CN108510531A - 基于pcncc和邻域信息的sar图像配准方法 - Google Patents
基于pcncc和邻域信息的sar图像配准方法 Download PDFInfo
- Publication number
- CN108510531A CN108510531A CN201810254652.6A CN201810254652A CN108510531A CN 108510531 A CN108510531 A CN 108510531A CN 201810254652 A CN201810254652 A CN 201810254652A CN 108510531 A CN108510531 A CN 108510531A
- Authority
- CN
- China
- Prior art keywords
- point
- image
- registration
- value
- sar
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Abstract
本发明公开了一种基于相位一致性互相关PCNCC和邻域信息的合成孔径雷达SAR图像配准方法,主要解决了传统SIFT方法应用于合成孔径雷达SAR图像配准失效或精度较低的问题,本发明的步骤是:(1)读取数据;(2)提取SAR‑Harris特征;(3)用最近邻方法筛选出初始匹配点对集;(4)用相位一致性互相关方法筛选特征点对;(5)获得几何形变参数;(6)将待配准图像进行几何变换。本发明与现有技术相比,增强了对噪声的鲁棒性,提升了对错误匹配点对的删除能力,保留大量的正确匹配点对,解决了合成孔径雷达SAR图像的配准失效问题,提高了合成孔径雷达SAR图像的配准精度。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及雷达图像处理技术领域中的一 种基于相位一致性互相关PCNCC(Phase Consistency Normalize Cross Correlation) 和邻域信息的合成孔径雷达SAR(Synthetic Aperture Radar)图像配准的方法。本 发明可用于不同传感器和不同时相的合成孔径雷达SAR图像配准。
背景技术
图像配准是对取自不同时间或不同传感器的同一景物的两幅或多幅图像进 行匹配、叠加的过程。图像配准的主要目的是消除或减少基准图像和待校正图像 之间由于成像条件不同所引起的几何形变,从而获得具有几何一致性(最佳空间 位置匹配)的两幅图像。
西安电子科技大学在其申请的专利文献“基于相位一致性和SIFT的SAR图 像配准方法”(申请号:201410143117.5,公开号:103914847A)中提出了一种 对来自不同传感器、不同时相的合成孔径雷达SAR进行配准的方法。该方法通 过对图像进行高斯滤波生成差分高斯尺度空间,然后在尺度空间上寻找极值点, 并对极值点进行筛选找出稳定特征点,接着提取稳定特征点周围邻域局部特性, 生成尺度不变特征转换SIFT(Scale InvariantFeature Transform)特征描述子,之 后求解高斯差分尺度空间图像像素点的相位一致性信息,滤去相位一致性值小于 0.01的特征点,最后利用双向匹配和匹配点之间距离比相近原则删除错误匹配点 对。该方法存在的不足之处在于,对于存在大量乘性斑点噪声的合成孔径雷达 SAR图像,在生成尺度不变特征转换SIFT描述子时无法得到稳定的特征点描述子。所以,该方法提取到的特征点不够稳定,在后续的点匹配过程中容易发生错 误匹配。在进一步使用相位一致性方法滤除一部分特征点之后得到的稳定特征点 数更少。因此,该方法不能为合成孔径雷达SAR图像配准提供大量且准确的特 征匹配点对,导致配准失效或配准精度较低。
Dellinger在其发表的论文“SAR-SIFT:A SIFT-like Algorithm for SARImages” (《IEEE Transactions on Geoscience&Remote Sensing》,2015,53(1):453-466)中提出了一种对来自不同传感器、不同时相的合成孔径雷达SAR进行配准的方 法。该方法首先构建SAR-Harris尺度空间,然后在尺度空间上寻找极值点,并 对极值点进行筛选找出稳定特征点,接着提取稳定特征点周围邻域局部特性,生 成基于合成孔径雷达的尺度不变特征转换SAR-SIFT(Scale Invariant Feature Transform)特征描述子,最后利用最近邻法删除错误匹配点对。