基于自适应阈值分割和组合优化的sar图像配准的制作方法
【专利摘要】本发明提出了一种基于自适应阈值分割和组合优化的SAR图像配准方法，以便降低灰度变化差异的影响，采用一种由粗到精的优化寻优策略，从而提高图像配准精度，采用图像小波分解策略，降低Powell局部寻优的运算时间复杂度。其实现过程是：(1)首先对同一地区的两幅图像做自适应阈值分割；(2)通过PSO搜索算法搜索配准参数使得两幅图像之间的互信息达到最大；(3)对图像做三层小波分解，取每层低频分量，以PSO搜索得到的配准参数为Powell搜索算法的初始点，从最高层第三层开始逐层搜索直至原图，得到最后的配准参数；(4)通过得到的配准参数将待配准图像通过插值变换回去，并叠加得到最终的配准结果。
【专利说明】基于自适应阈值分割和组合优化的SAR图像配准
【技术领域】
[0001] 本发明属于遥感图像处理领域，涉及SAR图像的配准问题，具体涉及一种基于自 适应阈值分割和组合优化的SAR图像配准方法，可用于对SAR图像的配准。
【背景技术】
[0002] 合成孔径雷达（synthetic aperture radar, SAR)具有分辨率高，全天时、全天候 工作的特点，与可见光、红外传感器比较具有独特的优势和无法替代的作用，被广泛应用于 工农业生产、科研和军事等领域。图像配准的过程就是将在不同时间、不同传感器、不同视 角及不同成像条件下获取的同一场景下的多幅图像进行匹配和叠加的过程。从方法的角度 对图像配准进行分类，可以将图像的配准技术分为三类：基于灰度的配准、基于变换域的配 准以及基于特征的配准。
[0003] 基于灰度的配准有一个前提，那就是两幅图像的灰度必须要相近，不能相差太大， 所以一般用于同源图像的配准，不太适合于异源图像的配准。这类方法一般是利用参考图 和待配图之间的灰度统计信息作为相似度评价标准，然后利用优化算法寻优找到最优的变 换参数。它的一个很明显的优势在于不需要复杂的前期预处理过程，也没有复杂的特征提 取过程，而且精度高，鲁棒性好。但是它的缺点也很明显，对灰度变化敏感，没有充分利用灰 度统计特性，对每一点的灰度依赖大，同时对光照变化也很敏感，对非线性形变不适用。还 有一点，由于采用的是优化算法寻优，运算的时间复杂度很高。
[0004] 基于变换域的配准是基于一些快速算法实现的，比如fft快速算法、小波分解等 等。所以它的优势非常明显，那就是高速，易于硬件实现，而且抗低频噪声强，能做到实时的 配准。经过一系列的实验验证，这类方法要求两幅图像之间的重叠区域要大，而且它只能处 理平移、旋转、尺度变换，无法处理非线性形变，通常碰到高频噪声配准效果也不太好。
[0005] 基于特征的图像配准实际上只利用少量的特征信息来精确的定位目标信息，实现 图像的配准。其实，直接从视觉感官的角度来讲，我们能直接看出两幅是否是同一场景，这 是基于我们对目标相似性的一个判断。比如两幅图像里的某些区域是一致的，某些曲线是 对应的等等。所以我们从最直观的角度出发，寻找我们需要的就像肉眼看到的一些图像里 的显著的特征。由于特征的多样性，基于特征的配准方法也五花八门。由于我们只采用了图 像里的部分特征信息，这就减小了我们的计算量。同时特征有很多优点，它抗噪性好，对灰 度变化也不敏感，而且它对图像形变以及光照不均都有很好的适应力（以点特征为代表）。 缺点也显而易见，特征提取比较难，特别是对于异源图像。
【发明内容】
[0006] 本发明的目的是提供一种基于自适应阈值分割和组合优化的SAR图像配准方法。
[0007] 本发明的技术方案是，基于自适应阈值分割和组合优化的SAR图像配准，包括如 下步骤：
[0008] 步骤101 :导入两幅同一地区的待配准的SAR图像；
[0009] 步骤102 :采用自适应阈值分割提取出最佳阈值，将图像中的显著区域与其它区 域分尚开来；
[0010] 步骤103 :将分割出的目标区域的灰度归一化到同一灰度级，从0?255归一化到 0 ?25 ;
[0011] 步骤104 :对归一化的区域图像采用PSO(粒子群算法）对两幅图像之间的互信息 进行寻优，搜索到使互信息达到最大的配准参数；
[0012] 步骤105 :对归一化的区域图像做三层小波分解，只取低频分量用于Powell寻优， 寻优策略还是搜索配准参数使两幅图像之间的互信息达到最大，由于小波分解改变了图像 的大小，我们搜索的空间也将变小，这就会降低我们的寻优时间；
