CN103871040A - 基于多角度导航卫星双基地合成孔径雷达图像融合方法 - Google Patents

Abstract

本发明公开了一种基于多角度导航卫星双基地合成孔径雷达图像融合方法。使用本发明能够实现对多幅SAR图像的融合，获得效果更好的图像。本发明首先获取了对同一目标场景多个不同角度照射下的图像，然后基于图像特征的分析，对图像区域进行自适应分割，其中，根据SAR图像的分辨率对MRF分割方法进行改进，同时利用G⁰模型来描述GNSS-BiSAR图像；最后在不同的区域采用不同的融合算法，获得质量较高、可解译性强的融合图像，实现了增强图像质量和可解译性的功能，扩展了导航卫星双基地SAR的应用潜力，具有良好的效果。

Description

基于多角度导航卫星双基地合成孔径雷达图像融合方法

技术领域

本发明涉及合成孔径雷达技术及SAR图像处理技术领域，具体涉及一种基于多角度导航卫星双基地合成孔径雷达图像融合方法。

背景技术

合成孔径雷达（SAR）是一种全天候、全天时的高分辨率微波遥感成像雷达，可安装在飞机、卫星、导弹等飞行平台上。自上世纪50年代发明以来，已经在很多领域取得了越来越广泛的应用，例如灾害控制、植被分析、微波遥感等领域。

双基地SAR（BiSAR）是目前新兴的一种雷达体制。它的一个优势是，能利用外辐射源信号作为照射源，现存有很多这样的外辐射源信号，如电视、卫星、已有的单基地雷达发射机都可利用。这种被动SAR没有必要使用单独的发射机，因此能比传统雷达做的更小成本更低。

目前采用全球导航卫星系统（GNSS）作为发射机的被动BiSAR体制受到了较多关注。英国的Mike教授团队利用GNSSZ中的GLONASS卫星成出了第一幅基于导航卫星的双基地SAR（GNSS-BiSAR）图像，论证了GNSS-BiSAR成像的可能性。北京理工大学则利用GPS和北斗2代导航卫星系统做了成像实验。当前实验获取的都是单一角度下观测到的数据，从最终获取的图像来看，效果并不是很理想，主要表现在：图像中大量出现点状目标，只能反映目标的有无，无法反映目标的轮廓信息和几何特征。

考虑到可以采用不同的导航卫星作为发射源，由此可以形成多个双基地角观测的拓扑结构，获取目标在不同双基地角度下的散射特性，从而获得目标在多双基地角度下的SAR图像。借助这些图像，可以利用多维信息处理的手段改善图像质量，然而采用什么样的方法能够得到视觉效果最好的合成双基地SAR图像这一全新的问题目前都尚无研究涉及。

图像融合是增强图像信息量的有效手段。本发明的目标是结合GNSS-BiSAR图像本身的特性，使用合适融合算法得到好的图像结果。当前，融合算法主要分为四个层次：信号级、像素级、特征级和符号级。其中像素级融合的研究最为广泛，算法也更加丰富。因此，考虑使用像素级的图像融合方法来增强图像。像素级融合的主要过程有两步：配准和融合。在成像处理流程中,BP成像算法已经将图像投影到同一个地距平面，所以每一幅图像都是配准好的。其次，融合则是设计融合策略的过程。融合策略定义为如下表达式：

I_f(x,y)＝g(I₁(x,y),I₂(x,y),...,I_K(x,y))     （1）

其中I₁(x,y),I₂(x,y),...,I_K(x,y)表示K幅观测相同场景的SAR图像，g为操作算子。目前主要的传统方法可以分为（1）线性方法、（2）非线性方法。线性方法中的平均法与非线性方法的选大法最具有代表性，但是缺陷非常明显，平均法的图像平滑明亮，但是会出现特征模糊的问题。在某一角度下出现而另一角度不出现的特征在融合之后会变得更暗更模糊。同样的,选大法融合的图像几乎保留了所有特征，但是却会出现边缘轮廓不连续以及噪声过多的现象。如何结合GNSS-BiSAR图像本身的性质选择合适的融合算法却未见相关文献与报道。