该方法存在的不 足之处在于,对于灰度变化较大的合成孔径雷达SAR图像,生成的基于合成孔 径雷达的尺度不变特征转换SAR-SIFT特征描述子稳定性较差,在利用最近邻法 进行特征点匹配的时候容易发生错误匹配。因此,该方法不能为合成孔径雷达 SAR图像配准提供准确的特征匹配点对,导致配准精度较低。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于PCNCC和邻域 信息的合成孔径雷达SAR图像配准的方法,该方法可以删除由于乘性斑点噪声 引起的错误匹配点对,保留大量正确的匹配点对,解决了现有技术中进行合成孔 径雷达SAR图像配准时效果不好的问题。
实现本发明上述目的的思路是,利用基于合成孔径雷达的尺度不变特征转换SAR-SIFT(Synthetic Aperture Radar-Scale Invariant Feature Transform)算子提取参考图像和待配准图像的特征,提取到的特征对图像噪声有良好的鲁棒性,然后 使用最近邻方法对基于合成孔径雷达的尺度不变特征转换SAR-SIFT特征点进行 初匹配,得到初始匹配点集,在匹配点对周围构建邻域块,采用相位一致性互相 关PCNCC方法,删除错误匹配点对,并且保留正确的匹配点对,采用最小二乘 法,计算参考图像和待配准图像之间的仿射矩阵,得到待配准图像的几何形变参 数,将待配准图像进行几何变换,得到配准结果。
实现本发明的具体步骤如下:
(1)读取数据:
输入两幅合成孔径雷达SAR图像,将输入的两幅合成孔径雷达SAR图像 中的一幅图像作为参考图像,另一幅图像作为待配准图像;
(2)提取SAR-Harris特征:
(2a)利用SAR-Harris尺度空间公式,在SAR-Harris尺度空间中,分 别生成SAR-Harris尺度空间参考图像和SAR-Harris尺度空间待配准图像;
(2b)利用极值点检测法,分别提取SAR-Harris尺度空间参考图像和 SAR-Harris尺度空间待配准图像的特征点;
(2c)利用描述符构建法,分别生成SAR-Harris尺度空间参考图像和 SAR-Harris尺度空间待配准图像的特征点描述符;
(3)利用最近邻方法,筛选出初始匹配点对集;
(4)利用相位一致性互相关方法筛选特征点对:
(4a)从初始匹配点对集中,任意选取一个特征点对,分别以所选特征 点对中的两个点为中心点取大小为50×50的邻域块;
(4b)利用相位一致性公式,计算SAR-Harris尺度空间图像所有像素 的相位一致性值;
(4c)利用相位一致性互相关公式,计算图像邻域块的相位一致性互相 关值;
(4d)将图像邻域块的相位一致性互相关值小于0.6的匹配点对删除, 达到删除错误匹配点对的目的;
(5)获得几何形变参数;
采用最小二乘法,计算参考图像和待配准图像之间的仿射矩阵,得到待配准 图像的几何形变参数;
(6)将待配准图像进行几何变换;
利用得到的几何形变参数,将待配准图像进行几何变换,得到配准结果。
本发明与现有技术相比具有以下优点:
第一,由于本发明在SAR-Harris尺度空间中提取特征点,生成特征点描述 符,克服了现有技术生成的特征点描述符对噪声不够鲁棒的不足,使得本发明增 强了对噪声的鲁棒性,提高了合成孔径雷达SAR图像配准精度。
第二,由于本发明采用相位一致性互相关PCNCC方法,删除错误的匹配点 对,克服了现有技术在筛选匹配点对的过程中无法删除错误匹配点对的不足,使 得本发明提高了对错误匹配点的滤除能力,提高了合成孔径雷达SAR图像配准 精度。
附图说明
图1是本发明的流程图;
图2是本发明仿真实验1的仿真图;
图3是本发明仿真实验2的仿真图。
具体实施方式
下面结合附图对本发明做进一步描述。
参照图1,对本发明的实施步骤做进一步描述。
步骤1,读取数据。
输入两幅合成孔径雷达SAR图像,将输入的两幅合成孔径雷达SAR图像中 的一幅图像作为参考图像,另一幅图像作为待配准图像。
步骤2,提取SAR-Harris特征。
利用SAR-Harris尺度空间公式,在SAR-Harris尺度空间中,分别生成 SAR-Harris尺度空间参考图像和SAR-Harris尺度空间待配准图像。
所述的SAR-Harris尺度空间公式如下:
R=det(D)-0.04●tr(D)
其中,R表示一幅图像的SAR-Harris尺度空间,det表示矩阵的行列式操作, D表示一幅图像的SAR-Harris矩阵,●表示相乘操作,tr表示对矩阵的主对角线 元素求和操作。
