CN110738693A - 一种地基成像雷达多角度图像配准方法 - Google Patents

一种地基成像雷达多角度图像配准方法 Download PDF

Info

Publication number
CN110738693A
CN110738693A CN201910923885.5A CN201910923885A CN110738693A CN 110738693 A CN110738693 A CN 110738693A CN 201910923885 A CN201910923885 A CN 201910923885A CN 110738693 A CN110738693 A CN 110738693A
Authority
CN
China
Prior art keywords
image
img
point
image img
setp
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.)
Granted
Application number
CN201910923885.5A
Other languages
English (en)
Other versions
CN110738693B (zh
Inventor
田卫明
胡程
赵政
曾涛
龙腾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201910923885.5A priority Critical patent/CN110738693B/zh
Publication of CN110738693A publication Critical patent/CN110738693A/zh
Application granted granted Critical
Publication of CN110738693B publication Critical patent/CN110738693B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
    • G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种地基成像雷达多角度图像配准方法，能够对地基成像雷达多角度图像进行逐点配准，得到像素级的配准结果。包括：获取地基成像雷达系统的雷达图像。取不同角度的两幅雷达图像即主图像Img1和副图像Img2，在主图像Img1和副图像Img2中提取同名点对SetP0和SetS0。针对同名点对SetP0和SetS0周围设定范围的图像，并通过最大化图像的对齐度求解仿射变换模型；基于求解的仿射变换模型对同名点对SetP0和SetS0进行坐标优化，获取最终的同名点对SetP1和SetS1。采用全局非线性变换方法，对副图像Img2进行第一次非线性变换得到副图像的初步变换图像Img2'。对副图像的初步变换图像Img2'与主图像Img1进行逐点配准，最终获得逐点配准图像Img2”，实现主图像Img1和Img2”的像素级配准。

