针对小孔径序列SAR图像的配准方法、装置和设备

本技术涉及sar图像处理，特别是涉及一种针对小孔径序列sar图像的配准方法、装置和设备。

背景技术：

1、目前，sar图像配准的方法主要有两种，一种是基于灰度的配准方法，一种是基于特征的配准方法。基于灰度的配准方法以图像的灰度信息为基础，构建图像间的相似性度量函数，通过求取该函数的极值，得到两幅图像间的变换参数值，根据其变换参数值，实现对图像的配准。基于灰度的配准方法不需要对图像进行预处理，同时利用图像的灰度信息，可以得到精确性和鲁棒性比较高的变换参数，不足的是，图像数据都要参与运算，计算速度慢，而且，受图像灰度差异的影响，该方法不适合灰度值差异较大的图像间的配准。基于灰度的配准方法中，比较常用的方法是互相关法和互信息法。

2、基于特征的配准方法需提取参考图像和待配准图像的特征向量，将图像的特征向量进行匹配，通过匹配得到的特征点对计算变换模型的参数，根据模型参数，实现对图像的配准。在基于特征的匹配算法中，目前应用最广泛的是尺度不变特征变换( scaleinvariant feature transform，sift)。sift在构建高斯尺度空间使用差分梯度，在光学图像的配准中，效果很好。但在sar图像配准中，由于sar图像中受相干斑噪声的影响，在高反射率的均匀区域，存在大量的虚假的特征点。而基于sift方法提出的sar-sift算法更适用于一般乘性斑点噪声的sar图像。

3、而太赫兹sar图像也具有强噪声斑点的干扰，在拥有高反射率的静态区域获得幅值非常大的梯度，导致差分梯度出现较大的偏差，若采用sift算法提取特征点时会存在大量的异常点，而采用sar-sift算法需要进行特征点主方向的分配和特征点，计算过程复杂，计算后得到的特征点对的数量少于构建图像变换矩阵所要求的特征点对数，导致配准失败。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够对太赫兹sar图像进行精准配准的针对小孔径序列sar图像的配准方法、装置和设备。

2、一种针对小孔径序列sar图像的配准方法，所述方法包括：

3、获取小孔径序列sar图像数据集，所述小孔径序列sar图像数据集中包括按时间排序的多帧sar图像；

4、在所述小孔径序列sar图像数据集中选取两帧相邻的sar图像作为待配准图像，并根据预设参数分别构建对应两帧待配准图像的多尺度空间金字塔；

5、采用harris角点检测算法分别在两个多尺度空间金字塔中各层尺度空间的选取特征点，并根据选取得到的特征点分别构建对应两帧待配准图像的特征点集合；

6、构建两个特征点集合之间的特征点对集合，根据各所述特征点对中两个特征点之间的斜率以及欧式距离对所述特征点对集合进行筛选，得到候选特征点对集合；

7、通过利用所述候选特征点对集合中的特征点对拟合得到多个图像仿射变换函数，并采用改进的ransac算子得到其中优选图像仿射变换函数；

8、通过所述优选图像仿射变换函数对所述两帧待配准图像进行图像配准。

9、在其中一实施例中，所述采用harris角点检测算法分别在两个多尺度空间金字塔中各层尺度空间的选取特征点包括：

10、在各所述多尺度空间金字塔中，采用指数加权平均算子计算每一层尺度空间图像水平方向和垂直方向的梯度比值；

11、根据各所述梯度比值构建对应层尺度空间图像的harris函数，根据不同尺度空间的harris函数分别构建对应两个多尺度空间金字塔的harris多尺度空间；

12、分别在两个harris多尺度空间中，将每一层harris尺度空间中harris函数极大值在该层尺度空间图像上对应位置的采样点作为特征点。

13、在其中一实施例中，所述根据各所述特征点对中两个特征点之间的斜率以及欧式距离对所述特征点对集合进行筛选，得到候选特征点对集合包括：

14、计算每一个特征点对之间的斜率，统计落入不同斜率区间的特征点对数量，在所述特征点对集合中保留数量最多的斜率区间中的特征点对，同时删除其它特征点对；

15、计算所述特征点对集合中剩余特征点对之间的欧式距离，统计落入不同距离区间的特征点对数量，在所述特征点对集合中保留数量最多的距离区间中的特征点对，同时删除其它特征点对；

16、将完成两次筛选时的特征点对集合作为所述候选特征点对集合。

17、在其中一实施例中，所述斜率区间的取值范围为0.050-0.300。

18、在其中一实施例中，所述距离区间为两个采样单元。

19、在其中一实施例中，所述通过利用所述候选特征点对集合中的特征点对拟合得到多个图像仿射变换函数，并采用改进的ransac算子得到其中优选图像仿射变换函数包括：

20、在所述候选特征点对集合中任意选取三对特征点对，将这三对特征点对作为内点，则所述候选特征点对集合中的其他特征点对为外点；

21、根据选取出来的三对特征点对进行拟合，得到图像仿射变换函数；

22、利用所述候选特征点对集合中的所有外点依次对仿射变换函数进行测试，若测试结果符合预设阈值，则将对应的外点转换为内点并保留在所述候选特征点对集合中，若测试结果不符合预设阈值，则将对应的外点从所述候选特征点对集合中删除；