利用极值点检测法,分别提取SAR-Harris尺度空间参考图像和SAR-Harris 尺度空间待配准图像的特征点。
所述极值点检测法的具体步骤如下:
第1步,从SAR-Harris尺度空间图像中选取一个像素点,以所选取的像素 点为中心点,取一个3×3的邻域,得到8个邻域点。
第2步,重复第1步,依次从SAR-Harris尺度空间图像中选取像素点,直 到得到所有像素点相邻的8个邻域点。
第3步,比较SAR-Harris尺度空间图像中每个像素点与其相邻的8个邻域 点像素值的大小。
第4步,将中心点的像素值大于其周围8个邻域点的像素值的点作为特征点。
利用描述符构建法,分别生成SAR-Harris尺度空间参考图像和SAR-Harris 尺度空间待配准图像的特征点描述符。
所述描述符构建法的具体步骤如下:
第1步,在参考图像中选取一个特征点。
第2步,将所选特征点作为中心点,在其周围取一个16×16的邻域。
第3步,利用下式,计算所选特征点16×16邻域内每个像素点的梯度幅值。
其中,Hi表示所选特征点16×16邻域内第i个像素点的梯度幅值,表示 开平方操作,Gx和Gy分别表示所选特征点16×16邻域内第i个像素点的水平梯度 值和垂直梯度值。
第4步,利用下式,计算所选特征点16×16邻域内每个像素点的梯度方向的 角度值。
其中,Li表示所选特征点16×16邻域内第i个像素点的梯度方向角度值, arctan表示反正切操作,Gx和Gy分别表示所选特征点16×16邻域内第i个像素点 的水平梯度值和垂直梯度值。
第5步,用所选特征点16×16邻域内所有像素点的梯度方向角度值,构造梯 度方向直方图。
第6步,选取梯度方向直方图的最大值作为所选特征点的主方向角度值。
第7步,用主方向角度值更新所选特征点梯度方向的角度值。
第8步,将0°~360°梯度方向角度区间,划分为0°~44°、45°~89°、90°~134°、135°~179°、180°~224°、225°~269°、270°~314°、315°~359°八个角度子区间。
第9步,将所选特征点的16×16邻域窗口平均划分成16个4×4的子窗口。
第10步,依据每个子窗口中的每个像素点的梯度方向角度值大小,将其划 分到八个角度子区间内。
第11步,将每个子窗口内每个子区间中所有像素的幅值相加,得到八个窗 口像素幅值,将其存放在一个128维的列矢量中。
第12步,将这个128维的列矢量作为所选特征点的特征描述符。
第13步,重复执行第1步至第12步,依次选取特征点,直到得到参考图像 中所有特征点的特征描述符。
第14步,在待配准图像中选取一个特征点。
第15步,执行第2步至第12步操作一次,得到待配准图像中所选特征点的 特征描述符。
第16步,重复执行14步至15步,依次选取特征点,直到得到待配准图像 中所有特征点的特征描述符。
步骤3,利用最近邻方法,筛选出初始匹配点对集。
所述最近邻方法的具体步骤如下:
第1步,将参考图像和待配准图像中所有特征点分别存放在参考图特征点集 合U和待配准图像特征点集合V中。
第2步,在参考图像特征点集合U中选取一个特征点a。
第3步,计算所选特征点a与待配准图像特征点集合V中所有特征点的欧式 距离值。
第4步,将所选特征点a与待配准图像特征点集合V中所有特征点的欧式距 离值按从大到小排序。
第5步,选取欧式距离最大值δ对应的待配准图像特征点b和欧式距离次最 大值β对应的待配准图像特征点c。
第6步,若δ<0.8β,将待配准图像特征点b作为与参考图像特征点a的匹 配点。
第7步,重复执行第2步到第6步,在参考图中依次选取特征点,直到得到 所有的匹配点对。
第8步,将所有匹配点对合并成一个匹配点对集。
步骤4,利用相位一致性互相关方法筛选特征点对。
从初始匹配点对集中,任意选取一个特征点对,分别以所选特征点对中的两 个点为中心点取大小为50×50的邻域块,分别记这两个邻域块为图像邻域块B和 图像邻域块C。
利用相位一致性公式,计算SAR-Harris尺度空间图像所有像素的相位一致 性值。
所述的相位一致性公式如下:
其中,P表示SAR-Harris尺度空间图像像素的相位一致性值,∑表示求 和操作,n表示加伯Gabor滤波器尺度的标号,W表示频率扩展的权重系数,取 值为0~1之间,表示向下取整操作,An表示加伯Gabor滤波器在第n个尺度 下的幅值,Δφn表示加伯Gabor滤波器在第n个尺度下的相位偏移值,T表示加 伯Gabor滤波器的噪声能量值,取值为0.1。
利用相位一致性互相关公式,计算图像邻域块的相位一致性互相关值。
