一種基于邊緣的sar圖像與光學圖像匹配算法

0多傳感器圖像匹配方法在衛(wèi)星圖像應用和飛機源監(jiān)控中，多傳感器圖像的對應變得越來越重要，包括sar圖像的生成和光學圖像的匹配。光學衛(wèi)星傳感器(如SPOT,QUICKBIRD)所成的像符合人眼的視覺特性,因此衛(wèi)星光學圖像容易判讀。但是光學圖像容易受成像時間,云層遮擋及天氣的影響而造成成像質(zhì)量不高。而SAR成像系統(tǒng)有很多優(yōu)點:成像不受氣候、時間影響,具有全天候成像的特點。通過選擇合適的雷達波長,能穿透一定的覆蓋物,如云層、植被成像,因而可以發(fā)現(xiàn)重要的目標。雷達圖像的空間分辨率與波長、載機飛行高度、雷達作用距離無關(guān)。但是SAR也有其固有的缺點,如強斑點噪聲。因此,這兩種具有信息互補的傳感器圖像匹配具有很重要的意義,如目標識別,飛行器的制導,基于圖像融合的變化檢測等。圖像匹配的關(guān)鍵問題是找一個有效的匹配方法,而且這種方法要求有高的匹配精度、少的運算時間與強的抗噪能力(魯棒性)。目前存在的圖像匹配方法基本上分為三大類:基于區(qū)域的圖像匹配方法,基于特征的圖像匹配方法,基于解釋的圖像匹配方法。基于區(qū)域的圖像匹配方法如灰度相關(guān)方法,定義一種灰度(如目標光學的反射特性)的相似性度量如歸一化的相關(guān)技術(shù)來匹配圖像。但是由于不同傳感器的成像機理不同,所以灰度相關(guān)方法不能適合于多傳感器圖像的匹配。基于解釋的圖像匹配方法建立在對圖像正確解譯的基礎上,從而非常不成熟,有時根本不可能。相比之下,基于特征的方法在多傳感器圖像匹配中的效果很好。基于特征的方法主要是匹配兩幅圖像中相對應的特征,比如邊緣特征(道路、河流、建筑物邊緣等)、點特征、形狀特征等等。這種方法的兩個關(guān)鍵步驟是:特征的提取與特征的匹配。文獻提出一種基于活動邊緣的SAR與光學圖像匹配的算法,但是只適合邊緣特征十分明顯,如海岸線等,但是對于機載低信噪比圖像,效果不理想。文獻提出了一種基于多種特征匹配的SAR與光學圖像匹配方法,但是也只能適合目標特征比較完整的SAR的匹配(如海中的島嶼,湖泊等),但這種結(jié)構(gòu)不常存在,所以這種算法的適應性不強。本文提出一種基于邊緣特征的機載低信噪比SAR圖像與衛(wèi)星光學圖像的匹配方法,用于無人飛行器的自動導航。我們提出的方法包含如下幾個方面:(1)首先分別對光學圖像與SAR圖像分別提取邊緣,形成各自的邊緣圖;(2)由于Hausdorff距離具有強抗干擾能力和容錯能力,本文采用改進的Hausdorff距離作為相似性度量;(3)為了加快匹配速度,采用了基于遺傳算法的搜索策略。試驗結(jié)果表明算法匹配精度高、魯棒性好、匹配速度快易于實時實現(xiàn)。1sar圖像的中心噪聲模型由于合成孔徑雷達屬于相干成像系統(tǒng),所以SAR圖像中存在固有的斑點噪聲。SAR中的斑點噪聲屬于乘性模型,其噪聲模型可以用下式表示。I(x,y)=R(x,y)·F(x,y)(1)式中:(x,y)是圖像坐標;I(x,y)是觀察到的圖像強度(被斑點噪聲污染);R(x,y)是隨機的地面目標雷達散射系數(shù),亦稱為圖像的真實值(未被斑點噪聲污染),F(x,y)為衰落過程所引起的斑點噪聲,可看成與R(x,y)獨立的隨機過程。由于SAR圖像的噪聲模型不同于光學圖像中的加性高斯白噪聲模型,所以光學中的邊緣提取方法不適合直接用于SAR圖像的邊緣(線型)特征提取。