摘要:本文提出一種合成孔徑雷達(dá)(SAR)與慣導(dǎo)(INS)結(jié)合的圖像智能匹配方法。利用圖像邊緣的B樣條模型,在仿射形狀空間中進(jìn)行匹配,并且將結(jié)構(gòu)信息融入其中,提高匹配性能。
關(guān)鍵詞:合成孔徑雷達(dá);圖像匹配;智能導(dǎo)航
中圖分類號:TP391.41 文獻(xiàn)標(biāo)識碼:A 文章編號:1007-9599 (2012) 20-0000-02
合成孔徑雷達(dá)(SAR)與慣導(dǎo)(INS)結(jié)合的圖像匹配智能導(dǎo)航系統(tǒng)在航空科學(xué)和軍事中都有廣泛的應(yīng)用,特別是在精確打擊武器的末段制導(dǎo)方面,是其必須解決的一個基本問題,其匹配性能直接決定了攻擊的準(zhǔn)確性。目前,由于圖像邊緣特征的相對穩(wěn)定性,基于邊緣特征的匹配方法成為研究熱點(diǎn),但大多數(shù)匹配方法不能處理圖像的仿射變形,沒有考慮特征之間的空間結(jié)構(gòu)信息,難以滿足構(gòu)像方程解算對多個對應(yīng)點(diǎn)在空間上要盡量均勻分布的要求。本項(xiàng)目旨在利用圖像邊緣的B樣條模型,在仿射形狀空間中進(jìn)行匹配,并且將結(jié)構(gòu)信息融入其中,提高匹配性能。
1 SAR圖像無抽樣小波域貝葉斯軟閾值噪聲抑制
合成孔徑雷達(dá)的成像原理決定了圖像中必然存在相干斑噪聲,為了正確地對圖像進(jìn)行邊緣提取,必須在有效去除噪聲的同時,盡可能保留邊緣信息。SAR圖像上的斑點(diǎn)為乘性形式,當(dāng)服從Gamma分布的乘性噪聲模型取對數(shù)后為加性噪聲,噪聲分布近似為高斯分布。我們首先進(jìn)行SAR圖像的對數(shù)變換,并對對數(shù)SAR圖像的均值進(jìn)行歸一化,使其滿足均值為零的高斯分布。由于圖像的斑點(diǎn)噪聲主要集中在圖像的高頻部分,我們考慮在多尺度小波域抑制噪聲。對于加性噪聲模型,小波變換后的輸入圖像的小波系數(shù)為真實(shí)圖像的小波系數(shù)與噪聲的小波系數(shù)之和。在Mallat算法中,每次濾波后都要經(jīng)過亞采樣,對應(yīng)于圖像邊緣或不連續(xù)點(diǎn)的小波系數(shù)可能被抽樣掉。為克服這種缺陷,我們采用atrous算法的無抽樣小波變換,這種算法在每一次濾波后不進(jìn)行抽樣,是通過有限濾波器的內(nèi)插近似,從而達(dá)到無抽樣離散小波變換,其圖像大小與原始圖像尺寸相同。根據(jù)小波系數(shù)的廣義高斯分布模型,利用貝葉斯框架得到自適應(yīng)閾值。去噪過程如下:估計SAR圖像的二次中心矩;對含噪的實(shí)時SAR圖像作非抽樣小波變換,分解成幾層,得到相應(yīng)的小波系數(shù);通過二次中心矩求出各層小波系數(shù)的局部噪聲方差;然后調(diào)整各層窗口大小,估計小波系數(shù)的噪聲方差;在子帶非抽樣小波系數(shù)上估計含噪信號的方差;進(jìn)一步求解出子帶上的反射率方差,利用貝葉斯軟閾值,估計反射率相應(yīng)子帶的小波系數(shù);對濾波后反射率的小波系數(shù)估計值進(jìn)行非抽樣反變換重構(gòu)圖像。
2 邊緣特征在仿射變形空間的B樣條建模
在SAR圖像去噪后,我們用形態(tài)學(xué)處理獲取目標(biāo)成像區(qū)域,并根據(jù)區(qū)域內(nèi)部點(diǎn)與外部點(diǎn)的區(qū)別提取目標(biāo)邊緣輪廓。目標(biāo)成像區(qū)域體現(xiàn)了目標(biāo)散射中心的分布,而目標(biāo)自身結(jié)構(gòu)決定其散射中心分布可能并不集中,導(dǎo)致目標(biāo)邊緣輪廓可能由多個部分組成。我們用邊緣跟蹤獲得邊緣序列點(diǎn),并以此為控制點(diǎn)建模該邊緣的二次B樣條曲線,所有邊緣序列點(diǎn)坐標(biāo)構(gòu)成一個控制點(diǎn)向量
其中, , , 是所有控制點(diǎn) 坐標(biāo)組成的列向量, 是所有控制點(diǎn) 坐標(biāo)組成的列向量。
為提高基于邊緣特征匹配方法的性能,要考慮目標(biāo)可能存在的多個邊緣輪廓及相互的局部空間結(jié)構(gòu),分別用二次B樣條曲線擬合每一邊緣輪廓,這樣目標(biāo)每個邊緣都對應(yīng)一個控制點(diǎn)向量。在 時刻,目標(biāo)成像區(qū)域的某個邊緣可以用B樣條曲線表達(dá):
其中, 為B樣條基函數(shù)。
為了處理SAR圖像可能存在仿射變形情況,我們將控制點(diǎn)向量 線性映射為形狀空間中的形狀向量 :
式中, 是 維的形狀矩陣, 是參考圖像邊緣對應(yīng)的控制點(diǎn)向量。形狀空間的維數(shù) 一般要遠(yuǎn)小于控制點(diǎn)向量空間的維數(shù) ,這樣,形狀空間可以使邊緣輪廓匹配的性能更穩(wěn)定,而且使匹配算法的計算量減小。我們采用的形狀空間是平面仿射形狀空間,這時,
其中, 和 都是 向量, 和 分別是 的坐標(biāo)分量,例如:可用 代表參考圖像邊緣旋轉(zhuǎn)了 角度,它描述平面或可以合理地近似成平面的目標(biāo)進(jìn)行三維運(yùn)動在圖像平面內(nèi)的投影形成的變換群,該平面仿射變換可以理解為作用于參考圖像邊緣的一類線性變換。形狀矩陣 的前兩列表示目標(biāo)的水平位移和垂直位移,后四列表示運(yùn)動目標(biāo)的旋轉(zhuǎn),尺度變化和剪切變形。通過B樣條建模,既可以考慮邊緣上每個控制點(diǎn)與參考圖像邊緣控制點(diǎn)的局部對應(yīng)關(guān)系,又可以考慮邊緣之間的結(jié)構(gòu)信息。
3 基于粒子濾波的仿射變形邊緣匹配
粒子濾波又稱蒙特卡羅仿真,是一種以貝葉斯推理為核心的濾波技術(shù)。它用一組加權(quán)的隨機(jī)采樣來近似表示所求的后驗(yàn)概率密度函數(shù)?;诹W訛V波的邊緣匹配的思路是將匹配問題轉(zhuǎn)換為貝葉斯估計問題,已知目標(biāo)邊緣狀態(tài)的先驗(yàn)概率,在獲得新的SAR圖像邊緣觀測數(shù)據(jù)后不斷求解目標(biāo)邊緣狀態(tài)的最大后驗(yàn)概率的過程。匹配過程如下:
3.1 時刻,在仿射形狀空間中產(chǎn)生初始粒子集,其中每個粒子狀態(tài)為形狀向量,用六個仿射變形參數(shù)表達(dá),六個參數(shù)的初始化服從均勻分布。
3.2 得到 時刻SAR圖像中的邊緣。
3.3 計算粒子集中各個粒子的權(quán)值:
(1)用公式 計算每個粒子狀態(tài)所對應(yīng)的控制向量,進(jìn)而得到每個控制點(diǎn)。(2)通過邊緣跟蹤獲得序列點(diǎn)作為曲線參數(shù)向量,在每個控制點(diǎn)計算B樣條基函數(shù),并獲得每個控制點(diǎn)的坐標(biāo)。(3)通過在每個控制點(diǎn)的坐標(biāo)計算B樣條基函數(shù)的一階偏導(dǎo)數(shù)獲得該控制點(diǎn)處曲線的切向量,進(jìn)而得到該點(diǎn)處曲線的法向量。(4)歸一化法向量。(5)沿著每個點(diǎn)的曲線法向搜索得到觀測。(6)根據(jù)觀測似然公式計算每個粒子的權(quán)值。
3.4 歸一化粒子集中所有粒子的權(quán)值,并計算每個粒子的累積權(quán)值。
3.5 把權(quán)值最大的粒子狀態(tài)輸出,得到六個仿射變形參數(shù)。
3.6 在 時刻,根據(jù)累積權(quán)值從初始粒子集中重采樣獲得新的粒子集。
3.7 從 以后,執(zhí)行匹配濾波過程,用系統(tǒng)狀態(tài)方程對每個粒子狀態(tài)進(jìn)行預(yù)測,通過觀測似然計算每個粒子的權(quán)值。
4 結(jié)束語
實(shí)驗(yàn)結(jié)果表明,本項(xiàng)目利用圖像邊緣的B樣條模型,在仿射形狀空間中進(jìn)行匹配,并且將結(jié)構(gòu)信息融入其中,有效地提高了匹配性能。另外,在匹配過程中,同時提供兩幅圖像之間相對平移與旋轉(zhuǎn)的相似變換參數(shù),這勢必為后續(xù)的處理提供便利。該項(xiàng)目成果有望直接應(yīng)用到SAR與INS結(jié)合的圖像匹配智能導(dǎo)航系統(tǒng)中,也可以應(yīng)用到SAR圖像解譯中,應(yīng)用前景十分明朗。
參考文獻(xiàn):
[1]王其聰.復(fù)雜觀測條件下的基于粒子濾波的視覺跟蹤[D].浙江大學(xué)博士論文,2007,10.
[2]李軍俠.小波域局部貝葉斯閾值的SAR圖像斑點(diǎn)抑制算法[J].系統(tǒng)工程與電子技術(shù),2006,6.
[3]徐牧.基于目標(biāo)輪廓特征的SAR圖像目標(biāo)識別[J].系統(tǒng)工程與電子技術(shù),2006,12.
[4]田金文.基于圖像分割的SAR圖像匹配方法[J].華中科技大學(xué)學(xué)報(自然科學(xué)版),2006,10.
[基金項(xiàng)目]佳木斯大學(xué)科研項(xiàng)目,項(xiàng)目編號:L2010-158
[作者簡介]胡亞丹,女,黑龍江佳木斯人,學(xué)歷:碩士,工作單位:佳木斯大學(xué),講師,研究方向:模式識別與智能控制。