CN103605980A - 基于局部特征匹配的isar目标部件检测方法 - Google Patents
基于局部特征匹配的isar目标部件检测方法 Download PDFInfo
- Publication number
- CN103605980A CN103605980A CN201310648787.8A CN201310648787A CN103605980A CN 103605980 A CN103605980 A CN 103605980A CN 201310648787 A CN201310648787 A CN 201310648787A CN 103605980 A CN103605980 A CN 103605980A
- Authority
- CN
- China
- Prior art keywords
- width
- unique point
- image
- satellite
- satellite image
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000003384 imaging method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 41
- 230000008878 coupling Effects 0.000 claims description 33
- 238000010168 coupling process Methods 0.000 claims description 33
- 238000005859 coupling reaction Methods 0.000 claims description 33
- 239000002775 capsule Substances 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 10
- 241001269238 Data Species 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 208000035126 Facies Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于局部特征匹配的ISAR目标部件检测方法，主要解决现有技术不能对低对比度图像和复杂目标部件检测的问题。其实现方案是：利用成像算法和互相关算法分别对卫星回波信号和舱体回波信号处理，得到卫星图像I1及其舱体横向几何尺寸S1、舱体图像J1及其舱体横向几何尺寸S2；根据这两个几何尺寸S1与S2，计算变换因子，再提取卫星图像I1和舱体图像J1特征点位置坐标和信息描述符，结合变换因子设计窗口；利用窗口中的特征点进行特征点匹配和错误点剔除，完成局部匹配；根据局部匹配得到的最大匹配特征点数目与门限关系，完成部件检测。本发明能在低对比度及目标有多个部件时进行部件有效检测，可用于目标探测与识别。
Description
技术领域
本发明属于雷达技术领域，特别涉及空间中大型复杂目标的部件检测方法，可用于空间目标的探测与识别。
背景技术
逆合成孔径雷达ISAR成像技术已被广泛应用于目标成像以及目标几何形态鉴定等领域。由于目标的姿态在相对雷达视线上会发生变化，直接利用ISAR成像技术进行全局范围的部件检测具有一定的困难，因此需要对回波信号形成的ISAR图像进行局部范围的目标部件检测。
在ISAR成像技术中，针对复杂目标部件的检测方法，需要较为完备的部件回波信号库和对回波信号中部件的能量特征进行提取和分析，而部件回波信号库需要对各类部件进行预先仿真，得到相应的部件回波信号。在部件检测中,由于ISAR图像中的特征点具有的部件性能信息，能够用于部件的检测，因此对图像中特征点的提取至关重要，如果提取的特征点易受姿态变化的影响，就会造成后续特征点匹配误差的增加。
为了解决这个问题，一些研究人员和学者提出了图像的特征提取及匹配方法，包括利用图像中目标的梯度变化提取梯度变化大的点作为特征点，并利用相对应的方向和幅度信息进行特征点的匹配以及利用理想滤波器对图像进行降采样，并通过不同采样阶找出极值点进行特征点的确定，再对特征描述符信息进行匹配等方法。但以上方法都是对图像进行全局的匹配，对于部件相似的复杂目标而言，全局匹配会造成部件的失配。