Description

一种地基成像雷达多角度图像配准方法
技术领域
本发明涉及雷达图像处理技术领域，具体涉及一种地基成像雷达多角度图像配准方法。
背景技术
地基合成孔径雷达(GB-SAR)或者地基MIMO成像雷达(GB-MIMO Imaging Radar)均能够获得地基雷达图像。该类雷达图像在地形获取、地表形变监测等方面具有快速、高精度、全天时、全天候的突出优势，是对地观测领域重要的数据来源。
地基雷达图像的覆盖范围有限，单独角度图像仅能获取视线方向的形变信息，同时视角上可能存在叠掩阴影或不同程度的弱散射区域，使得单角度雷达图像获取的信息收到损失。通过获取对同一场景的多角度图像，可以获得更大的图像范围，获取场景的三维形变信息，通过数据融合克服单一图像的低质量区域。因此，作为数据融合中的关键技术，提出多角度地基图像的配准方法具有重要的意义。
地基的多角度雷达图像相比星载图像存在其特殊性。具体体现在：成像范围小，导致图像的特征较为有限单调，难以提取出大量的匹配特征点；地基的观测范围与观测场景的幅宽，双基地之间的基线长度能够进行比拟，观测的图像具备明显的畸变特性和散射变化特性，在全图范围存在着由于视点变换与雷达成像映射所产生的非线性变换，局部对应区域存在明暗变化；同时，地基多角度的图像配准服务于地基三维形变监测与地基双基地干涉测量，考虑到对应的图像幅宽，其配准精度需要达到像素级精度，或者米级的物理精度。
多角度雷达图像配准现有的方法大多针对星载遥感图像，针对地基雷达图像的研究较少。星载遥感图像幅宽大，图像特征多，多采用基于特征的图像配准方法，对于匹配的特征点不进行优化操作。在地基系统上，由于场景单一，范围有限，提取特征有时需要人工介入；此外，通过特征匹配的特征点由于特征点集合本身数量较少，存在的误差需要进行相应的优化操作，直接采用常规方法会导致特征点识别数量少，匹配误差大的问题出现。同时，星载观测斜距长，导致图像的畸变较小，在获取了相应的匹配点后，往往直接采用线性模型的配准方法。地基系统图像畸变大，需要采用非线性的变换方法，同时变换的误差也需要后续逐点配准方法来进一步提高精度。
因此，目前亟需一种能够进行逐点配准的地基成像雷达图像配准方法，以解决目前的星载图像配准技术尚不能适应地基图像小范围、大畸变、高精度的问题。
发明内容
有鉴于此，本发明提供了一种地基成像雷达多角度图像配准方法，能够对地基成像雷达多角度图像进行逐点配准，得到像素级的配准结果，解决了目前的星载图像配准技术尚不能适应地基图像小范围、大畸变、高精度的问题。
为达到上述目的，本发明的技术方案包括：
获取地基成像雷达系统的雷达图像。
取不同角度的两幅雷达图像即主图像Img1和副图像Img2，在主图像Img1和副图像Img2中提取同名点对SetP0和SetS0。
针对同名点对SetP0和SetS0周围设定范围的图像，并通过最大化图像的对齐度求解仿射变换模型；基于求解的仿射变换模型对同名点对SetP0和SetS0进行坐标优化，获取最终的同名点对SetP1和SetS1。
采用全局非线性变换方法，对副图像Img2进行第一次非线性变换得到副图像的初步变换图像Img2'。
对副图像的初步变换图像Img2'与主图像Img1进行逐点配准，逐点配准过程为：计算副图像初步变换图像Img2'和主图像Img1的幅度差和梯度，获得Img2'图像逐点的像素偏移量，对Img2'图像逐点的像素偏移量进行高斯平滑后对Img2'图像进行逐点的插值变换；重复逐点配准过程直至达到设定的迭代终止条件，最终获得逐点配准图像Img2”，实现主图像Img1和Img2”的像素级配准。
进一步地，获取地基成像雷达系统的雷达图像之后，还包括对所获取地基成像雷达系统的雷达图像进行如下处理：用后向投影BP算法，获取直角坐标图像，然后对直角坐标图像进行量化处理。
进一步地，在主图像Img1和副图像Img2中提取同名点对SetP0和SetS0，具体为：
采用SIFT方法提取主图像Img1和副图像Img2的SIFT描述子。
