CN103353988B - 异源sar景象特征匹配算法性能评估方法 - Google Patents
异源sar景象特征匹配算法性能评估方法 Download PDFInfo
- Publication number
- CN103353988B CN103353988B CN201310238111.1A CN201310238111A CN103353988B CN 103353988 B CN103353988 B CN 103353988B CN 201310238111 A CN201310238111 A CN 201310238111A CN 103353988 B CN103353988 B CN 103353988B
- Authority
- CN
- China
- Prior art keywords
- edge
- real
- algorithm
- edge detection
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种异源SAR景象特征匹配算法性能评估方法,包括以下步骤:步骤1)基于ROC分类决策准则的边缘特征基准图制备;步骤2)基于边缘相似性测度的定量评估;步骤3)SAR影像评估指标选择与优化;步骤4)基于SVM评估模型的定性评估。本发明能缩短精确制导武器系统景象匹配的研制周期,减少外场实地飞行实验的时间与次数,实现匹配算法的自动选择与优化,同时节省大量的现场实验资金、人力与物力。
Description
技术领域
本发明属于遥感导航领域,具体涉及一种异源SAR景象特征匹配算法性能评估方法。
背景技术
景象匹配是一种高精度的辅助导航技术,它通过在飞行过程中收集预定区域的实时图,并与预存在飞行器中的参考图进行比较,以获取飞行器当前的准确位置。景象匹配具有与航程无关、末制导精度高、自主性强等优势,在飞行器组合导航中有广泛的应用。与传统可见光成像等手段相比,合成孔径雷达(SyntheticApertureRadar,SAR)具有分辨率高、全天时、全天候成像等特点,将其应用于景象匹配末制导具有重要意义。考虑到侦察手段的限制,目前国内一般用SPOT影像或Radarsat等影像作为参考图源,因此,SAR景象匹配的本质是异源传感器图像间的匹配定位。由于异源传感器具有不同的工作模式与拍摄环境,这导致实时图与参考图之间产生较大的灰度差异与几何变形,甚至影响特定目标的整体布局。基于这一原因,与普通类型的影像匹配相比,异源景象匹配实现的技术更复杂。近年来,国内外许多学者致力于SAR景象匹配算法的研究,提出了一些实用的算法。由于边缘可以代表图像的大部分本质特征,所以基于边缘特征的SAR景象匹配算法成为了较好的选择。这类算法主要由特征空间、相似性度量、搜索空间与搜索策略四个要素组成,图像共性特征的检测与提取决定着后面相似性度量与搜索策略的选择。因此,在景象匹配中,边缘特征的检测质量至关重要,在很大程度上影响着景象匹配的精度甚至是成败。考虑到边缘检测质量受到测试图像的类型、检测算法的种类、检测算法采用阈值以及图像景象类型等多种因素的影响,不同的边缘检测算法有着各自对应的应用环境,任何一种算法都不可能适用于所有的应用环境。在此情况下,有必要建立一种准确有效的评估方法,通过对实际边缘检测结果的质量评估,来反映同一算法适应不同应用环境的能力以及不同算法在同一应用环境中的性能优劣。进而评估其对不同景象的适应能力与匹配性能。
对于理想的精确制导武器系统来说,匹配算法应在任何环境下都能可靠的工作。如果均采用外场实地飞行实验的方式来评估各种匹配算法,则将耗费较多的资金、人力与物力,并且研制周期长。为了解决这一难题,有必要在研究景象匹配评估技术理论基础的情况下建立一套景象匹配的评估系统,从理论和实验的角度来评价同一匹配算法适应不同景象的能力和不同匹配算法定位同一景象的性能优劣,对其进行全方位的定性与定量的评估。
国外主要集中在对具体的匹配(或配准)方法进行直接的性能评估。比如直接对航空影像的配准及地图特征提取结果进行了性能评估,用遥感数据来对4种自动图像配准算法(SpatialCorrelation、PhaseCorrelation、IterativeEdgeMatching、WaveletMaximaMatching)进行匹配精度和计算代价的评估,使用直接法(专家判断法)和间接法(XOR和SNR方法)对影像匹配进行精度、可靠性和计算代价方面的评估,对互信息和clusterreward算法进行了比较评估。