针对这个问题，现有技术提出了以下两种方案：
技术方案一是：Beril Sirmace等人提出了一种结合图像分割和概率密度函数的局部特征点检测方法。这种方法利用多种特征点提取算法形成的加权效果确定检测目标的最佳特征点，能够有效地对目标进行局部特征点匹配。但是这种方法所使用的图像具有很高的精度且每一个特征点信息与周围的点信息有明显的对比性，如屋顶的特征点信息与树林的点信息、路面的特征点信息与山坡的点信息等具有明显的对比。对于特征点信息不丰富的ISAR图像，如果直接按照上述方式会造成因提取的特征点不具有对比性而导致最终部件的检测失败。
技术方案二是：Idrissa等人提出了一种利用Gabor滤波器提取出目标的边缘进行局部匹配的方法。这种方法能够有效地通过边缘信息的相关方式找出相关值最大的边缘作为目标检测的依据，实现目标的检测。但是这种方法需要用于检测的两幅图像中的目标具有相似的边缘信息，对于复杂运动的ISAR目标而言，小姿态角度的变化也会造成ISAR图像中目标的边缘发生大扭曲，并且对于具有多个部件的ISAR图像，会由于部件重叠造成ISAR图像中边缘的混叠而检测不出清晰的部件边缘，使得部件检测失败。
以上方法都不能在ISAR图像信息对比度不高及复杂目标中具有多个相似部件的情况下进行部件的有效检测。
发明内容
本发明的目的在于针对上述已有技术的不足，提供一种基于局部特征匹配的ISAR目标部件检测方法，以在ISAR图像信息对比度不高及复杂目标中具有多个相似部件的情况下，进行部件的有效检测。
实现本发明目的的技术思路是：通过分析ISAR信号模型的信号和目标图像中点变化的位置关系提取出具有高稳健性的特征点；利用特征点的精确匹配估计出目标的转角速度，将这个转角速度用于部件检测中的仿真和窗口的尺寸调整；利用窗口对图像特征点进行局部匹配后，利用匹配点数最多的结果实现ISAR目标部件的检测。其实现步骤包括如下：
（1）针对两个具有相同雷达视角范围的卫星回波信号D1和卫星舱体回波信号D2，从卫星回波信号D1中截取出两段回波数据不等，数据维度均为64×64的子卫星回波信号D11和D12，并对这两个子卫星回波信号D11和D12进行成像处理，得到第一幅卫星图像I1和第二幅卫星图像I2；
（2）利用互相关算法，估计第一幅卫星图像I1和第二幅卫星图像I2中目标的相对转角后，计算第一幅卫星图像I1的方位向分辨率，根据该方位向分辨率得到第一幅卫星图像I1中舱体横向几何尺寸S1；
（3）类似地，从卫星舱体回波信号D2中截取出两段回波数据不等，数据维度均为64×64的子卫星舱体回波信号D21和D22，并对这两个子卫星舱体回波信号D21和D22进行成像处理，得到第一幅舱体图像J1和第二幅舱体图像J2；
（4）采用步骤（2）中计算第一幅卫星图像I1中舱体横向几何尺寸S1的方法，得到第一幅舱体图像J1中舱体横向几何尺寸S2；
（5）将第一幅卫星图像I1中舱体横向几何尺寸S1和第一幅舱体图像J1中舱体横向几何尺寸S2的比值，记为变换因子
（6）从第一幅卫星图像I1提取出M个特征点，得到每个特征点的位置坐标(xk,yk)和信息描述符，每一个信息描述符有128个数据，k=1,…,M，1≤M，其中x为第一幅卫星图像I1中特征点的位置坐标(xk,yk)的横坐标分量，y为第一幅卫星图像I1中特征点的位置坐标(xk,yk)的纵坐标分量；从第一幅舱体图像J1提取出N个特征点，得到每个特征点的位置坐标(av,rv)和信息描述符，每一个信息描述符有128个数据，v=1,…,N，1≤N，其中a为第一幅舱体图像J1中特征点的位置坐标(av,rv)的横坐标分量，r为第一幅舱体图像J1中特征点的位置坐标(av,rv)的纵坐标分量；
（7）根据第一幅舱体图像J1中的N个特征点位置坐标(av,rv)的外围坐标的最大值和最小值，计算出矩形窗口的长为L=max(av)-min(av)，宽为W=max(rv)-min(rv)，并利用变化因子γ，分别调整矩形窗口的长和宽分别为L′=L×γ，W′=W×γ，完成窗口的设计；
