CN111062972B - 基于图像频率域转换的图像跟踪方法 - Google Patents
基于图像频率域转换的图像跟踪方法 Download PDFInfo
- Publication number
- CN111062972B CN111062972B CN201911354788.5A CN201911354788A CN111062972B CN 111062972 B CN111062972 B CN 111062972B CN 201911354788 A CN201911354788 A CN 201911354788A CN 111062972 B CN111062972 B CN 111062972B
- Authority
- CN
- China
- Prior art keywords
- image
- matching
- window
- sar
- scale
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000010187 selection method Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims description 9
- 238000004804 winding Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012876 topography Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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)
- Multimedia (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于图像频率域转换的图像跟踪方法,该方法首先对输入的SAR图像数据进行预处理;基于传统的精致Lee滤波器基础上,引入基于等效视数的窗口大小自适应选择方法,形成一种自适应窗口大小的滤波算法;再,建立一种基于二维sinc函数模型的SAR影像密集点样特征提取算法;发展一种多层多窗口的匹配策略,根据不同层匹配输出的误差测度自适应确定可靠的匹配窗口大小;发展一种基于多尺度相位一致性特征的亚像素相位相关算法,构造多尺度相位一致性结构影像并在频域空间估计影像间的相位差。本发明经过具体实施例验证,本发明提供的追踪方法能够有效进行目标特征图像的跟踪,提高了准确性和鲁棒性。
Description
技术领域
本发明涉及一种图像跟踪方法,具体涉及一种基于图像频率域转换的图像跟踪方法。
背景技术
图像跟踪作为计算机视觉和图像处理领域的一项重要应用,目前在视频监督、人机交互等方面运用不断发展。自上世纪人们发现目标追踪的巨大实验价值和计算机技术的强烈需求以来,各个国家陆续开始对目标追踪技术进行深入研究。经过多年研究,主流算法大概可分为以下几类:(1)基于检测的方法:直接从整张图像出发,寻找目标物与背景之间的差异,利用这种差异分别在两张图像上直接分辨目标和背景。(2)基于识别的方法:此类方法也被称为基于匹配的方法,它不同于检测的方法,它不要求描述背景与目标的差异,而是描述目标本身的特性,这种特性可能不会直接表示,也可能经由一定的转换后表示出来;根据匹配的原理不同,该方法可分为区域匹配、模型匹配、频率域匹配和特征匹配,由于不用考虑背景的问题,此类方法准确度更高,运算速度也更快这使得目前主流的跟踪算法大部分都是基于匹配进行运算。
有科技公司在2017年提出了基于频域的高斯核函数图像追踪算法。它对包含目标的当前一帧图像进行目标输入,确定目标窗口,将追踪窗口通过Hann窗口进行预处理;采集追踪窗口的某一特征,采用密集采样的方法进行样本采集,同时通过每一个样本的位置信息对样本进行贴标签,将采集的样本采用循环矩阵进行处理;采用高斯核函数作为追踪函数的核心,利用循环矩阵在频域中计算高斯核函数;通过频域计算密集采样样本和新的一帧图像的追踪窗口最大相应值,确定新的一帧图像中目标窗口的中心位置,选取同样大小的目标窗口重复以上过程,完成图像追踪。该追踪方法精度高速度快,能够广泛应用于图像追踪领域。
