CN105488798A - 基于点集对比的sar图像相似性度量方法 - Google Patents

Abstract

本发明公开了一种基于点集对比的SAR图像相似性度量方法，对待匹配的基准SAR图像和对比SAR图像先对两者进行二维散射中心提取得到基准散射点集和对比散射点集；再根据散射点在二维空间里的分布将基准点集和对比点集划分为若干个聚拢的点群；将两个点集的坐标映射到同一个二维匹配空间，根据点集中各点群之间的距离，确定基准点集和对比点集之间的跨图点群配对；将每个跨图点群配对的距离相似度和灰度相似度进行合并得到跨图点群配对的最终相似度；综合所有跨图点群配对的相似度作为SAR图像之间的相似度。本发明方法解决了现有相似度判断方法所得到的图像相似度不准确的问题，实现步骤简单，稳定性强，需要的计算量和内存消耗很小。

Description

基于点集对比的SAR图像相似性度量方法

技术领域

本发明属于SAR图像自动解译和SAR图像配准领域，涉及一种基于点集对比的SAR图像相似性度量方法。

背景技术

SAR图像相似性度量旨在将SAR图像之间的相似程度量化，以达到图像筛选和评估的作用，主要应用于SAR图像自动解译和图像配准等方面。研究可靠性高、高效且符合视觉感知的相似性度量标准，是提高图像筛选精度及效率的有效途径。

现有技术中直接使用SAR图像的所有像素信息计算相似性度量，时效性差且可信度低。SAR图像的强散射点代表了目标精细物理结构，将其作为点集相似性度量的对象，能够有效降低相似度函数的不确定性、提高时效性，因此更具有现实意义。而一般的点集匹配方法未将灰度差考虑在内，其结果往往与人的视觉感知不符。

目前，点集相似性度量主要包括统计相似度、拓扑相似度、几何相似度等。1982年发表在IEEETransOnPatternAnalysisandMachineIntelligence上的文献“DotPatternProcessingUsingVoronoiNeighborhoods”提出了一种基于Voronoi图的方法，利用点集生成Voronoi多边形的几何特征来刻画点集，并通过这些特征来获得匹配关系进而计算相似度。但该算法虽然易于实现但鲁棒性不好。

2000年清华大学张立华的博士学位论文对点模式匹配进行了专门的研究，给出了比较普遍的匹配定义，但并未构建点集匹配问题的理论框架，相似性度量问题也未能系统讨论，该方法具体应用背景较为局限。

虽然国内外在SAR图像中相似性度量方面已经取得很多成果，但依然存在一些问题需要继续改进和完善。对点集进行匹配的同时，还需要考虑对出格点的容错能力，提高鲁棒性。SAR图像之间的差异体现在距离和灰度差两个方面，相似性度量标准应综合两者的影响。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提出一种基于点集对比的SAR图像相似性度量方法，利用该方法进行SAR图像匹配，达到简化操作步骤、提高可靠性和效率且符合视觉感知的效果。

技术方案：为实现上述目的，本发明的基于点集对比的SAR图像相似性度量算法，包括以下步骤：

1)准备待匹配的基准SAR图像和对比SAR图像，并进行图像预处理，包括去除条纹干扰、消除相干斑噪声、亮度和对比度调整等；

2)采用强散射点提取算法，对预处理后的基准SAR图像和对比SAR图像进行二维散射中心提取，得到基准散射点集和对比散射点集；

3)根据散射点在二维空间里的分布，采用聚类算法将基准点集和对比点集划分为若干个聚拢的点群。此处点群是点集的一个部分，一个点集包含若干个点群；

4)将两个点集的坐标映射到同一个二维匹配空间，进行重心对齐等处理，根据基准点集中各点群和对比点集中各点群之间的距离，确定基准点集和对比点集之间的跨图点群配对。建立配对关系的基准点群和对比点群在二维匹配空间里位置接近或重合；

