蘇 娟 李 彬 王延釗

?

一種基于封閉均勻區(qū)域的SAR圖像配準(zhǔn)方法

蘇 娟*李 彬 王延釗

(火箭軍工程大學(xué) 西安 710025)

為克服圖像間灰度差異、旋轉(zhuǎn)差異和尺度差異對SAR圖像配準(zhǔn)精度的影響，該文利用均勻區(qū)域在SAR圖像中的灰度統(tǒng)計(jì)特性，提出一種基于穩(wěn)定封閉均勻區(qū)域的SAR圖像配準(zhǔn)算法。首先基于多尺度非線性擴(kuò)散理論，提取得到輪廓保持性較好的封閉均勻區(qū)域；然后構(gòu)建具有仿射不變性的區(qū)域特征，采取基于多邊形擬合的區(qū)域粗匹配方法和基于重合度的區(qū)域精匹配方法，實(shí)現(xiàn)由粗至精的區(qū)域匹配；最后用匹配區(qū)域的質(zhì)心點(diǎn)構(gòu)建圖像變換模型。實(shí)驗(yàn)結(jié)果表明，該算法配準(zhǔn)精度高，能有效克服待配準(zhǔn)圖像之間的灰度差異、旋轉(zhuǎn)差異和尺度差異，對噪聲具有較好的適應(yīng)性。

SAR圖像配準(zhǔn)；封閉均勻區(qū)域；多尺度非線性擴(kuò)散；仿射不變性

1 引言

圖像配準(zhǔn)是尋找兩幅或多幅圖像之間的變換關(guān)系，糾正參考圖像和待配準(zhǔn)圖像之間的幾何畸變，是圖像融合和變化檢測等圖像處理的前提與基礎(chǔ)[1]。參考圖像和待配準(zhǔn)圖像可能成像于不同時(shí)相和不同傳感器，因此存在旋轉(zhuǎn)差異、尺度差異和灰度差異等。

基于特征的圖像配準(zhǔn)方法是圖像配準(zhǔn)的主流方法。該類方法通過提取和匹配圖像的顯著特征，如輪廓、角點(diǎn)、區(qū)域等，構(gòu)建圖像配準(zhǔn)所需的同名點(diǎn)。以SIFT為代表的特征點(diǎn)匹配方法在圖像配準(zhǔn)方面得到了廣泛的應(yīng)用。對于SAR圖像配準(zhǔn)，特征點(diǎn)提取易受SAR圖像固有的相干斑噪聲影響，例如SAR圖像中的亮斑可能被誤檢測為特征點(diǎn)，而真正的特征點(diǎn)卻湮沒在相干斑噪聲中。因此，針對SAR圖像配準(zhǔn)問題，學(xué)者對特征點(diǎn)匹配方法進(jìn)行了諸多改進(jìn)，也對SAR圖像中的穩(wěn)定魯棒特征進(jìn)行了探討[9,10]。文獻(xiàn)[4]針對SAR圖像，在多尺度Harris空間提出了一種SAR-SIFT特征，以SAR邊緣檢測性能較好的ROEWA算子對梯度方向進(jìn)行改進(jìn)，用于提取特征點(diǎn)主方向和構(gòu)建特征描述子，能夠在一定程度上削弱相干斑噪聲對特征點(diǎn)檢測和描述的影響。

封閉均勻區(qū)域是SAR圖像中的一類穩(wěn)定特征。由于目標(biāo)的后向散射強(qiáng)度受目標(biāo)表面粗糙度與雷達(dá)波長的相對關(guān)系的影響，場景中水體、機(jī)場跑道、水泥地面等表面比較光滑的地物容易發(fā)生鏡面反射，在SAR圖像中表現(xiàn)為灰度均勻、形狀閉合的暗色區(qū)域，在不同波段、不同時(shí)相的SAR圖像上具有一定的穩(wěn)定性，因此成為SAR圖像配準(zhǔn)的常用特征。