本发明的目标是在融合图像中去反映真实的场景信息，并尽可能产生单一角度观测中无法观测到的信息。所以，提出一种基于导航卫星多角度图像特征分类的融合方法，对多幅SAR图像进行图像融合，获得更好的视觉效果。这种融合方法对多角度SAR图像处理具有重要意义。

发明内容

有鉴于此，本发明提供了一种基于多角度导航卫星双基地合成孔径雷达图像融合方法，能够实现对多幅SAR图像的融合，获得效果更好的图像。

本发明的基于多角度导航卫星双基地合成孔径雷达图像融合方法，包括如下步骤：

步骤1，单幅图像预处理：

步骤1.1对获得的多角度导航卫星双基地合成孔径雷达图像的每一幅图像进行归一化辐射校正：

首先对回波的功率P_reft进行归一化，得到：

$P_{\mathrm{norm}}=\frac{P_{\mathrm{refl}}}{P_{\mathrm{dir}}}=\frac{\mathrm{\σ}{G}_{\mathrm{refl}}}{4\mathrm{\π}{R}^2{G}_{\mathrm{dir}}}$

其中，P_reft为回波的功率，P_dir为直达波的功率，σ为目标反射系数，G_dir、G_reft分别是直达波天线和回波天线增益，R为目标到回波天线的距离；

然后对图像作距离辐射校正：

$I_{\mathrm{norm}}=R^2{P}_{\mathrm{norm}}=\frac{G_{\mathrm{refl}}}{4\mathrm{\π}{G}_{\mathrm{dir}}}\mathrm{\σ}$

其中，I_norm为进行距离辐射校正之后的图像；

步骤1.2，对步骤1.1获得的图像进行量化，以dB图的方式显示并存储：

I＝20log₁₀I_norm

其中，I为预处理后得到的图像；

步骤2，单幅图像区域分类及图像区域自适应分割：

将图像中强点目标及其周围区域定义为感兴趣区域ROI，将植被目标和其他物体存在的区域定义为非ROI，将剩下的区域定义为噪声；

首先采用聚类分割方法得到初始分割结果，然后采用MRF-MAP进行迭代计算出每一个像素的最大后验概率并获得分割结果；其中，MRF模型中的势函数为V_c1、V_c2、V_c3、V_c4中的一种；其中，V_c1、V_c2、V_c3、V_c4分别代表SAR图像方位向分辨率斜率为-45，45，0，90时的势函数；

$V_{c1}=\left(\begin{array}{ccc}3& 2& 1\\ 2& 3& 2\\ 1& 2& 3\end{array}\right),V_{c2}=\left(\begin{array}{ccc}1& 2& 3\\ 2& 3& 2\\ 2& 2& 1\end{array}\right),V_{c3}=\left(\begin{array}{ccc}2& 2& 2\\ 3& 3& 3\\ 2& 2& 2\end{array}\right),V_{c4}=\left(\begin{array}{ccc}2& 3& 2\\ 2& 3& 2\\ 2& 3& 2\end{array}\right);$

对图像进行自适应分割时，根据图像的方位向分辨率斜率，选择相近斜率的加权势函数V_c计算MAP；

图像杂波统计模型采用G⁰模型；

步骤3，多角度导航卫星双基地合成孔径雷达图像的融合：

对于ROI区域，采用取并集的方式对K幅图像中的ROI区域进行融合，得到融合后图像的ROI区域ROI_fusion；

对于非ROI区域，首先采用取并集的方式对K幅图像中的非ROI区域进行融合，获得区域U，然后将U中属于ROI区域的点剔除，将U中被分类为非ROI区域的次数未达到设定值的点剔除，得到融合后图像的非ROI区域un_ROI_fusio；

剩余区域为噪声区域noise_region；

融合后的图像为

$I_{\mathrm{fusion}}=\left\{\begin{array}{c}\max (I_1(u,v),I_2(u,v),\·\·\·,I_k(u,v)),(u,v)\∈{\mathrm{ROI}}_{\mathrm{fusion}}\\ \mathrm{mean}(I_1(u,v),I_2(u,v),\·\·\·,I_k(u,v)),(u,v)\∈\mathrm{un}\_{\mathrm{ROI}}_{\mathrm{fusion}}\\ 0,(u,v)\∈\mathrm{noise}\_\mathrm{region}\end{array}\right.$