所述的相位一致性互相关公式如下:
其中,NCC表示图像邻域块的相位一致性互相关值,∑表示求和操作,m 和q表示图像块B和C中m行q列像素点的位置标号,PBmq表示图像块B中m 行q列像素的相位一致性值,表示开平方操作,PB表示图像块B中所有像素 相位一致性值的平均值,PCmq表示图像块C中m行q列像素的相位一致性值, PC是图像块C中所有像素相位一致性值的平均值。
将图像邻域块的相位一致性互相关值小于0.6的匹配点对删除,达到删除错 误匹配点对的目的。
步骤5,获得几何形变参数。
采用最小二乘法,计算参考图像和待配准图像之间的仿射矩阵,得到待配准 图像的几何形变参数。
步骤6,将待配准图像进行几何变换。
利用得到的几何形变参数,将待配准图像进行几何变换,得到配准结果。
下面结合仿真实验对本发明的效果做进一步说明。
1.仿真条件:
本发明的仿真实验平台采用Intel(R)Core(TM)CPU i5-6300 3.20GHz,内存 为8GB,运行Windows 7的PC机,编程语言为Matlab2016b。
2.仿真内容与结果分析:
图2为本发明仿真实验1的仿真图。其中,图2(a)、2(b)分别为利用传感器Radarset-2,在2008年6月和2009年6月获取的不同视角的黄河部分区域成像 数据,两幅图像为多时相图像,图像大小均为400×400个像素。图2(a)为本发明 用于合成孔径雷达SAR图像配准的参考图,图2(b)为本发明用于合成孔径雷达 SAR图像配准的待配准图。图2(c)为利用本发明的方法对图2(a)和图2(b)所示 的图像进行配准,得到的配准结果重叠图。从图2(c)可以看出,本发明得到的待 配准结果图像与参考图像的相同部分准确的重叠到一起,没有出现模糊,证明本 发明实现了多时相合成孔径雷达SAR图像的精确配准。
本发明的仿真实验,利用相位一致性互相关方法,筛选得到57对特征匹配 点对。
为了评价合成孔径雷达SAR图像配准的精确度,通过下述的均方根误差计 算公式,对57对匹配点对进行加权平均,计算得到均方根误差值RMSE(Root Mean SquareError)。
所述均方根误差计算公式如下:
其中,RMSE表示均方根误差值,表示开平方操作,S表示匹配点对个 数,∑表示求和操作,xj和yj分别表示标号为j的匹配点对中其中一点的横坐 标值和纵坐标值,uj和vj分别表示标号为j的匹配点对中另一个点的横坐标值和 纵坐标值。
通过上述均方根误差计算公式,计算得到57对匹配点对之间的均方根误差 值为0.3935。尺度不变特征转换SIFT方法得到35对匹配点对,匹配点对之间的 均方根误差值为0.5764。将本发明与现有技术尺度不变特征转换SIFT方法分别 得到的匹配点对数个数和均方根误差值RMSE填入表1得到本发明与现有技术 尺度不变特征转换SIFT方法的对比实验结果一览表。
从表1可以看出,相比于现有技术尺度不变特征转换SIFT方法,本发明得 到更多匹配点对,匹配点对之间的均方根误差值明显降低,通过客观数据再次证 明本发明能够完成多时相合成孔径雷达SAR图像配准,提高了多时相合成孔径 雷达SAR图像的配准精度。
表1本发明与SIFT方法比较实验结果一览表
SIFT方法 | 本发明 | |
匹配点对个数 | 35 | 57 |
均方根误差值RMSE | 0.5764 | 0.3935 |
图3为本发明仿真实验2的仿真图。其中,图3(a)为传感器ALOSPLASA 在1995年8月8日获取的位于加拿大不列颠哥伦比亚省的坎贝尔河部分区域的 成像数据,图3(b)为传感器Land sat ETM+在1999年6月26日获取的同一地区 的成像数据,两幅图像为多源图像,大小均为800×800个像素。其中,图3(a) 为本发明用于合成孔径雷达SAR图像配准的参考图,图3(b)为本发明用于合成 孔径雷达SAR图像配准的待配准图。图3(c)为利用本发明的方法对图3(a)和图 3(b)所示的图像进行配准,得到的配准结果重叠图。从图3(c)可以看出,参考图 和待配准图相同纹理区域和相同边缘区域准确的重叠在一起,没有出现模糊,证 明本发明对多源合成孔径雷达SAR图像实现了精确配准。
本发明的仿真实验中利用相位一致性互相关方法,筛选得到181对特征匹配 点对。
通过上述的均方根误差计算公式,对181对匹配点对进行加权平均,计算得 到均方根误差值为0.6293。尺度不变特征转换SIFT方法得到26对匹配点对,匹 配点对之间的均方根误差值为0.6450。将本发明与现有技术尺度不变特征转换 SIFT方法分别得到的匹配点对数个数和均方根误差值RMSE填入表2得到本发 明与现有技术尺度不变特征转换SIFT方法的对比实验结果一览表。