文獻(xiàn)[10]提出一種基于活動輪廓模型的封閉均勻區(qū)域提取算法，并基于幾何哈希理論實(shí)現(xiàn)區(qū)域輪廓特征點(diǎn)的匹配。文獻(xiàn)[11]是區(qū)域輪廓匹配方面的經(jīng)典文獻(xiàn)，通過采用LoG算子檢測邊緣獲得區(qū)域輪廓，采用不變矩和鏈碼實(shí)現(xiàn)封閉輪廓的匹配，根據(jù)匹配后的閉輪廓質(zhì)心來估計(jì)配準(zhǔn)參數(shù)，但該算法是針對可見光圖像提出的，區(qū)域輪廓檢測精度受邊緣檢測影響較大。文獻(xiàn)[12]通過邊緣檢測與多邊形擬合獲得圖像的主輪廓，采用鏈碼特征對主輪廓進(jìn)行匹配，因此邊緣檢測算法和輪廓上特征點(diǎn)的選擇對配準(zhǔn)精度影響較大。文獻(xiàn)[13]采用閾值分割與聚類分析的方法獲取區(qū)域，采用橢圓傅里葉描述子對區(qū)域進(jìn)行描述與匹配，圖像之間的變換模型參數(shù)通過特征搜索匹配獲得，因此匹配效率和準(zhǔn)確率受到影響。

分析可知，基于區(qū)域特征的SAR圖像配準(zhǔn)大多在提取區(qū)域的基礎(chǔ)上，通過對區(qū)域輪廓構(gòu)建特征描述子實(shí)現(xiàn)區(qū)域的匹配，然后利用區(qū)域特征點(diǎn)構(gòu)建圖像變換模型。當(dāng)兩幅SAR圖像成像于不同波段或不同極化方式時(shí)，圖像之間的灰度特性差異非常明顯，并且圖像受相干斑噪聲影響的程度也各不相同。因此，如何提取穩(wěn)定的區(qū)域輪廓，以及構(gòu)建對圖像之間的旋轉(zhuǎn)差異和尺度差異具有魯棒性的特征描述子，對SAR圖像配準(zhǔn)具有重要的意義。

針對以上問題，本文提出了一種基于封閉區(qū)域特征的SAR圖像配準(zhǔn)算法。在特征提取方面，基于多尺度非線性擴(kuò)散理論和封閉均勻區(qū)域的優(yōu)化條件，從兩幅SAR圖像中分別提取得到輪廓保持性較好的封閉均勻區(qū)域。在特征匹配方面，基于旋轉(zhuǎn)不變性和尺度不變性的考慮，對封閉均勻區(qū)域構(gòu)建多邊形擬合特征和區(qū)域重合度特征，由粗至精地實(shí)現(xiàn)區(qū)域的匹配，匹配區(qū)域的質(zhì)心即可用于構(gòu)建SAR圖像配準(zhǔn)所需的變換模型。

2 本文算法

如圖1所示，本文提出的基于封閉均勻區(qū)域的SAR圖像配準(zhǔn)算法主要包括以下3個(gè)步驟：封閉均勻區(qū)域提取，基于多邊形擬合的區(qū)域粗匹配和基于重合度的區(qū)域精匹配。

圖1 算法的總體框圖

2.1 封閉均勻區(qū)域提取

均勻區(qū)域在SAR圖像上表現(xiàn)為同質(zhì)紋理區(qū)域，與區(qū)域外部的紋理具有明顯的差異，因此通常具有明顯的閉合輪廓。為便于提取并構(gòu)建匹配點(diǎn)對，具有良好閉合度的封閉均勻區(qū)域在匹配中具有較好的應(yīng)用價(jià)值。

2.1.1 基于多尺度非線性擴(kuò)散濾波的均勻區(qū)域初提取 如果對SAR圖像進(jìn)行平滑處理，由于均勻區(qū)域內(nèi)的像元灰度值標(biāo)準(zhǔn)差較小，平滑處理對其影響不大，處理前后標(biāo)準(zhǔn)差變化不明顯；而非均勻區(qū)域內(nèi)的像元灰度值標(biāo)準(zhǔn)差較大，平滑處理前后標(biāo)準(zhǔn)差將出現(xiàn)較大差異。因此可通過對平滑前后SAR圖像進(jìn)行差值化和閾值化實(shí)現(xiàn)SAR圖像中的均勻區(qū)域提取。

多尺度高斯函數(shù)可以實(shí)現(xiàn)對原始SAR圖像的平滑處理。通過改變平滑因子(即高斯分布的標(biāo)準(zhǔn)差)可以生成多張不同尺度的高斯平滑圖像，通過對不同尺度的平滑圖像進(jìn)行差值處理，可以提取出SAR圖像中的均勻區(qū)域。但是，高斯平滑在濾除噪聲的同時(shí)，會使圖像邊緣和地物輪廓發(fā)生模糊，降低均勻區(qū)域邊界的保持能力，給后續(xù)基于邊界的區(qū)域特征描述帶來影響。

