CN116612165B 一种针对大视角差异sar图像的配准方法 （西安电子科技大学）

本发明涉及一种针对大视角差异SAR图像的配准方法，该方法利用SAR_SIFT算法、多尺度Harris_Affine算法以及多尺度MSER算法分别提构造Voronoi多边形的方式，利用具有仿射不变性的A_SAR_SIFT算法进行配准并精配后再次得法深入考虑了SAR图像中存在的散斑噪声以及图像之间存在的严重几何畸变与辐射畸变带来的影响，能够显著提升大视角差异下SAR图像的配2H,p和SM,p；(3)利用A_SAR_SIFT算法提取参考图与待配准图上的关键点并建立描述子，接下来在参考图与待配准图中的每个对应的小多边形内利用最近邻原则找到初始匹配点对，利用LSOR算法对整幅图像上的匹配点对集合初步去除误匹配点对，然后通过FSC算法进行二次2.根据权利要求1所述的针对大视角差异SAR图像利用SAR_SIFT算法提取图像中的关键点并建立SA利用多尺度Harris_Affine算法提取图像中的关键点并得到每个关键点处的仿射变换利用多尺度MSER算法提取图像中的关键点射变换矩阵对图像进行变换后建立SAR_SIFT3n＝8；2e)在尺度空间图像的同一层中，将每个点的SAR_Ha3b)将平滑后的直方图梯度峰值对应的方向角作为该关键点的主方向，大于峰值能量一化就生成了136维的SAR_SIFT6b)在第k次迭代过程中，利用形状自适应矩阵U(k)对参考图I1以及其上的关键点(xi,4其中T是利用形状自适应矩阵U(k)对图像或坐标进6d)利用ROEWA算法计算正方形区域W6f)以(x_new,x_new)为中心，在图像上重新选取一个边长为4α的正方形区域W_6i)当ratio＜0.1时退出循环，56j)对参考图像I1与待配准图像I2上的每6(3)中利用LSS_FLOW算法对点对集合进行精配，得到更加精确的点对集合，其操作步骤如9a)利用参考点对集合中的匹配点对计算其中表示利用变换模型θ对待配准图进行变换9b)对于待精配点对集合Scoarse中在待配准图I2上的点，计算其在变换后图像上的对9c)利用ROEWA算法计算图像I1与在尺度因子α=2下的水平梯度Gx与垂直梯度Gy，从7量拼接起来并归一化就生成了136维的SAR_SIF的SAR_SIFT描述子图I1_desc与图上的对应点进行相同的操作，得到的正方形区域描述子图像为I《_squ,其中rlf89h)遍历待精配点对集合Scoarse中的每一对匹配点后得到了更加准确的点对集合10c)对于每个离散点相邻的三角形按顺时针方向排序并记录，以便下一步连接生成10f)将位于每个小Voronoi多边形内的SAR_SIFT关键点赋予该多边形内的具有仿射不变性的离散点相同的仿射变换矩阵，则就得到了每个SAR_SIFT关键点的局部仿射变换矩11c)计算点对集合SrefT中每一对匹配点连线的长度以及斜率，对其求和后平均得到平11d)对于待筛选点对集合Sfil中在待配准图I2上的某个点(xi,yi)，利用变换模型θ'计9T11f)利用阈值对待筛选点对集合Sfil中的所有点对进行筛选，保留满足条件的匹配点i[0002]合成孔径雷达(SyntheticApertureRadar,SAR)作为一种主动式微波遥感成像[0004]论文“RegistratingObliqueSARImagesBasedonComplementaryIntegratedFilteringandMultilevelMatching”提供了一种基于MSER算法和Harris_MSER算法和Harris_Affine算法得到的匹配点对的仿射不变性，而忽略了匹配点对之间的SAR图像配准方法能够较好的完成大视角差异下SAR图像的配准任务，进一步提升SAR图像角点点对集合SH,c以及具有仿射不变性区域的点对[0009](3)利用A_SAR_SIFT算法提取参考图与待配准图上的关键点并建立描述子，接下用LSOR算法对整幅图像上的匹配点对集合初步去除误匹配点对，然后通过FSC算法进行二次筛选，得到匹配点对集合SA,c，再利用LSS_Flow算法进行精配，最后得到匹配点对集合点对集合SH,c以及具有仿射不变性区域的点对集[0015]利用多尺度Harris_Affine算法提取图像中的关键点并得到每个关键点处的仿射[0017]利用多尺度MSER算法提取图像中的关键点并得到每个关[0018]进一步地，上述的针对大视角差异SAR图像的配准方法，步骤(3)中利用A_SAR_SIFT算法提取参考图与待配准图上的关键点并建立描述子，具体步骤为：首先利用SAR_n＝8；[0033]3b)将平滑后的直方图峰值对应的方向角作为该关键点的主方向，大于峰值能量[0035]进一步地，上述的针对大视角差异SAR图像的配准方法，步骤1b)中利用多尺度[0037]6b)在第k次迭代过程中，利用形状自适应矩阵U(k)对参考图I1以及其上的关键点[0042]6d)利用ROEWA算法计算正方形区域W在尺度因子α下的水平梯度G与垂直梯度[0049]将正方形区域W内拥有最大SAR_Harris响应值的点作为新的关键点坐标U(k)=U(k)，否则迭代次数加1并继续循环，利用更新后的形状自适应矩阵重新计算在关键点[0062]进一步地，上述的针对大视角差异SAR图像的配准方法，步骤1c)中利用多尺度[0093]9a)利用参考点对集合中的匹配点对计算得到待配准图到参考图的变换[0098]9c)利用ROEWA算法计算图像I1与I2T在尺度因子α=2下的水平梯度Gx与垂直梯度域的直方图向量拼接起来并归一化就生成了136