从表2可以看出,相比于现有技术尺度不变特征转换SIFT方法,本发明得 到更多的匹配点对,匹配点对之间的均方根误差值降低,用客观数据再次证明本 发明能够完成多源合成孔径雷达SAR图像配准,并且提高了多源合成孔径雷达 SAR图像的配准精度。
表2本发明与SIFT方法比较实验结果一览表
传统SIFT方法 | 本发明 | |
匹配点对个数 | 26 | 181 |
均方误差值RMSE | 0.6450 | 0.6293 |
综上所述,本发明对多时相合成孔径雷达SAR图像和多源合成孔径雷达 SAR图像分别进行了仿真实验。相比于现有技术尺度不变特征转换SIFT方法, 本发明都得到了更多的匹配点对和更低的匹配点对均方根误差值。因此,两个仿 真实验均表明,本发明采用基于相位一致性互相关PCNCC和邻域信息进行合成 孔径雷达SAR图像配准,有效删除了尺度不变特征转换SIFT特征中由斑点噪声 引起的错误匹配点对,保留了大量正确匹配点对,解决了传统尺度不变特征转换 SIFT应用于合成孔径雷达SAR图像配准精度较低的问题。
Claims (7)
1.一种基于相位一致性互相关PCNCC和邻域信息的合成孔径雷达SAR图像配准方法,其特征在于,在SAR-Harris尺度空间中提取特征点,生成特征点描述符,采用相位一致性互相关PCNCC方法,删除错误的匹配点对;该方法的具体步骤包括如下:
(1)读取数据:
输入两幅合成孔径雷达SAR图像,将输入的两幅合成孔径雷达SAR图像中的一幅图像作为参考图像,另一幅图像作为待配准图像;
(2)提取SAR-Harris特征:
(2a)利用SAR-Harris尺度空间公式,在SAR-Harris尺度空间中,分别生成SAR-Harris尺度空间参考图像和SAR-Harris尺度空间待配准图像;
(2b)利用极值点检测法,分别提取SAR-Harris尺度空间参考图像和SAR-Harris尺度空间待配准图像的特征点;
(2c)利用描述符构建法,分别生成SAR-Harris尺度空间参考图像和SAR-Harris尺度空间待配准图像的特征点描述符;
(3)利用最近邻方法,筛选出初始匹配点对集;
(4)利用相位一致性互相关方法筛选特征点对:
(4a)从初始匹配点对集中,任意选取一个特征点对,分别以所选特征点对中的两个点为中心点取大小为50×50的邻域块;
(4b)利用相位一致性公式,计算SAR-Harris尺度空间图像所有像素的相位一致性值;
(4c)利用相位一致性互相关公式,计算图像邻域块的相位一致性互相关值;
(4d)将图像邻域块的相位一致性互相关值小于0.6的匹配点对删除,达到删除错误匹配点对的目的;
(5)获得几何形变参数;
采用最小二乘法,计算参考图像和待配准图像之间的仿射矩阵,得到待配准图像的几何形变参数;
(6)将待配准图像进行几何变换;
利用得到的几何形变参数,将待配准图像进行几何变换,得到配准结果。
2.根据权利要求1所述的基于相位一致性互相关PCNCC和邻域信息的合成孔径雷达SAR图像配准方法,其特征在于,步骤(2a)中所述的SAR-Harris尺度空间公式如下:
R=det(D)-0.04·tr(D)
其中,R表示一幅图像的SAR-Harris尺度空间,det表示矩阵的行列式操作,D表示一幅图像的SAR-Harris矩阵,·表示相乘操作,tr表示对矩阵的主对角线元素求和操作。
3.根据权利要求1所述的基于相位一致性互相关PCNCC和邻域信息的合成孔径雷达SAR图像配准方法,其特征在于,步骤(2b)中所述极值点检测法的具体步骤如下:
第一步,从SAR-Harris尺度空间图像中选取一个像素点,以所选取的像素点为中心点,取一个3×3的邻域,得到8个邻域点;
第二步,重复第一步,依次从SAR-Harris尺度空间图像中选取像素点,直到得到所有像素点相邻的8个邻域点;
第三步,比较SAR-Harris尺度空间图像中每个像素点与其相邻的8个邻域点像素值的大小;
第四步,将中心点的像素值大于其周围8个邻域点的像素值的点作为特征点。
4.根据权利要求1所述的基于相位一致性互相关PCNCC和邻域信息的合成孔径雷达SAR图像配准方法,其特征在于,步骤(2c)中所述描述符构建法的具体步骤如下:
第一步,在参考图像中选取一个特征点;
第二步,将所选特征点作为中心点,在其周围取一个16×16的邻域;
第三步,利用下式,计算所选特征点16×16邻域内每个像素点的梯度幅值;