其中，I_fusion为最终的融合图像，max为选大算子，mean为平均算子。

有益效果：

本发明提供了一种多角度导航卫星双基地合成孔径雷达图像融合方法，通过自适应感兴趣区域图像分割，实现了分区域不同算子的融合，解决了多角度导航卫星双基地SAR图像解译困难的问题，实现了增强图像质量和可解译性的功能，扩展了导航卫星双基地SAR的应用潜力，具有良好的效果。

附图说明

图1为本发明算法流程图。

图2为传统算子融合与自适应区域分割融合效果对比图。图2（a）为采用平均法；图2（b）为选大法；图2（c）为本发明方法。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种基于多角度导航卫星双基地合成孔径雷达图像融合方法，首先获取了对同一目标场景多个不同角度照射下的图像，然后基于图像特征的分析，对图像区域进行分类，最后在不同的区域采用不同的融合算法，获得质量较高、可解译性强的融合图像。本发明流程图如图1所示，具体步骤如下。

步骤一,图像预处理。

获取对同一目标场景多个不同角度照射下的GNSS-BiSAR图像，对于这些图像，由于导航卫星所处的位置不同，图像的强度会不同，比如低轨卫星的图像强度数值要比高轨卫星的大很多。为了保证融合的效果，需要将图像变换到同样的数值范围内，因此需要对图像作归一化处理。在实验中，接收了直达波信号与回波信号，将直达波的功率作为归一化参量。

步骤1.1对获得的多角度导航卫星双基地合成孔径雷达图像的每一幅图像进行归一化辐射校正：

根据雷达方程，直达波的功率P_dir为：

$P_{\mathrm{dir}}=\frac{P_T{G}_T{G}_{\mathrm{dir}}}{4\mathrm{\π}{r}^2}---\left(2\right)$

回波的功率P_reft为：

$P_{\mathrm{refl}}=\frac{P_T{G}_T}{4\mathrm{\π}{r}^2}\·\frac{\mathrm{\σ}{G}_{\mathrm{refl}}}{4\mathrm{\π}{R}^2}---\left(3\right)$

最后得到的归一化功率为：

$P_{\mathrm{norm}}=\frac{P_{\mathrm{refl}}}{P_{\mathrm{dir}}}=\frac{\mathrm{\σ}{G}_{\mathrm{refl}}}{4\mathrm{\π}{R}^2{G}_{\mathrm{dir}}}---\left(4\right)$

其中，P_T是发射机功率，G_T是发射天线增益，G_dir，G_reft分别是直达波天线和回波天线增益，σ是目标反射系数，r，R分别是卫星到直达波天线的距离和目标到回波天线的距离。SAR遥感图像的最终目的是对场景的目标反射系数σ进行恢复，这需要将距离对场景图像的影响进行消除。对于场景中的每个点，其到回波天线的距离R为：

$R=\sqrt{{(x-x_{\mathrm{refl}})}^2+{(y-y_{\mathrm{refl}})}^2+{(z-z_{\mathrm{refl}})}^2}---\left(5\right)$

其中(x,y,z)为场景坐标，(x_refl,y_refl,z_refl)为回波天线的位置坐标。对整幅图像作距离辐射校正：

$I_{\mathrm{norm}}=R^2{P}_{\mathrm{norm}}=\frac{G_{\mathrm{refl}}}{4\mathrm{\π}{G}_{\mathrm{dir}}}\mathrm{\σ}---\left(6\right)$

其中，I_norm为进行归一化和距离辐射校正之后的图像。

步骤1.2，对步骤1.1获得的图像进行量化。为了不使低亮度值的细节丢失，使用对数量化压缩图像的动态范围，即以dB图的方式显示图像，这种量化方式的优势在于对图像中强度相对较小的目标也能鲜明地显示，具体实现方式如下：