針對以上問題，本文用保邊緣的非線性擴(kuò)散函數(shù)取代高斯函數(shù)，對原始SAR圖像進(jìn)行多尺度濾波，生成多尺度的濾波圖像。非線性各向異性擴(kuò)散模型(簡稱PM模型)如式(1)所示[14]。

(2)

2.1.2 均勻區(qū)域的優(yōu)化篩選 為構(gòu)建穩(wěn)定的區(qū)域特征描述，本文算法要求特征區(qū)域滿足以下條件：(1)特征區(qū)域在場景中應(yīng)具有完整性；(2)特征區(qū)域應(yīng)具有比較平滑的邊界。在初步獲取的均勻區(qū)域中，本節(jié)按照上述條件要求，進(jìn)行均勻區(qū)域的自動優(yōu)化篩選。

首先，為滿足區(qū)域的完整性，區(qū)域的邊界應(yīng)完全包含在場景中，本文通過判斷區(qū)域邊界是否在圖像中形成閉合回路實(shí)現(xiàn)對區(qū)域的選取。

其次，為保證區(qū)域邊界的平滑性，本文利用區(qū)域輪廓曲率的穩(wěn)定性[15]對均勻區(qū)域做了篩選。具體步驟如下：

步驟1 提取區(qū)域邊緣，得到二值邊緣圖；

步驟2 計(jì)算邊緣輪廓上每個(gè)邊緣點(diǎn)的曲率k；

采用以上方法，可以去除邊界雜亂無規(guī)則的區(qū)域，使得保留下來的均勻區(qū)域具有完整而平滑的邊界，便于構(gòu)建穩(wěn)定的輪廓特征描述。

當(dāng)特征區(qū)域外邊界所包含范圍內(nèi)存在區(qū)域邊界，即區(qū)域內(nèi)部存在面積較大的“空洞”時(shí)，就會形成區(qū)域嵌套，即內(nèi)部區(qū)域，例如機(jī)場跑道的內(nèi)部區(qū)域。這些內(nèi)部區(qū)域的存在破壞了區(qū)域的空間完整性，不利于后續(xù)的配準(zhǔn)工作。但是，這些內(nèi)部區(qū)域如果滿足上述關(guān)于邊界完整性核平滑性的條件，同樣也可以作為圖像配準(zhǔn)所需的特征區(qū)域?；诖?，當(dāng)發(fā)生區(qū)域嵌套時(shí)，本文將符合上述條件和面積閾值的內(nèi)部區(qū)域提取出來作為新的特征區(qū)域。以機(jī)場為例，機(jī)場跑道是比較均勻的區(qū)域，但跑道內(nèi)部存在部分非均勻的內(nèi)部區(qū)域，這些內(nèi)部區(qū)域滿足上述兩個(gè)條件，屬于輪廓特征比較穩(wěn)定的區(qū)域，本文將這些內(nèi)部區(qū)域提取出來作為機(jī)場目標(biāo)的封閉均勻區(qū)域。采用以上方法可以增加用于匹配的區(qū)域?qū)?shù)量，提高區(qū)域匹配的準(zhǔn)確性和可靠性。

圖2給出了對一幅SAR圖像進(jìn)行均勻區(qū)域提取的結(jié)果，其中圖2(b)為初步提取得到的均勻區(qū)域，其中存在嵌套的內(nèi)部區(qū)域，圖2(c)表示最終得到的封閉均勻區(qū)域?？梢钥闯?，原始SAR圖像中主要的封閉均勻區(qū)域都被有效地提取出來了，且邊緣輪廓信息與原始圖像對應(yīng)良好。特別地，機(jī)場跑道內(nèi)部的輪廓穩(wěn)定區(qū)域也被提取出來作為特征區(qū)域，參與后續(xù)的區(qū)域特征描述與匹配。

圖2 封閉均勻區(qū)域提取

2.2 基于多邊形擬合的區(qū)域粗匹配

在封閉均勻區(qū)域提取的基礎(chǔ)上，本節(jié)通過對區(qū)域進(jìn)行特征描述和匹配，實(shí)現(xiàn)區(qū)域的粗匹配。

2.2.1 多邊形擬合 多邊形擬合問題就是研究如何采用極少量的點(diǎn)作為多邊形的頂點(diǎn)，以這個(gè)多邊形來逼近原始的目標(biāo)物體的數(shù)字輪廓曲線，減少用于表達(dá)曲線的數(shù)據(jù)量，去除冗余像素點(diǎn)。均勻區(qū)域提取完成以后，可以從封閉輪廓中提取有效點(diǎn)集，通過某種相似性度量衡量點(diǎn)集之間的匹配程度，實(shí)現(xiàn)均勻區(qū)域之間的匹配。