将主图像Img1和副图像Img2的SIFT描述子的欧氏距离进行对比获取主图像Img1和副图像Img2的匹配点，即同名点对SetP0和SetS0。
进一步地，针对同名点对SetP0和SetS0周围设定范围的图像，并通过最大化图像的对齐度求解仿射变换模型；基于求解的仿射变换模型对同名点对SetP0和SetS0进行坐标优化，获取最终的同名点对SetP1和SetS1。
具体为：
仿射变换模型为
Figure BDA0002218356270000031
其中(x,y)为主图像Img1的像素坐标，(a,b,c,d,t1,t2)为仿射变换模型的模型参数，(x1,y1)为对应的副图像Img2的像素坐标。
计算主图像Img1的灰度直方图H1(i)及灰度方差
Figure BDA0002218356270000032
副图像Img2的灰度直方图H2(i)及灰度方差
Figure BDA0002218356270000033
其中i表示灰度值，计算主图像Img1的灰度值i下的对应的副图像Img2像素集合的均值E12(i)和方差
Figure BDA0002218356270000041
Figure BDA0002218356270000042
Figure BDA0002218356270000043
其中I1(x,y)为主图像灰度函数，I2(x,y)为副图像灰度函数；
Figure BDA0002218356270000044
表达的是，在主图像I1(x,y)中，灰度值为i的像素在副图像I2(x,y)的对应像素的求和。
加权计算全体灰度下的平均方差
Figure BDA0002218356270000045
其中p1(n)为对应的H1(i)在直方图中的概率密度，n为直方图划分的数量。
同理得到反向的
则图像的对齐度为
Figure BDA0002218356270000047
通过优化方法求取使得图像的对齐度AM最大的一组仿射变换模型的模型参数(a,b,c,d,t1,t2)；从而得到求解的仿射变换模型。
进一步地，全局非线性变换方法为薄板样条插值TPS模型方法。
进一步地，设定的迭代终止条件为：以初步变换图像Img2'像素点上的总位移矢量与总幅度差值的线性组合，为迭代的参考函数，以最小化迭代的参考函数或者达到设定的最大迭代次数作为迭代的终止条件。
进一步地，计算Img2'和Img1的幅度差和梯度，具体为：
主图像Img1的表达式为M(x,y)，副图像的初步变换图像Img2'的表达式为S(x,y)，(x，y)为图像中像素坐标，则：
Img2'和Img1的幅度差为G*win(M(x,y)-S(x,y))
Img2'和Img1的梯度为
Figure BDA0002218356270000048
win()为设定的滤波窗口，G为平滑所采用的高斯核函数。
有益效果：
本发明所提供的一种地基成像雷达多角度图像配准方法，能够同时通过SIFT方法和光流驱动算法同时利用到图像的同名点信息和纹理信息，通过模型方法克服逐点配准方法在大畸变条件下不适用的问题，其中选取了非线性的弹性变换模型对应雷达图像的非线性畸变，又通过逐点配准方法提高模型法的配准精度。该方法不需要外部的场景地形信息，可实现像素级的配准。上述方法基于部分现有的技术，改善了传统的单一方法在地基多角度图像中的适用性，使得配准的精度有所提高，实现了像素级的配准精度。
附图说明
图1为本发明实施例提供的一种地基成像雷达多角度图像配准方法流程图；
图2为本发明实施例中GBSAR和GBMIMO在两角度获取的场景雷达图像；图2(a)为GB-SAR系统的场景雷达图像，图2(b)为GB-MIMO系统的场景雷达图像；
图3为本发明实施例中图像对匹配点获取结果图；
图4为本发明实施例中对齐度与模型参数关系示意图；
图5为本发明实施例中经过选点优化后，典型匹配点邻域的对应效果图；图5(a)为GB-SAR系统的场景雷达图像中匹配点邻域效果图，图5(b)为GB-MIMO系统的场景雷达图像中匹配点邻域效果图；
图6为本发明实施例中经过TPS变换后的副图像；
图7为本发明实施例中经过逐点变换后的副图像；