国内对景象匹配评估的研究开展较晚,可以查到的资料也较少。有的研究将算法性能评估分为测试试验和结果分析两部分,但评估系统的结构简单、功能单一;有的建立了图像特征指标与相关面统计特征指标,并通过统计试验建立匹配性能与特征指标体系之间的关系;有的考察了多模态图像配准中的几个测度,包括熵的测度、PIU测度和改进PIU测度,并分析了它们在有效性和适应性方面的差异;有的提出了精度、鲁棒性、自动化、实时性和可靠性五种评价指标,并讨论了评价时机;有的将DSP软硬件技术与PC人机交互技术相结合,构建了基于DSP平台的景象匹配算法评估环境,但只是一个简单的框架,没有建立评估模型,而是直接通过匹配概率等来显示评估结果。
发明内容
为解决上述问题,本发明的目的是提供一种异源SAR景象特征匹配算法性能评估方法,通过研究影像的特征信息,使用相关分析与ROC分析建立理想边缘参考图,基于支持向量机方法构建实时图匹配性能评估模型,最终实现对常用SAR景象特征匹配算法的性能评估。
样处理厂的告知系统为实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
异源SAR景象特征匹配算法性能评估方法,包括以下步骤:
步骤1)基于ROC分类决策准则的边缘特征基准图制备
a)对待评估算法按一定的间隔设置不同的阈值检测出基准影像的边缘,得到由许多边缘检测图组成的图集;
b)对图集中的每个像素点进行相关分析与ROC类别判断分析,根据正确提取率与虚警率相平衡原则,将像素判定为边缘类别或背景类别,得到初次的边缘检测结果;
c)以该检测结果为参照,进一步优化各种边缘检测算法的阈值,并生成精确的候选边缘检测图集,这样通过迭代优化,使用ROC分类决策准则结合多种边缘检测算法优点的同时抑制各自的缺点,最终制备出边缘特征基准图;
步骤2)基于边缘相似性测度的定量评估
d)使用某一待评估边缘检测算法提取实时图的边缘检测结果,将其作为实时图的边缘特征点集合,同样也将对应基准图的边缘特征点视为集合,通过探讨这两个集合之间单点对单点的最佳映射关系,构建集合间的相似性测度函数;
e)采用基于改进遗传算法智能计算的最优指派问题求解技术,通过引进精英交叉策略和交叉、变异概率全局自适应引导方法,求解最优化相似性测度值;
f)以定量的方式实现对实时图边缘检测结果的评估;
步骤3)SAR影像评估指标选择与优化
g)从实时图中手工截取包含机场、河流、湖泊、道路、大型建筑目标的影像块组成训练实时影像库,每一个训练实时影像均代表了一种真实的应用环境和具体的景象类型;
h)分别从边缘信息、直方图信息与纹理信息角度来选择能够表征不同景象之间本质差异的度量特征,将其作为非参考评估指标;将制备的边缘特征基准图作为参考信息,计算它与当前边缘检测算法得到的边缘检测结果之间的参考评估指标;综合考虑这两类评估指标即体现影响边缘检测质量的大部分因素;
i)对评估指标进行优化筛选,在保留典型性指标的同时去除影响较小的指标,从而减轻分类器学习的负担,提高分类评估模型的精度和效率;
步骤4)基于SVM评估模型的定性评估
j)将参考评估指标与非参考评估指标组成训练输入矢量,使用待评估边缘检测算法对实时图进行边缘检测,并将实时图边缘检测结果与边缘基准图的边缘特征进行景象匹配测试,根据实际匹配精度进行性能等级的排序,并将对应算法的类别号作为训练输出标记,训练输入矢量与对应的训练输出标记组成支持向量机的训练样本集,将2/3训练样本集用于训练,将剩下的1/3训练样本集用于检核,通过这种方式,将边缘检测质量评估看作性能等级的分类预测问题,即利用有限的支持向量点的线性组合训练分类决策函数,并通过检核数据来改进与优化决策函数;
k)基于优化决策函数,以定性的方式实现对异源SAR景象匹配算法性能的评估。
本发明的有益效果是:
1、本发明通过分析研究参考图、实时图本身的特征属性以及与匹配算法之间的各种关系,导出匹配的可行性、匹配可靠性评估模型、匹配定位概率与景象相关特征的关系,从而规避匹配失败、指导正确匹配过程、提高匹配速度和可靠性,并能根据实际应用环境选择正确的匹配算法,从而提高异源SAR景象匹配的性能;
2、本发明缩短了精确制导武器系统的研制周期,减少了外场实地飞行实验的时间与次数,实现了匹配算法的自动选择与优化,同时节省了大量的资金、人力与物力。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
图1为本发明的系统架构图。
具体实施方式
下面将参考附图并结合实施例,来详细说明本发明。
参见图1所示,异源SAR景象特征匹配算法性能评估方法,包括以下步骤:
步骤1)基于ROC分类决策准则的边缘特征基准图制备
a)对待评估算法按一定的间隔设置不同的阈值检测出基准影像的边缘,得到由许多边缘检测图组成的图集;
b)对图集中的每个像素点进行相关分析与ROC类别判断分析,根据正确提取率与虚警率相平衡原则,将像素判定为边缘类别或背景类别,得到初次的边缘检测结果;
c)以该检测结果为参照,进一步优化各种边缘检测算法的阈值,并生成精确的候选边缘检测图集,这样通过迭代优化,使用ROC分类决策准则结合多种边缘检测算法优点的同时抑制各自的缺点,最终制备出边缘特征基准图;