5)计算每个跨图点群配对的距离相似度和灰度相似度，并采用乘法合取规则得到各个跨图点群配对的最终的相似度；

6)综合所有跨图点群配对的相似度，计算得到基准点集和对比点集(基准SAR图像和对比SAR图像)之间的相似度。

本发明的步骤5)中，形成跨图配对的基准点群的散射点数为M，对比点群的散射点数为N，M和N的相对大小会影响后续的距离相似度和灰度相似度定义。此处以M>N为前提，跨图配对点群的距离相似度定义为：

$r_d(P_A^l,P_B^l)=\exp (-\frac{1}{M}\underset{m=1}{\overset{M}{\Σ}}\sqrt{{(x_A^{lm}-x_B^{lm})}^2+{(y_A^{lm}-y_B^{lm})}^2})$

其中，r_d是距离相似度，是参与配对的第l个基准点群，是参与配对的第l个对比点群。是中第m个散射点的坐标，是点群中与距离最近的散射点的坐标。

跨图配对点群的灰度相似度定义为：

$r_g(P_A^l,P_B^l)=\exp (-\frac{1}{M}\underset{m=1}{\overset{M}{\Σ}}\frac{{(h_A^{lm}-h_B^{lm})}^2}{{\mathrm{\σ}}_g^2})$

其中，r_g是灰度相似度，是中第m个散射点的灰度值，是点群中与距离最近的散射点灰度值，为点群灰度分布集中度。

跨图配对点群的最终的相似度定义为：

$r(P_A^l,P_B^l)=r_d(P_A^l.P_B^l)*r_g(P_A^l,P_B^l)$

其中，表示第l对跨图配对点群之间的相似度。

本发明的步骤6)中，基准点集和对比点集(基准SAR图像和对比SAR图像)之间的相似度定义为：

$r(P_A,P_B)=\frac{1}{(I+J)/2}\underset{l=1}{\overset{L}{\Σ}}r(P_A^l,P_B^l)$

其中，r(P_A,P_B)表示基准点集P_A和对比点集P_B之间的相似度，I和J分别表示点集P_A和点集P_B所包含的点群数目，而L表示P_A和P_B之间形成的跨图点群配对数目。

有益效果：本发明主要操作对象为点集，并不对SAR图像的尺寸作要求，具有较好的通用性；计算时间和内存需求依赖于点群数目，算法实现的复杂度较低，计算量不大，需要的内存消耗也很小；本发明方法相似度判断采用点群距离相似度和灰度相似度的乘积，综合考虑了两者在视觉上对相似度判断的影响，能反映相似性度量在人眼视觉感知中的普遍规律，具有很好的可信度。

附图说明

图1是本发明提出的基于点集对比的SAR图像相似性度量方法的流程图；

图2是SAR图像的原始图像和预处理后的图像对比图；图2(a)是原始SAR图像；图2(b)是经过预处理以后的SAR图像；

图3是从SAR图像中提取得到的基准点集图；

图4是不同遮挡因子的对比点集图；图4(a)是遮挡因子s＝0.144时的对比点集图；图4(b)是遮挡因子s＝0.293时的对比点集图；图4(c)是遮挡因子s＝0.394时的对比点集图；

图5是不同变形强度的对比集点图；图5(a)是变形强度t＝2.578时的对比点集图；图5(b)是变形强度t＝3.231时的对比点集图；图5(c)是变形强度t＝3.751时的对比点集图。

具体实施方式

下面将参照附图对本发明进行说明。

如图1所示，本发明的基于点集对比的SAR图像相似性度量方法首先对待匹配的基准SAR图像I_A和对比SAR图像I_B分别进行图像预处理。采用强散射点提取算法得到两幅SAR图像的散射中心点集P_A和P_B，然后采用聚类算法将基准点集P_A和对比点集P_B均划分为若干个聚拢的点群。并将P_A和P_B的坐标映射到同一个二维匹配空间，并将二者进行重心对齐和尺寸统一处理，根据P_A中各点群和P_B中各点群之间的距离，确定P_A和P_B之间的跨图点群配对。计算每个点群配对的距离相似度和灰度相似度，并采用乘法合取规则得到各个点群配对的最终相似度。综合所有点群配对的相似度，得到点集P_A和P_B以及SAR图像I_A和I_B之间的相似度。具体如下：

