基于自適應閾值分割和組合優(yōu)化的sar圖像配準的制作方法
【專利摘要】本發(fā)明提出了一種基于自適應閾值分割和組合優(yōu)化的SAR圖像配準方法，以便降低灰度變化差異的影響，采用一種由粗到精的優(yōu)化尋優(yōu)策略，從而提高圖像配準精度，采用圖像小波分解策略，降低Powell局部尋優(yōu)的運算時間復雜度。其實現(xiàn)過程是：(1)首先對同一地區(qū)的兩幅圖像做自適應閾值分割；(2)通過PSO搜索算法搜索配準參數(shù)使得兩幅圖像之間的互信息達到最大；(3)對圖像做三層小波分解，取每層低頻分量，以PSO搜索得到的配準參數(shù)為Powell搜索算法的初始點，從最高層第三層開始逐層搜索直至原圖，得到最后的配準參數(shù)；(4)通過得到的配準參數(shù)將待配準圖像通過插值變換回去，并疊加得到最終的配準結果。
【專利說明】基于自適應閾值分割和組合優(yōu)化的SAR圖像配準

【技術領域】
[0001] 本發(fā)明屬于遙感圖像處理領域，涉及SAR圖像的配準問題，具體涉及一種基于自 適應閾值分割和組合優(yōu)化的SAR圖像配準方法，可用于對SAR圖像的配準。

【背景技術】
[0002] 合成孔徑雷達（synthetic aperture radar, SAR)具有分辨率高，全天時、全天候 工作的特點，與可見光、紅外傳感器比較具有獨特的優(yōu)勢和無法替代的作用，被廣泛應用于 工農(nóng)業(yè)生產(chǎn)、科研和軍事等領域。圖像配準的過程就是將在不同時間、不同傳感器、不同視 角及不同成像條件下獲取的同一場景下的多幅圖像進行匹配和疊加的過程。從方法的角度 對圖像配準進行分類，可以將圖像的配準技術分為三類：基于灰度的配準、基于變換域的配 準以及基于特征的配準。
[0003] 基于灰度的配準有一個前提，那就是兩幅圖像的灰度必須要相近，不能相差太大， 所以一般用于同源圖像的配準，不太適合于異源圖像的配準。這類方法一般是利用參考圖 和待配圖之間的灰度統(tǒng)計信息作為相似度評價標準，然后利用優(yōu)化算法尋優(yōu)找到最優(yōu)的變 換參數(shù)。它的一個很明顯的優(yōu)勢在于不需要復雜的前期預處理過程，也沒有復雜的特征提 取過程，而且精度高，魯棒性好。但是它的缺點也很明顯，對灰度變化敏感，沒有充分利用灰 度統(tǒng)計特性，對每一點的灰度依賴大，同時對光照變化也很敏感，對非線性形變不適用。還 有一點，由于采用的是優(yōu)化算法尋優(yōu)，運算的時間復雜度很高。
[0004] 基于變換域的配準是基于一些快速算法實現(xiàn)的，比如fft快速算法、小波分解等 等。所以它的優(yōu)勢非常明顯，那就是高速，易于硬件實現(xiàn)，而且抗低頻噪聲強，能做到實時的 配準。經(jīng)過一系列的實驗驗證，這類方法要求兩幅圖像之間的重疊區(qū)域要大，而且它只能處 理平移、旋轉、尺度變換，無法處理非線性形變，通常碰到高頻噪聲配準效果也不太好。
[0005] 基于特征的圖像配準實際上只利用少量的特征信息來精確的定位目標信息，實現(xiàn) 圖像的配準。其實，直接從視覺感官的角度來講，我們能直接看出兩幅是否是同一場景，這 是基于我們對目標相似性的一個判斷。比如兩幅圖像里的某些區(qū)域是一致的，某些曲線是 對應的等等。所以我們從最直觀的角度出發(fā)，尋找我們需要的就像肉眼看到的一些圖像里 的顯著的特征。由于特征的多樣性，基于特征的配準方法也五花八門。由于我們只采用了圖 像里的部分特征信息，這就減小了我們的計算量。同時特征有很多優(yōu)點，它抗噪性好，對灰 度變化也不敏感，而且它對圖像形變以及光照不均都有很好的適應力（以點特征為代表）。 缺點也顯而易見，特征提取比較難，特別是對于異源圖像。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的是提供一種基于自適應閾值分割和組合優(yōu)化的SAR圖像配準方法。
