[发明专利]基于点集对比的SAR图像相似性度量方法

说明书

本发明公开了一种基于点集对比的SAR图像相似性度量方法，对待匹配的基准SAR图像和对比SAR图像先对两者进行二维散射中心提取得到基准散射点集和对比散射点集；再根据散射点在二维空间里的分布将基准点集和对比点集划分为若干个聚拢的点群；将两个点集的坐标映射到同一个二维匹配空间，根据点集中各点群之间的距离，确定基准点集和对比点集之间的跨图点群配对；将每个跨图点群配对的距离相似度和灰度相似度进行合并得到跨图点群配对的最终相似度；综合所有跨图点群配对的相似度作为SAR图像之间的相似度。本发明方法解决了现有相似度判断方法所得到的图像相似度不准确的问题，实现步骤简单，稳定性强，需要的计算量和内存消耗很小。

技术领域

本发明属于SAR图像自动解译和SAR图像配准领域，涉及一种基于点集对比的SAR图像相似性度量方法。

背景技术

SAR图像相似性度量旨在将SAR图像之间的相似程度量化，以达到图像筛选和评估的作用，主要应用于SAR图像自动解译和图像配准等方面。研究可靠性高、高效且符合视觉感知的相似性度量标准，是提高图像筛选精度及效率的有效途径。

现有技术中直接使用SAR图像的所有像素信息计算相似性度量，时效性差且可信度低。SAR图像的强散射点代表了目标精细物理结构，将其作为点集相似性度量的对象，能够有效降低相似度函数的不确定性、提高时效性，因此更具有现实意义。而一般的点集匹配方法未将灰度差考虑在内，其结果往往与人的视觉感知不符。

目前，点集相似性度量主要包括统计相似度、拓扑相似度、几何相似度等。1982年发表在IEEE Trans On Pattern Analysis and Machine Intelligence上的文献“DotPattern Processing Using Voronoi Neighborhoods”提出了一种基于Voronoi图的方法，利用点集生成Voronoi多边形的几何特征来刻画点集，并通过这些特征来获得匹配关系进而计算相似度。但该算法虽然易于实现但鲁棒性不好。

2000年清华大学张立华的博士学位论文对点模式匹配进行了专门的研究，给出了比较普遍的匹配定义，但并未构建点集匹配问题的理论框架，相似性度量问题也未能系统讨论，该方法具体应用背景较为局限。

虽然国内外在SAR图像中相似性度量方面已经取得很多成果，但依然存在一些问题需要继续改进和完善。对点集进行匹配的同时，还需要考虑对出格点的容错能力，提高鲁棒性。SAR图像之间的差异体现在距离和灰度差两个方面，相似性度量标准应综合两者的影响。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提出一种基于点集对比的SAR图像相似性度量方法，利用该方法进行SAR图像匹配，达到简化操作步骤、提高可靠性和效率且符合视觉感知的效果。

技术方案：为实现上述目的，本发明的基于点集对比的SAR图像相似性度量算法，包括以下步骤：

1)准备待匹配的基准SAR图像和对比SAR图像，并进行图像预处理，包括去除条纹干扰、消除相干斑噪声、亮度和对比度调整等；

2)采用强散射点提取算法，对预处理后的基准SAR图像和对比SAR图像进行二维散射中心提取，得到基准散射点集和对比散射点集；

3)根据散射点在二维空间里的分布，采用聚类算法将基准点集和对比点集划分为若干个聚拢的点群。此处点群是点集的一个部分，一个点集包含若干个点群；

4)将两个点集的坐标映射到同一个二维匹配空间，进行重心对齐等处理，根据基准点集中各点群和对比点集中各点群之间的距离，确定基准点集和对比点集之间的跨图点群配对。建立配对关系的基准点群和对比点群在二维匹配空间里位置接近或重合；

5)计算每个跨图点群配对的距离相似度和灰度相似度，并采用乘法合取规则得到各个跨图点群配对的最终的相似度；