SAR图像匹配研究 — 基于SIFT的技术外文翻译资料

RESEARCH ON SAR IMAGE MATCHING

TECHNOLOGY BASED ON SIFT

JZ Liu ,YU Xu-Chu

Image matching is to make use of image data acquired by sensor and compare it with referenced image to obtain corresponding object position in referenced image. Image matching is very important in computer vision, image fusion, and object recognition and tracing.

There are severe speckle noises in SAR image and these noises have more disturbances on image processing and recognition than regular noises do and become a big obstacle in applications of SAR image, such as auto recognition and matching. In this paper, Curvelet method was introduced to denoise the SAR image. In 2D image processing that uses wavelet transformation, separated transformation cores are used to implement wavelet transformation horizontally and vertically independently. The local module maximum of parameter of transformation can only show that the position where wavelet coefficient appears is across edge, but can not express the along edge information, which makes traditional wavelet transformation restricted in 2D image processing. To solve this problem, Donoho put forward Curvelet transformation, of which anisotropism is very suitable to express the edge effectively.

Because of difference of emission source location, azimuth and height in SAR, there are rotations, zooming and metamorphoses in different SAR images. Even SAR images that obtained in one source location in different time have great difference in grayscale. These differences, which differ from traditional optical image, make it difficult to find correspondence points in SAR image of same source. Correlation coefficient matching is not able to match to ideal position, either, and as the increase of window size, the computing speed decreases obviously, which makes it hard to apply to real-time matching. In this paper, scale-invariant feature transformation was introduced to matching of SAR images of same source.

The early work of Lowe (1999) extended the feature to void the effect of scale, which also overcome the effect caused by different views and image distortion. David G.Lowe (2004) summarized the existing feature detecting methods based on invariant technology and put forward an operator which describes the local feature of image －SIFT operator. This operator maintains invariant in scale space, image zooming, rotation and even affine transformation. Afterward, Y.Ke improved this operator by replacing histogram with PCA in describing sub-parts.

1.FILTER PROCESSING OF SAR IMAGE

1.1 The Characteristic of SAR image

Comparing with traditional optical image, SAR image, which is obtained by processing echo signal, has its own features and cannot be applied to matching directly. The projection style of radar image is different from that of optical image and the image points are recorded according to the distance between object and center of antenna. So, the geometry proposition of SAR does not fit for the vision habit of human. Comparing with ortho-image, SAR image has larger distortion and stretching than optical image. SAR emits coherent waves and when these waves touch the object, the overlap of random scattering signals of each scatter unit on the scatter plane will cause coherent speckles. Speckle noise presents the sharp change of grayscale and its effect is larger than other noise, so it has serious impact on feature extraction, image matching and object recognition on SAR image.

In order to solve these problems, SAR image should be pre-processed before matching. Pre-procession of image includes contrast enhancement and denoising of SAR image. Contrast enhancement of image can adopt partition linear transform to guarantee that image is not distorted. In this paper, curvelet is introduced to denoise the SAR image.

1.2 The basic theory of curvelet transformation

Curvelet transformation develops from wavelet transformation, but overcome the inner limitation of wavelet in expressing direction of edge in image. Candes (1998) put forward Ridgelet transformation and implemented Radon transformation on image, which is to map one dimensional singularity of image, such as line in the image to a point in Radon domain, and then detect the singularity of point by one dimensional wavelet and thus solve the problem in 2D image when using wavelet transformation. However, most edges of natural image are curve lines, and it is not very effective to analyze the whole image only by single scale Ridgelet, so images need to be divided into blocks to make lines in each block are similar with beelines, and then implement Ridgelet transformation on each block. Because Ridgelet has great redundancy, Donoho put forward curvelet: firstly, decompose the image into subbands, and then adopt different blocks to subband image with different scales, at last analyze the each block by using Ridgelet. The frequency bandwidth width and length satisfy the relation width = length. This kind of dividing mode makes the curvelet transformation has fierce anisotropism, and this anisotropism increases exponentially as scale decreases. Researches show that when using finite coefficients to approach a C2 continual curve line, the speed of curvelet is far larger than that of Fourier transformation and Wavelet transformation. In another way, curvelet is the sparsest way of presenting these curve lines. Anyway, curvelet combines the anisotropism of Ridgelet transformation and multi-scale of wavelet transformation, so its appearance is a milestone in 2 dimensional signal analyzing.

The main steps of curvelet transformation are:

1. subband decompotion
2. smooth partitioning
3. Renormalization
4. Ridgelet analysis

1.3: Digital implementation of Curvelet transformation

According to theory above,

剩余内容已隐藏，支付完成后下载完整资料

SAR图像匹配研究 — 基于SIFT的技术

JZ Liu ,YU Xu-Chu

图像匹配是利用传感器获取的图像数据，并将其与参考图像进行比较，以获得参考图像中的相应对象位置。图像匹配在计算机视觉，图像融合和物体识别与追踪中非常重要。

SAR图像中存在严重的斑点噪声，这些噪声比常规噪声对图像处理和识别的干扰较大，成为SAR图像自动识别和匹配等应用中的一大障碍。本文引入Curvelet方法对SAR图像进行去噪。在使用小波变换的二维图像处理中，分离的变换核用于水平和垂直独立地执行小波变换。变换参数的局部模极大值只能表明小波系数出现的位置在边缘，而不能表达边缘信息，这使得传统的小波变换在二维图像处理中受到限制。为了解决这个问题，Donoho提出了Curvelet变换，其中各向异性非常适合有效地表示边缘。