（8）在第一幅卫星图像I1中，以它的第1个特征点作为步骤（7）的窗口中心，将窗口中所包含的P个特征点与第一幅舱体图像J1提取出的N个特征点进行特征点的匹配和错误点剔除，1≤P≤M，并记录第一幅舱体图像J1中正确匹配的特征点数目Z1，完成第一次局部匹配；
（9）依次类推，以第一幅卫星图像I1中第k个特征点为窗口中心，进行步骤（8）的操作，记录每一次局部匹配后第一幅舱体图像J1中正确匹配的特征点数目Zk后，共进行M次局部匹配后，得到正确匹配的特征点数目Z1,…,Zk,…,ZM；
（10）从正确匹配的特征点数目Z1,…,Zk,…,ZM中找出最大值Zt，1≤t≤M；如果
则将第t次局部匹配后的第一幅舱体图像J1中正确匹配的Zt个特征点作为最终部件检测的特征点，完成部件的检测。
本发明与现有技术相比所具有的优点：
1）本发明利用局部特征匹配方法实现部件的检测，与现有的全局特征匹配方法相比较，这种方法能够在图像信息对比度不高及复杂目标中具有多个相似部件的情况下，进行部件的有效检测；
2）本发明利用图像的互相关方法估计目标的相对转角后，计算图像的方位分辨率，这种方法与传统的时域、频域计算图像的方位分辨率的方法相比较，具有短时高效的作用；
3）本发明利用部件自身的特征点范围和方位向分辨率信息设计窗口，再利用该窗口所包含的特征点的位置坐标和信息描述符进行特征点的匹配和错误点的剔除，提高了局部匹配的精度。
附图说明
图1是本发明的实现流程图；
图2是本发明仿真实验使用的两幅ISAR图像；
图3是用本发明对图2进行特征点提取的结果图；
图4是用现有方法对图2进行幅度处理的目标幅度图；
图5是用本发明对图2进行部件检测的结果图。
具体实施方式：
参照图1，本发明的实现步骤如下：
步骤1，利用两个具有相同雷达视角范围的卫星回波信号D1和卫星舱体回波信号D2，得到第一幅卫星图像I1和第二幅卫星图像I2。
（1a）从卫星回波信号D1中截取出两段回波数据不等，数据维度均为64×64的子卫星回波信号D11和D12；
（1b）利用距离多普勒成像方法对这两个子卫星回波信号D11和D12进行成像处理，得到第一幅卫星图像I1和第二幅卫星图像I2；
现有的雷达成像方法包括非参数化方法和参数化方法，由于参数化方法引入的数据预测会导致图像的失真，故采用非参数化方法，而典型的非参数化方法是距离多普勒成像方法，本实例就是采用距离多普勒成像方法对两个子卫星回波信号D11和D12进行成像处理。
步骤2，计算第一幅卫星图像I1中舱体横向几何尺寸S1。
（2a）计算第一幅卫星图像I1的方位向分辨率：
方位向分辨率的计算可采用多种现有方法，例如互相关方法、图像全局配准方法等，由于互相关方法具有相对简单的计算复杂度和高精度，本实例采用互相关算法，其计算步骤如下：
（2a1）设置初始相对转角范围为[-5°,5°]，相对转角间隔为0.5°，共20个相对转角，利用每一个相对转角对第一幅卫星图像I1进行相同相对转角的旋转后，将旋转后的第一幅卫星图像I1的像素和第二幅卫星图像I2的像素进行卷积处理，将最大卷积值所对应的相对转角作为所需的相对转角θ；
（2a2）利用相对转角θ，计算第一幅卫星图像I1的方位向分辨率
其中λ为波长；
（2b）从第一幅卫星图像I1中设定卫星舱体横向范围，得到这个范围所占分辨率的数目，针对本实例中特定的第一幅卫星图像I1，根据第一幅卫星图像I1中卫星舱体左右两个像素的横向坐标值分别为230,275，设定这个范围所占分辨率的数目为275-230=45；
（2c）将第一幅卫星图像I1中卫星舱体横向所占分辨率的数目45与方位向分辨率ρa相乘，其乘积为第一幅卫星图像I1中舱体横向几何尺寸S1。
步骤3，类似地，采用步骤1的方法对卫星舱体回波信号D2进行处理，得到第一幅舱体图像J1和第二幅舱体图像J2。
（3a）从卫星舱体回波信号D2中截取出两段回波数据不等，数据维度均为64×64的子卫星舱体回波信号D21和D22；
（3b）利用距离多普勒成像方法对这两个子卫星舱体回波信号D21和D22进行成像处理，得到第一幅舱体图像J1和第二幅舱体图像J2。
步骤4，计算第一幅舱体图像J1中舱体横向几何尺寸S2。
（4a）计算第一幅舱体图像J1的方位向分辨率：