[0007] 本發(fā)明的技術方案是，基于自適應閾值分割和組合優(yōu)化的SAR圖像配準，包括如 下步驟：
[0008] 步驟101 :導入兩幅同一地區(qū)的待配準的SAR圖像；
[0009] 步驟102 :采用自適應閾值分割提取出最佳閾值，將圖像中的顯著區(qū)域與其它區(qū) 域分尚開來；
[0010] 步驟103 :將分割出的目標區(qū)域的灰度歸一化到同一灰度級，從0?255歸一化到 0 ?25 ;
[0011] 步驟104 :對歸一化的區(qū)域圖像采用PSO(粒子群算法）對兩幅圖像之間的互信息 進行尋優(yōu)，搜索到使互信息達到最大的配準參數(shù)；
[0012] 步驟105 :對歸一化的區(qū)域圖像做三層小波分解，只取低頻分量用于Powell尋優(yōu)， 尋優(yōu)策略還是搜索配準參數(shù)使兩幅圖像之間的互信息達到最大，由于小波分解改變了圖像 的大小，我們搜索的空間也將變小，這就會降低我們的尋優(yōu)時間；
[0013] 步驟106 :假定旋轉角度為Θ，水平平移為Δχ，垂直平移為Ay，尺度縮放為α， 將PSO搜索得到的配準參數(shù)（θ，Λ X，Λ y，α )變?yōu)椋é?，?χ/8, Λ y/8, α )，作為Powell算 法在小波分解第3層搜索的初始點，搜索配準參數(shù)（θ ρ Λ Xl，Ay1, α D ;
[0014] 步驟107 :因為每層之間圖像大小都是兩倍關系，將得到的（θ Ax1, Ay1, α D變 換為（Θ 2 Δ X1, 2 Δ yi，a D作為下一層搜索的初始點，繼續(xù)搜索配準參數(shù)；
[0015] 步驟108 :重復步驟107,直到搜索到最高層即原圖大小，則得到的配準參數(shù)就是 最終的配準參數(shù)；
[0016] 步驟109 :根據(jù)得到的配準參數(shù)將待配準圖像變換回去，然后與參考圖疊加得到 配準結果圖；
[0017] 所述的步驟102,包括如下步驟：
[0018] 步驟201 :取一幅SAR圖像I1，尋找圖像中的最小灰度值Zmin和最大灰度值Zmax，求 平均得到我們的初始閾值；
[0019]

【權利要求】
1. 一種基于自適應閾值分割和組合優(yōu)化的SAR圖像配準方法，包括如下步驟： 步驟101 :導入兩幅同一地區(qū)的SAR圖像，一幅作為參考圖像，另一幅作為待配準圖 像； 步驟102 :對兩幅圖像分別采用自適應閾值分割提取出最佳閾值，使用最佳閾值分別 將兩幅圖像中的目標區(qū)域圖像與背景區(qū)域圖像分離開來； 步驟103 :將兩幅圖像分割出來的目標區(qū)域圖像的灰度歸一化到同一灰度級； 步驟104 :采用粒子群算法（PSO)對兩幅歸一化的目標區(qū)域圖像之間的互信息進行尋 優(yōu)，搜索到使互信息達到最大的配準參數(shù)（θ，ΛΧ，Ay，α)，其中，Θ為旋轉角度，ΛΧ為水 平平移，Ay為垂直平移，α為尺度縮放； 步驟105 :對兩幅歸一化的目標區(qū)域圖像做三層小波分解，只取低頻分量用于Powell 算法尋優(yōu)； 步驟106:將步驟104中通過PSO搜索得到的配準參數(shù)（θ，ΛΧ，Ay，α)變?yōu)?(θ，Λ χ/8, Λ y/8, α )，作為Powell算法在小波分解第3層搜索的初始點，搜索得到配準參 數(shù)（θ η Δχ" Ay1, a D ; 步驟107 :因為對兩幅歸一化的目標區(qū)域圖像做三層小波分解后的每層之間圖像大小 都是兩倍關系，故將得到的（Θ u Δ X1, Λ yi，a D變換為（Θ 2 Δ X1, 2 Δ yi，a D作為下一層 搜索的初始點，繼續(xù)搜索配準參數(shù)； 步驟108 :重復步驟107,直到搜索至原圖大?。吹谌龑右坏诙右坏谝粚右辉瓐D）， 得到的配準參數(shù)就是最終的配準參數(shù)； 步驟109 :使用步驟108得到的最終的配準參數(shù)將待配準圖像變換回去，然后與參考圖 像疊加得到配準結果圖。
