一种结合稳定点和特征点的多时相SAR图像配准方法

摘要

本发明提供的是一种结合稳定点和特征点的多时相SAR图像配准方法，包括相关一致性（CS）区域检测，根据SAR图像复数据求取图像的Coherent Scatters，SAR‑FAST角点提取；对CS区域位置与特征点位置取交集，得到稳定的特征点，并对其利用SIFT描述子描述；在特征粗匹配阶段，首先利用KD索引树对描述子匹配，然后基于RANSAC算法剔除误匹配点；在精确配准时，利用Powell寻找最优互信息位置进行精配准。本发明采用结合稳定点和特征点的方式进行SAR图像的配准，可以得更高的配准精度。

说明书

技术领域

本发明属于图像处理领域，涉及用特征提取及匹配进行SAR图像配准，特别涉及一种结合稳定点和特征点的多时相SAR图像配准方法。

背景技术

SAR图像配准是把成像时间不同、角度不同、传感器不同的多幅SAR图像进行对齐，它是变化检测、图像融合等图像解译的基础。在光学及SAR影像配准中，多采用基于特征点的配准方法。基于特征的方法不仅计算消耗较小，而且不像线特征和区域特征对场景内容要求高，且又不像基于灰度的方法以计算复杂度为代价。但是由于SAR影像中存在大量的斑点噪声，应用于SAR图像配准的点特征一般更注重于克服斑点噪声，如SAR-Harris,SAR-SIFT。但是，由于SAR成像的特殊性，其对同一区域的成像多是周期出现。当成像周期较长时，同一区域的SAR影像会出现明显的变化区域和非变化区域。而目前的基于特征点的SAR图像配准方法，均没有考虑到对多时相SAR图像在时间间隔较长时，进行特征点检测会出现不稳定点。在特征点提取的过程中，如果两幅图像的时间间隔比较远，将会出现明显的变化部分，而在变化部分会检测到特征点，甚至出现匹配，此类点即为不稳定点。如图1所示，两图分别为湖水的丰水期和枯水期状态，水域范围随着时间变化，所以在此处检测的角点是不稳定点。目前在对多时相SAR图像配准的方法中，均是基于特征点的稀疏匹配算法，在提取特征点时多仅考虑多斑点噪声的抑制，而对于多时相的SAR图像中出现的不稳定点的剔除，目前还未有人实现过。

发明内容

本发明的目的在于提供一种结合稳定点和特征点的SAR图像配准方法，该方法能够更好地完成SAR图像配准任务，以更高的精度实现SAR图像配准。

本发明提供的一种结合稳定点和特征点的SAR图像配准方法包括以下具体步骤：

一种结合稳定点和特征点的多时相SAR图像配准方法，包括以下步骤：

步骤1，相干一致性区域检测；

对复数SAR图像计算得到多个子孔径视图，再通过计算两两视图的一致性(sublook coherence approach,SCA)得到不同子图之间的相似度，根据经验相似度阈值判断是否为该区域是否为相干一致性区域；

步骤2，SAR-FAST角点检测；

步骤2.1，利用迭代引导平滑算法对对SAR图像进行滤波；

步骤2.2，在选取的16个检测窗口上计算与中心窗口的像素均值相似度，若存在连续9个或9个以上的窗口与中心窗口不相似，则将该检测中心选为候选角点；

步骤2.3，对出现在平坦区域的误检角点进行剔除，可根据平坦区域的误检点的梯度方向为一致向外或者向内，且周边与中心窗口相似的检测窗不连续原则剔除误匹配点，获取最终的SAR-FAST角点；

步骤3，稳定点提取、描述与粗匹配；

首先对提取的CS点和SAR-FAST角点取交集获取稳定特征点，然后选择SIFT描述子对稳定点进行描述；再利用基于KD树的近似最近邻算法对特征描述子粗匹配，利用RANSAC算法对特征点进行精匹配；

步骤4，图像精确配准；

使用Powell算法得到两幅待配准影像的最优互信息位置，然后在粗配准的前提下，局部搜索最优的结果，寻找精确的匹配参数，实现高精度、高效率的SAR图像配准。

本发明提供了一种结合稳定点和特征角点的SAR图像配准方法，该方法提取的稳定特征角点可以消除在SAR图像的变化区域检测到特征点，从而避免了在SAR图像变化区域引起误匹配。在基于稳定特征点稀疏匹配的基础上，本发明利用了基于SAR图像互信息的配准方法，进一步提高了SAR图像配准精度。本发明在SAR图像配准方面首次使用，且在相同的条件下，相对于基于稀疏特征点匹配方法可以得到更高的图像配准精度。