维的SAR_SIFT像I1与的SAR_SIFT描述子图I1_desc与IE_desc:心，在SAR_SIFT描述子图I1_desc上取出一个边长为2·rlf+1的正方形区域描述子图像I1_为E_squ,其中rlf取61；[0112]9g)利用图像的变换模型θ计算点(xiT_new,yiT_new)在原始待配准图I2[0114]9h)遍历待精配点对集合Scoarse中的每一对匹配点后得到了更加准确的点对集合对象建立Voronoi多边形，得到每个SAR_SIFT关键点的局部仿射变换矩阵，其操作步骤如[0121]10f)将位于每个小Voronoi多边形内的SAR_SIFT关键点赋予该多边形内的具有仿[0122]10g)利用点对集合SH,p和SM,p在待配准图像I2上的所有具有仿射不变性的离散点[0124]11a)利用参考点对集合计算得到待配准图像到参考图像的变换模型θ'，其H,p[0131]11d)对于待筛选点对集合Sfil中在待配准图I2上的[0134]11f)设置阈值对待筛选点对集合Sfil中的所有点对进行筛选，保留满足条件的匹[0140]2.本发明提出在参考图与待配准图上围绕已经获得的具有仿射不变性的多尺度MSER匹配点对与多尺度Harris_Affine匹配点对建立Voronoi多边形，将落在每个小Voronoi多边形内的SAR_SIFT关键点赋予该多边形内具有仿射不变性的匹配点相同的仿射[0159](1)利用SAR_SIFT多尺度Harris_Affine算法以及多尺度最大稳定极值区域(MaximallyStableExtremal比(nearestneighbordistanceratio，NNDR)算法找到参考图与待配准图之间的初始匹[0163]利用多尺度Harris_Affine算法提取图像中的关键点并得到每个关键点处的仿射[0165]利用多尺度MSER算法提取图像中的关键点并得到每个关[0167](3)利用A_SAR_SIFT算法提取参考图与待配准图上的关键点并建立描述子，具体参考图与待配准图上的所有点为对象建立Voronoi多边形，得到每个SAR_SIFT关键点的局基于长度和斜率的异常点删除(outlierremovalbasedonlengthandslop[0169]本实施例弥补了现有SAR图像配准方法的不足，提出使用三阶段配准框架对大视角差异下的SAR图像进行配准。在第一阶段任务中利用多尺度MSER算法、多尺度Harris_局变换模型。该方法深入考虑了SAR图像中存在的散斑噪声以及图像之间存在的严重几何n＝8。ROEWA)算法计算图像在不同尺度因子下的水平梯度Gx,α与垂直梯度Gy,α,从而得到图像在不[0184]3b)将平滑后的直方图峰值对应的方向角作为该关键点的主方向，大于峰值能量rmax方图向量拼接起来并归一化就生成了136维的SAR_S[0188]4b)如果则此关键点与距离它最近的关键点互为正确匹配点对，当阈值distRatio取0.8时得到较小的点对[0196]5d)遍历点对集合Cl中的每一对匹配点，将变换误差e＜3的所有匹配点对进行汇[0198]本实施例的SAR图像配准方法中，步骤1b)中利用多尺度Harris_Affine算法计算[0200]6b)在第k次迭代过程中，利用形状自适应矩阵U(k)对参考图I1以及其上的关键点[0205]6d)利用ROEWA算法计算正方形区域W在尺度因子α[0205]6d)利用ROEWA算法计算正方形区域W在尺度因子α下的水平梯度G与垂直梯度[0213]将正方形区域W内拥有最大SAR_Harris响应值的点作为新的关键点坐标U(k)=U(k)，否则迭代次数加1并继续循环，利用更新后的形状自适应矩阵重新计算在关键点变换矩阵对图像进行变换。对于参考图像I1上的某个关键点(xi,yi)，利用仿射变换矩阵3互包含的极值区域，即Q-Q.,若极值区域为最大稳定极值区域，[0256]8e)利用椭圆的长半轴w、[0260]本实施例的SAR图像配准方法中，步骤(2)和(3)中利用LSS_FLOW算法对点对集合[0261]9a)利用参考点对集合中的匹配点对计算得到待配准图到参考图的变换[0266]9c)利用ROEWA算法计算图像I1与在尺度因子α=2下的水平梯度Gx与垂直梯度yy像I1与的SAR_SIFT描述子图I1_desc与E_desc:心，在SAR_SIFT描述子图I1_desc上取出一个边长为2·rlf+1的正方形区域描述子图像I1_为__squ,其中rlf取61；[0279]9g)利用图像的变换模型θ计算点(xiT_new,yiT_new)在原始待配准图I2[0281]9h)遍历待精配点对集合Scoarse中的每一对匹配点后得到了更加准确的点对集合[0282]本实施例的SAR图像配准方法中步骤(3)中以SH,p和SM,p为对象建立Voronoi多边[0288]10f)将位于每个小Voronoi多边形内的SAR_SIFT关键点赋予该多边形内的具有仿[0289]10g)利用点对集合SH,p和SM,p在待配准图像I2上的所有具有仿射不变性的离散点[0290]本实施例的SAR图像配准方法中，步骤(3)和(4)中利用LSOR算法对整幅图像上的[0291]11a)利用参考点对集合计算得到待配准图像到参考图像的变换模型θ'，其H,p[0299]11d)对于待筛选点对集合Sfil中在待配准图I2上的[0302]11f)利用阈值对待筛选点对集合Sfil中的所有点对进行筛选，保留满足条件的匹(4α+1)范围内的像素点灰度值的指数加权均值Mm和Mn,然后将Mm和Mn作商并取对