CN103646389A

CN103646389A - 一种基于几何模型的sar斜距图像同名点自动提取方法

Info

Publication number: CN103646389A
Application number: CN201310098637.4A
Authority: CN
Inventors: 尤红建; 王山虎; 胡东辉; 付琨; 丁赤飚
Original assignee: Institute of Electronics of CAS
Current assignee: Institute of Electronics of CAS
Priority date: 2013-03-26
Filing date: 2013-03-26
Publication date: 2014-03-19

Abstract

本发明提供一种基于几何模型的SAR斜距图像同名点自动提取方法，克服了斜距图像间几何畸变较大时SIFT提取不到足量重复特征的问题，并基于改进的RANSAC算法，有效地筛选出正确的匹配点。首先利用载机航迹和DEM建立两幅图像间的成像几何关系，进而将一幅图像A变换到另一幅图像B的坐标上，得图像C；然后在采样的图像上采用尺度不变特征变换方法(SIFT)提取图像B和C之间的同名点，最后采用多模型随机抽样一致方法(RANSAC)筛选出正确的同名点，将图像C上的同名点坐标变换到图像A上，得图像A和B的同名点。

Description

一种基于几何模型的SAR斜距图像同名点自动提取方法

技术领域

本发明属于遥感图像处理领域，涉及一种基于几何模型的SAR斜距图像同名点自动提取方法。

背景技术

稀疏控制点条件下，利用区域网平差方法拼接多条航带的SAR图像时，需要从存在较大视角差异的斜距图像上提取同名点。另外，同名点提取在图像配准、立体像对以及目标检测和识别等领域也具有重要应用。同名点提取可分为三个阶段：(1)特征检测与描述：检测图像中的点、线或面特征，并计算特征邻域的结构或形状信息形成描述子向量；(2)特征匹配：采用相似性度量准则计算描述子间的距离并得到匹配对；(3)匹配点筛选：根据几何约束条件筛选出正确的匹配点，即同名点。学者们提出了大量自动提取同名点的算法，SIFT是其中较为经典的一个，它具有旋转、尺度以及局部仿射和灰度不变性，因此广泛应用于计算机视觉、医学图像处理以及遥感图像处理等领域。

针对相邻航带的斜距图像，不同视角和地形导致图像不同位置处存在不同的几何畸变，因此将SIFT应用于SAR斜距图像同名点提取时，存在两个问题：一是检测的特征点不容易匹配，二是正确的匹配点不容易筛选。可考虑使用具有仿射不变特性的ASIFT算法，但其通过构建仿射模板来模拟仿射变形，计算复杂度非常高。与自然场景图像不同，遥感图像通常记录了成像时的姿态信息，因此我们考虑利用SAR平台的飞行轨迹和DEM这些先验信息变换图像，进而减轻仿射变形的影响。变换后的图像间仍存在局部仿射变形，可利用SIFT提取同名点，但其提取的同名点中通常包含错误的，传统的RANSAC算法只能筛选出部分正确的，漏掉了大量正确的同名点，因此将该方法应用到SAR图像中时，急需结合SAR斜距图像的特性做相应的改进。

发明内容

本发明的目的是提供一种基于几何模型的SAR斜距图像同名点自动提取方法，克服了斜距图像间几何畸变较大时SIFT提取不到足量重复特征的问题，并基于改进的RANSAC算法，有效地筛选出正确的匹配点。

为达到上述目的，本发明的技术解决方案如下：

该基于几何模型的SAR斜距图像同名点自动提取方法，首先利用载机航迹和DEM建立两幅图像间的成像几何关系，进而将一幅图像A变换到另一幅图像B的坐标上，得图像C；然后在采样的图像上采用尺度不变特征变换方法(SIFT)提取图像B和C之间的同名点，最后采用多模型随机抽样一致方法(RANSAC)筛选出正确的同名点，将图像C上的同名点坐标变换到图像A上，得图像A和B的同名点。

其中多模型随机抽样一致方法(RANSAC)筛选同名点采用以下方法：

（1）设有n对匹配点，首先随机抽选4对点，计算匹配点对间的一次多项式变换模型；

（2）利用变换模型测试其他匹配点对，如果符合模型则认为它为内点，如果内点数量小于设定的阈值，则开始下一次迭代；

（3）利用所有内点，采用最小二乘拟合方法重新计算变换模型，计算变换模型与内点的错误率，并保留内点和模型参数，进行下一次迭代；

（4）重复步骤（1）、（2）、（3）直到迭代次数k满足收敛条件，迭代结束，得到每次符合条件的迭代所保存的内点，剔除重复点，则得到最后筛选出来的匹配点对。

本发明的有益效果：

本发明基于SAR成像模型，将SIFT成功应用于SAR斜距图像同名点的自动提取：（1）利用SAR的几何模型改进SIFT算法，克服了斜距图像间几何畸变较大时SIFT提取不到足量重复特征的问题，（2）将多模型引入到RANSAC算法，增加了筛选后的正确点数量。