附图说明

图1为SAR图像不稳定点。

图2为结合稳定点和特征点检测的SAR图像配准流程。

图3为SAR-FAST角点检测时选取的检测窗口像素点分布图。

图4为出现在平坦区域的误检示意图，(a)为梯度方向向外，(b)为梯度方向向内，(c)(d)为梯度方向不连续的情况。

图5为实验1两幅影像配准结果。

图6为实验2两幅影像最终的配准结果。

具体实施方式

基于特征点的方法是图像配准常用的方法，以其计算量小，匹配速度快等特点在SAR图像处理中有很大的应用前景。但由于SAR图像同一区域成像间隔时间长，图像变化区域多，特征点会落在随着时间改变的地区，从而出现不稳定的特征点，影响配准的精度。所以，本发明提出了一种结合稳定点和特征点检测的多时相SAR图像配准方法，具体的流程图如图2所示。

下面对基于稳定点和特征点的多时相SAR图像配准的原理以及相关定义加以说明。

1.相干一致性(CS)区域检测

在一个像素单元中，理想的点状散射，在时域和频域都有稳定的后向散射能量，确定性的散射点在幅度、相位、偏正干涉反应均处于稳定状态，散射点的稳定性可以根据对像素单元的光谱分量的特性进行评估。通常CS的检测主要是基于子图像(sublooks)的谱相干实现。通过获得SAR图像复数数据的频谱，对频谱进行多次截取，得到处于不同带宽的图像，从而产生一系列的子图，本文通过sublook coherence approach(SCA)计算得到不同子图之间的相似性，对于两个频谱没有重合的子图x₁(r,x),x₂(r,x)有，

其中，*代表的是复数的共轭，E{}表示的是和。以此可知，对于在距离向和方位向上，频谱的采样的次数为L_rg,L_az，则相关性估计为：

其中，根据设置的阈值，判断该像素点是否为CS，相干性越高则为CS的概率越大。

2.SAR-FAST角点检测

SAR-FAST是为了减少斑点噪声的影响而提出的角点检测算法。首先，对图像预处理的时候，选用可以滤除细小纹理并充分保留图像显著性结构与边缘信息的迭代引导平滑算法，它减少了斑点噪声的影响，且增强了SAR图像的边缘结构。

其次，在如图3的像素点分布情况下，选用16个检测窗口，计算中心窗口与检测窗口的相似度，若存在连续9个或9个以上的窗口与中心窗口不相似，则该检测中心为候选角点。

最后，在平坦区域，由于斑点噪声造成梯度存在起伏，而根据角点的判断标准，很容易把此类像素判断为角点，如图4所示。假设由中心点发出的箭头用ARRout表示，数量为N_ARRout，ARRin表示箭头指向中心点，数量为N_ARRin。由图4可知，误检点特点有N_ARRin≈0或N_ARRout≈0，与中心窗口相似的窗口存在不连续。首先，对不连续窗口之间的数量按大小顺序进行统计。假设ARRin中不连续窗口数量集合为C_n1，ARRout中不连续窗口数量集合为NC_n2，其中n1,n2表示相同指向的箭头出现不连续窗口的次数，因为窗口数量有限，且同时存在ARRout和ARRin，设置n1≤2，n2≤2，如图4(c)中n1＝2，C₂＝{3,2}，n2＝0，NC₀＝{0}。其次，设置的约束条件为：1)、C_i≤2(0≤i≤2)；2)、NC_i≤2(0≤i≤2)。因为在平滑之后，图像中出现强度突变的可能性降低，但是不排除这种可能，所以把阈值设置为2，即不连续窗口之间允许存在不大于两个窗口的间断。由于角点的C_i和NC_i均不为0，所以条件1)、2)须同时满足。

3.稳定角点提取、描述与粗匹配

在提取了CS区域和SAR-FAST角点之后，首先对提取的CS稳定区域和SAR-FAST角点取交集获取稳定特征点，然后采用基于稳定特征点的匹配方法。稳定特征点匹配包括三步：稳定特征点描述，描述子粗匹配，特征点精匹配。

