一种基于空间稀疏度和SIFT特征提取的快速图像配准实现方法技术

本发明专利技术公开了一种基于空间稀疏度和SIFT特征提取的快速图像配准实现方法，主要克服经典SIFT特征提取算法中，经常会提取到平滑区域和纹理区域不稳定的特征点而造成特征误匹配的问题。其步骤包括：1)分别提取参考图和待匹配图稀疏区域。2)对参考图和待匹配图的稀疏区域提取SIFT特征点。3)对参考图和待匹配图上提取到的SIFT特征点集进行粗匹配。4)用随机一致性估计算法来滤除粗匹配结果中的误匹配。5)利用参考图和待匹配图最终的匹配点对，通过仿射变换得到仿射变换参数来实现对两幅SAR图像配准。本发明专利技术能在保证经典SIFT特征配准算法精度前提下提高配准效率，可用于SAR图像的配准处理。

【技术实现步骤摘要】
一种基于空间稀疏度和SIFT特征提取的快速图像配准实现方法
本专利技术属于图像处理
，涉及图像配准，具体是一种基于空间稀疏度和SIFT特征提取的快速图像配准实现方法，可用于SAR影像的变化检测、融合、拼接等方面的前期配准工作。
技术介绍
合成孔径雷达(SAR)所成的图像具有全天候、全天时、高分辨率和强大的穿透能力等特点，因此，这种图像被广泛的应用到目标识别，变换检测和水面监视，日益成为了当今很具有代表性的对地观测手段之一。在对SAR图像进行拼接、融合、变化检测等操作前，需将来自同一地区、在相同时间不同视点或同一传感器不同时间获取的图像在空间上进行配准，消除因获取图像的时间、角度、环境和传感器成像机理的不同造成图像间的平移、旋转、伸缩及局部形变等问题。作为遥感图像处理中的一个基本任务，配准的目标就是将不同时间、不同视角或者不同传感器获得的两幅或多幅图像进行几何对准的处理过程。对于SAR图像，其相干成像过程中形成的斑点噪声对图像灰度分布造成影响，另外成像条件的差异、拍摄时间和季节变化、拍摄场景地物的变化等因素造成图像具有灰度分布复杂、不稳定的特点，使得在光学遥感图像中能够成功应用的算法和技术在应用于SAR图像时却屡屡受挫。目前，大量配准的方法已经被提出。根据特征空间的不同，配准算法一般可以分为两类：基于灰度的配准方法和基于特征的配准方法。基于灰度的方法一般都是直接利用整幅图像的灰度信息，通过建立某种像素间的相似性测度来衡量两幅图像重叠部分地表反射属性的匹配程度，进而寻找到最优匹配时的平移、旋转和伸缩等变换参数。基于灰度的图像配准方法，其相似性度量函数包括互相关函数、傅里叶函数和互信息函数等，通过使用相似性最大情况下所对应的变换关系进行变换，最终实现图像之间的配准。在利用基于灰度的配准方法对SAR图像的配准时，容易受到SAR图像成像过程中导致的灰度差异及噪声的影响。基于特征的图像配准方法是通过从图像中选择显著和突出的目标进行检测，提取这些特征点的特征，通过这些特征之间的匹配建立图像间的变换关系，最终实现图像配准。基于特征的图像配准方法能够解决存在较大几何畸变及灰度信息差别的图像间的配准问题。常用的图像特征有：特征点(包括角点、高曲率点、拐点等)、直线段、边缘、轮廓、闭合区域、特征结构等。基于特征的配准方法则首先需要对待配准图像提取特征点、边缘等，然后进行对应特征对或特征集之间的搜索匹配，进而得到图像变换参数。基于边缘特征的配准方法需利用一些边缘检测算子进行边缘特征提取，再对提取的边缘进行匹配，但往往由于提取的边缘过于琐碎，不能很好地体现图像中的结构特征，对后续匹配精度和速度造成影响。而点特征相对于线、面等特征有着易于提取、速度快、精度高、稳定性好等许多方面的优势而有着更广泛的应用。基于特征的图像配准对噪声和形变的抗干扰能力更强，因而具有更高的鲁棒性。最常用的基于特征的配准方法之一是基于SIFT特征提取的配准方法。Lowe将SIFT特征的主要步骤概括为：(1)尺度空间极值点提取；(2)极值点定位；(3)主方向分配；(4)关键点描述。SIFT在较小旋转角度下具有较强的旋转、尺度不变性，归一化后还对光照变化鲁棒。但由于SIFT采用了一个128维的向量来描述特征点，在特征点较多的情况下增加了运算代价和时间复杂度，并且在寻找最佳匹配时需要特征间具有较好的区分度。在利用SIFT特征提取算法处理SAR图像时，不仅在直线、折线、交叉处等稀疏结构的区域提取到较多的SIFT特征点，而且在特征不明显的平滑区域和纹理区域也能提取到很多特征点，但是这些平滑区域和纹理区域的特征点周围存在很多与其相似的点，因而耗时较多且这些点特征不明显，容易形成误匹配。