為了使擬合多邊形和原始區(qū)域輪廓更加相似和穩(wěn)定，本文采用相鄰頂點(diǎn)等間隔的方法提取多邊形頂點(diǎn)。為了保證同名區(qū)域在兩幅圖像中的旋轉(zhuǎn)不變性，采用相同的多邊形頂點(diǎn)數(shù)，選取離質(zhì)心最遠(yuǎn)的點(diǎn)作為第1個(gè)頂點(diǎn)，并沿著逆時(shí)針的方向記錄頂點(diǎn)坐標(biāo)。如圖3所示，其中左圖為提取得到的封閉區(qū)域，右圖為擬合的多邊形各頂點(diǎn)，實(shí)心圓點(diǎn)為起始點(diǎn),區(qū)域內(nèi)部三角點(diǎn)為區(qū)域質(zhì)心點(diǎn)。

2.2.2 特征描述及相似性度量 兩個(gè)形狀相似的多邊形應(yīng)具有以下特點(diǎn)：兩個(gè)多邊形的對應(yīng)邊長成比例，且對應(yīng)角相等。根據(jù)相似性性質(zhì)可知，對應(yīng)邊長成比例，可轉(zhuǎn)化為質(zhì)心到對應(yīng)頂點(diǎn)的距離()成比例；對應(yīng)角相等，可轉(zhuǎn)化為質(zhì)心與相鄰兩頂點(diǎn)所成的兩邊的夾角()相等，如圖4所示，其中為擬合多邊形中頂點(diǎn)的序號。

圖3 區(qū)域的多邊形擬合

圖4 多邊形的特征描述

按逆時(shí)針順序提取多邊形每條邊的特征，可得到一串指定邊長數(shù)的多邊形特征字符串：

(4)

為了保證同名區(qū)域在兩幅圖像中的尺度不變性，本文對上述特征字符串進(jìn)行歸一化處理，得到最終的多邊形特征描述：

采用以上方法，對從參考圖像和待配準(zhǔn)圖像中提取得到的各個(gè)封閉均勻區(qū)域進(jìn)行特征描述，并采用歐氏距離進(jìn)行相似性度量，經(jīng)過雙向最優(yōu)選擇與距離閾值化處理，得到粗匹配的特征區(qū)域。

在離質(zhì)心最遠(yuǎn)的點(diǎn)同時(shí)存在兩個(gè)或更多個(gè)的情況下，本文的做法是，擬合多個(gè)起始點(diǎn)不同的多邊形，同時(shí)參與特征區(qū)域的粗匹配。由于每個(gè)多邊形的起始點(diǎn)不同，其相應(yīng)的特征描述也不同。進(jìn)行相似性度量的時(shí)候，當(dāng)某個(gè)多邊形與另一幅圖像中的某個(gè)多邊形具有最大相似性度量時(shí)，即可在找到配對區(qū)域的同時(shí)，準(zhǔn)確地找到了多邊形擬合的起始點(diǎn)。

圖5給出了一個(gè)區(qū)域匹配實(shí)例，其中待配準(zhǔn)圖像為圖2(a)所示的SAR圖像，與參考圖像來自不同波段，成像于不同時(shí)間，兩幅圖像之間存在旋轉(zhuǎn)差異和尺度差異。可以看出，經(jīng)過以上流程處理后，兩幅圖像中大部分穩(wěn)定的封閉均勻區(qū)域能實(shí)現(xiàn)正確匹配，但仍存在部分誤匹配的區(qū)域?qū)Α?/p>

圖5 基于多邊形擬合的區(qū)域粗匹配

2.3 基于重合度的區(qū)域精匹配

區(qū)域的多邊形擬合具有高效性和魯棒性的特點(diǎn)，但會遺漏一些局部信息，導(dǎo)致部分區(qū)域出現(xiàn)誤匹配。鑒于此，本節(jié)提出了基于重合度的區(qū)域精匹配方法，在采用多邊形擬合配對得到粗匹配區(qū)域的基礎(chǔ)上，對粗匹配區(qū)域?qū)τ?jì)算區(qū)域重合度，從而對粗匹配結(jié)果進(jìn)行優(yōu)化。

