&phi;}\left(x\right))\log P_1\mathrm{dx}$

$+\underset{i=2}{\overset{m}{\mathrm{\&Sigma;}}}{\&Integral;}_{\mathrm{\&Omega;}}H(\mathrm{\&phi;}\left(x\right)-l_{i-1})H(l_i-\mathrm{\&phi;}\left(x\right))\log P_i\mathrm{dx}---\left(3\right)$

$+{\&Integral;}_{\mathrm{\&Omega;}}H(\mathrm{\&phi;}\left(x\right)-l_m)\log P_{m+1}\mathrm{dx}+v\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\&Integral;}_{\mathrm{\&Omega;}}|\&dtri;H(\mathrm{\&phi;}-l_i)|$

该函数提供的多层水平集分割模型记为Gamma模型。

其中，p_i表示均值为μ_i，有效视数为L的Gamma分布函数，即区域R_i的分布函数；H为单位阶跃函数，m表示水平层的个数，i的取值为1,2,…m+1，l₁＜l₂＜...＜l_m，c₁,c₂,…,c_m+1分别为区域R₁,R₂,…,R_m+1的均值，v为非负常数。φ即水平集演化函数。

$P\left(u\left(x\right)\right|{\mathrm{\&theta;}}_i)=\frac{L^L}{{\mathrm{\&mu;}}_i\mathrm{\&Gamma;}\left(L\right)}{\left(\frac{u\left(x\right)}{{\mathrm{\&mu;}}_i}\right)}^{L-1}{e}^{-\frac{L\&CenterDot;u\left(x\right)}{{\mathrm{\&mu;}}_i}},$ x ∈Ω                         (4)

其中，u(x)为影像灰度图像（此时为SAR影像）；Γ表示现有数学函数，参数θ_i＝{μ_i,L}。

对一幅图像来说参数L可看做相同，于是，参数θ₁＝{μ₁,L}的区域Ω₁和参数为θ₂＝{μ₂,L}的区域Ω₂的边界为{x |p(x,μ₁,L)＝p(x,μ₂,L)}，则：

$l_i=\log \left(\frac{{\mathrm{\&mu;}}_{i+1}}{{\mathrm{\&mu;}}_i}\right)\&CenterDot;\frac{{\mathrm{\&mu;}}_{i+1}{\mathrm{\&mu;}}_i}{{\mathrm{\&mu;}}_{i+1}-{\mathrm{\&mu;}}_i}---\left(5\right)$

则可通过下式初始化分割结果：

$\left\{\begin{array}{c}x\&Element;{\mathrm{\&Omega;}}_i,\mathrm{if}{l}_{i-1}<x<l_i\\ x\&Element;{\mathrm{\&Omega;}}_{i+1},\mathrm{if}{l}_i<x<l_{i+1}\end{array}\right.---\left(6\right)$

水平集演化函数的初始化可通过下式得到：

φ(x)＝u(x),x ∈Ω                                     (7)

具体分割过程为，对预处理后的光学和SAR影像分别进行如下步骤：

（a）对初始的区域设标号i，并取得每个区域的均值μ_i，得到均值集合{μ_i}；

（b）计算水平集层{l_i}，计算利用式(5)实现；

（c）根据水平集层{l_i}得到初始化水平集分割结果，利用式(6)获得区域集合{Ω_i}，重新计算得到{μ_i}和{l_i}；

（d）初始化水平集函数φ(x)，初始化利用式(7)实现；

（e）基于最小化能量函数（即相应的多层水平集能量函数）获得面分割结果。对光学图像是采用式(2)获得，对SAR图像是采用式(3)获得。

这样根据初始的均值和标号，是利用水平层给定一个初始化水平集分割结果，利用水平集优化后得到最终面分割结果。

步骤4，基于步骤3所得光学影像的面分割结果和SAR影像的面分割结果进行sift算法配准，然后判断是否存在同名点，是则将sift算法配准所得结果作为配准结果影像，否则返回步骤2重新随机产生聚类中心。