（4a1）设置初始相对转角范围为[-5°,5°]，相对转角间隔为0.5°，共20个相对转角，利用每一个相对转角对第一幅舱体图像J1进行相同相对转角的旋转后，将旋转后的第一幅舱体图像J1的像素和第二幅舱体图像J2的像素进行卷积处理，将最大卷积值所对应的相对转角作为所需的相对转角δ；
（4a2）利用相对转角δ，计算第一幅舱体图像J1的方位向分辨率
（4b）从第一幅舱体图像J1中设定卫星舱体横向范围，得到这个范围所占分辨率的数目，
针对本实例中特定的第一幅舱体图像J1，根据第一幅舱体图像J1中卫星舱体左右两个像素的横向坐标值分别为230,275，设定这个范围所占分辨率的数目为275-230=45；
（4c）将第一幅舱体图像J1中卫星舱体横向所占分辨率的数目45与方位向分辨率ηa相乘，其乘积为第一幅舱体图像J1中舱体横向几何尺寸S2。
步骤5，计算第一幅卫星图像I1中舱体横向几何尺寸S1与第一幅舱体图像J1中舱体横向几何尺寸S2的比值，记为变换因子
步骤6，利用尺度不变特征变换方法，分别从第一幅卫星图像I1和第一幅舱体图像J1中提取出特征点的位置坐标和信息描述符。
（6a）从第一幅卫星图像I1提取出M个特征点，得到每个特征点的位置坐标(xk,yk)和信息描述符，每一个信息描述符有128个数据，k=1,…,M，1≤M，其中x为第一幅卫星图像I1中特征点的位置坐标(xk,yk)的横坐标分量，y为第一幅卫星图像I1中特征点的位置坐标(xk,yk)的纵坐标分量；
（6b）从第一幅舱体图像J1提取出N个特征点，得到每个特征点的位置坐标(av,rv)和信息描述符，每一个信息描述符有128个数据，v=1,…,N，1≤N，其中a为第一幅舱体图像J1中特征点的位置坐标(av,rv)的横坐标分量，r为第一幅舱体图像J1中特征点的位置坐标(av,rv)的纵坐标分量。
步骤7，利用第一幅舱体图像J1中的N个特征点位置坐标(av,rv)，进行窗口的设计。
（7a）根据第一幅舱体图像J1中的N个特征点位置坐标(av,rv)的外围坐标的最大值和最小值，计算出矩形窗口的长为L=max(av)-min(av)，宽为W=max(rv)-min(rv)；
（7b）利用变化因子γ，分别调整矩形窗口的长和宽分别为L′=L×γ，W′=W×γ，完成窗口的设计。
步骤8，在第一幅卫星图像I1中，以它的第1个特征点作为步骤（7）的窗口中心，完成第一次局部匹配。
（8a）分别计算第一幅卫星图像I1中P个信息描述符中第1个信息描述符的128个数据，与第一幅舱体图像J1的第i个信息描述符的128个数据两两之间的欧氏距离，并将这128个欧氏距离之和记为Oi，i从1到N，得到共N个欧氏距离之和，记为O=[O1,…,Oi,…,ON]；
（8b）计算N个欧氏距离之和O的最小值Of与次小值的比值，1≤f≤N；如果该比值小于距离阈值G=0.95，则记录下第一幅卫星图像I1中P个信息描述符中的第1个信息描述符的序号1和O中最小值的序号f，使得第一幅卫星图像I1中P个信息描述符中序号为1的特征点与第一幅舱体图像J1中序号为f的特征点为相互匹配的一对特征点；
（8c）依次类推，对第一幅卫星图像I1中P个信息描述符进行与步骤（8a）和步骤（8b）相同的处理，得到第一幅卫星图像I1中P个特征点和第一幅舱体图像J1的N个特征点相互匹配的V对特征点，0≤V≤N,完成特征点匹配；
（8d）对步骤（8c）得到的V对匹配的特征点，计算出每一对特征点位置坐标的欧氏距离，1≤V≤N；
（8e）对步骤（8d）得到的V对匹配的特征点进行错误点剔除，完成第一次局部匹配，其步骤如下：
（8e1）将上述所有V对特征点位置坐标的欧氏距离作为一个数据库，随机选取该数据库中两个数据，并以此作为初点集U1，按照初点集U1所具有的线性特点计算出相应的直线模型E；
（8e2）记录当前直线模型E在距离阈值U=2.2内局内点数据与局外点数据的比值；
（8e3）重复步骤（8e1）和（8e2），对数据库中所有的数据进行测试，得到在距离阈值U=2.2内局内点数据与局外点数据的比值最大的模型；
（8e4）利用比值最大的模型中的局内点，重新进行步骤（8e1），得到最佳直线模型E′；
（8e5）记录最佳直线模型E′在距离阈值U=2.2范围内所包含的Z1个局内点数据，将这Z1个局内点数据所对应的Z1对特征点作为正确匹配的特征点，0≤Z1≤V，并对所有局外点数据所对应的特征点予以剔除，最后得到第一幅卫星图像I1中Z1个特征点与第一幅舱体图像J2中Z1个特征点相互正确匹配，完成第一次局部匹配。