1)稳定特征点描述

本方法选择经典的SIFT描述子对稳定特征点进行描述。首先，对角点邻域窗口采样，使用直方图统计邻域像素梯度方向，直方图的峰值即为角点的方向。将坐标旋转至角点的方向，以确保旋转不变性。接着，以角点为中心，取16*16大小的窗口，计算每一个像素的梯度，使用高斯下降函数降低远离中心的权重。然后，取4*4窗口为一个单元，对其中的梯度在八个方向上进行直方图统计，串联统计值，得到128维的SIFT描述子。

2)描述子粗匹配

为找到两幅影像中的匹配特征点，需要先对特征点描述子进行匹配。由于SIFT描述子是高维的浮点型描述子，基于欧氏距离的遍历查找法耗时而且精度不高。因此采用基于KD索引树的近似最近邻匹配算法。首先对其中一幅待匹配影像的描述子根据维度方差建立KD树，然后从索引树中找到另一幅影像的所有特征角点的最近邻匹配点和次紧邻匹配点，通过比较最邻近和次邻近距离比值来确定是否接受该匹配。若最邻近与次邻近比值小于设定阈值，则接受该点为匹配点；若大于设定阈值，则除去该匹配点。为进一步加强鲁棒性，在对两幅图进行匹配时，可以通过反向匹配来进一步筛选匹配。

3)特征点精匹配

对于精匹配过程，我们采用Random Sample Consensus(RANSAC)算法。由于影像间满足投影变换，这里采用8参数的变换模型，随机从匹配对中抽出4个匹配对可以建立8个方程求解。然后利用这个变换方程对其余匹配点进行投影变换到另一幅影像上，利用公式计算残差

其中是经过投影变换之后的坐标，是与相匹配的点的实际坐标；为特征点在一幅影像中的坐标。然后，通过比较残差和设定的残差阈值ε，若error<ε则接受该匹配对为内点匹配，否则排除此匹配对。完成对所有匹配对阈值判断后，得到内点匹配对集合。然后再重复随机提取4个匹配对重新计算运动矩阵，得到相应内点集合，重复S次，实验中S＝200，从中选取内点匹配对数量最多的一个矩阵作为初始运动矩阵，内点集合为最终匹配对。

4)图像精确配准

互信息是图像配准中常用的方法，他将两幅待配准的图像看作两个随机变量，从而统计两者之间的互相关性，互相关最优的位置，两幅图像具有最好的重合度，配准精度最好。在本方法中使用Powell算法得到最优互信息的位置。Powell是一种局部优化算法，具有有效且快速的局部搜索能力，但是容易产生局部极值，且搜索结果依赖于初始值的设置。但是在本文中，Powell算法应用于精确配准，在已经进行粗配准的情况下，大大减少了搜索的范围，只需在局部搜索最优结果，这在一定程度上弥补了Powell算法的不足，可以获得精确、高效率的结果。

在实验过程中选用的SAR图像成像时间分别为2008年05月06日和2008年12月23日，使用两组图像进行实验。实验1的相关数据和结果如图5所示，实验2相关数据和结果如图6所示。本方法使用相关一致性计算sublooks之间的相关性，从而获得图像的CS点。通过取CS点与SAR-FAST角点的交集获得稳定角点。对粗配准图像，利用Powell算法，寻找最优的互信息位置，得到精确配准的结果，实验1，2的精匹配结果如图5,6所示。配准结果以马赛克的形式表示，由结果可以看出，最后配准结果线条对齐，没有出现折断弯曲，可以获得不错的配准结果。

对配准图像相似度的测量，本方法采用的分析指标为：绝对误差和(SAD)，差方和(SSD)，互相关(CC)。此外，还有结构相似度(SSIM)，一种衡量两幅图像相似度的新指标，其值越大越好。对比试验进行SAR-FAST进行精确配准，对比分析如表1所示。由分析可知，本方法的绝对误差和、方差和都比直接用SAR-FAST精确配准的结果小，互相关指标和结构相似度都比直接用SAR-FAST精确配准的结果高。因此，进行稳定点提取之后可以获得更高的配准精度。

表1 SAR图像配准精度分析