技术实现思路
本专利技术的目的在于克服已有技术的不足，提出了一种联合空间稀疏结构和SIFT特征提取的SAR图像配准方法，以实现对SAR图像中稀疏结构区域集中提取SIFT特征点，在减少算法运算代价和时间效率的基础上降低了匹配错误率，提高图像配准的效率。实现本专利技术目的的技术思路是：输入的参考图和待匹配图，分别获取两幅图像的稀疏区域，对参考图和待匹配图的稀疏区域提取SIFT特征点，利用最近次近距离比值准则(NNDR)作为相似度量，得到粗匹配对，并利用随机一致性估计(RANSAC)方法来去除误匹配，最后利用仿射变换来求得仿射变换参数，从而实现参考图和待匹配图的配准。本专利技术的技术方案是：一种基于空间稀疏度和SIFT特征提取的快速图像配准实现方法，包括如下步骤：(1)输入在不同时间获取的同一地区的两幅多时相SAR图像，分别记作参考图和待匹配图，对参考图和待匹配图的每个像素点计算稀疏度，挑选稀疏度高的像素点所在的区域作为稀疏区域，分别记作MaskR和MaskS；(2)分别对参考图稀疏区域MaskR和待匹配图稀疏区域MaskS提取SIFT特征点，得到参考图和待匹配图SIFT特征点集分别记为{Rm}、{Sn}；(3)对参考图和待匹配图上提取到的SIFT特征点集{Rm}和{Sn}进行特征匹配，得到粗匹配特征对{(pq)i}，参考图和待匹配图中的粗匹配点集分别为{pi}和{qi}，i表示匹配对的索引号；(4)利用随机一致性估计算法对粗匹配结果去除误匹配对，去除误匹配对后参考图和待匹配图保留下来的特征点对集合记为{(PQ)i}，此时参考图和待匹配图中各自保留下来特征点分别为{Pi}、{Qi}，其中i表示匹配对的索引号；(5)利用参考图和待匹配图的匹配点集{Pi}和{Qi}，通过仿射变换得到仿射变换参数，最后根据仿射变换参数对两幅图像配准。上述步骤(1)包括如下步骤：1)分别对参考图R和待匹配图S进行两层小波分解，小波基取db1，得到参考图和待匹配图的细节分量图，分别记为Rdb1、Sdb1；2)对参考图细节分量图和待匹配图细节分量图的每一个像素点计算方差系数，然后以当前像素点为中心、取一个大小为m*m的邻域计算方差，即可得到当前像素点的方差系数CV；设定一个阈值Tcv，它与SAR图像的方差系数呈Tcv＝β·CV的线性关系,其中β为线性系数；由阈值Tcv可得到二值化的方差系数矩阵CV_mask：可以计算出参考图和待匹配图二值化的方差系数矩阵，分别记为CV_maskR和CV_maskS；3)对参考图的方差系数矩阵细化处理来得到细化矩阵TR，同样对待匹配图方差系数矩阵细化处理得到细化矩阵TS；4)计算参考图和待匹配图的稀疏矩阵；5)挑选稀疏矩阵中稀疏度值最大的前20％像素点作为稀疏度点，稀疏点膨胀处理即得到了稀疏区域。上述步骤4)包括如下步骤：(a)计算细化矩阵中各像素点梯度的大小和方向：(b)分析各像素点梯度的方向，统计当前像素点的方向特征，得到参考图和待匹配图的方向特征矩阵，分别记为DR、DS；(c)由细化矩阵和方向特征矩阵，可以计算参考图和待匹配图的稀疏度，稀疏度定义为：其中，(i,j)是当前像素点的索引，Ω是以当前像素点为中心大小为r×r邻域，N为邻域Ω中像素点总数，D为方向特征矩阵，定义T为细化矩阵；由此再得到参考图和待匹配图的稀疏矩阵SR、SS。上述步骤(b)包括如下步骤：a)构造一个(2r+1)*(2r+1)大小的16方向模板，方向模板各个子方向对应的角度范围分别为i∈[1,16]，r为方向模板本文档来自技高网...

