多角度SAR图像匹配

最新推荐文章于 2024-04-21 12:11:39 发布

爱学习的小伟

最新推荐文章于 2024-04-21 12:11:39 发布

阅读量1.3k

点赞数

分类专栏： SAR成像处理文章标签：计算机视觉深度学习图像处理算法

本文链接：https://blog.csdn.net/smyounger/article/details/123536779

版权

SAR成像处理专栏收录该内容

36 篇文章 117 订阅

订阅专栏

多角度SAR图像匹配时一项非常有挑战性的工作，因为同一目标由于雷达观测角度的不同，而有不同的后向散射系数，使得同一目标在不同图像中有较大的差异，难以提取共同的边界或纹理信息。Dell’Acqua首次提出了针对多角度SAR图像配准的方法[1]，在这种方法中，道路交叉处被提取出来当作控制点，然后利用对相关关系和几何特性的分析实现匹配。然而，如果图像质量太差或者边缘对比度太低（这种情况通常出现在星载SAR图像中），道路边缘及其交叉点很难被精确的检测到。在对多时/多传感的不同灰度特征图像配准问题的研究过程中，Bentoutou等人提出了一种解决方案[2]，该方案包括首先在参考图像中根据边缘信息选择一些比较突出的控制点（Control Points, CPs），然后在观测图像中找出对应的CPs点，具体方法（based on local similarity detection by means of template matching according to a combined invariants-based similarity measure）尽管这种方法在对SAR图像的配准有了成功的利用，但由于忽略了全局信息，有时仍然会导致失配。在充分考虑局部结构信息和全局信息的基础上，Liu等人提出了一种简单、稳健的特征点匹配算法：restricted spatial order constraints (RSOC)[3]，并使用29对光学和SAR图像来检测算法的工作性能。实际上，当正确匹配的点太少，且被未匹配的点包围的时候，RSOC的表现往往不尽人意。

多角度SAR图像匹配的关键是是选择合适的特征物，幸运的是，在SAR图像中，地面目标更容易获得，而且与其他特征物（如道路交叉点、区域边缘等）相比，有更高的信噪比和对比度，这意味着即使在一些质量较差的图像中，也可以对其特征进行检测。Li提出了一种新颖的多角度SAR图像匹配的方法[4]，该方法主要包含以下5步：

1. 从参考图像和观测图像中，通过小波系数融合的方法，提取CPs。CPs点的确定原则：将离得很近的目标的边界的中心当作CPs点（Since we consider the gravity centers of the closed-target boundaries as the locations of CPs for further processing, the target feature that appears intact is more preferable for our matching approach）。利用小波工具，可以将这些点与背景更好区分开来。

2. 通过向量投票的方式，在参考图像中寻找与观测图像中CP对应的控制点，这一过程仅依赖几何信息，因此对目标纹理特征并不敏感。

3. 以一种高效、稳健的方式实现对应CP的搜寻。

4. 由于目标散射特性的各向异性，导致目标在不同观测角度得到的图像的中心不完全重合，因此要用归一化互信息（normalized mutual information, NMI）方法对重心位置重定位。

5. 虽然中心位置重定位可以减小位置误差，但有时还有有较大误差存在，因此这里将一些离群值剔除，进一步减小位置误差。最后在根据CPs点的匹配情况对图像进行扭曲变形操作，实现图像匹配。

参考文献