其中,Hi表示所选特征点16×16邻域内第i个像素点的梯度幅值,表示开平方操作,Gx和Gy分别表示所选特征点16×16邻域内第i个像素点的水平梯度值和垂直梯度值;
第四步,利用下式,计算所选特征点16×16邻域内每个像素点的梯度方向的角度值;
其中,Li表示所选特征点16×16邻域内第i个像素点的梯度方向角度值,arctan表示反正切操作,Gx和Gy分别表示所选特征点16×16邻域内第i个像素点的水平梯度值和垂直梯度值;
第五步,用所选特征点16×16邻域内所有像素点的梯度方向角度值,构造梯度方向直方图;
第六步,选取梯度方向直方图的最大值作为所选特征点的主方向角度值:
第七步,用主方向角度值更新所选特征点梯度方向的角度值;
第八步,将0°~360°梯度方向角度区间,划分为0°~44°、45°~89°、90°~134°、135°~179°、180°~224°、225°~269°、270°~314°、315°~359°八个角度子区间;
第九步,将所选特征点的16×16邻域窗口平均划分成16个4×4的子窗口;
第十步,依据每个子窗口中的每个像素点的梯度方向角度值大小,将其划分到八个角度子区间内;
第十一步,将每个子窗口内每个子区间中所有像素的幅值相加,得到八个窗口像素幅值,将其存放在一个128维的列矢量中;
第十二步,将这个128维的列矢量作为所选特征点的特征描述符;
第十三步,重复执行第一步至第十二步,依次选取特征点,直到得到参考图像中所有特征点的特征描述符;
第十四步,在待配准图像中选取一个特征点;
第十五步,执行第二步至第十二步操作一次,得到待配准图像中所选特征点的特征描述符;
第十六步,重复十四步和十五步,依次选取特征点,直到得到待配准图像中所有特征点的特征描述符。
5.根据权利要求1所述的基于相位一致性互相关PCNCC和邻域信息的合成孔径雷达SAR图像配准方法,其特征在于,步骤(3)中所述最近邻方法的具体步骤如下:
第一步,将参考图像和待配准图像中所有特征点分别存放在参考图特征点集合U和待配准图像特征点集合V中;
第二步,在参考图像特征点集合U中选取一个特征点a;
第三步,计算所选特征点a与待配准图像特征点集合V中所有特征点的欧式距离值;
第四步,将所选特征点a与待配准图像特征点集合V中所有特征点的欧式距离值按从大到小排序;
第五步,选取欧式距离最大值δ对应的待配准图像特征点b和欧式距离次最大值β对应的待配准图像特征点c;
第六步,若δ<0.8β,将待配准图像特征点b作为与参考图像特征点a的匹配点;
第七步,重复执行第二步到第六步,在参考图中依次选取特征点,直到得到所有的匹配点对;
第八步,将所有匹配点对合并成一个匹配点对集。
6.根据权利要求1所述的基于相位一致性互相关PCNCC和邻域信息的合成孔径雷达SAR图像配准方法,其特征在于,步骤(4b)中所述的相位一致性公式如下:
其中,P表示SAR-Harris尺度空间图像像素的相位一致性值,∑表示求和操作,n表示加伯Gabor滤波器尺度的标号,W表示频率扩展的权重系数,取值为0~1之间,表示向下取整操作,An表示加伯Gabor滤波器在第n个尺度下的幅值,Δφn表示加伯Gabor滤波器在第n个尺度下的相位偏移值,T表示加伯Gabor滤波器的噪声能量值,取值为0.1。
7.根据权利要求1所述的基于相位一致性互相关PCNCC和邻域信息的合成孔径雷达SAR图像配准方法,其特征在于,步骤(4c)中所述的相位一致性互相关公式如下:
其中,NCC表示图像邻域块的相位一致性互相关值,∑表示求和操作,m和q表示图像块B和C中m行q列像素点的位置标号,PBmq表示图像块B中m行q列像素的相位一致性值,表示开平方操作,PB表示图像块B中所有像素相位一致性值的平均值,PCmq表示图像块C中m行q列像素的相位一致性值,PC是图像块C中所有像素相位一致性值的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810254652.6A CN108510531A (zh) | 2018-03-26 | 2018-03-26 | 基于pcncc和邻域信息的sar图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810254652.6A CN108510531A (zh) | 2018-03-26 | 2018-03-26 | 基于pcncc和邻域信息的sar图像配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108510531A true CN108510531A (zh) | 2018-09-07 |