步骤1)：准备用于对比的两幅SAR图像I_A和I_B，I_A称之为基准SAR图像，I_B称之为对比SAR图像。对两幅图像进行预处理，主要包括去除条纹干扰、消除相干斑噪声、亮度和对比度调整等步骤，目的在于提高后续处理的效果。图像中的条纹干扰会对后续的强散射点提取产生明显影响，如图2(a)所示，而消除相干斑后的SAR图像如图2(b)所示。

步骤2)：对基准SAR图像I_A和对比SAR图像I_B进行强散射点提取，得到基准点集P_A和对比点集P_B，点集示意图如图3所示。经过强散射点提取后，图像的像素矩阵由原来的满阵变为了稀疏矩阵，可以仅记录下强散射点位置和灰度信息即可。图3中每个圆圈表示一个强散射点，圆圈的中心代表强散射点的坐标，圆圈的大小代表强散射点的灰度。强散射点提取可以采用非参数化算法或者参数化算法，非参数化算法如CLEAN算法，参数化算法如MUSIC和ESPRIT算法，本发明不做限制。

步骤3)：强散点集来自于SAR图像，其中的点会聚拢成团，每个点群代表一个强散射区，如图3所示。这是由于SAR成像算法和强散点提取误差等方面的原因，导致一个强散射区分裂成若干个点。采用聚类算法将P_A和P_B均划分为若干个聚拢的点群，P_A中点群的数量记为I，P_B中点群的数量记为J。聚类算法有很多种，本发明不做限制。进行聚类处理后，基准点集P_A和对比点集P_B可以表示为：

$\begin{array}{c}{P}_A=\left\{P_A^i\right|i=1,2,\mathrm{...},I\}\\ P_B=\left\{P_B^j\right|j=1,2,\mathrm{...},J\}\end{array}---\left(1\right)$

其中，表示第i个基准点群，表示第j个对比点群。

步骤4)：将P_A和P_B的坐标映射到同一个二维匹配空间，由于对比SAR图像可能相对于基准SAR图像存在一定量的旋转和平移，所以需要将二者进行重心对齐。然后调整两个点集的尺寸以及各点的坐标，使两个点集在二维匹配空间中实现重合，在此基础上两个点集中的点群可进行欧式距离度量。

定义某个基准点群和某个对比点群之间的距离和灰度差。首先，为中的每一个点找到中相距最近的那个点，建立关联，此处的关联是指将基准点群和对比点群中距离最近的两个散射点联系起来。由于两个点群的点数很可能不相等，则以数量大的为准，所以会出现一个点关联多个点的情况。此处将中点数定义为M，中点数定义为N。如果M>N，则将建立关联的点对序列表示为：

$\begin{array}{cc}\{q_A^{im},m=1,2,\mathrm{...},M\},& q_A^{im}=\{x_A^{im},y_A^{im},h_A^{im}\}\\ \{q_B^{jm},m=1,2,\mathrm{...},M\},& q_B^{jm}=\{x_B^{jm},y_B^{jm},h_B^{jm}\}\end{array}---\left(2\right)$

上式中，表示点群中的强散点，表示点群中距离最近的强散点。表示点的坐标和幅值，表示点的坐标和幅值。由于此处以M>N为前提，所以中会有某些散射点重复出现。

基准点群和对比点群之间的距离定义为：

$d(P_A^i,P_B^j)=\frac{1}{M}\underset{m=1}{\overset{M}{\Σ}}\sqrt{{(x_A^{im}-x_B^{jm})}^2+{(y_A^{im}-y_B^{jm})}^2}---\left(3\right)$

基准点群和对比点群之间的灰度差定义为：

$g(P_A^i,P_B^j)=\frac{1}{M}\underset{m=1}{\overset{M}{\Σ}}\frac{{(h_A^{im}-h_B^{jm})}^4}{{\mathrm{\σ}}_g^2}---\left(4\right)$