I＝20log₁₀I_norm（7）

I即为预处理后得到的图像。至此，完成了对图像的预处理工作。

步骤二，图像分析与区域分类。

在图像预处理完成之后，获得了具有相同性质的图像。它们的区别仅仅在于目标各项异性产生的散射特性不同。对于不同类型的目标，有不同的方法可以获得不同的融合效果。因此，图像融合需要借助特征信息进行。在图像显著性理论中，根据人类的认知原理将图像分为感兴趣区域（ROI,region of interest）和其他区域。在不同的应用场景下，ROI的具体定义也不同。

考虑到GNSS-BiSAR图像在遥感中实际应用场景，将图像分为三类，一类是ROI，一类是非ROI，最后一种是噪声区域。对于遥感图像来说，强点目标及其周围区域都是重要的特征。因此，将ROI定义为强点目标及其周围区域，因为这些区域回波信号能量强，极有可能是反射卫星信号的建筑物等目标。把植被目标和其他物体存在的区域定义为非ROI，它们在图像中的表现大多是离散的中等强度的点状目标，包含了关于实验场景整体的一些信息。最后，将剩下的区域定义为噪声。至此，完成了图像的分析与区域分类。

步骤三，单幅图像区域自适应分割。

在步骤二中，将强点目标及其周围区域定义为ROI，将植被目标和其他物体的区域定义为非ROI，剩下的区域定义为噪声。在实际应用中，需要根据图像的强度值来区分目标的区域，但是简单的阈值分割会造成图像的不连续，因此，可以采用马尔科夫随机场-最大后验概率（MRF-MAP）进行迭代分割处理，从而得到具有连续区域的分割图像。

MRF-MAP利用MRF的无后效性将图像分割为连续的区域，同时结合MAP理论，使得可以通过SAR本身的模型选择来控制图像分割的效果。在MRF-MAP体系下，最重要的工作是利用MRF和杂波统计模型计算出图像的MAP（P(X|Y)）。根据贝叶斯公式，有：

P(X|Y)∝P(Y|X)P(X)     （8）

其中，Y为输入的图像；X为图像分割的结果，为每一个像素的分割状态的矩阵；P(Y|X)与SAR的杂波统计模型相关，P(X)为MRF的一种先验分布。

估计分割图像X的过程通常遵循最大后验概率准则（MAP），即估计

通过迭代求出最大后验概率，也即完成了图像的分割过程。

要对整幅图像进行联合建模是十分困难的，而且计算非常复杂。通常的做法是对单个像素点独立建模。假设图像各个像素点之间以及像素点的各个分割状态之间是相互独立的，那么：

$P\left(X\right|Y)=\underset{i\∈S}{\mathrm{\Π}}P\left(x_i\right|y_i)---\left(9\right)$

其中，S为图像中所有像素点的集合，y_i是像素点i的像素值，x_i是像素点i的分割状态。

SAR图像中，通常假设图像分割的结果X完全由局部上下文信息所确定，而一般情况下，SAR图像都可以利用马尔科夫随机场描述。根据Hammersley-Clifford定理，可以得到马尔科夫随机场的先验分布表达式为：

$P\left(x_i\right)=\frac{1}{Z_i}\exp \{-\frac{1}{T}\underset{c\∈C}{\mathrm{\Σ}}{V}_c\left(x_i\right)\}---\left(10\right)$

其中

为归一化函数，T为温度，是固定值；c为基团，C为所有基团的集合，x_i表示像素点i的分割状态。势函数V_c和基团c的选择可以根据不同的应用选取不同的形式。

经典的MRF分割中，计算基团c的时候都是利用均匀3×3邻域及其子集，即：

$V_c=\left(\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right)---\left(11\right)$

这种势函数取值方法并不能体现SAR图像的特性，可能会导致分割不连续的情况，本发明结合SAR图像分辨率分析理论，对MRF分割方法进行改进：考虑到SAR图像的分辨率对图像的影响，认为分辨率方向的分割状态对MAP的贡献最大，因此，采用沿分辨率方向加权的势函数。由于GNSS-BiSAR的图像分辨率主要受方位向分辨率的影响，因此设计了4种依据分辨率方向加权的3×3邻域来计算势函数。当分辨率方向分别为斜-45°，斜45°、水平、垂直时的领域加权值分别如V_c1，V_c2，V_c3，V_c4所示：