步骤9，依次类推，以第一幅卫星图像I1中第k个特征点为窗口中心，进行步骤8的操作，记录每一次局部匹配后第一幅舱体图像J1中正确匹配的特征点数目Zk后，共进行M次局部匹配后，得到正确匹配的特征点数目Z1,…,Zk,…,ZM。
步骤10，利用步骤9得到的正确匹配的特征点数目Z1,…,Zk,…,ZM，完成部件的检测。
（10a）从正确匹配的特征点数目Z1,…,Zk,…,ZM中找出最大值Zt，1≤t≤M；
（10b）将最大值Zt与第一幅舱体图像J1的特征点数目N的比值与预先设定的判决门限ξ=0.8进行比较：
如果最大值Zt与第一幅舱体图像J1的特征点数目N的比值大于等于预先设定的判决门限ξ=0.8，即
则将第t次局部匹配后的第一幅舱体图像J1中正确匹配的Zt个特征点作为最终部件检测的特征点，完成部件的检测；
如果最大值Zt与第一幅舱体图像J1的特征点数目N的比值小于预先设定的判决门限ξ=0.8，即
则说明在第一幅卫星图像I1中检测不出第一幅舱体图像J1中的舱体目标；
至此，完成ISAR目标部件的检测。
以下通过仿真实验进一步说明本发明的有效性。
1.仿真条件：
本发明仿真实验使用的两幅ISAR图像如图2所示，其中图2（a）是第一幅卫星图像I1，图2（b）是第一幅舱体图像J1；
本发明仿真的主要参数，如表一所示：
表一 主要参数
| 子回波信号大小 | 64×64 |
| ISAR图像大小 | 512×512 |
| 波长λ | 0.015m |
| 带宽B | 1GHz |
| 多普勒单元脉宽△Fd | 0.6667Hz |
| 中心时间间隔△T | 1.5s |
2.仿真内容：
仿真1，用本发明方法对图2（a）和图2（b）进行特征点的提取，结果如图3。其中图3（a）是从图2（a）中提取出的75个特征点的结果图，图3（b）是从图2（b）中提取出的8个特征点结果图。
仿真2，用现有求绝对值的三维图像方法对图2（a）和图2（b）分别进行幅度处理，得到图4（a）和图4（b）。其中图4（a）是卫星幅度图像，图4（b）是卫星舱体幅度图像。从图4（a）的卫星幅度图和图4（b）的卫星舱体幅度图可以看出，卫星和卫星舱体在幅度特征上有很多局部相似性，而卫星中心的舱体部分才是所需匹配的部分，如果进行全局匹配，会因幅度特征的局部相似性而造成失配，故需要引入本发明的局部匹配。
仿真3，用本发明方法对图2进行卫星舱体的部件检测，结果如图5。
从图5可以看出，本发明的局部匹配对于卫星舱体的检测具有良好的效果，共匹配了7个点，它与卫星舱体图像中的特征点数目8的比值大于预先设定的判决门限ξ=0.8，即说明这7个正确匹配的特征点就是最终部件检测的特征点，从而验证了本发明的有效性。
Claims (4)
1.一种基于局部特征匹配的ISAR目标部件检测方法，包括如下步骤：
（1）针对两个具有相同雷达视角范围的卫星回波信号D1和卫星舱体回波信号D2，从卫星回波信号D1中截取出两段回波数据不等，数据维度均为64×64的子卫星回波信号D11和D12，并对这两个子卫星回波信号D11和D12进行成像处理，得到第一幅卫星图像I1和第二幅卫星图像I2；
（2）利用互相关算法，估计第一幅卫星图像I1和第二幅卫星图像I2中目标的相对转角后，计算第一幅卫星图像I1的方位向分辨率，根据该方位向分辨率得到第一幅卫星图像I1中舱体横向几何尺寸S1；
（3）类似地，从卫星舱体回波信号D2中截取出两段回波数据不等，数据维度均为64×64的子卫星舱体回波信号D21和D22，并对这两个子卫星舱体回波信号D21和D22进行成像处理，得到第一幅舱体图像J1和第二幅舱体图像J2；
（4）采用步骤（2）中计算第一幅卫星图像I1中舱体横向几何尺寸S1的方法，得到第一幅舱体图像J1中舱体横向几何尺寸S2；
（5）将第一幅卫星图像I1中舱体横向几何尺寸S1和第一幅舱体图像J1中舱体横向几何尺寸S2的比值，记为变换因子
（6）从第一幅卫星图像I1提取出M个特征点，得到每个特征点的位置坐标(xk,yk)和信息描述符，每一个信息描述符有128个数据，k=1,…,M，1≤M，其中x为第一幅卫星图像I1中特征点的位置坐标(xk,yk)的横坐标分量，y为第一幅卫星图像I1中特征点的位置坐标(xk,yk)的纵坐标分量；从第一幅舱体图像J1提取出N个特征点，得到每个特征点的位置坐标(av,rv)和信息描述符，每一个信息描述符有128个数据，v=1,…,N，1≤N，其中a为第一幅舱体图像J1中特征点的位置坐标(av,rv)的横坐标分量，r为第一幅舱体图像J1中特征点的位置坐标(av,rv)的纵坐标分量；
（7）根据第一幅舱体图像J1中的N个特征点位置坐标(av,rv)的外围坐标的最大值和最小值，计算出矩形窗口的长为L=max(av)-min(av)，宽为W=max(rv)-min(rv)，并利用变化因子γ，分别调整矩形窗口的长和宽分别为L′=L×γ，W′=W×γ，完成窗口的设计；
（8）在第一幅卫星图像I1中，以它的第1个特征点作为步骤（7）的窗口中心，将窗口中所包含的P个特征点与第一幅舱体图像J1提取出的N个特征点进行特征点的匹配和错误点剔除，1≤P≤M，并记录第一幅舱体图像J1中正确匹配的特征点数目Z1，完成第一次局部匹配；
（9）依次类推，以第一幅卫星图像I1中第k个特征点为窗口中心，进行步骤（8）的操作，记录每一次局部匹配后第一幅舱体图像J1中正确匹配的特征点数目Zk后，共进行M次局部匹配后，得到正确匹配的特征点数目Z1,…,Zk,…,ZM；
（10）从正确匹配的特征点数目Z1,…,Zk,…,ZM中找出最大值Zt，1≤t≤M；如果 
则将第t次局部匹配后的第一幅舱体图像J1中正确匹配的Zt个特征点作为最终部件检测的特征点，完成部件的检测。
2.根据权利要求1所述的方法，其中所述步骤（2）中根据方位向分辨率得到第一幅卫星图像I1中舱体横向几何尺寸，是将第一幅卫星图像I1中卫星舱体横向所占分辨率的数目与方位向分辨率相乘，其乘积为第一幅卫星图像I1中舱体横向几何尺寸S1。
3.根据权利要求1所述的方法，其中所述步骤（8）中将窗口中所包含的P个特征点与第一幅舱体图像J1提取出的N个特征点进行特征点匹配，按如下步骤进行：
（8a）分别计算出第一幅卫星图像I1中所包含的P个特征点所对应的P个信息描述符中第1个信息描述符的128个数据，与第一幅舱体图像J1的第i个信息描述符的128个数据两两之间的欧氏距离，将这128个欧氏距离之和记为Oi，i从1到N，得到共N个欧氏距离之和，记为O=[O1,…,ON]；
（8b）计算N个欧氏距离之和O的最小值Of与次小值的比值，1≤f≤N；如果该比值小于距离阈值G=0.95，则记录下第一幅卫星图像I1所包含的P个特征点所对应的P个信息描述符中的第1个信息描述符的序号1和O中最小值的序号f，使得第一幅卫星图像I1所包含的P个特征点所对应的P个信息描述符中序号为1的特征点与第一幅舱体图像J1中序号为f的特征点为相互匹配的一对特征点；
（8c）依次类推，对第一幅卫星图像I1所包含的P个特征点所对应的P个信息描述符进行与步骤（8a）和步骤（8b）相同的处理，得到第一幅卫星图像I1所包含的P个特征点和第一幅舱体图像J1的N个特征点相互匹配的V对特征点，0≤V≤N,完成特征点匹配。
4.根据权利要求1所述的方法，其中所述步骤（8）中将窗口中所包含的P个特征点与第一幅舱体图像J1提取出的N个特征点匹配后进行错误点剔除，按如下步骤进行：
首先，计算出匹配的V对特征点中每一对特征点位置坐标的欧氏距离，1≤V≤N；
然后，利用随机采样一致性方法，将位置坐标的欧氏距离小于等于距离阈值U=2.2的Z1对特征点作为正确匹配的特征点，0≤Z1≤V，反之为错误匹配的特征点，予以剔除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310648787.8A CN103605980B (zh) | 2013-12-04 | 2013-12-04 | 基于局部特征匹配的isar目标部件检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310648787.8A CN103605980B (zh) | 2013-12-04 | 2013-12-04 | 基于局部特征匹配的isar目标部件检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103605980A true CN103605980A (zh) | 2014-02-26 |