【技术保护点】
一种基于空间稀疏度和SIFT特征提取的快速图像配准实现方法，其特征在于：包括如下步骤：(1)输入在不同时间获取的同一地区的两幅多时相SAR图像，分别记作参考图和待匹配图，对参考图和待匹配图的每个像素点计算稀疏度，挑选稀疏度高的像素点所在的区域作为稀疏区域，分别记作MaskR和MaskS；(2)分别对参考图稀疏区域MaskR和待匹配图稀疏区域MaskS提取SIFT特征点，得到参考图和待匹配图SIFT特征点集分别记为{Rm}、{Sn}；(3)对参考图和待匹配图上提取到的SIFT特征点集{Rm}和{Sn}进行特征匹配，得到粗匹配特征对{(pq)i}，参考图和待匹配图中的粗匹配点集分别为{pi}和{qi}，i表示匹配对的索引号；(4)利用随机一致性估计算法对粗匹配结果去除误匹配对，去除误匹配对后参考图和待匹配图保留下来的特征点对集合记为{(PQ)i}，此时参考图和待匹配图中各自保留下来特征点分别为{Pi}、{Qi}，其中i表示匹配对的索引号；(5)利用参考图和待匹配图的匹配点集{Pi}和{Qi}，通过仿射变换得到仿射变换参数，最后根据仿射变换参数对两幅图像配准。

【技术特征摘要】
1.一种基于空间稀疏度和SIFT特征提取的快速图像配准实现方法，其特征在于：包括如下步骤：(1)输入在不同时间获取的同一地区的两幅多时相SAR图像，分别记作参考图和待匹配图，对参考图和待匹配图的每个像素点计算稀疏度，挑选稀疏度高的像素点所在的区域作为稀疏区域，分别记作MaskR和MaskS；该步骤(1)具体包括如下步骤：1)分别对参考图R和待匹配图S进行两层小波分解，小波基取db1，得到参考图和待匹配图的细节分量图，分别记为Rdb1、Sdb1；2)对参考图细节分量图和待匹配图细节分量图的每一个像素点计算方差系数，然后以当前像素点为中心、取一个大小为m*m的邻域计算方差，即可得到当前像素点的方差系数CV；设定一个阈值Tcv，它与SAR图像的方差系数呈Tcv＝β·CV的线性关系,其中β为线性系数；由阈值Tcv可得到二值化的方差系数矩阵CV_mask：计算出参考图和待匹配图二值化的方差系数矩阵，分别记为CV_maskR和CV_maskS；3)对参考图的方差系数矩阵细化处理来得到细化矩阵TR，同样对待匹配图方差系数矩阵细化处理得到细化矩阵TS；4)计算参考图和待匹配图的稀疏矩阵；5)挑选稀疏矩阵中稀疏度值最大的前20％像素点作为稀疏度点，稀疏点膨胀处理即得到了稀疏区域；(2)分别对参考图稀疏区域MaskR和待匹配图稀疏区域MaskS提取SIFT特征点，得到参考图和待匹配图SIFT特征点集分别记为{Rm}、{Sn}；(3)对参考图和待匹配图上提取到的SIFT特征点集{Rm}和{Sn}进行特征匹配，得到粗匹配特征对{(pq)i}，参考图和待匹配图中的粗匹配点集分别为{pi}和...

【专利技术属性】
技术研发人员：钟桦，焦李成，王海明，王爽，侯彪，田小林，熊涛，刘红英，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61