CN110390338B - 一种基于非线性引导滤波与比率梯度的sar高精度匹配方法 - Google Patents

Abstract

本发明提供一种基于非线性引导滤波与比率梯度的SAR高精度匹配方法，分别对SAR参考图像和SAR待匹配图像，基于非线性引导滤波的图像多尺度空间金字塔构建算法，构建多尺度图像空间；对构建多尺度图像空间后的SAR参考图像和SAR待匹配图像，进行基于指数加权均值比率算子与Harris‑Laplace检测算子相结合的特征点检测；基于SIFT描述子的描述符构建；对特征进行K最近邻搜索得到可能的匹配点对，并采用随机抽样一致性算法，剔除错误匹配点，得到全局匹配的变换矩阵。本发明采用基于非线性引导滤波的图像多尺度空间金字塔构建算法，同时将指数加权均值比率算子与Harris‑Laplace检测算子相结合用于检测稳定和准确的不变特征点，从而提高匹配时正确匹配特征点的比例，提高匹配精度。

Description

一种基于非线性引导滤波与比率梯度的SAR高精度匹配方法

技术领域

本发明属于合成孔径雷达图像高精度全局匹配技术领域，具体涉及一种基于非线性引导滤波与比率梯度的SAR高精度匹配方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是现代遥感技术中微波遥感的重要发展。SAR用作主动成像传感器，可提供足够高分辨率的图像，并且能够实现全天时全天候工作的目标。由于这个优点，它被用于许多不同的应用，例如图像分类，三维重建，快速映射，变化检测，图像融合等。

自动SAR图像匹配是有效利用SAR数据的重要步骤。与光学图像匹配类似，SAR图像匹配是从不同视点、在不同时间、利用相同/不同的传感器拍摄的同一场景的两个或更多个图像之间找到对应/同源部分(例如，区域、特征、点、像素等)的过程。SAR图像高精度全局匹配的目的是建立两幅SAR图像中每个像素点对应关系，即把两幅SAR图像的各个像素关联到同一的坐标系统中。其基本途径主要分成两步：第一步是是自动找到一些不变特征点，也可以称为同名点(同一地物点在不同图像中的像素点)；第二步是当匹配了几个关键点时，寻找一种映射模型(图像的变形模型，可能是有参数)，计算空间变换以最小化两个图像之间的相似度量，通过使用几何或使用强度最小化某些成本函数来估计最佳变换，得到基于同名点的参数估计，在参数估计的基础将两幅图像中像素关联起来。

高精度SAR图像匹配的技术难点在于：SAR图像灰度不一致性；相干斑噪声对图像局部不变特征的提取产生负面影响，即引入虚假的不变特征点；SAR图像存在一定的空间仿射变换。

从全局匹配的精度上看，其精度基本上在单个像素到几个像素误差左右。现有的基于特征的匹配算法，例如经典的尺度不变特征变换(Scale Invariant FeatureTransform,SIFT)及其框架模式下的改进算法在光学图像匹配中取得了很好的结果。然而，由于SAR图像固有的斑点噪声和局部变形的影响，当直接用于SAR图像匹配时，这些方法的性能显著降低。因为SIFT算法使用高斯滤波器来构建尺度空间(线性尺度空间)，其缺点是它平滑整个图像，但是不能够有效的抑制SAR图像固有的相干斑噪声，同时模糊了边缘或者边界。

发明内容

本发明要解决的技术问题是：提供一种基于非线性引导滤波与比率梯度的SAR高精度匹配方法，能够提高匹配的精度。

本发明为解决上述技术问题所采取的技术方案为：一种基于非线性引导滤波与比率梯度的SAR高精度匹配方法，其特征在于：它包括以下步骤：

S1、尺度空间的构建：

分别对SAR参考图像和SAR待匹配图像，基于非线性引导滤波的图像多尺度空间金字塔构建算法，构建多尺度图像空间；

S2、特征点检测：

对构建多尺度图像空间后的SAR参考图像和SAR待匹配图像，进行基于指数加权均值比率算子与Harris-Laplace检测算子相结合的特征点检测；

S3、基于SIFT描述子的描述符构建；

S4、对特征进行K最近邻搜索得到可能的匹配点对，并采用随机抽样一致性算法，剔除错误匹配点，得到全局匹配的变换矩阵。

按上述方法，所述的S1中，非线性引导滤波的表达式如下：

式(1)中，p为输入图像，I为引导图像，q为输出图像，i和j为像素点的索引；

假设引导图像I与输入图像p存在线性关系，通过引导图像I来计算卷积核函数W_ij(I)，然后再与输入图像p进行相应的线性计算得到滤波后的输出图像q；卷积核函数W_ij(I)中，w_k为滤波窗口，k为窗口中心点的像素索引，μ_k和

