【图像配准】 SAR-SIFT改进的SAR图像配准【含Matlab源码 2336期】

Matlab仿真科研站

于 2024-04-21 20:14:03 发布

阅读量1.4k

点赞数 28

分类专栏： Matlab图像处理（仿真科研站版）文章标签： matlab

本文链接：https://blog.csdn.net/Matlab912100926/article/details/138043877

版权

Matlab图像处理（仿真科研站版）专栏收录该内容

777 篇文章 16 订阅

订阅专栏

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。
在这里插入图片描述

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、基于SAR-SIFT改进的SAR图像配准

合成孔径雷达(synthetic aperture radar,SAR)图像配准的主要目标是对同一或不同传感器在不同时间、不同视点捕获的SAR图像进行配准。SAR因具有全天候成像能力和地物穿透能力，因此具有非常广泛的应用，如变化检测[1]、图像融合[2]、目标检测与识别[3]。

图像配准方法可分为两类:基于区域的配准方法和基于特征的配准方法[4]。基于区域的配准方法对噪声敏感，当目标发生形变、旋转、尺寸变换时容易导致算法失败且计算量过大。SAR图像中通常包含许多不同的特征，因此基于特征的配准方法具有较高的计算效率[5]。对SAR图像匹配而言，更具研究意义和实用价值。

虽然SIFT算法已经在光学遥感的各种应用中证明了其有效性，但是对于SAR图像而言，情况有所不同。SAR图像成像条件复杂，特别是斑点噪声的存在，导致SIFT类算法检测到大量的虚假特征点，这些点随机性强，易造成误匹配和少匹配，影响了同名点自动提取的性能。SIFT算法在这类图像上表现不佳，一些学者提出了改进算法的几点建议。文献[6]提出了SIFT-OCT算法，通过跳过尺度空间金字塔的第1组减小斑点的影响。然而，在许多SAR图像对中，它不能产生足够的正确匹配。文献[7]考虑关键点之间的空间关系抑制虚假对应。文献[8]提出了AAG-SIFT算法，该算法用各向异性尺度空间(anisotropic scale space,ASS)代替高斯尺度空间(gaussian scale space,GSS)降低边缘噪声的影响。

上述基于SIFT改进的算法都是通过差分计算梯度，对SAR图像中的散斑噪声比较敏感。因此，文献[9]提出了SAR-SIFT算法，该算法采用了一种新的梯度计算方法，用指数加权均值比(ratio of exponential weighted average,ROEWA)算子取代差分方法，通过对原始图像使用不同权重的ROEWA算子，算出对应的SAR-Harris函数，构建了SAR-Harris尺度空间，有效地增强了算法对SAR图像的稳健性。

考虑到ASS和ROEWA算子对散斑噪声具有稳健性，同时受到文献[10]利用相位一致性(phase congruency,PC)和基于非线性扩散的SIFT进行SAR图像配准的启发。本文结合非线性扩散滤波和PC信息对SAR-SIFT算法进行改进，进一步抑制斑点噪声影响。首先，利用非线性扩散滤波(nonlinear diffusion filter,NDF)构建SAR-SIFT的尺度空间(nonlinear diffusion scale space,NDSS)，然后，在NDSS不同尺度上计算SAR-Harris函数，该方法在去除噪声的同时保留边界信息。为了减少噪声对NDSS构造的影响，利用ROEWA算子计算NDSS构造过程中所需的梯度信息。此外，通过计算特征点的PC信息滤除初始特征点中的虚假点，提高特征点的可靠性。

1 改进的SAR-SIFT算法
SAR图像上存在的乘性噪声，对图像匹配的影响主要体现在2个阶段[11]:(1)在特征检测阶段，会导致检测出一些噪声点;(2)在特征描述阶段，斑点噪声影响了特征点邻域的质量。本文提出的算法可以减少特征检测阶段虚假点数量，减少误匹配，提高匹配速度;同时在特征描述阶段，为特征点提供更好的领域质量，提高特征点的可区分性。

本文算法改进方面包括:(1)利用非线性扩散滤波生成SAR图像的NDSS，在非线性尺度空间不同尺度层上算出对应的SAR-Harris函数;(2)为了使得NDSS对散斑噪声具有稳健性，NDSS构造过程中的梯度信息也采用ROEWA算子计算;(3)PC信息去除初始关键点中由散斑引起的虚假点。

1.1 构建非线性尺度空间
SAR-SIFT算法的尺度空间是对原始图像使用不同权重的ROEWA算子，算出对应的SAR-Harris函数，构建了SAR-Harris尺度空间。为了进一步提高算法对散斑噪声的稳健性，提升算法性能，本文算法构造NDSS,NDSS可以在抑制散斑噪声的同时保持边界信息，在NDSS的基础上通过不同权重的ROEWA算子计算SAR-Harris函数。

目前，构建NDSS最常用的方法为文献[12]中在热扩散方程的基础上建立的各向异性扩散方程，称为P-M扩散方程，如下
在这里插入图片描述
式中，!u为图像的梯度模值;div为散度算子;u0为原始图像;g(x)为扩散系数。g(0)=1,g(x)≥0，并且g(x)在无穷远处趋于0。这表明由方程得到的平滑过程是有条件的:如果梯度值!u(x)大，扩散就会很慢，因此边缘将被保留;如果梯度值中u(x)小，那么在x附近会更加平滑。本文选用了文献[13]提出的扩散函数，该扩散函数能快速降低扩散率，同时对边缘进行增强，定义为
在这里插入图片描述
式中，参数k为对比度因子，控制着扩散方程的平滑力度，决定保留边缘信息的多少。k值通过图像梯度直方图估计。

在求解对比因子k和扩散函数g的过程中，需要图像中的梯度信息。通常可以用简单的一阶差分法得到梯度。然而，由于乘性散斑噪声的存在，导致在高反射率区域产生假边缘，在低反射率区域丢失一些图像信息，这种方法并不适用SAR图像。与差分梯度法不同，不同反射率的均匀区域对ROEWA计算的梯度影响较小[9]。因此，采用ROEWA算子计算梯度信息，使得非线性尺度空间对散斑噪声更具有稳健性。

由于没有求解非线性扩散方程的有效的解析法，需要使用数值方法求近似解。文献[13]提出了一种计算效率高的方法，其中使用了加法算子分裂(additive operator splitting,AOS)方案。将AOS方案应用到式(1)中，以迭代形式进行离散化和重构
在这里插入图片描述
式中，τ为时间步长;l为方向;矩阵Al为沿l方向的导数;Li和Li+1分别为ti和ti+1时刻的图像;I为单位矩阵。对于这样一个离散后的方程组，可以采用Thomas法进行快速求解。利用AOS将二维扩散滤波分解为2个独立的一维扩散过程，在x、y方向上求解相应的线性方程组
在这里插入图片描述
NDSS的构建，即将尺度空间指数离散化递增，形成mmax层子空间。非线性扩散滤波模型是以时间为单位，离散尺度α需要转换为时间单位

式中，参数α计算为

式中，α0为尺度的初始基准值;mmax为尺度空间总的层数。

因此，各向异性尺度空间L可由一组由式(4)—式(6)生成的平滑图像组成
在这里插入图片描述
在构建完NDSS后，利用ROEWA算子在NDSS各尺度上计算出SAR-Harris函数。之后的特征检测、描述和匹配的步骤与SAR-SIFT算法相同。

1.2 使用PC信息去除虚假点
由于SAR图像中存在大量的散斑噪声，算法在特征点检测时会检测出大量的虚假点，这些虚假点会导致特征点的错误匹配，进而影响模型转换参数的计算。本文引入了PC信息，PC信息对光照变化、对比度变化和非线性辐射差异具有很强的稳健性，因此利用它去除虚假点是很好的选择。虚假点的去除步骤如下:

(1)先计算参考图和待配准图的每个像素处的PC信息。PC是一种基于图像局部相位信息的特征检测方法，可通过对数Gabor滤波器获得
在这里插入图片描述
(2)在SAR图像中，噪声点或不稳定的特征点的PC强度一般较弱，而稳定的特征点的PC强度一般较高[10,14,15]。因此，本文对特征点按PC强度进行降序排列，舍弃PC强度最低的10%的特征点，将这10%建议经验值的特征点视为虚假点。

根据上述利用PC强度信息去除虚假点，可以去除一些由斑点噪声形成的虚假点，提高特征点的可靠性，从而提高特征点的正确匹配率。

⛄二、部分源代码

clear all;
close all;

%该函数根据各向异性扩散原理构建各向异性的尺度空间，并用harris进行角点检测

%% 读入并显示参考和待配准图像

[filename,pathname]=uigetfile({‘.’,‘All Files(.)’},‘选择参考图像和待配准图像’,…
‘F:\class_file\图像配准\图像配准’);%选择多个图像，这里两个
image_1=imread(strcat(pathname,filename));
[filename,pathname]=uigetfile({‘.’,‘All Files(.)’},‘选择参考图像和待配准图像’,…
‘F:\class_file\图像配准\图像配准’);%选择多个图像，这里两个
image_2=imread(strcat(pathname,filename));

figure;
subplot(2,1,1);
imshow(image_1);
title(‘参考图像’);
subplot(2,1,2);
imshow(image_2);
title(‘待配准图像’);
%button=questdlg(‘是否显示中间结果图像或数据？’,‘显示选择’,‘YES’,‘NO’,‘YES’);
button=‘NO’;

t1=clock;
%% 初始参数设定
sigma_1=1.6;%第一层的尺度
sigma_2=1;
ratio=2^(1/3);%尺度比
nbin=500;%计算对比度因子时候构建的梯度直方图的Bin个数
perc=0.7;%计算对比度因子时候的百分位,这个值越大，平滑越多
Mmax=8;%尺度空间的层数
which_diff=2;%选择计算扩散系数的方程
is_auto=‘YES’;%是否自动计算对比度阈值k
first_layer=1;%极值点检测开始层数

d=0.04;%HARRIS函数任意常数默认是0.04
d_SH_1=0.1;%参考图像阈值如果是scharr滤波时候取值较大500，如果是sobel滤波取值较小
d_SH_2=0.1;%待配准图像阈值

change_form=‘相似变换’;%可以是相似变换，仿射变换，
sift_or_log_polar=‘对数极坐标描述子’;%可以是‘对数极坐标描述子’和‘SIFT描述子’

%% 转换输入图像格式
[_,,num1]=size(image_1);
[_,,num2]=size(image_2);
if(num13)
image_11=rgb2gray(image_1);
else
image_11=image_1;
end
if(num23)
image_22=rgb2gray(image_2);
else
image_22=image_2;
end

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]李培,姜刚,马千里.基于SAR-SIFT改进的SAR图像配准[J].测绘通报. 2021(02)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