但是,现有技术中对图像中不可避免的噪声问题多半采用各类滤波窗口进行滤波。人们既希望尽可能的抑制噪声又希望保留大多数的细节信息,滤波窗口的大小对于去噪和细节的保留有着重要的影响,但是很难确定一个合适的窗口大小。其次,对于图像中大量存在的弱纹理区域可能导致图像匹配的误匹配,所以如何通过特征提取来缩减所需匹配的特征点和尽量保证匹配窗口不只含有弱纹理区域也是一个关键性问题。最后,影像匹配的精度是决定基于影像的目标追踪效果的关键因素,而影像匹配的准确性和成功率容易受到传感器噪声和场景噪声的影响。
即,如何提高影像匹配算法的稳定性、鲁棒性和准确性,是本发明要解决的关键问题。
发明内容
为解决上述问题,本发明的目的是提供一种基于图像频率域转换的图像跟踪方法。
为达到上述目的,本发明采取的具体技术方案为:
一种基于图像频率域转换的图像跟踪方法,包括以下步骤:
(1)首先对输入的SAR图像数据进行预处理;
(2)为消除散斑噪声的影像,基于传统的精致Lee滤波器基础上,引入基于等效视数(ENL)的窗口大小自适应选择方法,形成一种自适应窗口大小的滤波算法,以增强后续算法的准确性;
(3)再,建立一种基于二维sinc函数模型的SAR影像密集点样特征提取算法,用于抑制匹配窗口内弱纹理像素对特征提取鲁棒性的影响;
(4)发展一种多层多窗口的匹配策略,根据不同层匹配输出的误差测度自适应确定可靠的匹配窗口大小,避免匹配窗口区域只包含弱纹理特征的情况;发展一种基于多尺度相位一致性特征的亚像素相位相关算法,构造多尺度相位一致性结构影像并在频域空间估计影像间的相位差,保证SAR强度影像匹配的精度和稳定性。
进一步的,所述步骤(1)为:首先对输入的SAR图像数据进行预处理,包括地形校正、影像对初始配准等,由于SAR图像作为斜距成像图像,地面地形会对图像造成地面畸形,故先采取地形校正:采用距离-多普勒校正方法,利用外部塔库冰川地区DEM数据模拟一幅参考SAR影像,再将原图像进行配准,通过此方法消除图像的几何变形;之后利用尺度不变特征法(SIFT),提取特征点,通过特征选择来对图像进行重采样来进行图像配准。
进一步的,所述步骤(2)具体为:相干斑噪声自适应滤波
首先,引入基于等效视数(ENL)的窗口大小自适应选择方法,其计算公式如下:
对于单视SAR强度影像来说,Cv指的是影像的理论变差系数(CoV)且等于1;而Cy为给定滤波窗口的局部CoV;自适应窗口大小的优化选择拟采用从预定义的最大窗口到最小窗口的顺序,并计算相应的ENL,选择ENL最大的窗口大小作为最优选择结果;如果ENL小于给定的阈值,滤波区域很可能是均匀的,因此将对此类区域采用全通过的方形窗口进行滤波;反之,则选择非方形的滤波窗口,在精化Lee滤波器所使用的边缘方向滤波窗口的基础上,拟增加线性方向和角方向的滤波窗口;此外,为了确定使用哪种类型的滤波窗口,拟采用Prewitt梯度算子及其变体计算其对应的梯度,并且最大梯度值所对应的滤波窗口类型将被作为最优选择结果;
然后,拟采用基于线性最小均方误差(LMMSE)的局部统计滤波器对SAR数据进行滤波,其表达式为:
其中,表示滤波后的像素值,y是窗口的中心像素值,/>表示局部均值,w为权值函数且取值在0到1之间;权值函数由以下公式计算得到:
其中,var(y)为局部方差,σv是噪声等级即均匀区域的标准均值比。
进一步的,所述步骤(3)中,SAR影像密集点样特征提取:
二维sinc函数的尺度因子,对密集点样特征的选择具有决定性的影响,首先,采用频数统计分析的方法进行自适应的选择最优sinc函数尺度因子,自适应尺度因子的优化选择拟采用从小到大的顺序,并且每一尺度因子所对应的sinc函数模型将被用于与SAR影像进行卷积以得到每个像素点的相关系数,相关值大于所选定阈值且出现频数最多的结果所对应的尺度因子即为所需的最优sinc函数尺度;然后,最优尺度因子对应的sinc函数模型与SAR影像的相关性结果(取值在0到1之间),将被用于与原SAR影像进行乘法运算,以增加强反射目标的信号强度并抑制其它弱反射像素点,从而为后续的影像匹配提供有效的并且密集的点样特征;将所选择的最优二维sinc函数模板利用NCC算法在配准后的图像上进行滑动来获取处理后的点样特征图像,其中:
设:scale=256/max-W(1)-min-W(1)
Max-W=max(max(W2Dsinc(0))
Min-W=min(W2Dsinc(0))
W2Dsinc(0)=Wsinc*Wsinc’
Wsinc(i)=sinc(beta*x1/pi)(i-1~N/2;x1(i)=N/2-i)
Wsinc为n*1的零矩阵,N为n维列向量,beta为β分布
Sinc函数模板公式:W2Dsinc=(W2Dsinc0-min-W(1))*scale。