| CN103605980B CN103605980B (zh) | 2017-01-11 |
Family
ID=50124200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310648787.8A Expired - Fee Related CN103605980B (zh) | 2013-12-04 | 2013-12-04 | 基于局部特征匹配的isar目标部件检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103605980B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103823889B (zh) * | 2014-03-10 | 2017-02-01 | 北京大学 | 基于l1范数全局几何一致性检验的错误匹配检测方法 |
| CN108647580A (zh) * | 2018-04-18 | 2018-10-12 | 中国人民解放军国防科技大学 | 基于改进sift引导isar图像特征点提取匹配方法 |
| CN111080674A (zh) * | 2019-12-18 | 2020-04-28 | 上海无线电设备研究所 | 一种基于混合高斯模型的多目标isar关键点提取方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0933649A (ja) * | 1995-07-21 | 1997-02-07 | Toshiba Corp | Ｉｓａｒ画像目標識別処理装置 |
-
2013
- 2013-12-04 CN CN201310648787.8A patent/CN103605980B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0933649A (ja) * | 1995-07-21 | 1997-02-07 | Toshiba Corp | Ｉｓａｒ画像目標識別処理装置 |
Non-Patent Citations (4)
| Title |
|---|
| SHANHU WANG ET AL.: "BFSIFT: A Novel Method to Find Feature Matches for SAR Image Registration", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
| YIHONG WU ET AL.: "Functional Properties of Minimum Mean-Square Error and Mutual Information", 《IEEE TRANSACTIONS ON INFORMATION THEORY》 * |
| ZHEN XIONG, YUN ZHANG: "A Novel Interest-Point-Matching Algorithm for High-Resolution Statellite Images", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
| 王勇，姜义成: "一种估计ISAR成像转角的新方法", 《电子与信息学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103823889B (zh) * | 2014-03-10 | 2017-02-01 | 北京大学 | 基于l1范数全局几何一致性检验的错误匹配检测方法 |
| CN108647580A (zh) * | 2018-04-18 | 2018-10-12 | 中国人民解放军国防科技大学 | 基于改进sift引导isar图像特征点提取匹配方法 |
| CN108647580B (zh) * | 2018-04-18 | 2020-07-14 | 中国人民解放军国防科技大学 | 基于改进sift引导isar图像特征点提取匹配方法 |