$V_{c1}=\left(\begin{array}{ccc}3& 2& 1\\ 2& 3& 2\\ 1& 2& 3\end{array}\right),V_{c2}=\left(\begin{array}{ccc}1& 2& 3\\ 2& 3& 2\\ 2& 2& 1\end{array}\right),V_{c3}=\left(\begin{array}{ccc}2& 2& 2\\ 3& 3& 3\\ 2& 2& 2\end{array}\right),V_{c4}=\left(\begin{array}{ccc}2& 3& 2\\ 2& 3& 2\\ 2& 3& 2\end{array}\right);$

在势函数的加权值中，设定分辨率方向权值最大，为3，然后沿垂直分辨率方向逐渐递减为2和1。对于每一幅图像，计算其方位向分辨率方向的斜率，选择相近斜率的加权势函数V_c计算其MAP。以V_c1中心为邻域原点，当其周围像素点分割状态与中心原点状态一致时，取负权值，即-β；当分割状态不一致时，取β。具体表达式为：

$V_c(x_i,x_j)=\left\{\begin{array}{c}-{\mathrm{\β}}_j,x_i=x_j\\ {\mathrm{\β}}_j,x_i\≠x_j\end{array}\right.,j\∈{\mathrm{\η}}_i---\left(13\right)$

其中j是领域中的像素点，β_j为设计的邻域内j处的加权值，η_i为邻域中像素点的集合，x_i表示像素点i的分割状态。

这样，当整个邻域所有的状态都一致时，先验概率P(x_i)最大。

基于MRF模型的SAR图像分割归结为一个求最大后验概率的问题。最大后验概率得出的最佳分割可以转化为下式最小值求解：

${\hat{X}}_{\mathrm{opt}}=\arg \min \{\frac{1}{T}\underset{i\∈S}{\mathrm{\Σ}}\underset{c\∈{\mathrm{\η}}_i}{\mathrm{\Σ}}{V}_c\left(x_i\right)-\underset{i\∈S}{\mathrm{\Σ}}\ln P\left(y_i\right|x_i)\}---\left(14\right)$

其中，

是估计的最佳分割结果。

在实际应用中，观测模型的似然分布P(Y|X)通常用SAR图像的杂波统计模型来描述。因此，对SAR图像分割首先要解决的问题是选择一个SAR图像杂波精确合理的统计分布模型。

本发明首次利用G⁰模型来描述GNSS-BiSAR图像。G⁰模型的思想是将图像区域按照其均匀程度建模。G⁰分布模型，其形式较为简单，概率密度函数如下式所示：

$P_I\left(x\right)=\frac{n^n\mathrm{\Γ}(n-\mathrm{\α}){\mathrm{\γ}}^{-\mathrm{\α}}{x}^{n-1}}{\mathrm{\Γ}(-\mathrm{\α})\mathrm{\Γ}\left(n\right){(\mathrm{\γ}+\mathrm{nx})}^{n-\mathrm{\α}}}---\left(15\right)$

其中n表示模型的阶数，Γ(·)为Gamma函数。形状参数α∈(-∞,0)，反映了被测区域的均匀度，且|α|越大，表明对应的图像区域越均匀。尺度参数γ＞0，与被测区域的平均能量有关，且γ越大，表明对应的平均能量越大。在使用式（15）之前，必须确定其分布的参数。因此需要估计出分布模型的参数。G⁰分布全参数矩估计表达式为：

$\left\{\begin{array}{c}\widehat{\mathrm{\γ}}=-(\widehat{\mathrm{\α}}+1)E\left(x\right)\\ \hat{n}=\frac{{2C}_1-{2C}_2}{{2C}_2-C_1-C_1{C}_2}\\ \widehat{\mathrm{\α}}=\frac{{3C}_2-{4C}_1+1}{{2C}_1-C_2-1}\end{array}\right.---\left(16\right)$