进一步的,所述步骤(4)具体为:在点样特征图的基础上,采用多尺度相位一致性信息来代替SAR影像强度信息作为密集匹配的输入;利用非线性扩散方法对SAR影像分为不同尺度,对于各尺度影像通过局部频率分析计算相位一致性测度,加权平均得到多尺度相位一致性测度,仅保留结构特征的频域响应减少噪声等其他误差对后续匹配的影响;密集匹配采取多层多窗口策略,不同层设计不同的匹配窗口大小和匹配间隔进行迭代匹配,逐层匹配窗口大小和匹配间隔按指数减小,上一层匹配结果作为下一层匹配的初始位置;根据匹配输出的相关峰值、信噪比等误差测度自适应判断各匹配位置的窗口大小,解决弱纹理区域和动态纹理区域匹配的问题,结合误匹配剔除和中值滤波等后处理操作避免匹配粗差的传播,提高密集匹配的可靠性;对于各匹配位置,利用基于傅里叶变换平移特征的相位相关匹配算法来精确估计表示实验中影像位移,包括在频域空间基于奇异值分解的线性模型拟合以及在空域空间相关函数峰值拟合两种方式;利用随机抽样一致性等高效稳健估计算法来进行模型估计,并结合频域掩膜、相位滤波等附加操作,抑制噪声混叠等误差的影响,进一步提高匹配结果的鲁棒性与准确性;其中,
真实相位可以表示为:
其中φ(m)为周期缠绕前真实相位值,ψ(n)为属于(-n,n)之间的缠绕相位,Δ为差分算子,ω为缠绕算子。
本发明的优点和技术效果:
1)改进的自适应Lee滤波,能够增加线性和角方向的掩膜模板,根据计算梯度大小选择合适的掩膜模板,并建立滤波窗口大小的自适应确定方法。
2)基于二维sinc函数的SAR影像密集点样特征提取方法,其通过对sinc函数与SAR影像的相关值的频数统计分析来确定最合适的尺度因子,并根据相关值来抑制弱纹理像素点对后续匹配的影响。
3)基于多尺度相位一致性的亚像素相位相关匹配方法,通过构建多尺度相位一致性影像表达,提出改进的相位相关方法,抑制亚像素匹配中的像素锁现象,匹配精度优于1/10个像素,保证冰川表面运动监测中影像偏移的精确提取。
4)多层多窗口的密集匹配策略,其根据匹配窗口大小和匹配间隔的递减设计分层结构,利用匹配输出的误差测度自适应确定匹配窗口大小,解决弱纹理区域和动态纹理区域匹配的难题。
本发明经过具体实施例验证,本发明提供的追踪方法能够有效进行目标特征图像的跟踪。
附图说明
图1为本发明的技术路线图。
图2为不同尺度因子对应的sinc函数模型示例图。
图3为基于高精度相位相关和高效匹配策略的亚像素密集匹配方法示意图。
图4为原始SAR影像图,其中(d)-(f)为滤波结果。
图5为结果示意图,其中(a)为SAR强度图像,(b)为使用优化的2D sinc函数进行点样特征的选择结果;(c)为(b)中所示的右矩形放大图。
图6为图4部分实验结果图。
图7为具体实验流程。
图8为二维SINC函数转换结果图。
图9为滤波流程图。
图10为塔库冰川光学图像和实际影像。
具体实施方式
以下通过具体实施例并结合附图对本发明进一步解释和说明。
基于本文所提出的方法,我们尝试了在两张Terra-SAR卫星图像上对塔库冰川进行了一次冰川运动的图像跟踪。
具体的图像跟踪方法,具体技术路线图如图1所示,包括以下步骤:
本实施例以塔库冰川的SAR图像(如图4所示a-c)为例进行具体实验。
(1)首先对输入的SAR图像数据(如图10所示)进行预处理,包括地形校正、影像对初始配准等,此部分工作将基于已有的研究基础实现。由于SAR图像作为斜距成像图像,地面地形会对图像造成地面畸形,故先采取地形校正。采用距离-多普勒校正方法,利用外部塔库冰川地区DEM数据模拟一幅参考SAR影像,再将原图像进行配准。通过此方法消除图像的几何变形。之后利用尺度不变特征法(SIFT),提取特征点。通过特征选择来对图像进行重采样来进行图像配准。
(2)之后为消除散斑噪声的影像,基于传统的精致Lee滤波器基础上,引入基于等效视数(ENL)的窗口大小自适应选择方法,形成一种自适应窗口大小的滤波算法;来增强后续算法的准确性。经过该步骤处理后如图4d-f所示。
(3)再,建立一种基于二维sinc函数模型的SAR影像密集点样特征提取算法,用于抑制匹配窗口内弱纹理像素对特征提取鲁棒性的影响;特征提取结果图如图5所示。
(4)发展一种多层多窗口的匹配策略,根据不同层匹配输出的误差测度自适应确定可靠的匹配窗口大小,避免匹配窗口区域只包含弱纹理特征的情况;发展一种基于多尺度相位一致性特征的亚像素相位相关算法,构造多尺度相位一致性结构影像并在频域空间估计影像间的相位差,保证SAR强度影像匹配的精度和稳定性。最终得到的结果图如图6所示。