步骤2)基于边缘相似性测度的定量评估
d)使用某一待评估边缘检测算法提取实时图的边缘检测结果,将其作为实时图的边缘特征点集合,同样也将对应基准图的边缘特征点视为集合,通过探讨这两个集合之间单点对单点的最佳映射关系,构建集合间的相似性测度函数;
e)采用基于改进遗传算法智能计算的最优指派问题求解技术,通过引进精英交叉策略和交叉、变异概率全局自适应引导方法,求解最优化相似性测度值;
f)以定量的方式实现对实时图边缘检测结果的评估;
步骤3)SAR影像评估指标选择与优化
g)从实时图中手工截取包含机场、河流、湖泊、道路、大型建筑目标的影像块组成训练实时影像库,每一个训练实时影像均代表了一种真实的应用环境和具体的景象类型;
h)分别从边缘信息、直方图信息与纹理信息角度来选择能够表征不同景象之间本质差异的度量特征,将其作为非参考评估指标;将制备的边缘特征基准图作为参考信息,计算它与当前边缘检测算法得到的边缘检测结果之间的参考评估指标;综合考虑这两类评估指标即体现影响边缘检测质量的大部分因素;
i)对评估指标进行优化筛选,在保留典型性指标的同时去除影响较小的指标,从而减轻分类器学习的负担,提高分类评估模型的精度和效率;
步骤4)基于SVM评估模型的定性评估
j)将参考评估指标与非参考评估指标组成训练输入矢量,使用待评估边缘检测算法对实时图进行边缘检测,并将实时图边缘检测结果与边缘基准图的边缘特征进行景象匹配测试,根据实际匹配精度进行性能等级的排序,并将对应算法的类别号作为训练输出标记,训练输入矢量与对应的训练输出标记组成支持向量机的训练样本集,将2/3训练样本集用于训练,将剩下的1/3训练样本集用于检核,通过这种方式,将边缘检测质量评估看作性能等级的分类预测问题,即利用有限的支持向量点的线性组合训练分类决策函数,并通过检核数据来改进与优化决策函数;
k)基于优化决策函数,以定性的方式实现对异源SAR景象匹配算法性能的评估。
以上所述仅为发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.异源SAR景象特征匹配算法性能评估方法,其特征在于,包括以下步骤:
步骤1)基于ROC分类决策准则的边缘特征基准图制备
a)对待评估算法按间隔设置不同的阈值检测出基准影像的边缘,得到由许多边缘检测图组成的图集;
b)对图集中的每个像素点进行相关分析与ROC类别判断分析,根据正确提取率与虚警率相平衡原则,将像素判定为边缘类别或背景类别,得到初次的边缘检测结果;
c)以该检测结果为参照,进一步优化各种边缘检测算法的阈值,并生成精确的候选边缘检测图集,这样通过迭代优化,使用ROC分类决策准则结合多种边缘检测算法优点的同时抑制各自的缺点,最终制备出边缘特征基准图;步骤2)基于边缘相似性测度的定量评估
d)使用某一待评估算法提取实时图的边缘检测结果,将其作为实时图的边缘特征点集合,同样也将对应基准图的边缘特征点视为集合,通过探讨这两个集合之间单点对单点的最佳映射关系,构建集合间的相似性测度函数;
e)采用基于改进遗传算法智能计算的最优指派问题求解技术,通过引进精英交叉策略和交叉、变异概率全局自适应引导方法,求解最优化相似性测度值;
f)以定量的方式实现对实时图边缘检测结果的评估;
步骤3)SAR影像评估指标选择与优化
g)从实时图中手工截取包含机场、河流、湖泊、道路、大型建筑目标的影像块组成训练实时影像库,每一个训练实时影像均代表了一种真实的应用环境和具体的景象类型;
h)分别从边缘信息、直方图信息与纹理信息角度来选择能够表征不同景象之间本质差异的度量特征,将其作为非参考评估指标;将制备的边缘特征基准图作为参考信息,计算它与当前边缘检测算法得到的边缘检测结果之间的参考评估指标;综合考虑这两类评估指标即体现影响边缘检测质量的大部分因素;
i)对评估指标进行优化筛选,在保留典型性指标的同时去除影响较小的指标,从而减轻分类器学习的负担,提高分类评估模型的精度和效率;
步骤4)基于SVM评估模型的定性评估
j)将参考评估指标与非参考评估指标组成训练输入矢量,使用待评估边缘检测算法对实时图进行边缘检测,并将实时图边缘检测结果与边缘基准图的边缘特征进行景象匹配测试,根据实际匹配精度进行性能等级的排序,并将对应算法的类别号作为训练输出标记,训练输入矢量与对应的训练输出标记组成支持向量机的训练样本集,将2/3训练样本集用于训练,将剩下的1/3训练样本集用于检核,通过这种方式,将边缘检测质量评估看作性能等级的分类预测问题,即利用有限的支持向量点的线性组合训练分类决策函数,并通过检核数据来改进与优化决策函数;