23、记录所述候选特征点对集合中内点的数量，再从中任意选取三对特征点对进行下一次的迭代计算，直至迭代次数满足预设次数，则将得到最多内点数量所对应的图像仿射变换函数作为优选图像仿射变换函数。

24、在其中一实施例中，所述根据选取出来的三对特征点对进行拟合，得到图像仿射变换函数包括：

25、根据选取的特征点对构建坐标矩阵；

26、通过对所述坐标矩阵进行奇异值分解，得到所述坐标矩阵的最小二乘解；

27、将所述最小二乘解进行reshape函数处理，得到对应的图像仿射变换函数。

28、一种针对小孔径序列sar图像的配准装置，所述装置包括：

29、sar图像数据集获取模块，用于获取小孔径序列sar图像数据集，所述小孔径序列sar图像数据集中包括按时间排序的多帧sar图像；

30、多尺度空间金字塔构建模块，用于在所述小孔径序列sar图像数据集中选取两帧相邻的sar图像作为待配准图像，并根据预设参数分别构建对应两帧待配准图像的多尺度空间金字塔；

31、特征点集合构建模块，用于采用harris角点检测算法分别在两个多尺度空间金字塔中各层尺度空间的选取特征点，并根据选取得到的特征点分别构建对应两帧待配准图像的特征点集合；

32、候选特征点对集合得到模块，用于构建两个特征点集合之间的特征点对集合，根据各所述特征点对中两个特征点之间的斜率以及欧式距离对所述特征点对集合进行筛选，得到候选特征点对集合；

33、优选图像仿射变换函数得到模块，用于通过利用所述候选特征点对集合中的特征点对拟合得到多个图像仿射变换函数，并采用改进的ransac算子得到其中优选图像仿射变换函数；

34、图像配准模块，用于通过所述优选图像仿射变换函数对所述两帧待配准图像进行图像配准。

35、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

36、获取小孔径序列sar图像数据集，所述小孔径序列sar图像数据集中包括按时间排序的多帧sar图像；

37、在所述小孔径序列sar图像数据集中选取两帧相邻的sar图像作为待配准图像，并根据预设参数分别构建对应两帧待配准图像的多尺度空间金字塔；

38、采用harris角点检测算法分别在两个多尺度空间金字塔中各层尺度空间的选取特征点，并根据选取得到的特征点分别构建对应两帧待配准图像的特征点集合；

39、构建两个特征点集合之间的特征点对集合，根据各所述特征点对中两个特征点之间的斜率以及欧式距离对所述特征点对集合进行筛选，得到候选特征点对集合；

40、通过利用所述候选特征点对集合中的特征点对拟合得到多个图像仿射变换函数，并采用改进的ransac算子得到其中优选图像仿射变换函数；

41、通过所述优选图像仿射变换函数对所述两帧待配准图像进行图像配准。

42、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

43、获取小孔径序列sar图像数据集，所述小孔径序列sar图像数据集中包括按时间排序的多帧sar图像；

44、在所述小孔径序列sar图像数据集中选取两帧相邻的sar图像作为待配准图像，并根据预设参数分别构建对应两帧待配准图像的多尺度空间金字塔；

45、采用harris角点检测算法分别在两个多尺度空间金字塔中各层尺度空间的选取特征点，并根据选取得到的特征点分别构建对应两帧待配准图像的特征点集合；

46、构建两个特征点集合之间的特征点对集合，根据各所述特征点对中两个特征点之间的斜率以及欧式距离对所述特征点对集合进行筛选，得到候选特征点对集合；

47、通过利用所述候选特征点对集合中的特征点对拟合得到多个图像仿射变换函数，并采用改进的ransac算子得到其中优选图像仿射变换函数；

48、通过所述优选图像仿射变换函数对所述两帧待配准图像进行图像配准。

49、上述针对小孔径序列sar图像的配准方法、装置和设备，通过根据预设参数分别构建相邻的两帧sar图像对应的多尺度空间金字塔，再采用harris角点检测算法分别提取两个多尺度空间的特征点，再根据两个多尺度空间的特征点构建特征点对，并采用各特征点对之间的斜率以及欧式距离对各特征点对进行筛选，将筛选后剩余的特征点对构建候选特征点对集合，最后利用候选特征点对集合中的特征点对拟合得到多个图像仿射变换函数，再采用改进的ransac算子得到其中优选图像仿射变换函数，通过优选图像仿射变换函数对两帧相邻的sar图像进行图像配准。采用本方法可以提高sar图像的配准率。