Family
ID=63378537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810254652.6A Pending CN108510531A (zh) | 2018-03-26 | 2018-03-26 | 基于pcncc和邻域信息的sar图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108510531A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126484A (zh) * | 2019-12-24 | 2020-05-08 | 西安电子科技大学 | 基于nfsc的宽基线图像匹配特征筛选方法 |
CN112155511A (zh) * | 2020-09-30 | 2021-01-01 | 广东唯仁医疗科技有限公司 | 一种基于深度学习补偿oct采集过程中人眼抖动的方法 |
CN112712510A (zh) * | 2020-12-31 | 2021-04-27 | 中国电子科技集团公司第十四研究所 | 一种基于梯度和相位一致性的异源图像匹配方法 |
CN117670958A (zh) * | 2024-01-31 | 2024-03-08 | 中国人民解放军国防科技大学 | 针对小孔径序列sar图像的配准方法、装置和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6795590B1 (en) * | 2000-09-22 | 2004-09-21 | Hrl Laboratories, Llc | SAR and FLIR image registration method |
CN103020945A (zh) * | 2011-09-21 | 2013-04-03 | 中国科学院电子学研究所 | 一种多源传感器的遥感图像配准方法 |
CN103914847A (zh) * | 2014-04-10 | 2014-07-09 | 西安电子科技大学 | 基于相位一致性和sift的sar图像配准方法 |
CN105631872A (zh) * | 2015-12-28 | 2016-06-01 | 西安电子科技大学 | 基于多特征点的遥感图像配准方法 |
-
2018
- 2018-03-26 CN CN201810254652.6A patent/CN108510531A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6795590B1 (en) * | 2000-09-22 | 2004-09-21 | Hrl Laboratories, Llc | SAR and FLIR image registration method |
CN103020945A (zh) * | 2011-09-21 | 2013-04-03 | 中国科学院电子学研究所 | 一种多源传感器的遥感图像配准方法 |
CN103914847A (zh) * | 2014-04-10 | 2014-07-09 | 西安电子科技大学 | 基于相位一致性和sift的sar图像配准方法 |
CN105631872A (zh) * | 2015-12-28 | 2016-06-01 | 西安电子科技大学 | 基于多特征点的遥感图像配准方法 |
Non-Patent Citations (5)
Title |
---|
YUANXIN YE,LIAN XIONG,JIE SHAN: "AUTOMATED MULTI-SOURCE REMOTE SENSING IMAGE REGISTRATION BASED ON PHASE CONGRUENCY", 《ISPRS-INTERNATIONAL ARCHIVES OF THE PHOTOGRAMMETRY,REMOTE SENSING AND SPATIAL INFORMATION SCIENCES》 * |
丁明: "基于相位一致性图像配准下的SWT图像融合", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
凌志刚,梁彦,程咏梅,潘泉: "一种稳健的多源遥感图像特征配准方法", 《电子学报》 * |
