基于惯导误差修正的SAR图像特征匹配方法与流程

基于惯导误差修正的sar图像特征匹配方法
技术领域
1.本发明属于图像技术领域，涉及一种新的基于惯导误差修正的sar图像特征匹配算法，该算法用于去除根据相位一致性计算特征向量进行最近邻搜索得到的匹配点中存在的误匹配点对，以提高特征匹配的精度，减少匹配耗时。


背景技术：

2.由于不受天气、光照甚至表面遮蔽物的影响，合成孔径雷达(sar)已经广泛应用于卫星、无人机和导弹等平台。sar也可以用来成像，图像匹配是sar图像的一个应用方向。图像匹配是指将由不同传感器、不同时间或从不同视角得到的两幅图像在空间位置上进行对齐的过程。近年来，随着可见光、红外、微波和激光等成像技术的发展，产生了大量的地物数据图像，将不同传感器或不同时间拍摄得到图像进行配准可以得到一些互补的信息，因而被广泛应用于如地表植被分析、变化检测、图像融合及图像检索等方面。此外，图像匹配也可以被应用于辅助导航定位系统的修正。
3.常见的导航定位系统有惯性导航系统(inertial navigation system)、卫星导航系统(gps)。惯性导航系统利用自身的惯性器件对位置进行积分，不依赖于外部信息，因此具有很好的抗干扰能力，但惯性导航系统的定位误差会随着时间积累，平台的长时间飞行会严重影响到惯性导航系统的定位测速精度。卫星导航系统利用平台收到多颗卫星或基站信号的时间差进行差分定位，因此具有实时性好，定位精度高的特点。但是卫星导航系统依赖于外部电磁信息，战时容易受到干扰和破坏，因此必须研究卫星拒止条件下的导航系统。现有的导航系统通常将ins与其他导航系统进行结合，形成组合导航系统来提高导航定位系统的精度。
4.将sar图像匹配与惯性导航系统组合，利用图像匹配辅助修正惯性导航系统是一种新的组合导航体制。这种导航系统利用sar系统具有全天时、全天候的特点，在sar平台飞行过程中对地面区域进行成像，并将成像结果与存储在平台上的基准图像进行匹配对准，得到同名点的匹配关系。由于基准图上各点的位置和高程关系为已知，因此可以得到sar图像中各个特征点的经纬度和高程信息，结合平台的航向、高程以及雷达的波束参数，就可以反向推导平台的位置信息和姿态信息。这些位置和姿态信息可以用来修正惯性导航系统由于长时间飞行导致的累积误差，从而提高平台的定位测速精度。
5.图像匹配算法主要分为两类：基于灰度的图像匹配算法和基于特征的图像匹配算法。基于灰度的图像匹配算法利用待匹配的图像对之间的灰度信息进行匹配，基于特征的图像匹配算法利用从待匹配的图像中提取特征信息，并对这些特征进行匹配。
6.1.基于灰度的图像匹配算法：
7.基于灰度的图像匹配算法如图1所示，将模板窗在基准图上进行滑动，在每个模板窗内根据灰度信息计算实时图像(由平台上的sar成像系统获得)和基准图像(预先存储)之间的相似性，找到相似性最高的位置即为实时图在基准图中的匹配位置。灰度信息可以是空域的，也可以是频域的。常用的相似性度量策略主要有绝对平方差法、互相关法、归一化
互相关法、互信息等。绝对平法差法通过计算实时图和模板窗的灰度差，从而将灰度差最小的位置定义为匹配位置，因此对图像的灰度畸变比较敏感。互相关法和归一化互相关法通过计算实时图与模板窗的相关系数或归一化互相关系数，从而将关系数或归一化互相关系数最大的位置定义为匹配位置，因此可以抵抗图像间的线性灰度畸变。互信息法通过计算实时图和模板窗之间的互信息，从而将互相熵最大的位置定义为匹配位置，但由于计算量大，计算效率低，在实际工程中应用较少。
8.总的来说，基于灰度的图像匹配算法直接利用图像灰度信息，虽然计算简单直接，但是算法的稳健性不高，当图像间存在非线性灰度畸变或者存在几何形变时，算法的匹配性能急剧下降。此外，基于灰度的图像匹配算法只能给出一个匹配位置，当匹配位置精度不高或者错误时，会严重影响后续定位算法的性能。
9.2.基于特征的图像匹配算法：