图8为本发明实施例中对应参考点所评估的配准精度效果图，图8(a)为主图像Img1中参考点示意图，图8(b)为Img2”中的参考点示意图。
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。
本发明针对地基多角度图像小范围、大畸变、高精度的特点，提出一种基于同名点和图像特征的地基多角度雷达图像配准方法，通过SIFT方法和光流驱动算法同时利用到图像的同名点信息和纹理信息，改善了传统的单一方法在地基多角度图像中的适用性，使得配准的精度有所提高。
如图1所示，本发明提供的地基多角度雷达图像配准方法流程包括：
S1、获取地基成像雷达系统的雷达图像。一般采用后向投影(BP)算法，获取直角坐标图像，然后对图像进行量化处理，使得图像的纹理特征等更加清晰。有助于后续步骤的操作。
S2、取不同角度的两幅雷达图像即主图像Img1和副图像Img2，在主图像Img1和副图像Img2中提取同名点对SetP0和SetS0；
本发明实施例中，可以采用人工方式或者提取SIFT匹配点的方式提取同名点对。
采用人工方法时，可选取：①图像中明显亮/暗的点特征；②图像中不同强度产生的边界点和角点；③局部斑状特征的中心点等。
SIFT方法则会自动匹配SIFT特征点：采用SIFT方法提取主图像Img1和副图像Img2的SIFT描述子；将主图像Img1和副图像Img2的SIFT描述子的欧氏距离进行对比获取主图像Img1和副图像Img2的匹配点，即同名点对SetP0和SetS0。
S3、针对同名点对SetP0和SetS0周围设定范围的图像，并通过最大化图像的对齐度求解仿射变换模型；基于求解的仿射变换模型对同名点对SetP0和SetS0进行坐标优化，获取最终的同名点对SetP1和SetS1。其中设定范围是根据经验设定的范围。
具体为：
仿射变换模型为
Figure BDA0002218356270000071
其中(x,y)为主图像Img1的像素坐标，(a,b,c,d,t1,t2)为仿射变换模型的模型参数，(x1,y1)为对应的副图像Img2的像素坐标；
图像对的相似性指标能够作为求解仿射变换参数的目标函数，从而校正选点的控制点误差。相似性指标主要包括相关系数，对齐度，互信息等。由于地基雷达图像的斑点噪声影响，根据相似性指标的稳定性最终优选对齐度作为配准的测度。
对齐度按照如下方式计算：
计算主图像Img1的灰度直方图H1(i)及灰度方差
Figure BDA0002218356270000072
副图像Img2的灰度直方图H2(i)及灰度方差其中i表示灰度值，计算主图像Img1的灰度值i下的对应的副图像Img2像素集合的均值E12(i)和方差
Figure BDA0002218356270000074
Figure BDA0002218356270000075
Figure BDA0002218356270000076
其中I1(x,y)为主图像灰度函数，I2(x,y)为副图像灰度函数；表达的是，在主图像I1(x,y)中，灰度值为i的像素在副图像I2(x,y)的对应像素的求和；
加权计算全体灰度下的平均方差
Figure BDA0002218356270000078
其中p1(n)为对应的H1(i)在直方图中的概率密度，n为直方图划分的数量；
同理得到反向的
则图像的对齐度为
Figure BDA00022183562700000710
通过优化方法求取使得图像的对齐度AM最大的一组仿射变换模型的模型参数(a,b,c,d,t1,t2)；从而得到求解的仿射变换模型。
应当指出上述的AM函数是非凸函数，虽然存在最大值，但会有局部极值出现。可采用如遗传算法或者一维迭代搜索等算法进行优化，对于不能快速收敛的同名点对，方案中选取不对其进行优化，直接采用原始同名点位置。
S4、采用全局非线性变换方法，对副图像Img2进行第一次非线性变换得到副图像的初步变换图像Img2'。
全局非线性变换方法为薄板样条插值TPS模型方法。
TPS插值是一种典型的全局非线性变换方法，其变换的非线性项为r2lnr2。