进一步的,所述步骤(2)具体为:其流程图如图9所示,首先,引入基于等效视数(ENL)的窗口大小自适应选择方法,其计算公式如下:
对于单视SAR强度影像来说,Cv指的是影像的理论变差系数(CoV)且等于1;而Cy为给定滤波窗口的局部CoV;自适应窗口大小的优化选择拟采用从预定义的最大窗口到最小窗口的顺序,并计算相应的ENL,选择ENL最大的窗口大小作为最优选择结果;如果ENL小于给定的阈值,滤波区域很可能是均匀的,因此将对此类区域采用全通过的方形窗口进行滤波;反之,则选择非方形的滤波窗口,在精化Lee滤波器所使用的边缘方向滤波窗口的基础上,拟增加线性方向和角方向的滤波窗口;此外,为了确定使用哪种类型的滤波窗口,拟采用Prewitt梯度算子及其变体计算其对应的梯度,并且最大梯度值所对应的滤波窗口类型将被作为最优选择结果;
然后,拟采用基于线性最小均方误差(LMMSE)的局部统计滤波器对SAR数据进行滤波,其表达式为:
其中,表示滤波后的像素值,y是窗口的中心像素值,/>表示局部均值,w为权值函数且取值在0到1之间;权重参数可由以下公式计算得到:
其中,var(y)为局部方差,σv是噪声等级即均匀区域的标准均值比。
进一步的,所述步骤(3)中,SAR影像密集点样特征提取:
二维sinc函数的尺度因子(如图2所示)对密集点样特征的选择具有决定性的影响。首先,采用频数统计分析的方法进行自适应的选择最优sinc函数尺度因子。自适应尺度因子的优化选择拟采用从小到大的顺序,并且每一尺度因子所对应的sinc函数模型将被用于与SAR影像进行卷积以得到每个像素点的相关系数。相关值大于所选定阈值且出现频数最多的结果所对应的尺度因子即为所需的最优sinc函数尺度。然后,最优尺度因子对应的sinc函数模型与SAR影像的相关性结果(取值在0到1之间),将被用于与原SAR影像进行乘法运算,以增加强反射目标的信号强度并抑制其它弱反射像素点。从而为后续的影像匹配提供有效的并且密集的点样特征。我们将所选择的最优二维sinc函数模板利用NCC算法在配准后的图像上进行滑动来获取处理后的点样特征图像,结果转化图如图8所示。具体数据处理流程图如图7。
设:scale=256/max-W(1)-min-W(1)
Max-W=max(max(W2Dsinc(0))
Min-W=min(W2Dsinc(0))
W2Dsinc(0)=Wsinc*Wsinc’
Wsinc(i)=sinc(beta*x1/pi)(i-1~N/2;x1(i)=N/2-i)
Wsinc为n*1的零矩阵,N为n维列向量,beta为β分布
Sinc函数模板公式:W2Dsinc=(W2Dsinc0-min-W(1))*scale
所述步骤(4)具体为:SAR强度影像亚像素密集匹配
在点样特征图的基础上,采用多尺度相位一致性信息来代替SAR影像强度信息作为密集匹配的输入;利用非线性扩散方法对SAR影像分为不同尺度,对于各尺度影像通过局部频率分析计算相位一致性测度,加权平均得到多尺度相位一致性测度,仅保留结构特征的频域响应减少噪声等其他误差对后续匹配的影响;密集匹配采取多层多窗口策略,不同层设计不同的匹配窗口大小和匹配间隔进行迭代匹配,逐层匹配窗口大小和匹配间隔按指数减小,上一层匹配结果作为下一层匹配的初始位置;根据匹配输出的相关峰值、信噪比等误差测度自适应判断各匹配位置的窗口大小,解决弱纹理区域和动态纹理区域匹配的问题,结合误匹配剔除和中值滤波等后处理操作避免匹配粗差的传播,提高密集匹配的可靠性;对于各匹配位置,利用基于傅里叶变换平移特征的相位相关匹配算法来精确估计表示实验中冰川表面运动的影像位移,包括在频域空间基于奇异值分解的线性模型拟合以及在空域空间相关函数峰值拟合两种方式;利用随机抽样一致性等高效稳健估计算法来进行模型估计,并结合频域掩膜、相位滤波等附加操作,抑制噪声混叠等误差的影响,进一步提高匹配结果的鲁棒性与准确性。
真实相位可以表示为:
其中φ(m)为周期缠绕前真实相位值,ψ(n)为属于(-n,n)之间的缠绕相位,Δ为差分算子,ω为缠绕算子。
整个基于亚像素相位相关和多层多窗口密集匹配策略的影像匹配方法示意图如图3所本实施例后续实验及本方法具体优势如下:
1)利用改进的自适应Lee滤波,增加滤波窗口模板类型并自适应确定滤波窗口大小,最大程度上抑制SAR相干斑噪声对影像匹配的影响。
2)基于二维sinc函数的密集点样特征提取方法,保留强反射目标的信号强度,并抑制弱反射像素点在后续匹配过程中的作用,解决弱纹理区域匹配的难题。