為了克服旋轉(zhuǎn)差異和尺度差異對區(qū)域匹配的影響，在計(jì)算區(qū)域重合度之前，首先對區(qū)域進(jìn)行方向和大小的歸一化處理。為了使同名區(qū)域在方向上保持一致，本文首先找到離質(zhì)心最遠(yuǎn)的點(diǎn)，將質(zhì)心到此最遠(yuǎn)點(diǎn)的方向作為軸正方向，然后將均勻區(qū)域變換到新坐標(biāo)系下。如圖6所示，-為原坐標(biāo)系，1-1為新坐標(biāo)系。

對圖5所示的區(qū)域粗匹配結(jié)果進(jìn)行基于區(qū)域重合度的區(qū)域精匹配，結(jié)果如圖7所示?？梢钥闯?，經(jīng)過精匹配處理以后，正確的匹配區(qū)域?qū)Φ玫搅擞行У乇Ａ?，而誤匹配對則得到了剔除。

圖7 基于重合度的區(qū)域精匹配

2.4 基于區(qū)域質(zhì)心構(gòu)建變換模型

對于圖像配準(zhǔn)而言，圖像中封閉區(qū)域質(zhì)心是一個(gè)穩(wěn)健的匹配特征點(diǎn)，在區(qū)域匹配的基礎(chǔ)上，本文利用區(qū)域的質(zhì)心進(jìn)行兩幅圖像的配準(zhǔn)。將最終保留得到的匹配區(qū)域?qū)Φ馁|(zhì)心點(diǎn)作為控制點(diǎn)對，構(gòu)建參考圖像和待配準(zhǔn)圖像之間的變換模型(如仿射變換模型)，計(jì)算模型參數(shù)，即可實(shí)現(xiàn)兩幅圖像之間的自動配準(zhǔn)。

3 實(shí)驗(yàn)結(jié)果與分析

采用本文算法對多組包含封閉均勻區(qū)域的SAR圖像進(jìn)行了配準(zhǔn)實(shí)驗(yàn)，均取得了較好的效果。為驗(yàn)證本文算法對尺度差異、旋轉(zhuǎn)差異和灰度差異的有效性，本節(jié)將本文算法分別與文獻(xiàn)[4]提出的SAR- SIFT算法和文獻(xiàn)[10]提出的區(qū)域配準(zhǔn)算法進(jìn)行了對比試驗(yàn)。

3.1 與SAR-SIFT算法的比較

本實(shí)驗(yàn)中測試數(shù)據(jù)為一組實(shí)測機(jī)載高分辨率SAR圖像，如圖8所示，參考圖像和待配準(zhǔn)圖像由不同波段SAR傳感器在不同時(shí)間獲取，地表地物存在明顯變化，目視可知，兩圖存在較大的灰度差異、尺度差異和旋轉(zhuǎn)差異，場景中對應(yīng)的均勻區(qū)域的邊界也存在不同程度的差異。

圖8 實(shí)驗(yàn)1測試圖像

為測試本文算法對灰度差異、尺度差異和旋轉(zhuǎn)差異的魯棒性，本節(jié)首先由參考圖像模擬生成具有各種圖像差異的待配準(zhǔn)圖像，分別采用本文算法和SAR-SIFT算法進(jìn)行參考圖像與待配準(zhǔn)圖像的配準(zhǔn)實(shí)驗(yàn)，考察兩種圖像特征在不同變換情況下的重復(fù)率以及兩種特征描述子對不同圖像變換的不變性。由于提取得到的區(qū)域個(gè)數(shù)和SAR-SIFT關(guān)鍵點(diǎn)個(gè)數(shù)不同，為了比較方便，本節(jié)采用變換前后匹配點(diǎn)對的比率作為算法性能的衡量指標(biāo)，即用沒有經(jīng)過變換的匹配點(diǎn)對數(shù)目作為分母，不同變換條件下的匹配點(diǎn)對數(shù)目作為分子，相當(dāng)于對匹配點(diǎn)對數(shù)目進(jìn)行歸一化。