[0013] 步骤106 :假定旋转角度为Θ，水平平移为Δχ，垂直平移为Ay，尺度缩放为α， 将PSO搜索得到的配准参数（θ，Λ X，Λ y，α )变为（θ，Λ χ/8, Λ y/8, α )，作为Powell算 法在小波分解第3层搜索的初始点，搜索配准参数（θ ρ Λ Xl，Ay1, α D ;
[0014] 步骤107 :因为每层之间图像大小都是两倍关系，将得到的（θ Ax1, Ay1, α D变 换为（Θ 2 Δ X1, 2 Δ yi，a D作为下一层搜索的初始点，继续搜索配准参数；
[0015] 步骤108 :重复步骤107,直到搜索到最高层即原图大小，则得到的配准参数就是 最终的配准参数；
[0016] 步骤109 :根据得到的配准参数将待配准图像变换回去，然后与参考图叠加得到 配准结果图；
[0017] 所述的步骤102,包括如下步骤：
[0018] 步骤201 :取一幅SAR图像I1，寻找图像中的最小灰度值Zmin和最大灰度值Zmax，求 平均得到我们的初始阈值；
[0019]
【权利要求】
1. 一种基于自适应阈值分割和组合优化的SAR图像配准方法，包括如下步骤： 步骤101 :导入两幅同一地区的SAR图像，一幅作为参考图像，另一幅作为待配准图 像； 步骤102 :对两幅图像分别采用自适应阈值分割提取出最佳阈值，使用最佳阈值分别 将两幅图像中的目标区域图像与背景区域图像分离开来； 步骤103 :将两幅图像分割出来的目标区域图像的灰度归一化到同一灰度级； 步骤104 :采用粒子群算法（PSO)对两幅归一化的目标区域图像之间的互信息进行寻 优，搜索到使互信息达到最大的配准参数（θ，ΛΧ，Ay，α)，其中，Θ为旋转角度，ΛΧ为水 平平移，Ay为垂直平移，α为尺度缩放； 步骤105 :对两幅归一化的目标区域图像做三层小波分解，只取低频分量用于Powell 算法寻优； 步骤106:将步骤104中通过PSO搜索得到的配准参数（θ，ΛΧ，Ay，α)变为 (θ，Λ χ/8, Λ y/8, α )，作为Powell算法在小波分解第3层搜索的初始点，搜索得到配准参 数（θ η Δχ" Ay1, a D ; 步骤107 :因为对两幅归一化的目标区域图像做三层小波分解后的每层之间图像大小 都是两倍关系，故将得到的（Θ u Δ X1, Λ yi，a D变换为（Θ 2 Δ X1, 2 Δ yi，a D作为下一层 搜索的初始点，继续搜索配准参数； 步骤108 :重复步骤107,直到搜索至原图大小（即第三层一第二层一第一层一原图）， 得到的配准参数就是最终的配准参数； 步骤109 :使用步骤108得到的最终的配准参数将待配准图像变换回去，然后与参考图 像叠加得到配准结果图。
2. 根据权利要求1所述的基于自适应阈值分割和组合优化的SAR图像配准方法，其中， 所述步骤102包括如下步骤： 步骤201 :取上述两幅同一地区的SAR图像中的一幅SAR图像I1，寻找该图像中的最小 灰度值Zmin和最大灰度值Z max，求平均得到初始阈值；
步骤202 :每次更新的阈值Tk将图像分离成两部分，小于等于阈值T k的部分是目标区 域图像，其它的部分是背景区域图像，分别求目标区域的平均灰度Ztl和背景区域的平均灰 度Zb;
其中，像素点（i，j)的灰度值是Z(i，j)，灰度值Z(i，j)出现次数为N(i，j); 步骤203 :再对步骤202得到的目标区域图像的灰度值和背景区域图像的灰度值取平 均得到新的阈值；
步骤204 :若Tk和T k+1相等，结束，得到的T k即为采用自适应阈值分割的最佳阈值，若 Z(i，j) <=Tk，则像素点（i，j)为目标区域图像的像素点，若Z(i，j) >Tk，则像素点（i，j) 为背景区域图像的像素点；若Tk和T k+1不相等，则转步骤202和步骤203,继续更新阈值T k。