10.基于特征的图像匹配算法如图2所示，该类算法通常包括三个步骤：特征点检测、特征点描述、特征点匹配。理论上，特征检测应该从待配准图像对筛选出具有明显特征的同名点，例如边缘、角点、线交叉点等。特征描述是根据筛选出的特征点及其与周围像素间的关系形成对特征点的刻画，同名点的特征描述应具有相似性。特征匹配是根据一定的相似性度量策略在基准图的特征点集与实时图的特征点集之间进行匹配。
11.1、特征点检测
12.本算法采用辐射变化不敏感的特征变换(radiation-variation insensitive feature transform,rift)算法提取特征点，rift首先根据相位一致性形成最大索引图，其形成过程如下所示：
13.将输入图像与log-gabor滤波器进行卷积，log-gabor滤波器在频域定义如(1)，
[0014][0015]
其中ω0是中心频率，σ
ω
是关于中心频率的带宽参数。log-gabor滤波器没有时域解析解，但可以通过对(1)式做逆傅里叶变换(ifft)得到。设在尺度为s，方向为o时log-gabor滤波器的ifft的奇部和偶部分别为h
eso
(x,y)和h
oso
(x,y)，则输入图像的卷积结果为
[0016]
[e
so
(x,y),o
so
(x,y)]＝[i(x,y)*h
eso
(x,y),i(x,y)*h
oso
(x,y)]
ꢀꢀꢀꢀꢀꢀ
(2)
[0017]
其中i(x,y)代表输入图像。令
[0018][0019]
则相位一致性定义为
[0020][0021]
其中ωo(x,y)是一个加权函数以使频谱宽度较小的点具有较小的权重，a
so
(x,y)定义于(3)中，t是噪声补偿系数以使相位一致性对噪声不敏感，用来防止被包含的部分
小于0，即当该部分小于0时，令该部分为0。ε是一个避免除0的常数。δφ
so
是一个相位偏差函数，定义为
[0022][0023]
其作用是是相位一致性能更准确的对特征进行定位，其中
[0024][0025]
根据(4)式计算出来的相位一致性图可以用来检测边缘点和角点，其中角点检测通过在最小矩图m
ψ
上执行局部最大值检测得到进行，边缘检测通过在最大矩图m
ψ
上执行fast特征检测得到，m
ψ
和m
ψ
的定义分别如下
[0026][0027][0028][0029]
其中
[0030][0031]
通过特征点检测就可以得到图2所示各同心圆中心像素的位置。
[0032]
2、特征点描述
[0033]
特征点描述需要反映特征点及其与周围像素的几何关系，由于相位一致性图中的大部分像素都为0，因此不适合用来构造特征描述。特征点描述在最大索引图(maximum index map,mim)上构造，其构造过程如下：设在(2)式的卷积过程中，使用了ns个尺度no个方向，对于给定的方向o，定义log gabor层为
[0034][0035]
即每一层为ns个尺度滤波结果之和。如图3所示，则最大索引图就是在(x,y)处最大的ao(x,y)所在层的索引。
[0036]
如图4所示，在最大索引图上，将每个特征点及其与周围的像素分为若干个patch，
统计每个patch内的灰度直方图分布，将这些灰度直方图级联为一个向量，就可以得到该特征点的特征描述。
[0037]
3、特征点匹配
[0038]
特征匹配需要在图像对各自的特征点集之间找到个特征点的对应关系，搜索策略可以采用诸如相似性搜索或最近邻搜索。本算法采用最近邻搜索得到同名点之间对应关系，如图2所示。实际上，这些匹配点对之间仍然存在大量的误匹配，如图(2)中的匹配和图(5)所示，因此需要进一步筛选出一致的匹配关系。
[0039]
一般通过随机采样一致性算法(fast sample consensus,fsc)从匹配点对之间筛选出一致的匹配关系，设通过上述步骤在基准图和实时图上各找到nb和nr个(nb＝nr)同名点，每次从nr个点中随机抽取3个点，计算其与基准图中点对之间的对应关系h，然后将该对应关系应用于所有的nr个点上，得到其在基准图中的象点nr'，计算象点nr'与上一步得到的匹配点nb之间的距离d，若d小于给定的精度阈值t，则认为该点对是正确的匹配。重复上述步骤，直到找到具有最多的匹配点对的对应关系h。