以光学影像为基准影像，SAR影像是待配准影像，通过sift算法即可根据光学影像对SAR影像进行纠正，得到配准结果影像。现有技术中SIFT特征匹配步骤如下：①建立尺度空间；②尺度空间极值检测，确定关键点位置和所在尺度；③关键点方向参数的确定；④在关键点处提取特征描述符；⑤利用特征描述符寻找匹配点。本发明利用光学和SAR影像分割后的两幅结果影像进行sift同名点查找，目的在于减少光学和SAR影像的特征差异，使得在同样的规则下，sift算法获得的同名点对数目更多，更精确。本发明不予赘述。

因为返回步骤2后重新随机产生聚类中心，利用模糊C均值聚类算法根据新的聚类中心进行初始分割，重新得到初始的区域，执行步骤3进行多层水平集分割的尺度随之得到了调整。

步骤5，判断步骤4所得配准结果影像是否满足配准精度要求，是则输出步骤4所得配准结果影像，否则利用步骤3所得光学影像的面分割结果和SAR影像的面分割结果作为初始的区域，返回执行步骤3重新进行多层水平集分割，直到配准结果影像满足分割的精度要求。

因为步骤3所得光学影像的面分割结果和SAR影像的面分割结果的精确度应该高于利用模糊C均值聚类算法进行初始分割的结果，直接利用步骤3分割所得轮廓作为初始的区域即可。

具体实施时，判断是否满足精度要求，一般通过配准结果影像的均方根误差RMSE值是否超过预设阈值实现，超过则不满足精度要求。本领域技术人员可以自行指定阈值。

迭代反馈的多尺度分割和配准过程，目的在于利用分割结果进行配准，得到粗配准结果后，该配准结果又可以反过来进一步指导更精细的分割。与传统的多分辨率的方法不同之处在于，本发明的多尺度是针对目标分割大小和完整性而言：在某一个尺度下，一个目标被分割成两部分，在另一个尺度下，这个目标可能被完整分割出来，这里的多尺度类似于基于对象的分割的概念。因此本发明不断调整尺度参数后迭代处理，直到达到满意精度为止。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (3)

1.一种光学影像和SAR影像的一体化分割配准方法，其特征在于，包括以下步骤：

步骤1，对光学影像和SAR影像预处理，包括对光学影像进行高斯滤波处理，对SAR影像进行Frost滤波处理；

步骤2，对步骤1所得预处理后的光学影像和SAR影像，分别随机产生聚类中心并利用模糊C均值聚类算法进行初始分割，得到初始的区域；

步骤3，基于初始的区域，对步骤1所得预处理后的光学影像和SAR影像分别进行多层水平集分割，得到面分割结果；

步骤4，基于步骤3所得光学影像的面分割结果和SAR影像的面分割结果进行sift算法配准，然后判断是否存在同名点，是则将sift算法配准所得结果作为配准结果影像，否则返回步骤2重新随机产生聚类中心；

步骤5，判断步骤4所得配准结果影像是否满足配准精度要求，是则输出步骤4所得配准结果影像，否则利用步骤3所得光学影像的面分割结果和SAR影像的面分割结果作为初始的区域，返回执行步骤3重新进行多层水平集分割，直到配准结果影像满足精度要求。

2.根据权利要求1所述光学影像和SAR影像的一体化分割配准方法，其特征在于：步骤3中，对预处理后的光学影像进行多层水平集分割包括如下步骤，

(a)对初始的区域设标号i，并取得每个区域的均值μ_i，得到均值集合{μ_i}；

(b)根据下式计算水平集层{l_i}，

$l_i=log\left(\frac{{\mathrm{\&mu;}}_{i+1}}{{\mathrm{\&mu;}}_i}\right)\&CenterDot;\frac{{\mathrm{\&mu;}}_{i+1}{\mathrm{\&mu;}}_i}{{\mathrm{\&mu;}}_{i+1}-{\mathrm{\&mu;}}_i}$

(c)根据水平集层{l_i}得到初始化水平集分割结果，根据下式获得区域集合{Ω_i}，重新计算得到均值集合{μ_i}和水平集层{l_i}，

$\left\{\begin{array}{c}x\&Element;{\mathrm{\&Omega;}}_i,if{l}_{i-1}<x<l_i\\ x\&Element;{\mathrm{\&Omega;}}_{i+1},if{l}_i<x<l_{i+1}\end{array}\right.$

其中，Ω_i表示区域，x为像素；

(d)根据下式初始化水平集演化函数φ(x)，

φ(x)＝u(x),x∈Ω

其中，u(x)表示光学影像，Ω为R²的有限开子集，R表示实数集；

(e)基于如下多层水平集能量函数获得面分割结果，

$\begin{array}{c}F\left(c_1,c_2,...,c_{m+1},\mathrm{\&phi;}\right)={\&Integral;}_{\mathrm{\&Omega;}}{\left|u\left(x\right)-c_1\right|}^{2}H\left(l_1-\mathrm{\&phi;}\left(x\right)\right)dx\\ +\underset{i=2}{\overset{m}{\mathrm{\&Sigma;}}}{\&Integral;}_{\mathrm{\&Omega;}}{\left|u\left(x\right)-c_i\right|}^{2}H\left(\mathrm{\&phi;}\left(x\right)-l_{i-1}\right)H\left(l_i-\mathrm{\&phi;}\left(x\right)\right)dx\\ +{\&Integral;}_{\mathrm{\&Omega;}}{\left|u\left(x\right)-c_{m+1}\right|}^{2}H\left(\mathrm{\&phi;}\left(x\right)-l_m\right)dx+v\underset{i=1}{\overset{m}{\&Sigma;}}{\&Integral;}_{\mathrm{\&Omega;}}|\&dtri;H\left(\mathrm{\&phi;}-l_i\right)|\end{array}$

其中，φ即水平集演化函数，H为单位阶跃函数，m表示水平层的个数，i的取值为1,2,…m+1，l₁＜l₂＜...＜l_m，c₁,c₂,…,c_m+1分别为区域R₁,R₂,…,R_m+1的均值，v为非负常数。

3.根据权利要求1所述光学影像和SAR影像的一体化分割配准方法，其特征在于：步骤3中，对预处理后的SAR影像进行多层水平集分割包括如下步骤，

(a)对初始的区域设标号i，并取得每个区域的均值μ_i，得到均值集合{μ_i}；

(b)根据下式计算水平集层{l_i}，

$l_i=log\left(\frac{{\mathrm{\&mu;}}_{i+1}}{{\mathrm{\&mu;}}_i}\right)\&CenterDot;\frac{{\mathrm{\&mu;}}_{i+1}{\mathrm{\&mu;}}_i}{{\mathrm{\&mu;}}_{i+1}-{\mathrm{\&mu;}}_i}$

(c)根据水平集层{l_i}得到初始化水平集分割结果，根据下式获得区域集合{Ω_i}，重新计算得到均值集合{μ_i}和水平集层{l_i}，

$\left\{\begin{array}{c}x\&Element;{\mathrm{\&Omega;}}_i,if{l}_{i-1}<x<l_i\\ x\&Element;{\mathrm{\&Omega;}}_{i+1},if{l}_i<x<l_{i+1}\end{array}\right.$

其中，Ω_i表示区域，x为像素；

(d)根据下式初始化水平集演化函数φ(x)，

φ(x)＝u(x),x∈Ω

其中，u(x)表示SAR影像，Ω为R²的有限开子集，R表示实数集；

(e)基于如下多层水平集能量函数获得面分割结果，

$\begin{array}{c}F\left(p_1,p_2,...,p_{m+1},\mathrm{\&phi;}\right)={\&Integral;}_{\mathrm{\&Omega;}}H\left(l_1-\mathrm{\&phi;}\left(x\right)\right)\log P_{1}dx\\ +\underset{i=2}{\overset{m}{\mathrm{\&Sigma;}}}{\&Integral;}_{\mathrm{\&Omega;}}H\left(\mathrm{\&phi;}\left(x\right)-l_{i-1}\right)H\left(l_i-\mathrm{\&phi;}\left(x\right)\right)\log P_{i}dx\\ +{\&Integral;}_{\mathrm{\&Omega;}}H\left(\mathrm{\&phi;}\left(x\right)-l_m\right)\log P_{m+1}dx+v\underset{i=1}{\overset{m}{\&Sigma;}}{\&Integral;}_{\mathrm{\&Omega;}}|\&dtri;H\left(\mathrm{\&phi;}-l_i\right)|\end{array}$

其中，P_i表示区域R_i的分布函数；φ即水平集演化函数，H为单位阶跃函数，m表示水平层的个数，i的取值为1,2,…m+1，l₁＜l₂＜...＜l_m，v为非负常数。