其中，C₁＝E(x²)E²(x),C₂＝E(x³)/[E(x)E(x²)]，E为期望操作。到这里，完成了对图像杂波统计模型的选择，采用G⁰模型。

由此，得到了最大后验概率的具体表达形式，双基地SAR的图像分割求解过程中的最大后验概率计算公式为：

$P\left(x_i\right|y_i)\∝\frac{1}{Z_i}\exp \{-\frac{1}{T}\underset{c\∈{\mathrm{\η}}_i}{\mathrm{\Σ}}{V}_c\left(x_i\right)\}\frac{{{\hat{n}}_{x_i}}^{{\hat{n}}_{x_i}}\mathrm{\Γ}({\hat{n}}_{x_i}-{\widehat{\mathrm{\α}}}_{x_i}){{\widehat{\mathrm{\γ}}}_{x_i}}^{-{\widehat{\mathrm{\α}}}_{x_i}}{x_i}^{{\hat{n}}_{x_i}-1}}{\mathrm{\Γ}(-{\widehat{\mathrm{\α}}}_{x_i})\mathrm{\Γ}\left({\hat{n}}_{x_i}\right){({\widehat{\mathrm{\γ}}}_{x_i}+{\hat{n}}_{x_i}{x}_i)}^{{\hat{n}}_{x_i}-{\widehat{\mathrm{\α}}}_{x_i}}}---\left(17\right)$

利用ICM算法求最大后验概率。ICM算法的目的是从受到噪声污染的观察图像Y中估计出原始图像X，具体步骤如下：

①对图像中每一点的状态初始化，使用均值聚类分割得到初始的分割结果。

②逐个像素计算图像中每一点在取不同状态下的代价(Cost)函数；

③比较不同状态的代价，在可能状态中选取最小代价的状态作为下次重复的状态值；

④重复步骤②、③直到每个像素的状态均不改变。

假设第k次重复像素i可能的状态为

，像素i的观测值为y_i，那么选取的是局部后验概率最大的状态作为下次重复状态值，即

$x_i^{k+1}=\arg \max \{p\left(x_i\right|x_j^k,y_j),j\∈{\mathrm{\η}}_i\}---\left(18\right)$

输入单幅图像之后，经过改进的MRF-MAP的分割算法，每一幅图像都得到其分割后的图像X(u,v)，(u,v)为像素点坐标。

步骤四，融合区域的合并。

分割过程将每一幅图像都分成了三个区域，ROI，非ROI及噪声区域。多角度双基地SAR图像的同一块区域的明暗程度会随着发射机位置的改变而改变，这意味着不同角度下的图像是不一样的，因而图像分割之后每一幅图像的ROI也是不一样的。融合之后只生成一幅图像，因此需要将分割结果进行处理。由于ROI是分割出来的感兴趣部分，需要在最后融合的图像中展示所有ROI中包含的信息，因此，需要保留每一幅图像中的ROI，对于ROI，采用区域合并的方式：

ROI_fusion＝ROI₁∪ROI₂∪…∪ROI_K     （19）

其中，ROI_fusion为融合后图像的ROI区域，ROI_K为第K幅图片的ROI区域。

而对于非ROI区域，虽然在图像中没有那么重要，但是还是包含了一些信息。首先将K幅图像中的非ROI区域进行区域合并的方式进行融合，然后将其中属于ROI的点剔除。由于算法和模型本身的误差，在图像分割时可能将一部分噪声划入了该区域，需要将其剔除。假定在某一像素点在K幅图像中被分割为非ROI区域的次数达到某一数量时，该点才被认为是非ROI区域，具体的实现过程如下：

$\mathrm{un}\_{\mathrm{ROI}}_{\mathrm{fusion}}=\left\{(u,v)\right|X_i(u,v)\∈\mathrm{un}\_\mathrm{ROI},i\∈U,(u,v)\∉{\mathrm{ROI}}_{\mathrm{fusion}},\mathrm{card}\left(U\right)>N\}---\left(20\right)$