3)提出基于高精度相位相关的匹配方法,发展基于多尺度相位一致性的亚像素相位相关算法,结合结构特征表达和稳健估计算法提高影像偏移估计的准确性与鲁棒性。
4)开发高效率的密集匹配策略,提出针对相位相关的多层多窗口密集匹配策略,实现由粗到精和自适应的匹配。
Claims (3)
1.一种基于图像频率域转换的图像跟踪方法,其特征在于,该跟踪方法包括以下步骤:
(1)首先对输入的SAR图像数据进行预处理;
(2)基于传统的精致Lee滤波器基础上,引入基于等效视数的窗口大小自适应选择方法,形成一种自适应窗口大小的滤波算法;具体为:
首先,引入基于等效视数ENL的窗口大小自适应选择方法,其计算公式如下:
对于单视SAR强度影像来说,Cv指的是影像的理论变差系数CoV且等于1;而Cy为给定滤波窗口的局部CoV;自适应窗口大小的优化选择拟采用从预定义的最大窗口到最小窗口的顺序,并计算相应的ENL,选择ENL最大的窗口大小作为最优选择结果;如果ENL小于给定的阈值,对此类区域采用全通过的方形窗口进行滤波;反之,则选择非方形的滤波窗口,在精化Lee滤波器所使用的边缘方向滤波窗口的基础上,增加线性方向和角方向的滤波窗口;采用Prewitt梯度算子及其变体计算其对应的梯度,并且最大梯度值所对应的滤波窗口类型被作为最优选择结果;
然后,采用基于线性最小均方误差的局部统计滤波器对SAR数据进行滤波,其表达式为:
其中,表示滤波后的像素值,y是窗口的中心像素值,/>表示局部均值,w为权值函数且取值在0到1之间;权值函数由以下公式计算得到:
其中,var(y)为局部方差,σv是噪声等级即均匀区域的标准均值比;
(3)再建立一种基于二维sinc函数模型的SAR影像密集点样特征提取算法;SAR影像密集点样特征提取:二维sinc函数的尺度因子,对密集点样特征的选择具有决定性的影响,首先,采用频数统计分析的方法进行自适应的选择最优sinc函数尺度因子,自适应尺度因子的优化选择采用从小到大的顺序,并且每一尺度因子所对应的sinc函数模型被用于与SAR影像进行卷积以得到每个像素点的相关系数,相关值大于所选定阈值且出现频数最多的结果所对应的尺度因子即为所需的最优sinc函数尺度;然后,最优尺度因子对应的sinc函数模型与SAR影像的相关性结果,被用于与原SAR影像进行乘法运算,以增加强反射目标的信号强度并抑制其它弱反射像素点,从而为后续的影像匹配提供有效的并且密集的点样特征;将所选择的最优二维sinc函数模板利用NCC算法在配准后的图像上进行滑动来获取处理后的点样特征图像;
(4)发展一种多层多窗口的匹配策略,根据不同层匹配输出的误差测度自适应确定可靠的匹配窗口大小;发展一种基于多尺度相位一致性特征的亚像素相位相关算法,构造多尺度相位一致性结构影像并在频域空间估计影像间的相位差。
2.如权利要求1所述的图像跟踪方法,其特征在于,所述步骤(1)为:首先对输入的SAR图像数据进行预处理,包括地形校正、影像对初始配准,由于SAR图像作为斜距成像图像,地面地形会对图像造成地面畸形,故先采取地形校正:采用距离-多普勒校正方法,利用外部塔库冰川地区DEM数据模拟一幅参考SAR影像,再将原图像进行配准,通过此方法消除图像的几何变形;之后利用尺度不变特征法,提取特征点,通过特征选择来对图像进行重采样来进行图像配准。
3.如权利要求1所述的图像跟踪方法,其特征在于,所述步骤(4)具体为:在点样特征图的基础上,采用多尺度相位一致性信息来代替SAR影像强度信息作为密集匹配的输入;利用非线性扩散方法对SAR影像分为不同尺度,对于各尺度影像通过局部频率分析计算相位一致性测度,加权平均得到多尺度相位一致性测度,仅保留结构特征的频域响应减少噪声其他误差对后续匹配的影响;密集匹配采取多层多窗口策略,不同层设计不同的匹配窗口大小和匹配间隔进行迭代匹配,逐层匹配窗口大小和匹配间隔按指数减小,上一层匹配结果作为下一层匹配的初始位置;根据匹配输出的相关峰值、信噪比误差测度自适应判断各匹配位置的窗口大小,解决弱纹理区域和动态纹理区域匹配的问题,结合误匹配剔除和中值滤波后处理操作避免匹配粗差的传播,提高密集匹配的可靠性;对于各匹配位置,利用基于傅里叶变换平移特征的相位相关匹配算法来精确估计表示实验中影像位移,包括在频域空间基于奇异值分解的线性模型拟合以及在空域空间相关函数峰值拟合两种方式;利用随机抽样一致性等高效稳健估计算法来进行模型估计,并结合频域掩膜、相位滤波等附加操作,抑制噪声混叠误差的影响,提高匹配结果的鲁棒性与准确性;其中,
真实相位表示为:
其中φ(m)为周期缠绕前真实相位值,ψ(n)为属于(-n,n)之间的缠绕相位,Δ为差分算子,ω为缠绕算子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911354788.5A CN111062972B (zh) | 2019-12-25 | 2019-12-25 | 基于图像频率域转换的图像跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911354788.5A CN111062972B (zh) | 2019-12-25 | 2019-12-25 | 基于图像频率域转换的图像跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062972A CN111062972A (zh) | 2020-04-24 |
CN111062972B true CN111062972B (zh) | 2023-11-21 |
Family
ID=70303353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911354788.5A Active CN111062972B (zh) | 2019-12-25 | 2019-12-25 | 基于图像频率域转换的图像跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062972B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184749B (zh) * | 2020-10-09 | 2022-12-06 | 西安电子科技大学 | 基于视频sar跨域联合的动目标跟踪方法 |
CN115797796B (zh) * | 2023-02-08 | 2023-05-02 | 中国科学院空天信息创新研究院 | 基于光学影像和sar影像密集匹配的目标级变化检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITMI20081296A1 (it) * | 2008-07-16 | 2010-01-17 | Galileian Plus S R L | "procedimento per filtrare immagini sar dal rumore di speckle e relativo dispositivo" |
CN106485740A (zh) * | 2016-10-12 | 2017-03-08 | 武汉大学 | 一种结合稳定点和特征点的多时相sar图像配准方法 |
CN107341781A (zh) * | 2017-07-20 | 2017-11-10 | 中国科学院电子学研究所 | 基于改进相位一致性特征矢量底图匹配的sar影像校正方法 |
CN109934840A (zh) * | 2019-03-22 | 2019-06-25 | 哈尔滨工业大学 | 基于gmphd滤波器的圆周sar运动目标跟踪方法 |
CN110390338A (zh) * | 2019-07-10 | 2019-10-29 | 武汉大学 | 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 |
-
2019
- 2019-12-25 CN CN201911354788.5A patent/CN111062972B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITMI20081296A1 (it) * | 2008-07-16 | 2010-01-17 | Galileian Plus S R L | "procedimento per filtrare immagini sar dal rumore di speckle e relativo dispositivo" |
CN106485740A (zh) * | 2016-10-12 | 2017-03-08 | 武汉大学 | 一种结合稳定点和特征点的多时相sar图像配准方法 |
CN107341781A (zh) * | 2017-07-20 | 2017-11-10 | 中国科学院电子学研究所 | 基于改进相位一致性特征矢量底图匹配的sar影像校正方法 |