2. 根據(jù)權利要求1所述的基于自適應閾值分割和組合優(yōu)化的SAR圖像配準方法，其中， 所述步驟102包括如下步驟： 步驟201 :取上述兩幅同一地區(qū)的SAR圖像中的一幅SAR圖像I1，尋找該圖像中的最小 灰度值Zmin和最大灰度值Z max，求平均得到初始閾值；
步驟202 :每次更新的閾值Tk將圖像分離成兩部分，小于等于閾值T k的部分是目標區(qū) 域圖像，其它的部分是背景區(qū)域圖像，分別求目標區(qū)域的平均灰度Ztl和背景區(qū)域的平均灰 度Zb;
其中，像素點（i，j)的灰度值是Z(i，j)，灰度值Z(i，j)出現(xiàn)次數(shù)為N(i，j); 步驟203 :再對步驟202得到的目標區(qū)域圖像的灰度值和背景區(qū)域圖像的灰度值取平 均得到新的閾值；
步驟204 :若Tk和T k+1相等，結束，得到的T k即為采用自適應閾值分割的最佳閾值，若 Z(i，j) <=Tk，則像素點（i，j)為目標區(qū)域圖像的像素點，若Z(i，j) >Tk，則像素點（i，j) 為背景區(qū)域圖像的像素點；若Tk和T k+1不相等，則轉步驟202和步驟203,繼續(xù)更新閾值T k。
3. 根據(jù)權利要求1所述的基于自適應閾值分割和組合優(yōu)化的SAR圖像配準方法，其中， 所述步驟104包括如下步驟： 步驟301 :初始化由旋轉角度、水平平移、垂直平移和尺度縮放四個參數(shù)構成的參數(shù)解 空間，設定PSO算法各項參數(shù)，隨機分配粒子的位置； 步驟302 :將待配準圖像的目標區(qū)域圖像根據(jù)參數(shù)解空間參數(shù)采用部分體積插值（PV 插值）的方法進行變換，計算變換后的圖像與參考圖像的目標區(qū)域圖像之間的互信息，將 互信息最大的解對應的參數(shù)解空間參數(shù)作為最優(yōu)配準參數(shù)； 步驟303:記錄當前迭代下粒子的速度Vi和位置Xi,并記錄當前迭代下的最優(yōu)位置以及 目前為止的全局最優(yōu)位置，進一步迭代，粒子的更新公式如下： Vi = α V J-C^1 (Pi-Xi) +c2r2 (Pg-Xi) Xi= Xi+β Vi 上述兩式中，i = 1，…，η，其中，η為種群大小，\^表示粒子i的速度，X 1表示粒子i的 位置，Pi表示當前這次迭代得到的粒子的最佳位置，Pg表示當前粒子群到目前為止得到的 最佳位置為全局最優(yōu)解，C 1, C2為非負的學習因子，r Dr2SO?1之間的隨機數(shù)，α為慣性 因子； 步驟304 :若pg構成的全局最優(yōu)解F小于最小允許誤差ε，或者迭代步數(shù)超過最大迭 代次數(shù)，則結束迭代，Pg對應的解即是最終要求的解，該解包括旋轉角度、水平方向平移分 量、垂直方向平移分量和尺度縮放，否則轉步驟302和步驟303。