分别为引导图像I在滤波窗口w_k中像素的均值与方差，|w|表示滤波窗口w_k中像素的个数，ε为用来调整方差的参数以确定当前窗口滤波程度，在窗口滑动情况中对含有同一像素索引i的所有窗口求取均值，得到卷积核函数；引导图像I为原始图像经过非线性扩散滤波后得到的图像，将图像I的灰度值在不同尺度上的变化视为某种形式的流动函数的散度，并通过非线性偏微分方程来描述；通过调整传导函数

使得扩散自适应于图像的局部结构，其中

表示图像基于比率的梯度，G_σ表示高斯平滑，使得孤立噪声点处的梯度受到其邻域像素的影响而大大的降低，扩散系数增大，使得扩散能够更快的进行；时间t作为尺度参数，其值越大则滤波后图像的表示形式越简单；α为阈值参数，是控制扩散级别的对比度因子，用于决定保留多少边缘信息，α越大，保留边缘信息越少，空间结构信息越简单，根据图像滤波后噪声方差的幅值大小而改变。

按上述方法，所述的S1中，将SAR参考图像和SAR待匹配图像分别作为输入图像，进行非线性引导滤波，得到各自的输出图像，然后分别进行多尺度滤波，即得到多尺度图像空间；

多尺度滤波的数学定义式为：

式(2)中：p(x,y)表示输入SAR图像在像素点坐标(x,y)处的值；q(x,y；r,ε,t)和q(x,y；nδ_k,ε,t)表示经不同尺度滤波后的图像在像素点坐标(x,y)处的值，即多尺度空间金字塔中的某一层图像，q(x,y；δ_k,ε,t)的滤波尺度为δ_k，q(x,y；nδ_k,ε,t)的滤波尺度为nδ_k；*表示卷积计算；NGF(x,y；δ_k,ε,t)和NGF(x,y；nδ_k,ε,t)表示非线性引导滤波核，由公式(1)求得；n是保证连续尺度空间的常数乘因子。

按上述方法，所述的S2中，先通过指数加权均值比率算子将局部区域的窗口角度划分为0，π/4，π/2和3π/4四种方式，计算沿着四种方式划分的局部窗口中像素的指数加权均值，并求出相对侧的指数加权均值的比率，公式如下：

式(3)中，R_i,β表示像素点(x,y)在相对侧的指数加权均值的比率，其中β为指数权重参数；式(4)中，G_X(x,y,δ_D)和G_Y(x,y,δ_D)分别表示像素点(x,y)在水平和竖直方向的差分，

和

分别表示像素点(x,y)在水平和竖直方向(的相对侧指数加权均值的比率，水平即窗口角度为0的方式，竖直即窗口角度为π/2的方式；

指数加权均值比率算子与Harris-Laplace相结合的特征点检测算子见式(5)：

式(5)中：μ(x,y；δ_I,δ_D)表示指数加权均值比率算子与Harris-Laplace相结合的特征点检测算子，其中δ_I和δ_D分别表示积分尺度和差分尺度；g(δ_I)是尺度为δ_I的高斯函数。

本发明的有益效果为：在尺度空间构建阶段，设计了一种先进的基于非线性引导滤波的多尺度图像空间的建立，充分利用其在去除斑噪和边缘保持方面相对于其他尺度空间的优势，有效地抑制SAR图像固有的相干斑引起的大量虚假特征点，同时保留了边缘或者边界(真实的不变特征点)；其次，在特征点检测阶段，将指数加权均值比率算子与Harris-Laplace检测算子相结合用于检测稳定和准确的不变特征点，这样可以提高检测出的特征点及其描述符的质量，从而提高匹配时正确匹配特征点的比例；最后，特征搜索与匹配阶段，使用K-最邻近算法来加速搜索阶段的初始匹配，然后使用随机抽样一致性算法来剔除错误匹配点并提高内联点比率。