可以看出，在兩幅圖像存在旋轉(zhuǎn)差異、尺度差異和灰度差異的情況下，本文算法能夠獲得的配準(zhǔn)點(diǎn)對的比率始終高于SAR-SIFT算法，說明本文算法對上述差異具有較強(qiáng)的魯棒性。與此同時(shí)，隨著上述差異程度的增加，圖像中能夠獲得的SAR- SIFT特征點(diǎn)數(shù)量和重復(fù)率都急劇下降。但是，必須說明的是，雖然上述差異情況下SAR-SIFT算法的配準(zhǔn)點(diǎn)對的比率較低，但由于SAR-SIFT算法提取的關(guān)鍵點(diǎn)個(gè)數(shù)足夠多，SAR-SIFT算法仍然能夠找到足夠的匹配區(qū)域，構(gòu)建足夠的匹配點(diǎn)對。

在真實(shí)SAR圖像上進(jìn)行的配準(zhǔn)實(shí)驗(yàn)也驗(yàn)證了上述結(jié)論。圖10給出了采用本文算法和SAR-SIFT算法對圖8所示圖像所得的配準(zhǔn)結(jié)果，其中圖10(a)為本文算法的配準(zhǔn)結(jié)果，圖10(b)為SAR-SIFT算法的配準(zhǔn)結(jié)果?？梢钥闯?，由于兩圖成像于不同波段不同時(shí)相，兩圖之間除了上述差異以外，還存在地物目標(biāo)的差異，SAR-SIFT算法獲得了兩對配準(zhǔn)點(diǎn)對，而本文算法獲得了6對匹配區(qū)域，充分說明了本文算法更能適應(yīng)較大差異情況下的SAR圖像配準(zhǔn)。

圖9 仿真差異下的配準(zhǔn)實(shí)驗(yàn)

圖10 匹配實(shí)驗(yàn)1

分析兩種算法的原理可以發(fā)現(xiàn)，SAR-SIFT算法雖然是針對SAR圖像而設(shè)計(jì)的，與SIFT算法相比，確實(shí)能夠在特征點(diǎn)檢測環(huán)節(jié)削弱相干斑噪聲的影響，特征點(diǎn)檢測的準(zhǔn)確性高于SIFT算法，但SAR-SIFT算法采用基于ROEWA算子的梯度方向構(gòu)建特征描述子，特征描述子受圖像之間差異的影響較大，當(dāng)兩幅待配準(zhǔn)圖像因入射角、成像波段等原因?qū)е聢D像差異較大時(shí)，SAR-SIFT算法很難找到準(zhǔn)確的匹配點(diǎn)對，這一點(diǎn)在文獻(xiàn)[4]中也有特別說明。本文提出的特征區(qū)域提取與描述算法受相干斑噪聲和圖像差異的影響較小，只要均勻區(qū)域在兩幅圖像上未發(fā)生明顯變化，就能實(shí)現(xiàn)準(zhǔn)確地提取與匹配。

3.2 與文獻(xiàn)[10]區(qū)域配準(zhǔn)算法的比較

測試數(shù)據(jù)中的參考圖像為臺北市郊的一幅RadarSat圖像切片，分辨率為10 m。將原始參考圖像進(jìn)行仿射變換和加噪處理，生成具有旋轉(zhuǎn)差異、尺度差異和灰度差異等綜合差異的待配準(zhǔn)圖像，并將本文算法與文獻(xiàn)[10]中基于活動輪廓模型和幾何哈希理論的區(qū)域配準(zhǔn)算法進(jìn)行比較。數(shù)據(jù)仿真參數(shù)如下：旋轉(zhuǎn)角度，尺度因子，斑點(diǎn)噪聲均值為0，標(biāo)準(zhǔn)差為0.02，上述參數(shù)和實(shí)驗(yàn)數(shù)據(jù)與文獻(xiàn)[10]完全一致。實(shí)驗(yàn)結(jié)果如圖11所示，其中圖11(b)為本文算法的配準(zhǔn)結(jié)果，圖11(c)為文獻(xiàn)[10]算法的配準(zhǔn)結(jié)果?？梢钥闯?，本文算法有9對區(qū)域匹配成功，文獻(xiàn)[10]算法有4對區(qū)域匹配成功。

用匹配區(qū)域的質(zhì)心計(jì)算仿射變換模型參數(shù)，在兩幅待配準(zhǔn)圖像上人工選取了50對同名點(diǎn)，分別統(tǒng)計(jì)方向和方向的配準(zhǔn)誤差，結(jié)果如表1所示。可以看出，本例中得到的仿射變換模型參數(shù)與預(yù)設(shè)的仿真參數(shù)非常接近，方向和方向的配準(zhǔn)誤差均在1個(gè)像素以內(nèi)，總體配準(zhǔn)誤差略優(yōu)于文獻(xiàn)[10]算法，表明本文算法具有較高的配準(zhǔn)精度。