4. 根據(jù)權利要求3所述的基于自適應閾值分割和組合優(yōu)化的SAR圖像配準方法，其中， 所述步驟302包括如下步驟： 步驟401 :根據(jù)配準參數(shù)對待配準圖像的目標區(qū)域圖像做PV插值，直接更新待配準 圖像的目標區(qū)域圖像的聯(lián)合灰度直方圖。對于待配準圖像的目標區(qū)域圖像上任意一點 PQ(x，y)，其最近鄰四個像素點為￥ η2、η#Ρ η 4，假設參考圖像的目標區(qū)域圖像為R，待配準 圖像的目標區(qū)域圖像為F，Ptl (X，y)根據(jù)配準參數(shù)計算出來的新的坐標為（X'，y'），dx和dy 分別表示X'和y'的小數(shù)部分，那么該點與其最近鄰四個像素點的坐標差可以表示為dx、 1-dx、dy和1-dy，該點與其最近鄰四個像素點的聯(lián)合灰度直方圖可以寫為下式： h (R (Iii), F (P0)) = h (R (Iii), F (P0)) +Wi 1 = 1,2,3,4 其中四個權值&的計算公式如下： W1= (1-dx) X (1-dy) W2= dxX (l~dy) W3= dxXdy W4= (l~dx) Xdy 步驟402 :對于參考圖像的目標區(qū)域圖像A和PV插值后的目標區(qū)域圖像B，a和b是參 考圖像的目標區(qū)域圖像A和PV插值后的目標區(qū)域圖像B中相對應的像素的灰度值，pA(a) 表示參考圖像的目標區(qū)域圖像A的邊緣概率分布，pB(b)表示PV插值后的目標區(qū)域圖像B 的邊緣概率分布，Pab (a，b)表示兩幅同一地區(qū)的SAR圖像的目標區(qū)域圖像A和B的聯(lián)合概率 分布，聯(lián)合概率分布Pab (a，b)可以通過聯(lián)合灰度直方圖h得到，邊緣概率分布pA (a)和pB (b) 也可以通過以下公式計算得出。
步驟403 :根據(jù)互信息計算公式計算兩幅目標區(qū)域圖像之間的互信息。
5. 根據(jù)權利要求1所述的基于自適應閾值分割和組合優(yōu)化的SAR圖像配準方法，其所 述的步驟106包括如下步驟： 步驟501 :取兩幅歸一化的目標區(qū)域圖像的小波分解第3層的低頻分量用于 Powell搜索，將步驟104中通過PSO搜索得到的配準參數(shù)（θ，Λ X，Λ y，α )變?yōu)?(θ，Λ χ/8, Λ y/8, α )，（ θ，Λ χ/8, Λ y/8, α )作為Powell算法搜索的初始點X。，然后給定 誤差δ和η個線性無關的方向(I1, d2, d3，…，dn; 步驟502 :將待配準圖像的目標區(qū)域圖像根據(jù)配準參數(shù)采用PV插值的方法進行變換， 計算變換后的目標區(qū)域圖像與參考圖像的目標區(qū)域圖像之間的互信息，互信息最大的解對 應的參數(shù)才是最優(yōu)配準參數(shù)； 步驟503 :從Xtl出發(fā)依次沿方向d i，d2, d3，…，dn進行一維搜索，得到X i，X2, X3，…，Xn.再 從Xn出發(fā)沿X "與X 〇連線方向進行一維搜索，得到X k; 步驟504 :如果I Ixk-Xlrt I I < δ，停止搜索，得到點Xk;否則置d(k+l，j) = d(k，j+1)， j = 1，2,…，n，返回步驟503 ; 步驟505 :P〇Well搜索結束時得到的Xk就是最終的配準參數(shù)（θ ρ Λ Xl，Λ yi，a J。
6. 根據(jù)權利要求1所述的基于自適應閾值分割和組合優(yōu)化的SAR圖像配準方法，其中， 步驟103中將兩幅圖像分割出來的目標區(qū)域圖像的灰度歸一化到同一灰度級包括將兩幅 圖像分割出來的目標區(qū)域圖像的灰度從0?255歸一化到0?25。
【文檔編號】G06T7/00GK104517286SQ201410734116
【公開日】2015年4月15日 申請日期:2014年12月4日 優(yōu)先權日:2014年12月4日
【發(fā)明者】王爽, 焦李成, 陳凱, 張濤, 劉闖, 侯彪, 熊濤, 劉紅英 申請人:西安電子科技大學