其中，un_ROI_fusion为融合后图像的非ROI区域，(u,v)为像素点坐标。将所有(u,v)处分类为非ROI区域的图像定义为集合U，只有U的元素个数（card(U)）大于某一值N（根据融合图像的多少选定）时，并且不属于ROI，该像素点才会被判定为属于非ROI。

最后，噪声区域对于图像是不利的。在选择出了ROI和非ROI之后，将剩下的区域判定为噪声区域，公式如下：

noise_region＝Whole-ROI_fusion-un_ROI_fusion     （21）

其中，Whole为整幅图像区域。在进行完上述几步操作之后，生成了最终融合图像的一个分割，ROI，非ROI及噪声区域。

步骤五，融合操作。

在前面的步骤中，获取了最终融合图像的区域分割形式。基于步骤三中对图像的分割及其表现特性，选择在不同的区域采用不同的融合算子。对于ROI，它是在融合图像中展现信息的主要部分，对于该区域所有的像素点及其变化趋势都要尽可能的保留。对于非ROI，有大量的整体缓变信息包含其中，也要选择恰当的融合算子以保留更多的信息。而噪声区域则需要通过融合算子去抑制。具体表现形式为：

$I_{\mathrm{fusion}}=\left\{\begin{array}{c}{g}_1(I_1(u,v),I_2(u,v),\·\·\·,I_k(u,v)),(u,v)\∈{\mathrm{ROI}}_{\mathrm{fusion}}\\ g_2(I_1(u,v),I_2(u,v),\·\·\·,I_k(u,v)),(u,v)\∈\mathrm{un}\_{\mathrm{ROI}}_{\mathrm{fusion}}\\ g_3(I_1(u,v),I_2(u,v),\·\·\·,I_k(u,v)),(u,v)\∈\mathrm{noise}\_\mathrm{region}\end{array}\right.---\left(22\right)$

其中，g₁、g₂、g₃分别为三种不同的融合算子，可以根据不同的情况选择。通过评价并分析每种算子的优缺点，考虑到选大算子能很好的保留场景中的细节，但同时也会保留噪声，平均算子能很好的保留大目标的轮廓，但对细节会进行模糊处理，最终选定选大算子计算ROI区域，采用平均算子计算非ROI区域，并将噪声区域以算子0消除，具体为

$I_{\mathrm{fusion}}=\left\{\begin{array}{c}\max (I_1(u,v),I_2(u,v),\·\·\·,I_k(u,v)),(u,v)\∈{\mathrm{ROI}}_{\mathrm{fusion}}\\ \mathrm{mean}(I_1(u,v),I_2(u,v),\·\·\·,I_k(u,v)),(u,v)\∈\mathrm{un}\_{\mathrm{ROI}}_{\mathrm{fusion}}\\ 0,(u,v)\∈\mathrm{noise}\_\mathrm{region}\end{array}\right.---\left(23\right)$

其中，I_fusion为最终的融合图像，max为选大算子，mean为平均算子。在进行上述5步之后，就能获得最终的融合图像I_fusion。

在本实例中，一共进行了26次多角度导航卫星成像实验，利用成像算法获取了26幅不同的图像。采用本发明所述的一种多角度导航卫星双基地合成孔径雷达图像融合方法，完成26幅双基地SAR图像的融合，并与普通融合算法进行比较，结果如图3所示。

从图3中可以看出改进后的算法同时保留了传统方法的优点，并克服了自身缺陷。ROI图像上的噪声较少，图像更加明亮，保留了多角度图像中出现的大部分特征，结合了两种传统算法的优势，并通过图像分割的方法克服了经典算法的固有缺点。相比于单角度导航卫星图像的离散点特征，ROI图像融合算法生成了具有很强可解译性的图像，基本能生成场景内的大部分目标，并且能分别目标的大小和形状。因此，本发明认为在多角度导航卫星BiSAR中，图像融合是一种改善对图像解译和目标识别的一种有效途径。

通过图像对比结果可以看出利用这种多角度导航卫星SAR图像融合方法的有效性。利用本方法可以实现多角度导航卫星SAR图像融合。本发明提出的方法不限于多角度导航卫星双基地SAR图像，同样适用于其他各种应用场合的图像融合。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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)

