[发明专利]一种SAR与可见光图像配准方法

说明书

技术领域

本申请属于图像领域，尤其涉及SAR与可见光图像的配准领域。

背景技术

图像配准是对不同传感器、时间或角度获取的两幅有重叠部分的影像匹配的过程，其关键技术是找到待配准图像间最优的几何变换，从而使得变换后的图像相对于一种相似性度量函数具有最大相似性。图像配准是实现模式识别、图像融合、变换检测和图像镶嵌等的前期处理。在遥感图像中，合成孔径雷达(synthetic aperture radar, SAR)图像和可见光图像是最典型的两种类型。SAR具有全天候、穿透性强、纹理信息丰富等优势，但图像不含光谱信息，且目标的微波反射特性导致相同物体的SAR图像可能呈现不同的表现形式。可见光图像能直观地对目标进行成像，含有丰富的光谱信息，但受大气衰减、天气状况的影响较大，因此研究这两种图像的配准有重大意义。

现有的图像配准方法大致分为两大类:基于区域配准和基于特征配准。基于区域配准主要包括互信息算法、交叉相关算法和最大似然估计算法等。这些算法虽然有一定的鲁棒性，但是计算量很大，而且当SAR与可见光图像存在角度和尺度差异时配准效果不理想。在基于特征配准的算法中，尺度不变特征变换SIFT (scale-invariant feature transform, SIFT)是最为普遍的算法之一。它具有尺度变换、旋转和仿射不变性，对噪声及视角变换也有一定的鲁棒性，因此广泛应用于图像处理领域。尽管SIFT算法可以很好地配准可见光图像，但直接应用于SAR图像配准时会出现很多误匹配，最主要的原因是SAR图像存在相干斑噪声，导致提取的特征点被破坏。另外，由于传统的SIFT算法提取的特征点及生成的特征向量数量过多，带来繁重的计算量，处理时间过长。

发明内容

为解决上述技术问题：本申请提出了一种SAR与可见光图像匹配方法，所述方法基于SIFT算法和Canny边缘检测算法相结合来实现，其特征在于，所述方法包括：

步骤一、选取候选特征点；

步骤二、检测边缘特征点；

步骤三、比较所述候选特征点和所述边缘特征点的坐标是否相等；

步骤四、选取出坐标不相等的点，并生成SIFT特征描述向量；

步骤五、根据所述特征描述向量，生成初始匹配点对；

步骤六、进一步处理所述初始匹配点对，生成最佳匹配结果。

优选的，所述选取候选特征点具体包括：

采用双滤波BF去除SAR图像的相干斑噪声，其中，BF的定义为：

（1）；

p和q是像素位置，是点p的像素值，是点q的像素值，空间强度高斯核和的标准差分别为和，是归一化因子，是像素p的过滤值，选取图像的三维DOG尺度空间中检测局部极值作为特征点。

优选的，所述检测边缘特征点具体包括：采用Canny边缘检测算法检测出图像的边缘特征点。

优选的，选取出坐标不相等的特征点，并生成SIFT特征描述向量，具体为，首先，利用所述选取出的特征点邻域内所有像素点的梯度方向分布特性为所述特征点指定方向，使所述特征点具有旋转不变性，其中，

（2）；

（3）；

其中，表示特征点邻域内所有像素点的坐标，为特征点的梯度模值，为特征点的梯度方向，L表示所述特征点所在的尺度空间值，

其次，以所述特征点为中心的邻域内，将0°到360°等分为36个区间, 计算每个像素点的梯度模值和梯度方向, 将每个像素点的梯度方向投票到对应的区间上，这样就形成了所述特征点的梯度方向直方图, 直方图峰值的区间对应的方向均作为该关键点的主方向。

公式（2）和（3）分别为相应特征点的梯度模值和梯度方向，用直方图统计邻域像素的梯度方向，直方图的峰值即为该特征点的主方向，将坐标轴旋转为特征点的主方向，以确保旋转不变性，在特征点邻域划分成的小区域内计算梯度方向和模值，生成梯度方向直方图，由各个小区域梯度方向直方图建立关键点的特征向量，即为描述子。

优选的，所述根据所述特征描述向量，生成初始匹配点对具体为，采用高维数据的快速最近邻算法FLANN算法生成初始匹配点对，FLANN模型的特征空间为一个n维的实向量空间，命名为Rⁿ，特征点p和q的子向量分别用D_p和D_q表示，则所述P和q的欧式距离为：