其中，为灰度分布集中度，与人眼的灰度分辨能力有关。

根据P_A中各点群和P_B中各点群之间的距离，确定P_A和P_B之间的跨图点群配对，形成配对的两个点群将来自于同一个散射结构，只是出现在两幅SAR图像里。首先设定一个距离阈值th，对于而言，满足如下条件的可能成为其跨图配对点群：

$d(P_A^i,P_B^j)<th---\left(5\right)$

如果满足该条件的不止一个，则距离最小的会成为的跨图配对点群。如果满足该条件的一个都没有，则沦为一个孤点群。

如果形成的点群配对有L个，则这些点群可以从P_A和P_B中分离出来，并表示为：

$\begin{array}{c}{P}_A^L=\left\{P_A^l\right|l=1,2,\mathrm{...},L\}\\ P_B^L=\left\{P_B^l\right|l=1,2,\mathrm{...},L\}\end{array}---\left(6\right)$

其中，表示参与配对的基准点群集合，它是P_A的子集；表示参与配对的对比点群集合，它是P_B的子集。表示第l个基准配对点群，表示第l个对比配对点群，二者建立配对关系。

步骤5)：计算每个点群配对的距离相似度和灰度相似度，并采用乘法合取规则得到各个点群配对的最终相似度。

本发明对点群配对的距离相似度定义如下：

$r_d(P_A^l,P_B^l)=\exp (-d(P_A^l,P_B^l\left)\right)=\exp (-\frac{1}{M}\underset{m=1}{\overset{M}{\&Sigma;}}\sqrt{{(x_A^{lm}-x_B^{lm})}^2+{(y_A^{lm}-y_B^{lm})}^2})---\left(7\right)$

上式中，关联点的距离会降低点群距离相似度的值，位置完全重合的两个点群的距离相似度为1。

本发明对点群配对的灰度相似度定义如下：

$r_g(P_A^l,P_B^l)=\exp (-g(P_A^l,P_B^l\left)\right)=\exp (-\frac{1}{M}\underset{m=1}{\overset{M}{\&Sigma;}}\frac{{(h_A^{lm}-h_B^{lm})}^2}{{\mathrm{\&sigma;}}_g^2})---\left(8\right)$

上式中，关联点的灰度差会降低点群灰度相似度的值，位置和灰度完全重合的两个点群的灰度相似度为1。

最后将距离相似度和灰度相似度相乘，得到点群配对的最终的相似度：

$r(P_A^l,P_B^l)=r_d(P_A^l,P_B^l)*r_g(P_A^l,P_B^l)=\exp (-(d\left(P_A^l,P_B^l\right)+g\left(P_A^l,P_B^l\right)\left)\right)---\left(9\right)$

上式中，关联点位置和灰度完全重合的两个点群的相似度为1。

步骤6)：综合所有点群配对的相似度，同时考虑孤立点群的数量，得到点集P_A和P_B以及SAR图像I_A和I_B之间的相似度为：

$r(P_A,P_B)=\frac{1}{(I+J)/2}\underset{l=1}{\overset{L}{\&Sigma;}}r(P_A^l,P_B^l)---\left(10\right)$

孤立点群的距离相似度和灰度相似度均为0，对SAR图像的相似度没有贡献。如果孤立点群太多，必然降低配对点群的数量L，则最终降低P_A和P_B之间的相似度。

如果每个点群配对的相似度为1，而且基准点集和对比点集中都不存在孤立点群，则点集相似度为1。

为了证明本发明提出的基于点集对比的SAR图像相似性度量算法，此处给出两个应用举例。两个算例中，均以图3中点集为基准点集，并以基准点集为基础，进行不断加剧的遮挡或者变形，得到三个对比点集。然后计算基准点集和各个对比点集的相似度，查看相似度能否反映不同对比点集与基准点集的视觉差异。

实施例1：本例中与基准点集进行相似度计算的对比图，是模拟基准点集被部分遮挡后的结果，如图4(a)、(b)和(c)所示。三个对比点集的遮挡程度s不断加剧，相关参数为遮挡比例，如表1第二列所示。本发明定义的基准点集与对比点集之间的相似度如表1第三列所示。