附图说明

图1为本发明一实施例的方法流程图。

图2为本发明一实施例得到的图像多尺度金字塔。

图3为指数加权均值比率算子的四种方向区域划分方式。

图4为指数加权均值比率算子的第i种划分方式的局部窗口计算示意图。

图5为指数加权均值比率算子的效果图。

图6为本发明一实施例特征点检测算子与原始图像对比的效果图。

图7为本发明一实施例全局匹配的效果图。

具体实施方式

下面结合具体实例和附图对本发明做进一步说明。

本发明提供一种基于非线性引导滤波与比率梯度的SAR高精度匹配方法，如图1所示，它包括以下步骤：

S1、尺度空间的构建：

分别对SAR参考图像和SAR待匹配图像，基于非线性引导滤波的图像多尺度空间金字塔构建算法，构建多尺度图像空间，去除相干斑噪声去除大量虚假特征点的同时，保留目标的边缘等结构信息保留真实的不变特征点，增强匹配的可靠性。

非线性引导滤波的表达式如下：

式(1)中，p为输入图像，I为引导图像，q为输出图像，i和j为像素点的索引；

假设引导图像I与输入图像p存在线性关系，通过引导图像I来计算卷积核函数W_ij(I)，然后再与输入图像p进行相应的线性计算得到滤波后的输出图像q；卷积核函数W_ij(I)中，w_k为滤波窗口，k为窗口中心点的像素索引，μ_k和

分别为引导图像I在滤波窗口w_k中像素的均值与方差，|w|表示滤波窗口w_k中像素的个数，ε为用来调整方差的参数以确定当前窗口滤波程度，在窗口滑动情况中对含有同一像素索引i的所有窗口求取均值，得到卷积核函数；引导图像I为原始图像经过非线性扩散滤波后得到的图像，将图像I的灰度值在不同尺度上的变化视为某种形式的流动函数(flow function)的散度(divergence)，并通过非线性偏微分方程来描述；通过调整传导函数

使得扩散自适应于图像的局部结构，其中

表示图像基于比率的梯度，G_σ表示高斯平滑，使得孤立噪声点处的梯度受到其邻域像素的影响而大大的降低，扩散系数增大，使得扩散能够更快的进行，从而更有利于消除噪声；时间t作为尺度参数，其值越大则滤波后图像的表示形式越简单；α为阈值参数，是控制扩散级别的对比度因子(contrast factor)，用于决定保留多少边缘信息，α越大，保留边缘信息越少，空间结构信息越简单，根据图像滤波后噪声方差的幅值大小而改变。本实施例中，窗口半径为5，ε＝0.2²，t＝0.78。

利用改进的非线性引导滤波构建多尺度空间金字塔，具体操作为对进行了相干斑抑制后的SAR图像进行多尺度滤波。

本实施例中，将SAR参考图像和SAR待匹配图像分别作为输入图像，进行非线性引导滤波，得到各自的输出图像，然后分别进行多尺度滤波，即得到多尺度图像空间；

多尺度滤波的数学定义式为：

式(2)中：p(x,y)表示输入SAR图像在像素点坐标(x,y)处的值；q(x,y；r,ε,t)和q(x,y；nr,ε,t)表示经不同尺度滤波后的图像在像素点坐标(x,y)处的值，即多尺度空间金字塔中的某一层图像，q(x,y；r,ε,t)的滤波尺度为r，q(x,y；nr,ε,t)的滤波尺度为nr；*表示卷积计算；NGF(x,y；δ_k,ε,t)和NGF(x,y；nδ_k,ε,t)表示非线性引导滤波核，由公式(1)求得；n是保证连续尺度空间的常数乘因子。本实施例中滤波窗口计算公式为r＝(1+(δ_s-0.8)/0.3)*2，其中δ_s＝(1.25,1.4,1.57,1.76,1.98,2.23)。