圖11 匹配實(shí)驗(yàn)2

表1 模型參數(shù)與配準(zhǔn)誤差

旋轉(zhuǎn)角X方向尺度Y方向尺度X方向配準(zhǔn)誤差(像素)Y方向配準(zhǔn)誤差(像素) 預(yù)設(shè)仿真值100.90.9 文獻(xiàn)[10]算法實(shí)驗(yàn)值10.00380.89640.89681.331.04 本文算法實(shí)驗(yàn)值10.18490.89710.90040.890.80

由上述實(shí)驗(yàn)結(jié)果可知，當(dāng)參考圖像和待配準(zhǔn)圖像之間存在旋轉(zhuǎn)差異、尺度差異和灰度差異，或者上述差異同時(shí)存在的情況下，本文算法能提取得到的匹配點(diǎn)對的個(gè)數(shù)和準(zhǔn)確率明顯高于文獻(xiàn)[10]算法，對圖像差異具有較好的魯棒性。原因在于本文算法能根據(jù)SAR圖像中封閉區(qū)域的灰度特性，提取出區(qū)域邊界保持較好的封閉區(qū)域，在此基礎(chǔ)上針對旋轉(zhuǎn)差異和尺度差異構(gòu)建魯棒的歸一化區(qū)域特征描述，從而提高區(qū)域匹配的準(zhǔn)確率。

4 結(jié)束語

本文針對包含封閉均勻區(qū)域的SAR圖像，提出了一種基于區(qū)域特征的由粗至精的SAR圖像配準(zhǔn)方法。為保證本文方法的灰度不變性，本文提出了基于多尺度非線性擴(kuò)散濾波圖像差值處理的均勻區(qū)域提取方法，提取得到的區(qū)域準(zhǔn)確性高，輪廓保持能力好。為保證本文方法的旋轉(zhuǎn)不變性和尺度不變性，本文在基于多邊形擬合的區(qū)域粗匹配階段和基于重合度的區(qū)域精匹配階段，采取了方向歸一化和尺度歸一化等策略，降低了圖像之間旋轉(zhuǎn)差異和尺度差異對配準(zhǔn)精度的影響。實(shí)驗(yàn)結(jié)果表明，本文方法能有效克服待配準(zhǔn)圖像之間的灰度差異、旋轉(zhuǎn)差異和尺度差異，對復(fù)雜噪聲環(huán)境具有較好的適應(yīng)性，因此在SAR圖像配準(zhǔn)方面具有較好的應(yīng)用前景。

但是，本文算法具有一定的適用范圍，由于仿射變換至少需要3對控制點(diǎn)，待配準(zhǔn)的SAR圖像中必須具有一定數(shù)量的封閉區(qū)域。本文通過提取嵌套區(qū)域增加了封閉區(qū)域的個(gè)數(shù)，這些嵌套區(qū)域建立在均勻區(qū)域提取的基礎(chǔ)上，但內(nèi)部灰度值不一定具有均勻性。這為未來研究提供了新的思路，未來研究中將致力于提取更多封閉區(qū)域，使算法具有更好的適應(yīng)性。

參考文獻(xiàn)

[1] ZITOVA B and FLUSSER J. Image registration methods: a survey[J]., 2003, (21): 977-1000.

[2] LOWE D G. Distinctive image features from scale-invariant key points[J]., 2004, (60): 91-110.

[3] LONG Tengfei, JIAO Weili, HE Guojin,. A generic framework for image rectification using multiple types of feature[J]., 2015, (102): 161-171. doi: 10.1016/j.isprsjprs.2015. 01.015.

[4] DELLINGER F, DELON J, GOUSSEAU Y,. SAR-SIFT: a SIFT-like algorithm for SAR images[J]., 2015, 53(1): 453-466. doi: 10.1109/TGRS.2014.2323552.

[5] LI Dapeng. A novel method for multi-angle SAR image matching[J]., 2015, 28(1): 240-249. doi: 10.1016/j.cja.2014.12.019.

[6] CHEN Tianze, CHEN Limin, and SU Yi. A SAR image registration method based on pixel migration of edge-point feature[J]., 2014, 11(5): 906-910. doi: 10.1109/LGRS. 2013.2281729.