表1不同遮挡程度的对比点集图与基准点集图的相似性度量

实施例2：本例中与基准点集进行相似度计算的对比图，是模拟基准点集被部分变形后的结果，如图5(a)、(b)和(c)所示。三个对比点集的变形程度t不断加剧，相关参数为变形强度，如表2第二列所示。本发明定义的基准点集与对比点集之间的相似度如表2第三列所示。

表2不同变形程度的对比点集图与基准点集图的相似性度量

从上面两个实施例的结果中发现，本发明提出的点集相似性度量方法可以很合理地鉴别点集的遮挡和变形等变化，相似度系数很符合人眼的视觉效果。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (5)

1.一种基于点集对比的SAR图像相似性度量方法，其特征在于，该方法包括以下步骤：

1)对待匹配的基准SAR图像I_A和对比SAR图像I_B进行图像预处理，得到预处理后的基准SAR图像和对比SAR图像，所述图像预处理包括去除条纹干扰、消除相干斑噪声、亮度和对比度调整；

2)采用强散射点提取算法，分别对所述预处理后的基准SAR图像和对比SAR图像进行二维散射中心提取，得到基准散射点集P_A和对比散射点集P_B；

3)根据散射点集在二维空间里的分布，采用聚类算法将所述基准散射点集P_A划分为若干个聚拢的基准点群，将所述对比散射点集P_B划分为若干个聚拢的对比点群，所述点群是点集的一部分，一个点集包含若干个点群；

4)将两个点集的坐标映射到同一个二维匹配空间，进行重心对齐、尺寸变换处理，然后根据基准点集中各点群和对比点集中各点群之间的距离确定基准点集和对比点集之间的跨图点群配对，建立配对关系的基准点群和对比点群在二维匹配空间里位置接近或重合；

5)计算每个所述跨图点群配对的距离相似度r_d和灰度相似度r_g，并采用乘法合取规则得到各个跨图点群配对的最终相似度；

6)综合所述各个跨图点群配对的最终相似度，计算得到所述基准点集P_A和对比点集P_B之间的相似度。

2.根据权利要求1所述的基于点集对比的SAR图像相似性度量方法，其特征在于，步骤5)中所述跨图点群配对的距离相似度r_d的计算公式为：

$r_d(P_A^l,P_B^l)=\exp (-\frac{1}{M}\underset{m=1}{\overset{M}{\&Sigma;}}\sqrt{{(x_A^{lm}-x_B^{lm})}^2+{(y_A^{lm}-y_B^{lm})}^2})$

式中，是参与配对的第l个基准点群，是参与配对的第l个对比点群，是中第m个散射点的坐标，是点群中与距离最近的散射点的坐标，M为形成跨图配对的基准点群的散射点数。

3.根据权利要求2所述的基于点集对比的SAR图像相似性度量方法，其特征在于，所述跨图配对点群的灰度相似度r_g的计算公式为：

$r_g(P_A^l,P_B^l)=\exp (-\frac{1}{M}\underset{m=1}{\overset{M}{\&Sigma;}}\frac{{(h_A^{lm}-h_B^{lm})}^2}{{\mathrm{\&sigma;}}_g^2})$

式中，r_g是灰度相似度，是中第m个散射点的灰度值，是点群中与距离最近的散射点的灰度值，为点群灰度分布集中度。

4.根据权利要求3所述的基于点集对比的SAR图像相似性度量方法，其特征在于，所述跨图配对点群的最终相似度的计算公式为：

$r(P_A^l,P_B^l)=r_d(P_A^l,P_B^l)*r_g(P_A^l,P_B^l)$

式中，表示第l对跨图配对点群之间的最终相似度。

5.根据权利要求4所述的基于点集对比的SAR图像相似性度量方法，其特征在于，所述基准点集和对比点集的相似度计算公式为：

$r(P_A,P_B)=\frac{1}{(I+J)/2}\underset{l=1}{\overset{L}{\&Sigma;}}r(P_A^l,P_B^l)$

式中，r(P_A,P_B)表示基准点集P_A和对比点集P_B之间的相似度，I和J分别表示点集P_A和点集P_B所包含的点群数目，L表示P_A和P_B之间形成的跨图点群配对数目。