论文部分内容阅读
如何进行稳健鲁棒的高分SAR图像特征匹配技术一直以来是特征匹配算法难点与瓶颈。特征模式的高分SAR匹配技术一直以来没有鲁棒性强、稳健性高、普适性广的算法,其主要原因在于高分SAR图像固有的相干斑噪声。光学图像匹配技术算法发展较为成熟,尺度不变特征(Scale Invariant Feature Transform,SIFT)算法问世以来,由于其卓越的鲁棒性与普适性而被广泛采用。目前光学图像特征模式匹配技术主要框架分成两个研究方向:①局部特征邻域描述信息(patch-based image:梯度、相位、灰度、变换域信息等)的构建;②局部特征点集的图论网格生成与相似性约束(主要有Delaunay三角形模式图网等)。高分SAR图像匹配技术剖分成三大类模式:灰度模式、频域模式和特征模式的匹配算法。灰度模式的高分SAR匹配算法逐渐迈向稳定模式,稳健性高、鲁棒性好。但是,灰度模式匹配算法耗时较大,高分SAR图像匹配技术由于基准图宽广,从而导致无法实时性应用到军事领域中。变换域模式能够显著区分高低频信息,提升其匹配性能。特征模式下匹配算法由于其拥有高效率,抗遮挡等优势。针对特征模式下高分SAR匹配技术沿着SIFT算法框架逐环节剖开研究,相关研究的子模块表述:1.本文针对SIFT算法框架下构建尺度空间模块,提出了基于非线性扩散滤波进行尺度空间构建算法。非线性扩散滤波采用快速显示扩散算法进行快速数值分解,同时其扩散系数采用指数加权均值比例算子作为权重系数因子(Nonlinear DiffusionFilterROEWA,NDFR)。尺度空间降噪性是以指数加权均值比例算子能够有效的抑制高分SAR图像斑点噪声(特别是强散射纹理区斑点噪声)。特征点模式提取模块抗噪性采用SAR-Harris-ROEWA特征点检测算法,能够有效的提取稳健鲁棒特征点,最后采取MSURF统计局部特征信息进行高维矢量描述。该算法组合框架能够有效的抵抗高分SAR图像匹配概率低下,失配率高的问题。实验数据结果表明,针对高分SAR特征框架下提出算法鲁棒性强、稳健性高、普适性范围较广。2.由于SIFT算法抗仿射性能较差,本文沿着ASIFT算法框架对高分SAR图像进行重采样后,重采样模式为单源SAR实时图进行相机成像模拟,基准图不进行重采样。实时图重采样后的模板高分SAR采用本文所提出策略进行匹配。实验分别与当前具有抗仿射不变性算子Harris-Affine算子、Hessian-Affine算子、MSER算子进行比较,结果表明本文沿着ASIFT算法框架下的全仿射不变算法能够有效的进行高分SAR图像大视差下的配准。3.在高分SAR图像全局粗匹配完成后,首先对实时图按照估计变换矩阵进行全局粗匹配变换。其次对匹配重复区域进行均匀划分子块区域,每个子块区域的控制点环形分布特征点构建Delaunay三角形。对每个子块区域采用梯度信息模板匹配,然后进行子块中心点的位置更新。最后,根据基准图控制点与更新后实时图控制点参数集,采用多子区域控制点生成三角形网格进行非线性参数估计,对多三角形网格进行内插值,完成图像局部精校正过程。