本文首先根據(jù)SAR圖像的斑點噪聲模型,對SAR圖像進行預處理,即對其進行對數(shù)變換,將乘性噪聲轉(zhuǎn)為加性噪聲,并對其進行中值濾波,起到抑制斑點噪聲作用,最后再采用CANNY算子進行邊緣特征提取。將斑點噪聲模型進行對數(shù)變換如下式=log(I)=log(R)+log(F)=(2)圖1是采用本方法對一幅128×128SAR圖像提取邊緣的結(jié)果。圖1(a)為SAR圖像,圖1(b)為直接采用CANNY算子提取的邊緣特征,圖1(c)為經(jīng)上述預處理后再采用CANNY算子提取的邊緣特征。從圖1(c)可明顯看出本方法對斑點噪聲有一定抑制作用,并保留了原圖像的邊緣特征。對于光學圖像,本文采用CANNY算子對光學圖像提取邊緣。2通過改善哈斯斗夫距離測量的相似性測量2.1含量a的定義Hausdorff距離是一種定義于兩個點集上的最大最小(max-min)距離。給定有限的兩個點集A={a1,a2…ap}和B={b1,b2…bq},A和B之間的Hausdorff距離定義為:其中:‖·‖是某種意義上的范數(shù)(如歐氏距離)。h(A,B)=d,表示A中的每一個點,集合B中至少存在一點,這兩個點的距離小于或等于d。H(A,B)的運算量為o(pq)。由于在導航中慣導系統(tǒng)的作用,其偏航角(實際飛行方向與進入匹配區(qū)規(guī)劃航向的夾角)很小,所以本文只考慮實時圖與參考圖之間存在平移的情況。固定集合A,移動集合B,平移情況下的最小的Hausdorff距離表示為:其中H是公式(3)中定義的Hausdorff距離,表示Minkowski和符號即:Bt={b+t|b∈B},由公式(3)和(4)可知道:H(A,B)=max(h(A,B),。如果定義:,則有2.2集中codk計算文獻為了解決匹配過程中模型圖像被遮擋的情況,引入部分Hausdorff距離的定義:其中的第K個值,是的第L個值。部分Hausdorff距離引入了兩個參數(shù),k=K/NA,I=L/NB(NA,NB分別表示A,B點集中點數(shù))。實驗證明k取0.8～0.9,1取0.01～0.05時能取得比較好的結(jié)果。文獻在文獻的基礎上提出了一種改進的Hausdorff距離,定義為:其中:H=h×NA,h是0～1之間的一個系數(shù),依據(jù)文獻的實驗表明,若h取0.6～0.8則可取得較好的匹配效果,NA表示A點集中的點數(shù)。dB(a)表示A集中的點a到B集的最小距離。dB(x)(i)表示排序后的第i個距離,且,這種測度既可消除噪聲又可消除目標部分被背景遮擋的影響,所以本文采用該測度作為相似性度量。3基于遺傳算法的求解策略假如實時圖像(模板)的大小是N×N,參考圖像的大小為M×M(其中,M>N)。如果進行全搜索,則搜索次數(shù)為:(M-N)×(M-N)。當M很大時,其運算量還是很大的,以M=512,N=128計算,總共搜索的次數(shù)為147456次搜索。所以必須尋找快速的搜索策略。遺傳算法(GeneticAlgorithms,簡稱GA)是一種模仿自然選擇和進化思想在高維空間中尋優(yōu)的方法。它為求解復雜系統(tǒng)優(yōu)化問題提供了一種通用框架,尤其在多峰(多個極值)問題的優(yōu)化求解中,GA可能會暫時停留在某些次優(yōu)點上,但是變異發(fā)生可能使它躍遷到最優(yōu)點上。其次遺傳算法因為其固有的并行性,因而可以大大提高求解速度。因此本文采用基于遺傳算法的搜索策略快速求取匹配點。