其插值形式如下：
Figure BDA0002218356270000081
其中，
Figure BDA0002218356270000082
变换前像素的位置；A2×2和
Figure BDA0002218356270000083
为模型中线性部分的模型系数共6个，
Figure BDA0002218356270000084
为非线性部分的模型系数共2n个，此处的n指代的是上述同名点对的数量，ri为
Figure BDA0002218356270000085
到SetS1第i个点的距离。f(x,y)为变换后点的位置。
因此根据同名点求解出上述的系数即能够实现TPS变换。上述存在2n+6个未知参数，n个同名点对总共提供n×2个方程。额外6个方程组由三个约束条件(x无穷远处，y无穷远处，xy无穷远处偏移量为0)得到。从而解得TPS插值系数。为求解矩阵的病态性，需要删除SetP1和SetS1匹配点对中相邻过近的点，同时对于系数矩阵应进行平衡化处理。
S5、对副图像的初步变换图像Img2'与主图像Img1进行逐点配准，逐点配准过程为：计算副图像初步变换图像Img2'和主图像Img1的幅度差和梯度，获得Img2'图像逐点的像素偏移量，对Img2'图像逐点的像素偏移量进行高斯平滑后对Img2'图像进行逐点的插值变换；重复逐点配准过程直至达到设定的迭代终止条件，最终获得逐点配准图像Img2”，实现主图像Img1和Img2”的像素级配准。
设定的迭代终止条件为：以初步变换图像Img2'像素点上的总位移矢量与总幅度差值的线性组合，为迭代的参考函数，以最小化迭代的参考函数或者达到设定的最大迭代次数作为迭代的终止条件。
本发明实施例中，计算Img2'的幅度差和梯度，具体为：采用邻域平均方法计算Img2'的幅度差和梯度。主图像Img1的表达式为M(x,y)，副图像的初步变换图像Img2'的表达式为S(x,y)，(x，y)为图像中像素坐标，则：
Img2'和Img1的幅度差为G*win(M(x,y)-S(x,y))
Img2'和Img1的梯度为
Figure BDA0002218356270000091
win()为设定的滤波窗口，G为平滑所采用的高斯核函数。
该邻域平均方法的原理为：
首先认为主副图像是同一个图像函数在不同时间的取值，该图像整体的集合保持不变。
{I(x(t),y(t))}＝constant
I1＝I(t1)＝M(x,y)
I2＝I(t2)＝S(x,y)
即认为主图像I1和副图像I2是同一个I在不同时刻的取值。
在t1时，驱动M中的每一个像素，使之在t2成为S。
Figure BDA0002218356270000092
基于原始公式对t求偏导可以近似得到上式，因此定义
Figure BDA0002218356270000093
则u可以被近似为图像上x、y的偏移量，修正上式为
Figure BDA0002218356270000094
Figure BDA0002218356270000101
仅仅表达偏移量U的方向，偏移量的大小上限由修正系数k决定。像素的移动向量的模值由主副图像对应像素的幅度差(M-S)所决定；方向由图像像素邻域差分所近似梯度决定。梯度的计算是需要近似的，因为在该方法假设下I为t的函数，本方法优选的采用主副图像的平均梯度进行
Figure BDA0002218356270000102
的近似，即
Figure BDA0002218356270000103
在地基图像处理中，为了抑制图像的斑点噪声，选择邻域计算而不是逐点计算相应的幅度差和梯度，即完成如下替换
M(x,y)-S(x,y)→G*win(M(x,y)-S(x,y))
Figure BDA0002218356270000104
其中的win()表达滤波窗口，G表达平滑所采用的高斯核函数。
上式可以逐点计算出相应的形变场，由于形变场满足连续性假设，也需被高斯核函数进行平滑。高斯核参数σ越大，平滑越大，邻近区域的非线性程度会下降。采用平滑后的
Figure BDA0002218356270000105
