CN114972453A - 改进的基于lsd与模板匹配的sar图像区域配准方法 - Google Patents
改进的基于lsd与模板匹配的sar图像区域配准方法 Download PDFInfo
- Publication number
- CN114972453A CN114972453A CN202210379951.9A CN202210379951A CN114972453A CN 114972453 A CN114972453 A CN 114972453A CN 202210379951 A CN202210379951 A CN 202210379951A CN 114972453 A CN114972453 A CN 114972453A
- Authority
- CN
- China
- Prior art keywords
- image
- sar image
- matching
- sar
- digital map
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000009466 transformation Effects 0.000 claims abstract description 67
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000013519 translation Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 20
- 238000003708 edge detection Methods 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000001629 suppression Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims description 2
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 8
- 238000003384 imaging method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101150064138 MAP1 gene Proteins 0.000 description 1
- 101100161752 Mus musculus Acot11 gene Proteins 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 101150077939 mapA gene Proteins 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
Abstract
本发明公开的改进的基于LSD与模板匹配的SAR图像区域配准方法,包括:读取SAR图像与卫星数字地图,构建待配准图像对并进行预处理;采用LSD直线检测方法检测预处理图像结果中的直线特征;构建变换矩阵1并对SAR图像进行仿射变换;计算SAR图像中最长直线特征的中心点坐标;使用坐标值在SAR图像中提取匹配模板图像,并与卫星数字地图进行匹配;根据模板匹配结果计算出SAR图像相对卫星数字地图平移量,构建变换矩阵2;使用变换矩阵1、变换矩阵2实现SAR图像与卫星数字地图的配准工作,计算匹配点坐标;根据匹配点坐标获取目标点经纬度信息。本发明结合LSD直线检测与模板匹配算法,提升SAR图像配准的准确率与效率。
Description
技术领域
本发明涉及SAR图像配准技术领域,具体涉及基于LSD直线检测与模板匹配的SAR图像区域配准方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)成像具有全天时、全天候、可穿透性等优点,以及它在不同频段、不同极化下可得到目标的高分辨率雷达图像,为人们提供非常有用的目标信息,因此,一直以来针对SAR图像配准的研究热度经久不息,大量研究成果已经被广泛应用于经济和科技等众多领域,有着广泛的应用前景和发展潜力。
图像配准方法一般分为基于灰度的方法与基于特征的方法。基于灰度的方法使用图像或者图像块的灰度信息,通过相似性度量算法,测度两幅对应图像或对应图像块之间的相似性,但因为其全局优化的计算复杂度太高不太适用于对时间要求比较严格的配准的。基于特征的方法用对图像中具有稳定性和重复性图像特征的分析,代替对整个图像的分析,降低计算量以及配准算法对传感器变化的敏感性,主要图像特征包括点、线、面。基于点特征的方法中具有代表性的算法有Harris角点检测算子、SUSAN局部检测算子、SIFT尺度不变特征变换算子、SURF局部算子等。基于线特征的方法中基于边缘检测的算法当前相对成熟,经典的检测算子由Roberts算子、Sobel算子、Prewitt算子、Canny算子、Hough变换及LSD直线检测等。基于面特征方法中具有代表性的有形态学分割算法、动态阈值技术、区域增长技术、模板匹配等。又因为其具有更好的重复性和稳定性,所以它具有更强大的区分能力,对局部有差异的图像对有更好的鲁棒性。
由于SAR图像的成像方式与可见光成像方式的不同,造成两种不同图像在点特征上的差异,若仅依赖某一类特征对SAR图像与卫星数字地图进行配准,二者之间匹配存在较大的误差。基于特征的方法使用少量图像特征,对相同图像来说,算法的运算性能普遍高于基于灰度的方法,所以基于特征的方法是当前SAR图像使用最多的配准方法。同时,因为SAR图像分辨率高、数据量大、受噪声影响严重的问题,现有的配准算法处理速度很慢,所以为了高效性和高精度的合成孔径雷达图像的配准,对原有的配准算法改进使其具有高效性和高精度特性是一种比较普遍存在的方式。因此本发明结合基于线特征方法与基于面特征方法对SAR图像进行配准操作。