應用遺傳算法求解時,必須把要優(yōu)化的實際問題抽象成遺傳算法所能接受的問題,因而解決兩個問題:個體適應度函數(shù)的構(gòu)造與個體的編碼。在本圖像匹配中,實際上是求解Hausdorff距離最小的子圖位置。在導航中,由于慣導作用,因而問題可以簡化為實時圖像(模板)在參考圖像中的平行移動。即求解f(x,y)就是個體適應函數(shù),其中(x,y)表示求解的匹配位置。那么問題就是要對求解參數(shù)(x,y)進行編碼。對(x,y)進行編碼的位數(shù)取決于(M-N)的大小,比如,當(M-N)=256,時,x,y可以分別采用8位編碼,因此基因的長度為16位。基于遺傳算法的算法流程如下:PROCEDUREMATCHSARGA()STEP1:初始化代數(shù)變量g=1;,隨機產(chǎn)生N個位置(xi,yi),i=1,2,……N(初始種群),并把其轉(zhuǎn)化為基因串。設置迭代代數(shù)Gmax,適應值最大值Fmax。設置交叉概率值與變異概率值。按照公式(8)計算初始種群各個體的適應度值。STEP2:While(g<Gmax&&max(f(xi,yi))<Fmax)Do:由比例選擇準則根據(jù)其適應函數(shù)值,選擇一些較優(yōu)的個體。按照交叉概率采用3點均勻交叉產(chǎn)生新的個體。并按變異概率對個體進行變異操作,計算按照公式(8)計算各個新個體的適應度值。代數(shù)增1:g=g+1STEP3:求出最優(yōu)個體對應的位置,即對應于最佳匹配位置。END4匹配結(jié)果及誤差分析大量的試驗結(jié)果驗證基于邊緣Hausdorff距離的SAR圖像與光學圖像的匹配算法的準確性、魯幫性、快速性。限于篇幅,這里只列舉4個試驗,其中光學圖像及相應的SAR圖像均從Sandia國家實驗室的網(wǎng)頁下載得到。試驗結(jié)果如圖2所示:圖2(a)是光學圖像其大小為384×512,圖2(b)是與光學圖像同一地區(qū)拍攝的4個不同的SAR圖像,分辨率是128×128,圖2(c)是光學圖像用CANNY邊緣檢測算子進行邊緣檢測的邊緣圖與匹配結(jié)果(方框表示匹配的位置),圖2(d)為由SAR圖像提取的邊緣圖。在用遺傳算法搜索的過程中,(x,y)的編碼長度分別為9位與7位,組成一個16位長度編碼因子。群體大小為20個,第一代群體隨機產(chǎn)生。運行終止代數(shù)為60代,交叉概率為0.98,變異概率為0.05,試驗表明從第48代起就找到了匹配結(jié)果。為了驗證算法的匹配精度及運算速度,用與光學圖像同一地區(qū)的SAR圖像(隨機產(chǎn)生100幅)做了匹配試驗,其匹配的誤差曲線與運行時間曲線分別見圖3、圖4。從誤差(err)曲線,Δx,Δy分別是位置偏差,即匹配的位置與真實位置的偏差)可看出,匹配的誤差在3個象素以內(nèi),誤差均值為1.83像素,即100幅圖像匹配誤差的平均值為1.83,誤差方差為0.54像素,所以具有很高的匹配精度。本文試驗的PC機配置為(P4:1.4G,256M內(nèi)存,W2000操作系統(tǒng),編程語言為C),從時間曲線可以看出算法的計算速度是很快的(運行時間均值為2287毫秒,方差為45毫秒),而且遺傳算法的并行性適合DSP的實時實現(xiàn)。為了驗證匹配算法對低信噪比SAR圖像的魯棒性,分別對隨機產(chǎn)生SAR圖像(1000幅)加不同乘性噪聲后,再與光學圖像進行匹配,其匹配概率與所加噪聲的SNR的關(guān)系見表1。從表中可以看出,即使在很低的信噪比(5dB)下,還能保持很高的匹配概率,所以該算