附图说明

图1为本发明基于几何模型的SAR斜距图像同名点自动提取方法的流程示意图。

图2为本发明第一步中相邻航带的成像几何关系图。

图3为本发明第一步中图像变换前后示意图。图3（a）为第一幅图像B，图3（b）为第二幅图像A，图3（c）为第一幅图像B变换后的图像C。

图4为本发明中第三步多模型RANSAC算法的流程图。

图5为本发明与传统SIFT算法的结果对比图。

具体实施方式

以下结合实施例和附图对本发明方法进一步说明。

图1为本发明基于基于几何模型的SAR斜距图像同名点自动提取方法的流程示意图，具体步骤包括：

第一步，利用载机航迹和DEM建立两幅图像间的成像几何关系，进而将一幅图像A变换到另一幅图像B的坐标上，得图像C；

第二步，采用大尺度SIFT方法提取图像B和C之间的同名点；

第三步，采用改进的RANSAC算法，即多模型RANSAC算法筛选出正确的同名点；

第四步，将图像C上的同名点坐标变换到图像A上，得图像A和B的同名点。

第一步中具体方法是：

对机载SAR成像，通常需要对真实航迹进行运动补偿，使其为某个直角坐标下的一条直线并满足零多普勒条件。本方法选定东北天坐标系，如附图2所示，坐标原点可自定，飞机自西向东飞行且为右侧视成像，航迹均在与z轴垂直的平面内。设航迹L₁的方向向量为(O_x,O_y,0)，斜率为k₁，截距为b₁，α₁为L₁与x轴夹角，z₁为飞行高度，L₁对应的斜距图像为I₁。航迹L₂的方向向量为(D_x,D_y,0)，斜率为k₂，截距为b₂，α₂为航迹L₂与x轴夹角,(F_x,F_y,z₂)为航迹L₂上任一点，z₂为飞行高度，L₂对应的斜距图像为I₂。

图像方位向上第i个点，对应航迹上第i个点，因此由图像I₁上任一点的坐标(i₁,j₁)可得其对应的航迹L₁上的点A的坐标(A_x,A_y,z₁)。点A与其对应的地面点P之间的距离为R₁＝R_A+j₁*δ_r1，且两点的连线垂直于航迹L₁，故由式(1)可求解点P的坐标(P_x,P_y,h)。式中，R_A为图像I₁的近端斜距，δ_r1为斜距分辨率，h由DEM给出。

\{\begin{matrix} R_{1} = \sqrt{{(A_{x} - P_{x})}^{2} + {(A_{y} - P_{y})}^{2} + {(z_{1} - h)}^{2}} \\ O_{x} \cdot (A_{x} - P_{x}) + O_{y} \cdot (A_{y} - P_{y}) = 0 \end{matrix} - - - (1)

解该方程得式(2)

\{\begin{matrix} P_{y} = A_{y} - \sqrt{\frac{{R_{1}}^{2} - {(z_{1} - h)}^{2}}{1 + {k_{1}}^{2}}} = A_{y} - \cos α_{1} \cdot R_{1} \cdot \sin θ_{1} \\ P_{x} = A_{x} - k_{1} (P_{y} - A_{y}) = A_{x} + k_{1} \cdot \cos α_{1} \cdot R_{1} \cdot \sin θ_{1} \end{matrix} - - - (2)

其中，θ₁为点P的视角。

地面点P与其对应的航迹L₂上的点B的连线垂直于L₂，并且点B坐标满足L₂的直线方程，故由方程(3)可求解点B坐标。

\{\begin{matrix} (B_{x} - F_{x}) / D_{x} = (B_{y} - F_{y}) / D_{y} \\ D_{x} \cdot (B_{x} - P_{x}) + D_{y} \cdot (B_{y} - P_{y}) = 0 \end{matrix} - - - (3)

解该方程可得式(4)

\{\begin{matrix} B_{x} = (P_{x} + k_{2} \cdot P_{y} - k_{2} \cdot b_{2}) / (1 + {k_{2}}^{2}) \\ B_{y} = (k_{2} \cdot P_{x} + {k_{2}}^{2} \cdot P_{y} + b_{2}) / (1 + {k_{2}}^{2}) \end{matrix} - - - (4)

由航迹上的点与图像方位向上的点之间的对应关系以及斜距方程，可得点B在图像I₂上的对应点，如式(5)

\{\begin{matrix} i_{2} = \sqrt{{(B_{x} - F_{x})}^{2} + {(B_{y} - F_{y})}^{2} / δ} \\ j_{2} = (R_{2} - R_{B}) / δ_{r 2} \end{matrix} - - - (5)

其中，δ为航迹L₂上相邻两点的间隔，δ_r2为图像I₂的斜距分辨率，R_B是近端斜距,

R_{2} = \sqrt{{(B_{x} - P_{x})}^{2} + {(B_{y} - P_{y})}^{2} + {(z_{2} - h)}^{2}} .

由式(2)、(4)和(5)，可以计算图像I₁上每点在图像I₂上的对应点，重采样I₂即可得变换后的图像。

第二步中具体方法是：变换后的图像间仍存在局部仿射变形，传统的基于互相关的方法适合处理仅存在平移的情况，而SIFT算法具有旋转、尺度以及局部仿射和灰度不变性，且计算速度较快，因此我们选用其作为同名点提取的方法。SIFT首先检测图像高斯尺度空间中稳定的块点(blob)，然后利用梯度方向直方图计算特征点主方向并形成描述子，最后采用欧式距离衡量描述子的相似性。

SAR图像是相干处理得到的，因此图像上存在大量的乘性斑点噪声，影响了同名点提取算法的性能。可采用专门的滤波器降斑，然后用SIFT提取同名点，但这样会增加额外的滤波计算量。尺度空间建立时，高斯函数模糊图像的同时会减少斑点噪声，对图像的降采样相当于多视处理，会进一步减少斑点噪声。因此为了去除斑点噪声的影响，直接在大尺度上提取特征，可大大提高计算速度。

第三步中具体方法是：根据相似性度量得到的匹配点中通常有错误的匹配点，需要从中筛选出正确的。目前有很多一致性检验方法，RANSAC算法是其中较为经典的一个，它计算简单高效，因此得到了广泛应用。它基于假设检验的原理，假定有n对匹配点，首先随机抽选m对点，计算匹配点集间变换模型的参数，m为计算模型参数所需的最小点数，如一次多项式模型需要4对点，然后统计符合该模型的匹配点数。重复该过程直到满足收敛条件，有最多匹配点数的模型保留下来，符合该模型的匹配点即为筛选出的匹配点。其中，收敛条件为k次采样至少有一次全是内点(正确的匹配点)的概率不小于η。设ε为内点概率，收敛条件满足式(8)，迭代次数满足式(9)。ε是未知的，故每次迭代时用当前最大匹配点数在匹配点集中的比例代替。

{(1 - ϵ^{m})}^{k} < 1 - η - - - (8)

k > \ln (1 - η) / \ln (1 - ϵ^{m}) - - - (9)

针对基本的RANSAC算法收敛速度较慢的问题，很多算法对其进行了改进，主要是利用先验信息产生更可能是内点的采样或较早去除不全是内点的采样。但这些算法都基于同样的假设：若一次采样中全是内点，则通过该采样计算的变换模型可以把所有内点筛选出来。SAR是侧视成像，图像近距和远距不同位置处几何畸变不同，即便是利用先验信息进行了变换，图像间仍不能只用一个模型就把所有内点筛选出来。因此我们引入多模型RANSAC算法，迭代中某次模型得到的内点数大于指定阈值，则保留这些匹配点，而不是仅保留有最多内点数的模型下的匹配点，这样就大大增多了筛选出的内点数量。

图3给出了一个变换的示例，图3(a)为图像B，图3(b)为图像A，可以看出两幅图像间存在较严重的几何畸变，图3(c)为变换后的图像C，可以看出B和C之间的几何畸变大大减轻了，有利于后续同名点的自动提取。

图4给出了本发明方法和传统的SIFT方法的结果对比图，可以看出，本发明方法提取的同名点数量明显多于传统的SIFT方法。

Claims

1.基于几何模型的SAR斜距图像同名点自动提取方法，其特征在于：首先利用载机航迹和DEM建立两幅图像间的成像几何关系，进而将一幅图像A变换到另一幅图像B的坐标上，得图像C；然后在采样的图像上采用尺度不变特征变换方法(SIFT)提取图像B和C之间的同名点，最后采用多模型随机抽样一致方法(RANSAC)筛选出正确的同名点，将图像C上的同名点坐标变换到图像A上，得图像A和B的同名点。

2.如权利要求1所述的基于几何模型的SAR斜距图像同名点自动提取方法，其特征在于：其中多模型随机抽样一致方法(RANSAC)筛选同名点采用以下方法：