发明内容
发明目的:本发明目的在于针对现有技术的不足,提供改进的基于LSD(LineSegment Detector)与模板匹配的SAR图像区域配准方法,在使用SAR图像先验知识的基础上,结合LSD直线检测与模板匹配算法,采用轮廓矩与先进的特征提取方法对模板图像进行选择,提升SAR图像配准的准确率与效率。
技术方案:本发明所述改进的基于LSD与模板匹配的SAR图像区域配准方法,包括如下步骤:
进一步完善上述技术方案,所述S1中对进行的预处理操作包括灰度化、滤波、二值化、形态学运算、高斯滤波、Canny边缘检测,对进行的预处理操作包括灰度化、滤波、二值化、形态学运算、相干斑抑制、高斯滤波、Canny边缘检测。
进一步地,所述S1中灰度化、滤波、二值化、形态学运算、相干斑抑制、高斯滤波、Canny边缘检测的处理过程包括:
S11:采用平均值法对待配准图像对进行灰度化处理
S12:对待配准图像对进行滤波处理,然后对滤波结果进行二值化处理,再根据二值化图像中非零像素个数的占比重复滤波及二值化操作,迭代至非零像素个数占比达到预设阈值;
设置卷积核kernel的大小,以核内中心位置对应的像素为目标像素,使用kernel对待配准图像对进行卷积操作,卷积结果为:
按从左到右,从上到下滑动卷积核,直到处理完图像最后一个像素;
相干斑抑制步骤如下:
利用伪排序得到梯度幅值大的点作为种子点,以该点水平线角度作为区域的初始角度,在八邻域中寻找与的偏差小于预设阈值的点,将该点加入到区域中并更新,得到线支持区域,最后通过矩形逼近得到直线特征,检测到的直线特征以点数据的形式进行存储,分别表示为、;
S223、提取距离间隔较大的直线特征,
S413、计算极坐标的极角与极径:
得到极径:
进一步地,所述S7包括:
进一步地,所述S8中采用模板图像中心点在SAR图像中的坐标信息,与模板图像在卫星数字地图中最佳匹配位置坐标信息,计算出SAR图像相对卫星数字地图在x轴方向与y轴方向的平移量、,根据平移量、构建变换矩阵,
进一步地,所述S9的计算过程如下:
有益效果:与现有技术相比,本发明的优点在于:本发明在使用SAR图像先验知识的基础上,结合LSD直线检测与模板匹配算法,采用轮廓矩与先进的特征提取方法对模板图像进行选择,提升SAR图像配准的准确率与效率;通过分析SAR图像中关键区域的线、面特征之间的属性关联,选择图像中目标线、面特征对SAR图像进行智能配准,提高了SAR图像与卫星数字地图的配准精准度,降低目标匹配错误概率。本发明能够获取高精度配准结果,实现目标的精准定位,并且对视角和光照变化具有很好的鲁棒性,结果准确、误检可控。
附图说明
图1是本发明的方法处理流程图;
图2是本发明中滤波卷积核的示意图;
图3是待卷积图像区域;
图4是SAR图像配准结果;
图5是卫星数字地图灰度图;
图6是SAR图像与卫星数字地图匹配结果;
图7是SAR图像中已匹配目标的经纬度信息结果。
具体实施方式
下面通过附图对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示的改进的基于LSD与模板匹配的SAR图像区域配准方法,包括:
S10:采用匹配点坐标计算目标点经纬度信息。
S12:对待配准图像进行滤波处理,提高对比度,突显图像边缘等特征,然后对滤波结果进行二值化处理,再根据二值化图像中非零像素个数的占比重复滤波与二值化操作,迭代至非零像素个数占比达到预设阈值。
设卷积核kernel的大小为(kernel的大小根据实际情况可以设置),如图2所示。以核内中心位置对应的像素为目标像素,使用kernel对待配准图像对进行卷积操作,对应待卷积的图像区域如图3所示,卷积结果为:
按从左到右、从上到下滑动卷积核,直到处理完图像最后一个像素,
相干斑噪声抑制步骤如下:
S21:LSD直线检测方法能在线性的时间内得出亚像素级精度的检测结果,且无需调节任何参数。
利用伪排序得到梯度幅值大的点作为种子点,以该点水平线角度作为区域的初始角度,在八邻域中寻找与的偏差小于预设阈值的点,将该点加入到区域中并更新,得到线支持区域,最后通过矩形逼近得到直线特征,检测到的直线特征以点数据的形式进行存储,分别表示为、。
筛选步骤如下:
1)计算所有直线段的长度,并按降序排列,
3)提取距离间隔较大的直线特征,
S3:根据SAR图像地距分辨率与卫星数字地图的像元宽度计算二者之间的尺度参数。
1)计算每条直线段的斜率与截距
3)计算极坐标的极角与极径:
将SAR图像的旋转中心点平移至坐标原点,对应的变换矩阵为:
S62:在二值化后的卫星数字地图结果上,从左到右、从上到下计算模板图像与重叠子图像的匹配度量值,将匹配度量值保存到结果图像矩阵中,在中的每个位置都包含匹配度量值,匹配度量值由归一化模板匹配算法计算得到,如下式:
采用模板图像中心点在SAR图像中的坐标信息,与模板图像在卫星数字地图中最佳匹配位置坐标信息,计算出SAR图像相对卫星数字地图在x轴方向与y轴方向的平移量,如下式:
匹配结果如图6所示,其中A点为SAR图像中的目标点,B点为卫星数字地图中与A对应的匹配点。
S10:采用匹配点坐标计算目标点经纬度信息。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (10)
1.改进的基于LSD与模板匹配的SAR图像区域配准方法,其特征在于,包括如下步骤:
3.根据权利要求2所述的改进的基于LSD与模板匹配的SAR图像区域配准方法,其特征在于,所述S1中灰度化、滤波、二值化、形态学运算、相干斑抑制、高斯滤波、Canny边缘检测的处理过程包括:
S11:采用平均值法对待配准图像对进行灰度化处理
S12:对SAR图像与卫星数字地图的灰度图归一化后进行滤波处理,然后对滤波结果进行二值化处理,再根据二值化图像中非零像素个数的占比重复滤波及二值化操作,迭代至非零像素个数占比达到预设阈值,包括:
设置卷积核kernel的大小,以核内中心位置对应的像素为目标像素,使用kernel对待配准图像对进行卷积操作,卷积结果为:
按从左到右、从上到下滑动卷积核,直到处理完图像最后一个像素;
相干斑抑制步骤如下:
利用伪排序得到梯度幅值大的点作为种子点,以该点水平线角度作为区域的初始角度,在八邻域中寻找与的偏差小于预设阈值的点,将该点加入到区域中并更新,得到线支持区域,最后通过矩形逼近得到直线特征,检测到的直线特征以点数据的形式进行存储,分别表示为、;
S223、提取距离间隔较大的直线特征,
5.根据权利要求4所述的改进的基于LSD与模板匹配的SAR图像区域配准方法,其特征在于:所述S3中尺度参数计算过程包括设 SAR图像的地距分辨率为,卫星数字地图的像元宽度为,则:,其中从SAR图像文件中提取,从与卫星数字地图配套的经纬度库中读取;
S413、计算极坐标的极角与极径:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210379951.9A CN114972453B (zh) | 2022-04-12 | 2022-04-12 | 改进的基于lsd与模板匹配的sar图像区域配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210379951.9A CN114972453B (zh) | 2022-04-12 | 2022-04-12 | 改进的基于lsd与模板匹配的sar图像区域配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972453A true CN114972453A (zh) | 2022-08-30 |
CN114972453B CN114972453B (zh) | 2023-05-05 |
Family
ID=82977320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210379951.9A Active CN114972453B (zh) | 2022-04-12 | 2022-04-12 | 改进的基于lsd与模板匹配的sar图像区域配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972453B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514606A (zh) * | 2013-10-14 | 2014-01-15 | 武汉大学 | 一种异源遥感影像配准方法 |
US20150042510A1 (en) * | 2012-11-07 | 2015-02-12 | Neva Ridge Technologies | SAR Point Cloud Generation System |
CN106408597A (zh) * | 2016-09-08 | 2017-02-15 | 西安电子科技大学 | 基于邻域熵和一致性检测的sar图像配准方法 |
CN107292922A (zh) * | 2017-06-23 | 2017-10-24 | 电子科技大学 | 一种用于光学与合成孔径雷达图像配准的方法 |
CN109308715A (zh) * | 2018-09-19 | 2019-02-05 | 电子科技大学 | 一种基于点特征和线特征结合的光学图像配准方法 |
US20190391255A1 (en) * | 2016-12-01 | 2019-12-26 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method and Device for Geo-Referencing Aerial Image Data with the Aid of SAR Image Data |
CN112150520A (zh) * | 2020-08-18 | 2020-12-29 | 徐州华讯科技有限公司 | 一种基于特征点的图像配准方法 |
KR102262397B1 (ko) * | 2019-12-17 | 2021-06-07 | 연세대학교 산학협력단 | 다중 시기에 획득된 위성 sar 영상 간의 정합 자동화 장치 및 방법 |
CN113808180A (zh) * | 2021-09-18 | 2021-12-17 | 中山大学 | 一种异源图像配准方法、系统及装置 |
-
2022
- 2022-04-12 CN CN202210379951.9A patent/CN114972453B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150042510A1 (en) * | 2012-11-07 | 2015-02-12 | Neva Ridge Technologies | SAR Point Cloud Generation System |
CN103514606A (zh) * | 2013-10-14 | 2014-01-15 | 武汉大学 | 一种异源遥感影像配准方法 |
CN106408597A (zh) * | 2016-09-08 | 2017-02-15 | 西安电子科技大学 | 基于邻域熵和一致性检测的sar图像配准方法 |
US20190391255A1 (en) * | 2016-12-01 | 2019-12-26 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method and Device for Geo-Referencing Aerial Image Data with the Aid of SAR Image Data |