k)基于优化决策函数,以定性的方式实现对异源SAR景象匹配算法性能的评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310238111.1A CN103353988B (zh) | 2013-06-17 | 2013-06-17 | 异源sar景象特征匹配算法性能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310238111.1A CN103353988B (zh) | 2013-06-17 | 2013-06-17 | 异源sar景象特征匹配算法性能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103353988A CN103353988A (zh) | 2013-10-16 |
CN103353988B true CN103353988B (zh) | 2016-01-13 |
Family
ID=49310352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310238111.1A Expired - Fee Related CN103353988B (zh) | 2013-06-17 | 2013-06-17 | 异源sar景象特征匹配算法性能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103353988B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971362B (zh) * | 2013-12-24 | 2017-03-29 | 西安电子科技大学 | 基于直方图和精英遗传聚类算法的sar图像变化检测 |
CN104851112B (zh) * | 2015-04-28 | 2017-03-01 | 北京理工大学 | 一种基于数据集补偿的运动目标检测跟踪算法的评估方法 |
CN105374034B (zh) * | 2015-10-20 | 2017-12-29 | 北京航天自动控制研究所 | 一种基于景物分布的sar景象适配性评价方法 |
CN106709501B (zh) * | 2015-11-16 | 2020-03-10 | 中国科学院沈阳自动化研究所 | 一种图像匹配系统的景象匹配区域选择与基准图优化方法 |
CN105740913B (zh) * | 2016-02-25 | 2019-11-05 | 湖北航天技术研究院总体设计所 | 基于异源光学景象匹配目标模板的性能评估系统及方法 |
CN108205645B (zh) * | 2016-12-20 | 2020-04-03 | 中国科学院沈阳自动化研究所 | 一种异源图像匹配系统的基准图质量评价方法 |
CN108205683B (zh) * | 2016-12-20 | 2020-06-09 | 中国科学院沈阳自动化研究所 | 基于可见光卫星图片的红外目标识别系统阈值优化方法 |
CN109523514A (zh) * | 2018-10-18 | 2019-03-26 | 西安电子科技大学 | 对逆合成孔径雷达isar的批量成像质量评估方法 |
CN111914898B (zh) * | 2020-06-30 | 2022-06-28 | 电子科技大学 | 一种基于自适应阈值的机载sar任务适应性评估方法 |
CN113159220B (zh) * | 2021-05-14 | 2022-02-15 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 基于随机森林的混凝土侵彻深度经验算法评价方法和装置 |
CN117173438B (zh) * | 2023-09-04 | 2024-02-27 | 之江实验室 | 一种深度耦合多源传感特性的景象匹配方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073837A (zh) * | 2009-11-23 | 2011-05-25 | 天津中兴软件有限责任公司 | 射频识别系统中实现标签清点的装置及方法 |
CN102842134A (zh) * | 2012-07-16 | 2012-12-26 | 西安电子科技大学 | 基于sar图像的快速景象匹配方法 |
-
2013
- 2013-06-17 CN CN201310238111.1A patent/CN103353988B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073837A (zh) * | 2009-11-23 | 2011-05-25 | 天津中兴软件有限责任公司 | 射频识别系统中实现标签清点的装置及方法 |