对主图像进行一次精配准，对像素逐点进行平移后重插值，并重复步骤五，进行多次的精配准操作。
需要定义图像像素点上的总位移矢量与总幅度差值的线性组合，为迭代的参考函数，以最小化参考函数和最大迭代次数共同作为上述迭代的终止条件。
本发明提供另外一个实施例，选取GB-SAR系统和GB-MIMO系统对于同一边坡场景的两幅不同角度成像结果，采用本发明所公开的基于同名点和图像特征的地基多角度雷达图像配准方法来完成该图像对的配准。
本方法包括如下步骤：
步骤一，采用后像投影算法，获取直角坐标系下GB-SAR和GB-MIMO的雷达图像，该系统雷达距离分辨率为0.375m，成像幅宽为200-900m，因此像素数量选为2048*2048。然后对图像幅度进行量化：首先统计图像所有像素均值标准差，然后相对均值，以3倍标准差进行幅度限制，减小图像最大值和最小值所影响的动态范围，对剩余的像素幅度以log2进行非线性变换，最终生成8位灰度数据。如图2所示，图2(a)为GB-SAR系统的场景雷达图像，图2(b)为GB-MIMO系统的场景雷达图像。
步骤二，根据相应的多角度地基雷达图像Img1和Img2，通过人工方式或提取SIFT匹配点的方式，获取主副图像的同名点对SetP0和SetS0。其中人工选点主要选取图像中的强散射点，边界点或者斑状特征中心。对于SIFT方法，进行了参数调整，具体参数表如表1所示，最终共选出20个匹配点，如图3所示。
表1SIFT匹配参数
参数 值
尺度空间高斯核函数系数 1.6
尺度空间层数 3
尺度空间极值点阈值 0.1
特征点方向平滑系数 1.5
特征点方向柱状图柱数量 36
特征点方向主方向阈值 0.7
邻域描述子描述范围 12像素
邻域描述子柱状图柱柱数量 8
匹配点欧氏距离比值阈值 0.8
步骤三，以同名点为中心确定相邻128*128像素的图像窗口，采用仿射变换模型，计算对齐度，并通过一维迭代方法最大化对齐度的准则对SetP0和SetS0求解仿射变换的模型参数，图像窗口进行仿射变换后中心位置即为优化后的像素位置SetP1和SetS1。其中的对齐度与模型参数的关系示例如图4所示，匹配点优化后的邻域效果示例如图5所示，图5(a)为GB-SAR系统的场景雷达图像中匹配点邻域效果图，图5(b)为GB-MIMO系统的场景雷达图像中匹配点邻域效果图。
步骤四，将上述20个点坐标，带入TPS模型公式中，主图像坐标带入模型左侧，对应副图像坐标带入右侧。
Figure BDA0002218356270000121
求解模型参数A，B，F。然后将Img2中每一个点坐标带入TPS模型求得Img2'。副图像的变换结果如图6所示。
步骤五，对初步变换的副图像Img2'和主图像Img1的幅度和梯度特征，通过公式计算幅度差和梯度，由此计算图像逐点的像素偏移量。在计算完偏移量后，对偏移量进行高斯平滑，高斯平滑参数取1.5，然后根据上述偏移量对图像进行逐点的插值变换。在每进行一次逐点变换后，计算由偏移能量和图像差异共同计算的目标函数，目标函数不明显下降或者达到最大迭代次数200时结束该配准，得到Img2”，最终实现主图像Img1和Img2”的像素级配准。最终副图像的变换结果如图7所示。同时基于场景中已知对应的参考点，评估相应的配准精度，如图8所示，图8(a)为主图像Img1中参考点示意图，图8(b)为Img2”中的参考点示意图。可见控制点在上述图像坐标分别为(1782,1041)和(1784，1039)，通过像素分辨率换算距离约为0.8m。实现了像素级别的配准，满足米级的物理精度。
通过本实施例的实测数据的处理，可以发现利用本发明可以实现对地基多角度雷达图像的配准处理，并可有效地通过模型方法克服逐点配准方法在大畸变条件下不适用的问题，选取的非线性的弹性变换模型能良好对应雷达图像的非线性畸变，又通过逐点配准方法提高模型法的配准精度。该方法不需要外部的场景地形信息，可实现像素级的配准。
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 (7)