CN107292922A (zh) * | 2017-06-23 | 2017-10-24 | 电子科技大学 | 一种用于光学与合成孔径雷达图像配准的方法 |
CN109308715A (zh) * | 2018-09-19 | 2019-02-05 | 电子科技大学 | 一种基于点特征和线特征结合的光学图像配准方法 |
KR102262397B1 (ko) * | 2019-12-17 | 2021-06-07 | 연세대학교 산학협력단 | 다중 시기에 획득된 위성 sar 영상 간의 정합 자동화 장치 및 방법 |
CN112150520A (zh) * | 2020-08-18 | 2020-12-29 | 徐州华讯科技有限公司 | 一种基于特征点的图像配准方法 |
CN113808180A (zh) * | 2021-09-18 | 2021-12-17 | 中山大学 | 一种异源图像配准方法、系统及装置 |
Non-Patent Citations (2)
Title |
---|
XINYUE ZHANG ET AL.: "Multimodal Remote Sensing Image Registration Methods and Advancements: A Survey" * |
刘中杰 等: "基于控制线方法的机载SAR和可见光图像匹配应用研究" * |
Also Published As
Publication number | Publication date |
---|---|
CN114972453B (zh) | 2023-05-05 |
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 | |
CN112085772B (zh) | 一种遥感图像配准方法及装置 | |
Choi et al. | Vehicle detection from aerial images using local shape information | |
CN110942013A (zh) | 一种基于深度神经网络的卫星影像特征提取方法及系统 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN108564092A (zh) | 基于sift特征提取算法的向日葵病害识别方法 | |
CN111369605B (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和系统 | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN105405138B (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
CN107862319B (zh) | 一种基于邻域投票的异源高分光学影像匹配误差剔除方法 | |
CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN112017223A (zh) | 基于改进SIFT-Delaunay的异源图像配准方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN112183325A (zh) | 基于图像对比的公路车辆检测方法 | |
CN116704516A (zh) | 一种用于水溶肥料包装的视觉检测方法 | |
CN111950559A (zh) | 一种基于径向灰度的指针仪表自动读数方法 | |
CN115841669A (zh) | 一种基于深度学习技术的指针式仪表检测与示数识别方法 | |
CN113436218B (zh) | 基于高斯滤波与均值滤波的sar图像边缘检测方法 | |
CN114373079A (zh) | 一种快速准确的探地雷达目标检测方法 | |
CN114723794B (zh) | 基于lsd直线检测的sar图像配准方法 | |
Haigang et al. | A novel ship detection method for large-scale optical satellite images based on visual LBP feature and visual attention model | |
CN116206139A (zh) | 一种基于局部自卷积的无人机图像升尺度匹配方法 | |
CN114972453B (zh) | 改进的基于lsd与模板匹配的sar图像区域配准方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 210000 Room 301, floor 3, building 75, zone B, entrepreneurship and innovation city, No. 15, Fengji Avenue, Yuhuatai District, Nanjing, Jiangsu Province Patentee after: Nanjing Thunderbolt Information Technology Co.,Ltd. Address before: 210000 Room 301, floor 3, building 75, zone B, entrepreneurship and innovation city, No. 15, Fengji Avenue, Yuhuatai District, Nanjing, Jiangsu Province Patentee before: NANJING LEADING INFORMATION TECHNOLOGY Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |