本發(fā)明屬于圖像配準(zhǔn)
技術(shù)領(lǐng)域：
，具體涉及一種用于光學(xué)與合成孔徑雷達(dá)圖像配準(zhǔn)的方法。
背景技術(shù)：
：合成孔徑雷達(dá)(syntheticapertureradar，sar)能夠在全氣候條件下全天提供高分辨率圖像。隨著成像技術(shù)的發(fā)展，獲取某一地區(qū)圖像的方法變得多種多樣，這些圖像之間可能會存在成像方式、拍攝角度、拍攝時間等方面的差異。不同的成像方法之間存在一定的互補(bǔ)性，例如sar圖像能夠清晰地反映目標(biāo)的細(xì)節(jié)信息，光學(xué)圖像能給人以直觀的認(rèn)識。為充分發(fā)揮不同成像方式的優(yōu)勢，需要對圖像進(jìn)行融合操作，而配準(zhǔn)是圖像融合的必要步驟。圖像配準(zhǔn)的目的是找到參考圖像和待配準(zhǔn)圖像之間的變換關(guān)系，求取對應(yīng)的變換矩陣。配準(zhǔn)按照數(shù)據(jù)類型分為同源圖像配準(zhǔn)和異源圖像配準(zhǔn)，按照方法分為基于特征和基于灰度信息兩大類。方法的選擇對于配準(zhǔn)效果影響很大，基于特征的配準(zhǔn)方法具有魯棒性強(qiáng)、運算速度較高的優(yōu)點，而對于大場景圖像配準(zhǔn)而言，基于灰度的配準(zhǔn)方法運算量較大，無法滿足圖像快速配準(zhǔn)的要求。因此對于異源大場景圖像配準(zhǔn)，多采用基于特征的配準(zhǔn)方法。其中常用特征有點特征、線特征、輪廓特征等，特征的選取需要根據(jù)圖像數(shù)據(jù)的實際特點進(jìn)行選擇。在異源圖像配準(zhǔn)中，以光學(xué)圖像和sar圖像配準(zhǔn)最為常見，但是由于sar采用相干原理側(cè)視成像，所成圖像具有一定的特殊性。其中由于sar圖像中每個像素點的灰度值實際上反映的是目標(biāo)散射強(qiáng)度，基于灰度信息的配準(zhǔn)方法將不能很好地實現(xiàn)圖像配準(zhǔn)，而受相干斑噪聲以及圖像畸變等因素影響，常用的基于特征配準(zhǔn)方法如尺度不變特征轉(zhuǎn)換算法(scale-invariantfeaturetransform，sift)、speeded-uprobustfeatures(surf)算法等對光學(xué)和sar異源圖像配準(zhǔn)的效果有限，點對正確匹配率較低，無法達(dá)到精確配準(zhǔn)的要求。因此迫切需要一種新的方法實現(xiàn)光學(xué)圖像與sar圖像配準(zhǔn)。技術(shù)實現(xiàn)要素：為了解決傳統(tǒng)方法對于光學(xué)圖像與sar圖像配準(zhǔn)適用性較差的問題，本發(fā)明提出了一種新的基于線特征與空間一致性準(zhǔn)則(spatialconsistencymatching，scm)sar圖像與光學(xué)圖像配準(zhǔn)方法。本發(fā)明的技術(shù)方案是：一種用于光學(xué)與合成孔徑雷達(dá)圖像配準(zhǔn)的方法，其特征在于，包括以下步驟：s1、采用lsd算法分別提取光學(xué)圖像與sar圖像中的線段特征；lsd算法相較霍夫變換(houghtransform)，lsd算法的運算效率更高，虛警率低，檢測結(jié)果能夠達(dá)到亞像素級別，被廣泛應(yīng)用于遙感圖像的線特征檢測；s2、分別對步驟s1中獲得的線段進(jìn)行篩選以降低重復(fù)率；s3、分別獲得光學(xué)圖像與sar圖像中的線段交點；s4、對獲取的光學(xué)圖像線段交點和sar圖像線段交點進(jìn)行特征向量描述，獲得初始配對點；s5、對初始配對點進(jìn)行篩選以剔除誤匹配點對；s6、對經(jīng)過步驟s5后獲得的匹配點對，用隨機(jī)抽樣一致算法求取對應(yīng)的變換矩陣。上述方案中，步驟s1所述的采用lsd算法提取光學(xué)圖像與sar圖像中的直線特征采用的是目前傳統(tǒng)的技術(shù)，本發(fā)明對其進(jìn)行簡要描述，主要包括：s11、以尺度s對輸入圖像進(jìn)行高斯下采樣，獲得特征點；s12、計算每一個特征點點的梯度值和梯度方向；s13、根據(jù)梯度值對所有點按小到大的順序進(jìn)行偽排序，設(shè)置標(biāo)記值對所有點的狀態(tài)進(jìn)行標(biāo)記，所述標(biāo)記值包括已使用和未使用，該步驟中將所有點的狀態(tài)設(shè)置為未使用；s14、將梯度小于閾值ρ的點的狀態(tài)設(shè)置為已使用；s15、采用梯度最大的點作為種子點，并將其狀態(tài)設(shè)置為已使用，通過以下方法提取直線特征：s151、以種子點為起點，搜索周圍狀態(tài)設(shè)置為未使用并且方向在閾值[-ρ,ρ]范圍內(nèi)的點，將被搜索到的點狀態(tài)設(shè)置為已使用；s152、根據(jù)步驟s151得到的所有點，生成包含所有點的矩形r；s153、判斷同性點密度是否滿足閾值d，若不滿足，將矩形r設(shè)置為多個矩形框，直至滿足；s154、計算虛警概率點數(shù)目nfa；s155、改變矩形r使得nfa的值更小直至nfa≤ε，獲得直線特征。進(jìn)一步的，所述步驟s2的具體方法為：采用極坐標(biāo)形式，設(shè)直線與x坐標(biāo)軸的正向夾角為θ，原點到直線的距離為d，通過以下判別式對直線進(jìn)行篩選：|θ1-θ2|>5°|ρ1-ρ2|>1保留滿足上述判別式的直線。上述方案用于在完成直線特征提取之后，對直線進(jìn)行篩選，以便降低重復(fù)率和減少后期求取直線交點時不必要的運算量。進(jìn)一步的，所述步驟s3的具體方法為：對直線ρ1＝xcosθ1+ysinθ1和直線，通過以下公式獲得它們的直線交點坐標(biāo)(x0，y0)：判斷獲得的直線交點是否超出圖像行列范圍，若是，則舍去該點，否者進(jìn)入下一步。進(jìn)一步的，所述步驟s4具體方法為：s41、設(shè)圖像中的任意一點為l(x,y)，點l(x,y)的模m(x,y)以及方向θ(x,y)的公式為：θ(x,y)＝tan-1{[l(x,y+1)-l(x,y-1)]/[l(x+1,y)-l(x-1,y)]}s42、得到模值及方向后，進(jìn)行方向分配：以一定大小的半徑在輸入圖像上劃定一塊圓形區(qū)域，并以10度為間隔在0°-360°范圍內(nèi)進(jìn)行劃分，對直線交點的鄰域像素進(jìn)行統(tǒng)計，得到整個36柱梯度直方圖，指定梯度直方圖的峰值方向為直線交點的主方向；s43、在得到直線交點的位置、尺度和方向信息后，首先旋轉(zhuǎn)坐標(biāo)軸使其x軸方向與交點的主方向重合，然后在交點周圍選取8×8的窗口；以45°為間隔，在0°-360°的范圍內(nèi)共有8個梯度方向，對特征點周圍4×4的鄰域進(jìn)行梯度計算，最終得到2×2＝4個種子點；實際計算中，為了提高特征匹配的魯棒性，通常對每個特征點采用4×4＝16個種子點的方式進(jìn)行特征描述，得到128維特征向量。s44、計算參考圖像和待配準(zhǔn)圖像中特征向量之間的歐氏距離，若最小距離與次小距離比值小于等于閾值，則認(rèn)為是初始匹配點對。上述方案通過對線段交點進(jìn)行特征向量描述，并用最鄰近準(zhǔn)則對點對進(jìn)行初步篩選；傳統(tǒng)的方法有窮舉法、歸一化互相關(guān)匹配法(normalizedcorsscorrelation，ncc)、奇異值分解算法(singularvaluedecomposition，svd)等，其中由于交點數(shù)量較多，超出計算機(jī)的處理能力，窮舉法無法完成點對的配準(zhǔn)操作。而ncc算法、svd算法同樣無法實現(xiàn)點對的正確配準(zhǔn)。進(jìn)一步的，所述步驟s5具體方法為：在計算機(jī)視覺應(yīng)用中，?？紤]圖像中點對的空間位置關(guān)系，包括長度關(guān)系和角度關(guān)系。由于空間位置關(guān)系不易受圖像噪聲等因素的影響，可以很好地用來剔除誤匹配點對。采用空間一致性準(zhǔn)則對步驟s4中獲得的初始匹配點對進(jìn)行篩選，剔除不滿足以下公式的初始匹配點對：|θ(b,c)-θ(b,c)|<tθ||bc|/|bc|-α|<tα其中，當(dāng)參考圖像和待配準(zhǔn)圖像僅存在尺寸或者分辨率上的差異時，θ(b,c)為光學(xué)圖像中的直線bc與水平方向的夾角；θ(b,c)為sar圖像中的直線bc與水平方向的夾角；光學(xué)圖像中(b,c)兩點之間的距離為|bc|，sar圖像中(b,c)兩點之間的距離為|bc|，tθ、tα分別為角度差和距離比值差的閾值，α為距離比值的閾值。若閾值設(shè)置較小，則點對配準(zhǔn)率會得到相應(yīng)提高，但是一定程度上減少了點對數(shù)目，影響后續(xù)變換矩陣的求取。進(jìn)一步的，所述步驟s6具體方法為采用隨機(jī)抽樣一致算法獲得對應(yīng)的變換矩陣，包括：s61、從匹配點對中隨機(jī)抽取3組作為初始隨機(jī)抽樣一致算法的樣本，計算出相應(yīng)的仿射變換矩陣，設(shè)定初始的最優(yōu)的內(nèi)點數(shù)m為0，其中仿射變換模型為：其中為變換矩陣，表示平移變換的程度；s62、計算待配準(zhǔn)圖像中剩余的匹配點對經(jīng)過仿射變換后對應(yīng)的坐標(biāo)，通過設(shè)置合理的閾值t，計算其與參考圖像中對應(yīng)點對之間的距離，并與設(shè)定的閾值進(jìn)行比較劃分為內(nèi)點數(shù)據(jù)和外點數(shù)據(jù)；s63、如果當(dāng)前內(nèi)點數(shù)大于最優(yōu)內(nèi)點數(shù)m，那么就更新m的值，保存最優(yōu)的仿射矩陣；s64、重復(fù)執(zhí)行步驟s61-步驟s63，直至獲得具有最多點滿足的函數(shù)為求取的變換矩陣，滿足該變換矩陣的點為最終配準(zhǔn)點對。本發(fā)明的有益效果為：本發(fā)明采用了基于線特征和空間約束準(zhǔn)則進(jìn)行配準(zhǔn)，通過提取相應(yīng)的直線特征并且通過求取對應(yīng)的交點，間接得到點特征，并對交點進(jìn)行特征向量描述，并對初始匹配后的點對采用空間約束準(zhǔn)則進(jìn)行篩選，最終完成圖像配準(zhǔn)，同常用的配準(zhǔn)方法相比，本發(fā)明的圖像點對配準(zhǔn)率得到了一定程度的提升，有利于后續(xù)的圖像融合等工作。附圖說明圖1為基于線特征與空間約束的光學(xué)圖像與sar圖像配準(zhǔn)流程圖；圖2為光學(xué)圖像與sar圖像直線特征圖；圖3為極坐標(biāo)表示的直線及其交點示意圖；圖4為特征向量描述過程示意圖；圖5空間約束一致性準(zhǔn)則示意圖；圖6為基于sift算法的光學(xué)圖像和sar圖像配準(zhǔn)結(jié)果圖；圖7為基于surf算法的光學(xué)圖像和sar圖像配準(zhǔn)結(jié)果圖；圖8為基于本發(fā)明的光學(xué)圖像和sar圖像配準(zhǔn)結(jié)果圖。具體實施方式下面結(jié)合實施例，詳細(xì)描述本發(fā)明的技術(shù)方案：實施例下面以所用的光學(xué)圖像與sar圖像數(shù)據(jù)分別為德國oberpfaffenhofen地區(qū)、美國albuquerque地區(qū)以及美國fortjefferson地區(qū)為例。附圖2為采用lsd算法提取的直線特征圖，德國oberpfaffenhofen地區(qū)的光學(xué)圖像和sar圖像大小分別為800×800、1200×1300，美國albuquerque地區(qū)的光學(xué)圖像和sar圖像大小分別為399×459、500×457，美國fortjefferson地區(qū)的光學(xué)圖像和sar圖像大小分別為570×440、531×399。附圖4為特征向量描述過程示意圖。圖4（a）為直線交點主方向示意圖，圖4（b）為特征點描述向量示意圖。附圖5為空間約束準(zhǔn)則示意圖。當(dāng)點對之間空間位置關(guān)系滿足如圖所示時，認(rèn)為符合空間一致性準(zhǔn)則。附圖6給出了采用sift算法的配準(zhǔn)結(jié)果圖像，高斯尺度空間共有4組，每組內(nèi)有6層圖像。得到對應(yīng)極值點后，通過特征描述，得到對應(yīng)的128維特征向量。點對的匹配采用最鄰近準(zhǔn)則。通過計算參考圖像點與待配準(zhǔn)圖像點對之間的歐氏距離，若最小距離與次小距離的比值在設(shè)定閾值范圍內(nèi)，則認(rèn)為點對正確匹配。三組對應(yīng)的距離閾值為0.75、0.8、0.8，可以看出sift算法不能很好地實現(xiàn)光學(xué)圖像和sar圖像的配準(zhǔn)。附圖7給出了采用surf算法的配準(zhǔn)結(jié)果圖像，與sift算法不同，surf算法通過改變高斯模糊模板的尺寸得到相應(yīng)的尺度空間，共有5組，每組有5層圖像。得到對應(yīng)極值點并進(jìn)行特征向量描述，得到對應(yīng)的64維向量。計算對應(yīng)向量之間歐式距離，并將距離最小的點對設(shè)定為匹配點對。同樣surf算法也無法實現(xiàn)光學(xué)圖像和sar圖像的配準(zhǔn)。附圖8為本發(fā)明所用方法的配準(zhǔn)結(jié)果，德國oberpfaffenhofen地區(qū)、美國albuquerque地區(qū)和美國fortjefferson地區(qū)的光學(xué)圖像與sar圖像的空間約束準(zhǔn)則參數(shù)設(shè)置如下：表1為本發(fā)明方法與sift算法、surf算法配準(zhǔn)效果對比示意：表1本發(fā)明方法與sift算法、surf算法配準(zhǔn)效果對比點對數(shù)目正確匹配數(shù)目匹配準(zhǔn)確率sift算法305356.6％surf算法5048％本發(fā)明方法6583.33％(a)德國oberpfaffenhofen地區(qū)點對數(shù)目正確匹配數(shù)目匹配準(zhǔn)確率sift算法352468.57％surf算法2813.57％本發(fā)明方法6583.33％(b)美國albuquerque地區(qū)點對數(shù)目正確匹配數(shù)目匹配準(zhǔn)確率sift算法662740.61％surf算法1061716.04％本發(fā)明方法6466.67％(c)美國fortjefferson地區(qū)由表1可以看出，本發(fā)明的方法較好地完成了光學(xué)圖像和sar圖像的配準(zhǔn)。當(dāng)前第1頁12