[7] XU Chuan, SUI Haigang, LI Hongli,. An automatic optical and SAR image registration method with iterative level set segmentation and SIFT[J]., 2015, 36(15): 3997-4017. doi: 10.1080/ 01431161.2015.1070321.

[8] 蘇娟, 林行剛, 劉代志. 一種基于結(jié)構(gòu)特征邊緣的多傳感器圖像配準(zhǔn)方法[J]. 自動化學(xué)報(bào), 2009, 35(3): 251-257. doi: 10. 3724/SP.J.1004.2009.00251.

SU Juan, LIN Xingang and LIU Daizhi. A multi-sensor image registration algorithm based on structure feature edges[J]., 2009, 35(3): 251-257. doi: 10.3724/ SP.J.1004.2009.00251.

[9] WANG Jinfeng, PI Yiming, and CAO Zongjie. Level set method for SAR image coregistration[J]., 2008, 5(4): 615-619. doi: 10.1109 /LGRS.2008.2000995.

[10] XIONG Boli, HE Zhiguo, HU Canbin,. A method of acquiring tie points based on closed regions in SAR images[C]. IEEE International Conference on Geoscience and Remote Sensing, Munich, Germany, 2012: 2121-2124.

[11] DAI Xiaolong and KHORRAM S. A feature-based image registration algorithm using improved chain-code representation combined with invariant moments[J]., 1999, 37(5): 2351-2362.

[12] 李振華, 江耿紅, 徐勝男, 等. 基于輪廓多邊形擬合的紅外與可見光圖像配準(zhǔn)算法[J]. 系統(tǒng)工程與電子技術(shù), 2015, 37(12): 2872-2878. doi: 10.3969/j.issn.1001-506X.2015.12.32.

LI Zhenhua, JIANG Genghong, XU Shengnan,. Image registration algorithm for infrared and visible images based on contour polygon fitting[J]., 2015, 37(12): 2872-2878. doi: 10.3969/j.issn. 1001-506X.2015.12.32.

[13] 劉哲, 楊健, 張麗. 基于橢圓傅里葉描述子的遙感圖像配準(zhǔn)算法[J]. 光電子激光, 2015, 26(2): 352-359. doi: 10.16136/j.joel. 2015.02.0566.

LIU Zhe, YANG Jiang, and ZHANG Li. Remote sensing image registration algorithm based on elliptic Fourier descriptor[J]., 2015, 26(2): 352-359. doi: 10.16136/j.joel.2015.02.0566.

[14] PERONA P and MALIK J. Scale space and edge detection using anisotropic diffusion[J]., 1990, 12(7): 629-639.

[15] HE X C and YUNG NHC. Curvature scale space corner detector with adaptive threshold and dynamic region of support[C]. IEEE International Conference on Pattern Recognition, Cambridge, UK, 2004: 791-794.

蘇 娟： 女，1973年生，副教授，研究方向?yàn)檫b感圖像處理與模式識別.

李 彬： 男，1991年生，碩士生，研究生方向?yàn)镾AR圖像配準(zhǔn).

王延釗： 男，1993年生，碩士生，研究方向?yàn)镾AR圖像配準(zhǔn).

SAR Image Registration Algorithm Based on Closed Uniform Regions

SU Juan LI Bin WANG Yanzhao

(,710025,)

In order to overcome the influence of gray difference, rotation difference and scale difference on image registration accuracy, the gray statistic property of uniform regions in SAR images is utilized and a SAR image registration algorithm based on stable closed uniform regions is proposed. Firstly, based on the multi-scale nonlinear diffusion theory, closed uniform regions with good contour pervserving ability are respectively extracted from two images. Secondly, two affine-invariant region features based on polygon fitting and coincidence degree are constructed to realized the coarse-to-fine region matching. Finally, the centroids of matched regions are used to construct the transform model between two images. Experimental results demonstrate that, the proposed algorithm has high registration accuracy, and is effective for gray difference, rotation difference and scale difference, moreover, it has high adaptability to noise.

SARimage registration; Closed uniform regions; Multi-scale nonlinear diffusion; Affine-invariant

TP751

A

1009-5896(2016)12-3282-07

10.11999/JEIT160141

2016-01-29；改回日期：2016-10-28；

2016-11-16

蘇娟 suj04@mails.tsinghua.edu.cn

國家自然科學(xué)基金(61302195)

The National Natural Science Foundation of China (61302195)