| CN111080674A (zh) * | 2019-12-18 | 2020-04-28 | 上海无线电设备研究所 | 一种基于混合高斯模型的多目标isar关键点提取方法 |
| CN111080674B (zh) * | 2019-12-18 | 2023-11-14 | 上海无线电设备研究所 | 一种基于混合高斯模型的多目标isar关键点提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103605980B (zh) | 2017-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103020945B (zh) | 一种多源传感器的遥感图像配准方法 | |
| CN104361590A (zh) | 一种控制点自适应分布的高分辨率遥感影像配准方法 | |
| CN103824093B (zh) | 一种基于kfda及svm的sar图像目标特征提取与识别方法 | |
| Li et al. | RIFT: Multi-modal image matching based on radiation-invariant feature transform | |
| CN105447867B (zh) | 基于isar图像的空间目标姿态估计方法 | |
| CN107358214A (zh) | 基于卷积神经网络的极化sar地物分类方法 | |
| CN103177444A (zh) | 一种sar图像自动配准方法 | |
| CN104834931A (zh) | 一种基于小波变换的改进的尺度不变特征匹配算法 | |
| CN106909939B (zh) | 一种结合旋转域极化零角特征的极化sar地物分类方法 | |
| CN105184830A (zh) | 一种对称图像对称轴检测定位方法 | |
| EP2054835B1 (en) | Target orientation | |
| CN104268880A (zh) | 基于特征和区域匹配相结合的深度信息获取方法 | |
| CN105787943A (zh) | 基于多尺度图像块特征和稀疏表示的sar图像配准方法 | |
| CN103679720A (zh) | 一种基于小波分解与Harris角点检测的快速图像配准方法 | |
| CN103646389A (zh) | 一种基于几何模型的sar斜距图像同名点自动提取方法 | |
| CN103839262A (zh) | 一种基于直线和fft的sar图像配准方法 | |
| CN104517286A (zh) | 基于自适应阈值分割和组合优化的sar图像配准 | |
| Huang et al. | SAR and optical images registration using shape context | |
| CN103605980A (zh) | 基于局部特征匹配的isar目标部件检测方法 | |
| CN109508674B (zh) | 基于区域划分的机载下视异构图像匹配方法 | |
| Yang et al. | Fast and accurate vanishing point detection in complex scenes | |
| Shuai et al. | A ship target automatic recognition method for sub-meter remote sensing images | |
| CN104732190B (zh) | 一种基于正交纹理相关分析的合成孔径声纳目标检测方法 | |
| CN104166977A (zh) | 一种图像匹配相似性测度方法及其图像匹配方法 | |
| Hänsch et al. | Machine-learning based detection of corresponding interest points in optical and SAR images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170111 |