1.一种地基成像雷达多角度图像配准方法，其特征在于，该方法包括：
获取地基成像雷达系统的雷达图像；
取不同角度的两幅雷达图像即主图像Img1和副图像Img2，在主图像Img1和副图像Img2中提取同名点对SetP0和SetS0；
针对同名点对SetP0和SetS0周围设定范围的图像，并通过最大化图像的对齐度求解仿射变换模型；基于求解的所述仿射变换模型对同名点对SetP0和SetS0进行坐标优化，获取最终的同名点对SetP1和SetS1；
采用全局非线性变换方法，对副图像Img2进行第一次非线性变换得到副图像的初步变换图像Img2'；
对所述副图像的初步变换图像Img2'与主图像Img1进行逐点配准，逐点配准过程为：计算所述副图像初步变换图像Img2'和主图像Img1的幅度差和梯度，获得Img2'图像逐点的像素偏移量，对Img2'图像逐点的像素偏移量进行高斯平滑后对Img2'图像进行逐点的插值变换；重复所述逐点配准过程直至达到设定的迭代终止条件，最终获得逐点配准图像Img2”，实现主图像Img1和Img2”的像素级配准。
2.如权利要求1所述的方法，其特征在于，所述获取地基成像雷达系统的雷达图像之后，还包括对所获取地基成像雷达系统的雷达图像进行如下处理：用后向投影BP算法，获取直角坐标图像，然后对所述直角坐标图像进行量化处理。
3.如权利要求1所述的方法，其特征在于，所述在主图像Img1和副图像Img2中提取同名点对SetP0和SetS0，具体为：
采用SIFT方法提取主图像Img1和副图像Img2的SIFT描述子；
将主图像Img1和副图像Img2的SIFT描述子的欧氏距离进行对比获取主图像Img1和副图像Img2的匹配点，即同名点对SetP0和SetS0。
4.如权利要求1所述的方法，其特征在于，所述针对同名点对SetP0和SetS0周围设定范围的图像，并通过最大化图像的对齐度求解仿射变换模型；基于求解的所述仿射变换模型对同名点对SetP0和SetS0进行坐标优化，获取最终的同名点对SetP1和SetS1；
具体为：
所述仿射变换模型为
Figure FDA0002218356260000021
其中(x,y)为主图像Img1的像素坐标，(a,b,c,d,t1,t2)为所述仿射变换模型的模型参数，(x1,y1)为对应的副图像Img2的像素坐标；
计算主图像Img1的灰度直方图H1(i)及灰度方差σ1 2、副图像Img2的灰度直方图H2(i)及灰度方差
Figure FDA0002218356260000022
其中i表示灰度值，计算主图像Img1的灰度值i下的对应的副图像Img2像素集合的均值E12(i)和方差
Figure FDA0002218356260000023
Figure FDA0002218356260000024
Figure FDA0002218356260000025
其中I1(x,y)为主图像灰度函数，I2(x,y)为副图像灰度函数；
Figure FDA0002218356260000026
表达的是，在主图像I1(x,y)中，灰度值为i的像素在副图像I2(x,y)的对应像素的求和；
加权计算全体灰度下的平均方差
Figure FDA0002218356260000027
其中p1(n)为对应的H1(i)在直方图中的概率密度，n为直方图划分的数量；
同理得到反向的
Figure FDA0002218356260000028
则图像的对齐度为
通过优化方法求取使得图像的对齐度AM最大的一组仿射变换模型的模型参数(a,b,c,d,t1,t2)；从而得到求解的仿射变换模型。
5.如权利要求1所述的方法，其特征在于，所述全局非线性变换方法为薄板样条插值TPS模型方法。
6.如权利要求1所述的方法，其特征在于，所述设定的迭代终止条件为：以初步变换图像Img2'像素点上的总位移矢量与总幅度差值的线性组合，为迭代的参考函数，以最小化所述迭代的参考函数或者达到设定的最大迭代次数作为迭代的终止条件。
7.如权利要求6所述的方法，其特征在于，所述计算Img2'和Img1的幅度差和梯度，具体为：
所述主图像Img1的表达式为M(x,y)，所述副图像的初步变换图像Img2'的表达式为S(x,y)，(x，y)为图像中像素坐标，则：
Img2'和Img1的幅度差为G*win(M(x,y)-S(x,y))
Img2'和Img1的梯度为
Figure FDA0002218356260000031
win()为设定的滤波窗口，G为平滑所采用的高斯核函数。
CN201910923885.5A 2019-09-27 2019-09-27 一种地基成像雷达多角度图像配准方法 Active CN110738693B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910923885.5A CN110738693B (zh) 2019-09-27 2019-09-27 一种地基成像雷达多角度图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910923885.5A CN110738693B (zh) 2019-09-27 2019-09-27 一种地基成像雷达多角度图像配准方法