3. 根据权利要求1所述的基于自适应阈值分割和组合优化的SAR图像配准方法，其中， 所述步骤104包括如下步骤： 步骤301 :初始化由旋转角度、水平平移、垂直平移和尺度缩放四个参数构成的参数解 空间，设定PSO算法各项参数，随机分配粒子的位置； 步骤302 :将待配准图像的目标区域图像根据参数解空间参数采用部分体积插值（PV 插值）的方法进行变换，计算变换后的图像与参考图像的目标区域图像之间的互信息，将 互信息最大的解对应的参数解空间参数作为最优配准参数； 步骤303:记录当前迭代下粒子的速度Vi和位置Xi,并记录当前迭代下的最优位置以及 目前为止的全局最优位置，进一步迭代，粒子的更新公式如下： Vi = α V J-C^1 (Pi-Xi) +c2r2 (Pg-Xi) Xi= Xi+β Vi 上述两式中，i = 1，…，η，其中，η为种群大小，\^表示粒子i的速度，X 1表示粒子i的 位置，Pi表示当前这次迭代得到的粒子的最佳位置，Pg表示当前粒子群到目前为止得到的 最佳位置为全局最优解，C 1, C2为非负的学习因子，r Dr2SO?1之间的随机数，α为惯性 因子； 步骤304 :若pg构成的全局最优解F小于最小允许误差ε，或者迭代步数超过最大迭 代次数，则结束迭代，Pg对应的解即是最终要求的解，该解包括旋转角度、水平方向平移分 量、垂直方向平移分量和尺度缩放，否则转步骤302和步骤303。
4. 根据权利要求3所述的基于自适应阈值分割和组合优化的SAR图像配准方法，其中， 所述步骤302包括如下步骤： 步骤401 :根据配准参数对待配准图像的目标区域图像做PV插值，直接更新待配准 图像的目标区域图像的联合灰度直方图。对于待配准图像的目标区域图像上任意一点 PQ(x，y)，其最近邻四个像素点为￥ η2、η#Ρ η 4，假设参考图像的目标区域图像为R，待配准 图像的目标区域图像为F，Ptl (X，y)根据配准参数计算出来的新的坐标为（X'，y'），dx和dy 分别表示X'和y'的小数部分，那么该点与其最近邻四个像素点的坐标差可以表示为dx、 1-dx、dy和1-dy，该点与其最近邻四个像素点的联合灰度直方图可以写为下式： h (R (Iii), F (P0)) = h (R (Iii), F (P0)) +Wi 1 = 1,2,3,4 其中四个权值&的计算公式如下： W1= (1-dx) X (1-dy) W2= dxX (l~dy) W3= dxXdy W4= (l~dx) Xdy 步骤402 :对于参考图像的目标区域图像A和PV插值后的目标区域图像B，a和b是参 考图像的目标区域图像A和PV插值后的目标区域图像B中相对应的像素的灰度值，pA(a) 表示参考图像的目标区域图像A的边缘概率分布，pB(b)表示PV插值后的目标区域图像B 的边缘概率分布，Pab (a，b)表示两幅同一地区的SAR图像的目标区域图像A和B的联合概率 分布，联合概率分布Pab (a，b)可以通过联合灰度直方图h得到，边缘概率分布pA (a)和pB (b) 也可以通过以下公式计算得出。
步骤403 :根据互信息计算公式计算两幅目标区域图像之间的互信息。
5. 根据权利要求1所述的基于自适应阈值分割和组合优化的SAR图像配准方法，其所 述的步骤106包括如下步骤： 步骤501 :取两幅归一化的目标区域图像的小波分解第3层的低频分量用于 Powell搜索，将步骤104中通过PSO搜索得到的配准参数（θ，Λ X，Λ y，α )变为 (θ，Λ χ/8, Λ y/8, α )，（ θ，Λ χ/8, Λ y/8, α )作为Powell算法搜索的初始点X。，然后给定 误差δ和η个线性无关的方向(I1, d2, d3，…，dn; 步骤502 :将待配准图像的目标区域图像根据配准参数采用PV插值的方法进行变换， 计算变换后的目标区域图像与参考图像的目标区域图像之间的互信息，互信息最大的解对 应的参数才是最优配准参数； 步骤503 :从Xtl出发依次沿方向d i，d2, d3，…，dn进行一维搜索，得到X i，X2, X3，…，Xn.再 从Xn出发沿X "与X 〇连线方向进行一维搜索，得到X k; 步骤504 :如果I Ixk-Xlrt I I < δ，停止搜索，得到点Xk;否则置d(k+l，j) = d(k，j+1)， j = 1，2,…，n，返回步骤503 ; 步骤505 :P〇Well搜索结束时得到的Xk就是最终的配准参数（θ ρ Λ Xl，Λ yi，a J。
6. 根据权利要求1所述的基于自适应阈值分割和组合优化的SAR图像配准方法，其中， 步骤103中将两幅图像分割出来的目标区域图像的灰度归一化到同一灰度级包括将两幅 图像分割出来的目标区域图像的灰度从0?255归一化到0?25。
【文档编号】G06T7/00GK104517286SQ201410734116
【公开日】2015年4月15日 申请日期:2014年12月4日 优先权日:2014年12月4日
【发明者】王爽, 焦李成, 陈凯, 张涛, 刘闯, 侯彪, 熊涛, 刘红英 申请人:西安电子科技大学