基于非线性引导滤波得到多尺度图像金字塔，能够避免线性高斯图像金字塔造成的目标边界模糊。而且，相对线性高斯图像金字塔，改进的非线性扩散模型得到的尺度金字塔可以去除相干斑噪声去除大量虚假特征点的同时，保留目标的边缘等结构信息保留真实的不变特征点，增强匹配的可靠性。采用上述改进的非线性扩散模型构建SAR图像的多尺度金字塔，构建效果见图2，γ＝(5,6,7,8,10,11),ε≡0.2²,t＝0.78，其中，图(a)为原始SAR图像，图(b)～(f)为多尺度滤波后的图像金字塔，从图(b)到图(f)，滤波尺度逐层递进。从图中可以看出，滤波尺度越大，图像均匀区域越模糊，但边缘区域越清晰。

S2、特征点检测：

对构建多尺度图像空间后的SAR参考图像和SAR待匹配图像，进行基于指数加权均值比率算子(Ratio of Exponentially Weighted Average，ROEWA)与Harris-Laplace检测算子相结合的特征点检测，用于检测稳定和准确的不变特征点，同时设计指数加权均值比率算子与梯度位置方向直方图相结合的特征描述符构建算法，用于构造可以提高对局部变形鲁棒性的描述符，这样可以提高检测出的特征点及其描述符的质量，从而提高匹配时正确匹配特征点的比例。

如图3至图5所示，先通过指数加权均值比率算子将局部区域的窗口角度划分为0，π/4，π/2和3π/4四种方式，计算沿着四种方式划分的局部窗口中像素的指数加权均值，并求出相对侧的指数加权均值的比率，公式如下：

式(3)中，R_i,α表示像素点(x,y)在相对侧的指数加权均值的比率，其中β为指数权重参数；式(4)中，G_X(x,y,δ_D)和G_Y(x,y,δ_D)分别表示像素点(x,y)在水平和竖直方向的差分，

和

分别表示像素点(x,y)在水平和竖直方向(的相对侧指数加权均值的比率，水平即窗口角度为0的方式，竖直即窗口角度为π/2的方式。

指数加权均值比率算子与Harris-Laplace相结合的特征点检测算子见式(5)：

式(5)中：μ(x,y；δ_I,δ_D)表示指数加权均值比率算子与Harris-Laplace相结合的特征点检测算子，其中δ_I和δ_D分别表示积分尺度和差分尺度；g(δ_I)是尺度为δ_I的高斯函数。

指数加权均值比率算子与Harris-Laplace相结合的特征点检测算子，去除由相干斑噪声造成大量虚假特征点，从而提高匹配时正确匹配特征点的比例。指数加权均值比率算子与Harris-Laplace相结合的特征点检测算子的效果图如6所示。

S3、基于SIFT描述子的描述符构建；属于常规技术，在此不再复述。

S4、对特征进行K最近邻(K-Nearest Neighbor，KNN)搜索得到可能的匹配点对，并采用随机抽样一致性(Random Sample Consensus，RANSAC)算法，剔除错误匹配点，得到全局匹配的变换矩阵。如图7所示，(a)为特征点匹配图像，(b)为棋盘拼接图像。

本发明设计了基于非线性引导滤波的多尺度空间构建技术；基于指数加权均值比率算子与Harris-Laplace相结合的特征点检测技术。该发明能够提高SAR图像的仿射参数估计与全局匹配精度的可靠性，为基于高分辨率SAR图像融合、变化检测、大面积场景监测提供一种新的途径。

在本发明的尺度空间构建阶段，设计了一种先进的基于非线性引导滤波的多尺度图像空间的建立算法，相对于现有的一些滤波方法例如高斯滤波、双边滤波、引导滤波等，本发明提出的非线性引导滤波的多尺度图像空间的建立算法能够有效的抑制SAR图像固有的相干斑噪声(去除大量虚假特征点)，同时保留了边缘或者边界(真实的不变特征点)。从而能提高特征匹配中的内点(正确匹配的)比例，这样能够提高全局仿射参数的估计精度与可靠性。

在本发明的特征点检测阶段，设计了一种将指数加权均值比率算子与Harris-Laplace检测算子高效结合的特征点检测算子，用于检测稳定和准确的不变特征点，这样可以提高检测出的特征点及其描述符的质量，从而提高匹配时正确匹配特征点的比例。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (3)