Publications (2)

Publication Number Publication Date
CN110738693A true CN110738693A (zh) 2020-01-31
CN110738693B CN110738693B (zh) 2022-05-20

Family

ID=69269706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910923885.5A Active CN110738693B (zh) 2019-09-27 2019-09-27 一种地基成像雷达多角度图像配准方法

Country Status (1)

Country Link
CN (1) CN110738693B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927155A (zh) * 2021-03-05 2021-06-08 湘潭大学 一种基于超级影像的多角度sar影像滤波方法
CN117152221A (zh) * 2023-10-26 2023-12-01 山东科技大学 一种图像非刚性配准方法、系统、设备和存储介质
CN117409275A (zh) * 2023-12-06 2024-01-16 华能澜沧江水电股份有限公司 一种多角度雷达图像处理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106548462A (zh) * 2016-11-02 2017-03-29 西安电子科技大学 基于薄板样条插值的非线性sar图像几何校正方法
CN108007401A (zh) * 2017-11-20 2018-05-08 贵州省水利水电勘测设计研究院 一种基于船载InSAR平台的河湖库沿岸形变检测装置及方法
CN109584282A (zh) * 2018-11-24 2019-04-05 天津大学 一种基于sift特征与光流模型的非刚性图像配准方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106548462A (zh) * 2016-11-02 2017-03-29 西安电子科技大学 基于薄板样条插值的非线性sar图像几何校正方法
CN108007401A (zh) * 2017-11-20 2018-05-08 贵州省水利水电勘测设计研究院 一种基于船载InSAR平台的河湖库沿岸形变检测装置及方法
CN109584282A (zh) * 2018-11-24 2019-04-05 天津大学 一种基于sift特征与光流模型的非刚性图像配准方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JINGYANG WANG 等: "A Novel PS Points" Association Method Based On Sliding-Type Scattering Center For Bistatic/Multistatic SAR", 《IET INTERNATIONAL RADAR CONFERENCE 2015》 *
王东峰 等: "基于最大化对齐度的多模态图像自动配准", 《电子与信息学报》 *
邓云开 等: "一种多部地基SAR合观测时的图形配准方法", 《信号处理》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927155A (zh) * 2021-03-05 2021-06-08 湘潭大学 一种基于超级影像的多角度sar影像滤波方法
CN112927155B (zh) * 2021-03-05 2022-03-29 湘潭大学 一种基于超级影像的多角度sar影像滤波方法
CN117152221A (zh) * 2023-10-26 2023-12-01 山东科技大学 一种图像非刚性配准方法、系统、设备和存储介质
CN117152221B (zh) * 2023-10-26 2024-01-16 山东科技大学 一种图像非刚性配准方法、系统、设备和存储介质
CN117409275A (zh) * 2023-12-06 2024-01-16 华能澜沧江水电股份有限公司 一种多角度雷达图像处理方法
CN117409275B (zh) * 2023-12-06 2024-04-05 华能澜沧江水电股份有限公司 一种多角度雷达图像处理方法

Also Published As

Publication number Publication date
CN110738693B (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
CN110097093B (zh) 一种异源图像精确匹配方法
CN109409292B (zh) 基于精细化特征优化提取的异源图像匹配方法
CN104484648B (zh) 基于轮廓识别的机器人可变视角障碍物检测方法
CN110738693B (zh) 一种地基成像雷达多角度图像配准方法
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
CN108428220B (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
CN111079556A (zh) 一种多时相无人机视频图像变化区域检测及分类方法
CN109523585B (zh) 一种基于方向相位一致性的多源遥感影像特征匹配方法
CN109579872B (zh) 一种星敏感器仪器星等估计方法
CN110796691B (zh) 一种基于形状上下文和hog特征的异源图像配准方法
CN103679714A (zh) 一种基于梯度互相关的光学和sar图像自动配准方法
CN108830808B (zh) 基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法
CN104318583B (zh) 一种可见光宽带光谱图像配准方法
CN106886794A (zh) 顾及高阶结构特征的异源遥感影像同名点匹配方法
CN112929626B (zh) 一种基于智能手机影像的三维信息提取方法
CN105139375A (zh) 一种结合全球dem与立体视觉的卫星影像云检测方法
CN108230375A (zh) 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法
CN112270698A (zh) 基于最邻近曲面的非刚性几何配准方法
CN112907493A (zh) 无人机蜂群协同侦察下的多源战场图像快速镶嵌融合算法
CN112241964A (zh) 一种用于线结构光非接触测量的光条中心提取方法
CN108917722B (zh) 植被覆盖度计算方法及装置
CN113947724A (zh) 一种基于双目视觉的线路覆冰厚度自动测量方法
CN110969650B (zh) 一种基于中心投影的强度图像与纹理序列间的配准方法
CN110070513B (zh) 遥感影像的辐射校正方法及系统
CN109886988B (zh) 一种微波成像仪定位误差的度量方法、系统、装置及介质

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
GR01 Patent grant
GR01 Patent grant