CN102842134A (zh) * | 2012-07-16 | 2012-12-26 | 西安电子科技大学 | 基于sar图像的快速景象匹配方法 |
Non-Patent Citations (3)
Title |
---|
《Evaluation of Scene Matching Algorithms Based on Edge Feature》;zhaohui yang et al.;《2010 International Conference Remote Sensing(ICRS)》;20101231;326-329 * |
《SAR影像边缘检测质量评估方法》;杨朝辉;《计算机工程与应用》;20110127(第5期);10-12 * |
《基于ROC曲线的边缘检测算法性能评估》;邓国荣等;《基于ROC曲线的边缘检测算法性能评估》;20110711(第19期);128-129 * |
Also Published As
Publication number | Publication date |
---|---|
CN103353988A (zh) | 2013-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103353988B (zh) | 异源sar景象特征匹配算法性能评估方法 | |
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
CN110210463A (zh) | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 | |
CN110889324A (zh) | 一种基于yolo v3面向末端制导的热红外图像目标识别方法 | |
CN112183432B (zh) | 一种基于中分辨率sar图像的建筑区提取方法以及系统 | |
CN112487900B (zh) | 一种基于特征融合的sar图像舰船目标检测方法 | |
Li et al. | Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing | |
CN102914302B (zh) | 一种无人机着陆视觉导航合作目标鲁棒检测方法 | |
CN105354841B (zh) | 一种快速遥感影像匹配方法及系统 | |
CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
CN104680151B (zh) | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
CN112949380B (zh) | 一种基于激光雷达点云数据的智能水下目标识别系统 | |
CN103942786B (zh) | 无人机可见光和红外图像的自适应团块目标检测方法 | |
CN112668613A (zh) | 基于气象预报和机器学习的卫星红外成像效果预测方法 | |
CN104268574A (zh) | 一种基于遗传核模糊聚类的sar图像变化检测方法 | |
CN110059292B (zh) | 一种空间目标姿态识别方法 | |
Alburshaid et al. | Palm trees detection using the integration between gis and deep learning | |
Liu et al. | A multi-scale feature pyramid SAR ship detection network with robust background interference | |
Xu et al. | The comparative study of three methods of remote sensing image change detection | |
Yi et al. | An efficient method of pavement distress detection based on improved YOLOv7 | |
CN117689995A (zh) | 一种基于单目图像的未知航天器层级检测方法 | |
CN113096122A (zh) | 流星检测方法、装置及电子设备 | |
CN106204568A (zh) | 极化sar图像人造目标提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160113 Termination date: 20170617 |
|
CF01 | Termination of patent right due to non-payment of annual fee |