1.一种基于非线性引导滤波与比率梯度的SAR高精度匹配方法，其特征在于：它包括以下步骤：

S1、尺度空间的构建：

分别对SAR参考图像和SAR待匹配图像，基于非线性引导滤波的图像多尺度空间金字塔构建算法，构建多尺度图像空间；

S2、特征点检测：

对构建多尺度图像空间后的SAR参考图像和SAR待匹配图像，进行基于指数加权均值比率算子与Harris-Laplace检测算子相结合的特征点检测；

S3、基于SIFT描述子的描述符构建；

S4、对特征进行K最近邻搜索得到可能的匹配点对，并采用随机抽样一致性算法，剔除错误匹配点，得到全局匹配的变换矩阵；

所述的S1中，非线性引导滤波的表达式如下：

式(1)中，p为输入图像，I为引导图像，q为输出图像，i和j为像素点的索引；

假设引导图像I与输入图像p存在线性关系，通过引导图像I来计算卷积核函数W_ij(I)，然后再与输入图像p进行相应的线性计算得到滤波后的输出图像q；卷积核函数W_ij(I)中，w_k为滤波窗口，k为窗口中心点的像素索引，μ_k和

分别为引导图像I在滤波窗口w_k中像素的均值与方差，|w|表示滤波窗口w_k中像素的个数，ε为用来调整方差的参数以确定当前窗口滤波程度，在窗口滑动情况中对含有同一像素索引i的所有窗口求取均值，得到卷积核函数；引导图像I为原始图像经过非线性扩散滤波后得到的图像，将图像I的灰度值在不同尺度上的变化视为某种形式的流动函数的散度，并通过非线性偏微分方程来描述；通过调整传导函数

使得扩散自适应于图像的局部结构，其中▽I_R表示图像基于比率的梯度，G_σ表示高斯平滑，使得孤立噪声点处的梯度受到其邻域像素的影响而大大的降低，扩散系数增大，使得扩散能够更快的进行；时间t作为尺度参数，其值越大则滤波后图像的表示形式越简单；α为阈值参数，是控制扩散级别的对比度因子，用于决定保留多少边缘信息，α越大，保留边缘信息越少，空间结构信息越简单，根据图像滤波后噪声方差的幅值大小而改变。

2.根据权利要求1所述的匹配方法，其特征在于：所述的S1中，将SAR参考图像和SAR待匹配图像分别作为输入图像，进行非线性引导滤波，得到各自的输出图像，然后分别进行多尺度滤波，即得到多尺度图像空间；

多尺度滤波的数学定义式为：

式(2)中：p(x,y)表示输入SAR图像在像素点坐标(x,y)处的值；q(x,y；δ_k,ε,t)和q(x,y；nδ_k,ε,t)表示经不同尺度滤波后的图像在像素点坐标(x,y)处的值，即多尺度空间金字塔中的某一层图像，q(x,y；δ_k,ε,t)的滤波尺度为δ_k，q(x,y；nδ_k,ε,t)的滤波尺度为nδ_k；*表示卷积计算；NGF(x,y；δ_k,ε,t)和NGF(x,y；nδ_k,ε,t)表示非线性引导滤波核，由公式(1)求得；n是保证连续尺度空间的常数乘因子。

3.根据权利要求2所述的匹配方法，其特征在于：所述的S2中，先通过指数加权均值比率算子将局部区域的窗口角度划分为0，π/4，π/2和3π/4四种方式，计算沿着四种方式划分的局部窗口中像素的指数加权均值，并求出相对侧的指数加权均值的比率，公式如下：

式(3)中，R_i,β表示像素点(x,y)在相对侧的指数加权均值的比率，其中β为指数权重参数；式(4)中，G_X(x,y,δ_D)和G_Y(x,y,δ_D)分别表示像素点(x,y)在水平和竖直方向的差分，

和

分别表示像素点(x,y)在水平和竖直方向(的相对侧指数加权均值的比率，水平即窗口角度为0的方式，竖直即窗口角度为π/2的方式；

指数加权均值比率算子与Harris-Laplace相结合的特征点检测算子见式(5)：

式(5)中：μ(x,y；δ_I,δ_D)表示指数加权均值比率算子与Harris-Laplace相结合的特征点检测算子，其中δ_I和δ_D分别表示积分尺度和差分尺度；g(δ_I)是尺度为δ_I的高斯函数。

Images