曹俊: "基于特征的多源遥感图像配准研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
那彦,焦李成: "《基于多分辨分析理论的图像融合方法》", 31 May 2007 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126484A (zh) * | 2019-12-24 | 2020-05-08 | 西安电子科技大学 | 基于nfsc的宽基线图像匹配特征筛选方法 |
CN111126484B (zh) * | 2019-12-24 | 2022-04-19 | 西安电子科技大学 | 基于nfsc的宽基线图像匹配特征筛选方法 |
CN112155511A (zh) * | 2020-09-30 | 2021-01-01 | 广东唯仁医疗科技有限公司 | 一种基于深度学习补偿oct采集过程中人眼抖动的方法 |
CN112712510A (zh) * | 2020-12-31 | 2021-04-27 | 中国电子科技集团公司第十四研究所 | 一种基于梯度和相位一致性的异源图像匹配方法 |
CN117670958A (zh) * | 2024-01-31 | 2024-03-08 | 中国人民解放军国防科技大学 | 针对小孔径序列sar图像的配准方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108346162B (zh) | 基于结构信息和空间约束的遥感图像配准方法 | |
CN103914847B (zh) | 基于相位一致性和sift的sar图像配准方法 | |
US11244197B2 (en) | Fast and robust multimodal remote sensing image matching method and system | |
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
CN104008538B (zh) | 基于单张图像超分辨率方法 | |
CN108510531A (zh) | 基于pcncc和邻域信息的sar图像配准方法 | |
CN103077505B (zh) | 基于字典学习和结构聚类的图像超分辨率重建方法 | |
CN103077511B (zh) | 基于字典学习和结构相似的图像超分辨率重建方法 | |
CN104599258B (zh) | 一种基于各向异性特征描述符的图像拼接方法 | |
CN109949349B (zh) | 一种多模态三维图像的配准及融合显示方法 | |
CN102136144B (zh) | 图像配准可靠性模型和超分辨率图像的重构方法 | |
CN105825200A (zh) | 基于背景字典学习和结构稀疏表示的高光谱异常目标检测方法 | |
CN112686935B (zh) | 基于特征融合的机载测深雷达与多光谱卫星影像配准方法 | |
CN108961286B (zh) | 一种顾及建筑物三维及边缘形状特征的无人机影像分割方法 | |
CN105046672A (zh) | 一种图像超分辨率重建方法 | |
CN110728706B (zh) | 基于深度学习的sar图像精细配准方法 | |
CN104036468B (zh) | 基于预放大非负邻域嵌入的单帧图像超分辨重建方法 | |
CN102629374A (zh) | 基于子空间投影和邻域嵌入的图像超分辨率重建方法 | |
CN103218811A (zh) | 一种基于统计分布的卫星多光谱图像波段配准方法 | |
CN107123094A (zh) | 一种混合泊松、高斯和脉冲噪声的视频去噪方法 | |
CN113643365B (zh) | 一种相机位姿估计方法、装置、设备以及可读存储介质 | |
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 | |
CN109376641A (zh) | 一种基于无人机航拍视频的运动车辆检测方法 | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 | |
CN105631872A (zh) | 基于多特征点的遥感图像配准方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180907 |