CN109934840A (zh) * | 2019-03-22 | 2019-06-25 | 哈尔滨工业大学 | 基于gmphd滤波器的圆周sar运动目标跟踪方法 |
CN110390338A (zh) * | 2019-07-10 | 2019-10-29 | 武汉大学 | 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 |
Non-Patent Citations (2)
Title |
---|
于文倩.基于自适应频域信息和深度学习的SAR图像分割.《中国优秀硕士学位论文全文数据库 (信息科技辑)》.2016,全文. * |
孙业超 ; 李杏朝 ; 吕江安 ; .基于自适应尺度的遥感影像渐进配准.中国科学:信息科学.2011,(S1),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111062972A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301661B (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
CN109409292B (zh) | 基于精细化特征优化提取的异源图像匹配方法 | |
Zhang et al. | Robust depth estimation for light field via spinning parallelogram operator | |
Chierchia et al. | Multitemporal SAR image despeckling based on block-matching and collaborative filtering | |
CN104574347B (zh) | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 | |
CN106960449B (zh) | 基于多特征约束的异源配准方法 | |
WO2019042232A1 (zh) | 一种快速鲁棒的多模态遥感影像匹配方法和系统 | |
CN102136144B (zh) | 图像配准可靠性模型和超分辨率图像的重构方法 | |
CN108765476B (zh) | 一种偏振图像配准方法 | |
CN107067415A (zh) | 一种基于图像匹配的目标快速精确定位方法 | |
CN105787901A (zh) | 一种用于太阳高分辨图像序列中相邻两帧间的多尺度速度场测量方法 | |
CN111062972B (zh) | 基于图像频率域转换的图像跟踪方法 | |
CN109934799B (zh) | 多时相差异影像模值计算及变化检测方法 | |
Shi et al. | A visual circle based image registration algorithm for optical and SAR imagery | |
CN103679720A (zh) | 一种基于小波分解与Harris角点检测的快速图像配准方法 | |
CN112927251B (zh) | 基于形态学的场景稠密深度图获取方法、系统及装置 | |
CN110390338B (zh) | 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 | |
CN105869168A (zh) | 基于多项式拟合的多源遥感图像形状配准方法 | |
CN114897705A (zh) | 一种基于特征优化的无人机遥感图像拼接方法 | |
CN108876829B (zh) | 基于非线性尺度空间及径向基函数的sar高精度配准方法 | |
CN112801141B (zh) | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 | |
CN112419198B (zh) | 一种用于sar干涉图滤波的非局部均值定权方法 | |
CN112184785B (zh) | 基于mcd度量和vtm的多模态遥感图像配准方法 | |
CN112435211B (zh) | 一种内窥镜图像序列中轮廓稠密特征点描述和匹配的方法 | |
CN109886988A (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 |