1.一种基于多角度导航卫星双基地合成孔径雷达图像融合方法，其特征在于，包括如下步骤：

步骤1，单幅图像预处理：

步骤1.1对获得的多角度导航卫星双基地合成孔径雷达图像的每一幅图像进行归一化辐射校正：

首先对回波的功率P_reft进行归一化，得到：

$P_{\mathrm{norm}}=\frac{P_{\mathrm{refl}}}{P_{\mathrm{dir}}}=\frac{\mathrm{\σ}{G}_{\mathrm{refl}}}{4\mathrm{\π}{R}^2{G}_{\mathrm{dir}}}$

其中，P_reft为回波的功率，P_dir为直达波的功率，σ为目标反射系数，G_dir、G_reft分别是直达波天线和回波天线增益，R为目标到回波天线的距离；

然后对图像作距离辐射校正：

$I_{\mathrm{norm}}=R^2{P}_{\mathrm{norm}}=\frac{G_{\mathrm{refl}}}{4\mathrm{\π}{G}_{\mathrm{dir}}}\mathrm{\σ}$

其中，I_norm为进行距离辐射校正之后的图像；

步骤1.2，对步骤1.1获得的图像进行量化，以dB图的方式显示并存储：

I＝20log₁₀I_norm

其中，I为预处理后得到的图像；

步骤2，单幅图像区域分类及图像区域自适应分割：

将图像中强点目标及其周围区域定义为感兴趣区域ROI，将植被目标和其他物体存在的区域定义为非ROI，将剩下的区域定义为噪声；

首先采用聚类分割方法得到初始分割结果，然后采用MRF-MAP进行迭代计算出每一个像素的最大后验概率并获得分割结果；其中，MRF模型中的势函数为V_c1，V_c2，V_c3，V_c4中的一种；其中，V_c1，V_c2，V_c3，V_c4中分别代表SAR图像方位向分辨率斜率为-45，45，0，90时的势函数；

$V_{c1}=\left(\begin{array}{ccc}3& 2& 1\\ 2& 3& 2\\ 1& 2& 3\end{array}\right),V_{c2}=\left(\begin{array}{ccc}1& 2& 3\\ 2& 3& 2\\ 2& 2& 1\end{array}\right),V_{c3}=\left(\begin{array}{ccc}2& 2& 2\\ 3& 3& 3\\ 2& 2& 2\end{array}\right),V_{c4}=\left(\begin{array}{ccc}2& 3& 2\\ 2& 3& 2\\ 2& 3& 2\end{array}\right);$

对图像进行自适应分割时，根据图像的方位向分辨率斜率，选择相近斜率的加权势函数V_c计算MAP；

图像杂波统计模型采用G⁰模型；

步骤3，多角度导航卫星双基地合成孔径雷达图像的融合：

对于ROI区域，采用取并集的方式对K幅图像中的ROI区域进行融合，得到融合后图像的ROI区域ROI_fusion；

对于非ROI区域，首先采用取并集的方式对K幅图像中的非ROI区域进行融合，获得区域U，然后将U中属于ROI区域的点剔除，将U中被分类为非ROI区域的次数未达到设定值的点剔除，得到融合后图像的非ROI区域un_ROI_fusio；

剩余区域为噪声区域noise_region；

融合后的图像为

$I_{\mathrm{fusion}}=\left\{\begin{array}{c}\max (I_1(u,v),I_2(u,v),\·\·\·,I_k(u,v)),(u,v)\∈{\mathrm{ROI}}_{\mathrm{fusion}}\\ \mathrm{mean}(I_1(u,v),I_2(u,v),\·\·\·,I_k(u,v)),(u,v)\∈\mathrm{un}\_{\mathrm{ROI}}_{\mathrm{fusion}}\\ 0,(u,v)\∈\mathrm{noise}\_\mathrm{region}\end{array}\right.$

其中，I_fusion为最终的融合图像，max为选大算子，mean为平均算子。

Images