技术实现要素：

[0040]
要解决的技术问题
[0041]
本发明要解决的技术问题是：通过图2可以看出，在两个图像上各自找到若干特征点之后，需要根据搜索策略在这些点之间进行匹配，然而这些在各自图像上计算的特征点之间可能不具有匹配关系，使得仅根据搜索策略得到的匹配点对中包含大量的误匹配点，如图(5)所示。通过随机采样一致性算法需要在大量误匹配点对之间筛选具有一致变换模型的匹配点，因此在迭代次数有限时，可能得到的仿射变换精度较差甚至错误的仿射变换矩阵。为了得到精度较高的变换矩阵，只能增加迭代次数乃至穷举搜索，这样做的代价就是降低算法的执行效率，使匹配耗时增加。
[0042]
技术方案
[0043]
一种基于惯导误差修正的sar图像特征匹配方法，其特征在于设在基准图和实时图上分别得到mb个和mr个特征点，mb≠mr，根据搜索策略得到mb个和mr个特征点之间的对应关系n个，mb＞n且mr＞n，步骤如下：
[0044]
步骤1：从根据搜索策略得到的n个匹配点对中估计实时图在基准图中的位置：
[0045][0046]
其中(x
ir-x
ib
)是基准图中第i个匹配点，(y
ir-y
ib
)是实时图中第i个匹配点；
[0047]
步骤2：根据惯导误差信息设计阈值t，设惯导的角度误差为δθ，则阈值设置为lδθ，其中l为基准图的宽度；
[0048]
步骤3：针对每对匹配点，计算基准图与实时图之间y坐标的差δy，则δy相对于yc的大小不应超过t，即|δy-yc|＜lδθ，从而去掉不满足条件的匹配点，剩下nr个匹配点；
[0049]
步骤4：利用剩下的nr个匹配点计算仿射变换矩阵h；
[0050]
步骤5：将变换矩阵应用于所有nr个剩余的匹配点，即计算实时图中nr个匹配点在仿射变换矩阵h作用下的象点，然后计算象点与基准图中nr个匹配点之间的距离，去掉精度不满足要求的点，将剩下的匹配点作为最终的特征匹配结果。
[0051]
一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
[0052]
一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
[0053]
有益效果
[0054]
本发明提供的一种基于惯导误差修正的sar图像特征匹配方法，利用根据搜索策略得到的匹配点估计实时图在基准图中的大致位置，然后利用惯导误差信息设计匹配坐标相对位置与估计位置差值的门限，最后利用该阈值，对匹配点的位置差与估计位置的差进行筛选，从而去除大量异常的误匹配点。与现有特征匹配算法相比较，具有的有益效果是：通过惯导误差信息先剔除一部分误匹配点，然后利用剩下的匹配点计算仿射变换矩阵，可以在少量迭代的情况下，得到较为精确的仿射变换矩阵，提高了算法的鲁棒性和稳健性。此外，由于需要进行的迭代次数较少，也可以节省算法本身的搜索时间，提高匹配精度。
附图说明
[0055]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
[0056]
图1基于灰度的图像匹配算法；
[0057]
图2基于特征的图像匹配算法；
[0058]
图3 mim示意图；
[0059]
图4特征描述与特征向量；
[0060]
图5包含误匹配的最近邻搜索结果；
[0061]
图6根据惯导误差信息去除误匹配点后的结果。
具体实施方式
[0062]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0063]
现有的sar成像系统，都依赖于惯导设备实现对平台的运动补偿，从而实现高分辨率成像，因此sar成像的结果很容易就可以变换到与基准图一致的方向。将北方向一致的两幅图像进行匹配，虽然得到的匹配点中误匹配仍然较多，但此时可以通过惯导误差信息对得到匹配点对之间的位置关系进行限制，从而剔除大量误匹配点对，大幅提高正确匹配点对的占比。随后再将随机采样一致性算法应用于剔除后的匹配点对，就可以在较少的迭代次数下完成最终仿射变换矩阵的计算。
[0064]
设在基准图和实时图上分别得到mb个和mr个(mb≠mr)特征点，根据搜索策略得到mb个和mr个特征点之间的对应关系n个(mb＞n且mr＞n)，则基于惯导修正的图像特征匹配算法步骤分以下几步：
[0065]
(1)从根据搜索策略得到的n个匹配点对中估计实时图在基准图中的位置：
[0066][0067]
其中(x
ir-x
ib
)是基准图中第i个匹配点，(y
ir-y
ib
)是实时图中第i个匹配点；
[0068]
根据惯导误差信息设计阈值t，设惯导的角度误差为δθ，则阈值设置为lδθ，其中l为基准图的宽度；
[0069]
(2)针对每对匹配点，计算基准图与实时图之间y坐标的差δy，则δy相对于yc的大小不应超过t，即|δy-yc|＜lδθ，从而去掉不满足条件的匹配点，剩下nr个匹配点，结果如图6所示；
[0070]
(3)利用剩下的nr个匹配点计算仿射变换矩阵h，此时由于匹配点少，所以需要的迭代次数也少。
[0071]
(4)将变换矩阵应用于所有nr个剩余的匹配点，即计算实时图中nr个匹配点在仿射变换矩阵h作用下的象点，然后计算象点与基准图中nr个匹配点之间的距离，去掉精度不满足要求的点，将剩下的匹配点作为最终的特征匹配结果。
[0072]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。