由于SAR的发射源位置，方位角和高度的不同，在不同的SAR图像中存在旋转，缩放和变形。即使在不同时间在一个源位置获得的SAR图像在灰度上也有很大差异。这些不同于传统光学图像的差异使得难以找到同源SAR图像中的对应点。相关系数匹配也无法与理想位置相匹配，并且随着窗口大小的增加，计算速度明显降低，这使得难以应用于实时匹配。本文将尺度不变特征变换引入到同源SAR图像的匹配中。

Lowe（1999）的早期工作扩展了该特征以消除尺度的影响，这也克服了由不同视角和图像失真引起的影响。 David G.Lowe（2004）总结了基于不变技术的现有特征检测方法，并提出了描述图像-SIFT算子局部特征的算子。该算子在尺度空间，图像缩放，旋转甚至仿射变换中保持不变。之后，Y.Ke通过用描述子部分中的PCA替换直方图改进了这个操作符。

1. SAR图像的滤波处理

1.1 SAR图像的特征

与传统光学图像相比，处理回波信号得到的SAR图像具有自身的特点，不能直接应用于匹配。雷达图像的投影风格与光学图像的投影风格不同，根据物体与天线中心的距离记录图像点。所以，SAR的几何命题不适合人类的视觉习惯。与正像相比，SAR图像比光学图像具有更大的失真和拉伸。 SAR发射相干波，当这些波接触物体时，散射平面上每个散射单元的随机散射信号的重叠将导致相干斑点。散斑噪声呈现出灰度急剧变化，其影响大于其他噪声，对SAR图像的特征提取，图像匹配和目标识别造成严重影响。

为了解决这些问题，SAR图像应该在匹配前进行预处理。图像的预处理包括SAR图像的对比度增强和去噪。图像对比度增强可以采用分区线性变换来保证图像不失真。本文引入Curvelet来对SAR图像进行去噪。

1.2曲波变换的基本理论

Curvelet变换是从小波变换发展而来的，但克服了小波在图像边缘表达方向上的内在局限性。 Candes（1998）提出了Ridgelet变换，并对图像进行Radon变换，即将图像中的一维图像（如图像中的线）映射到Radon域中的点，然后通过一维小波检测点的奇异性，从而解决了使用小波变换时二维图像的问题。然而，自然图像的大多数边缘是曲线，并且仅仅通过单尺度Ridgelet来分析整个图像并不是非常有效，因此需要将图像划分成块，以使得每个块中的线与线索类似，然后实施每个块的脊波变换。由于Ridgelet具有很大的冗余性，Donoho提出了Curvelet：首先将图像分解为子带，然后对不同尺度的子带图像采用不同的块，最后用Ridgelet对各块进行分析。频带宽度和长度满足关系宽度=长度。这种分裂模式使得曲波变换具有强烈的各向异性，并且这种各向异性随着尺度减小呈指数增长。研究表明，当使用有限系数逼近C2连续曲线时，Curvelet的速度远远大于Fourier变换和Wavelet变换的速度。换句话说，curvelet是呈现这些曲线的最稀疏的方式。无论如何，Curvelet结合了Ridgelet变换的各向异性和小波变换的多尺度性，所以它的出现是二维信号分析的一个里程碑。

曲波变换的主要步骤是：

（1）子带解压

（2）平滑分区

（3）重正化

（4）脊柱脊柱分析

1.3：Curvelet变换的数字实现

根据上述理论，斯达克提出了Curvelet变换的数字实现方法，其主要步骤是：

1. 子带分解。通过使用agrave;trous小波将图像分解成不同的子带。
2. 阻止。每个子带都用窗口进行处理，窗口的大小每隔两个子带加倍。
3. 数字脊波分析。实施Ridgelet对每个块进行变换，其中包括2维傅里叶变换，从正交坐标到极坐标的变换，以及相应行上的一维傅立叶逆变换和一维小波变换。

数字逆Curvelet变换就是这些步骤的倒置。

1.4对SAR图像进行去噪实验

结果证明了Curvelet变换的处理效果要好于传统方法。阈值的设置通常会消除小波的良好系数，因此对边缘和纹理细节的影响并不令人满意。本文首先对原始SAR图像进行对数变换，然后使斑点噪声与高斯加性噪声相似。经过预处理后，对图像进行Curvelet变换，实现硬阈值处理，最后通过Curvelet逆变换和指数变换得到去噪图像。

2.基于SIFT的SAR图像匹配

2.1同源SAR图像点特征匹配的基本步骤

1，建立一个图像金字塔。匹配金字塔顶部的图像。

2，检测特征点。特征点通常是灰度变化的局部最大值，有时甚至对视觉没有直觉意义。但是在某些角度或规模上，有丰富的信息对图像匹配很有用。

3，建立特征向量来描述特征点。特征空间的选择决定哪些特征参与匹配以及哪些特征被忽略。由于SAR图像有很大的变形，并且旋转和失真，所以特征点的特征描述符不应该是不变的，以保证天线或回波造成的影响最小。

4，对图像进行特征匹配，获得候选匹配点。这可以基于相似性特征向量和距离函数可用于测量特征的相似性，如欧氏距离，块距或马氏距离。

5，根据图像金字塔的构造，使顶部的同源点对应底部的同源点。

6，消除错误点。无论使用什么特征描述符和相似性度量，错误都是不可避免的。 SAR图像本身的特点会增加出现错误的可能性。该步骤的主要工作是根据几何图像或SAR图像，POS数据，相关系数控制等成像特征，去除候选点的误差。从SAR图像的图像匹配可以执行相关系数计算，并且当结果小于阈值时，可以消除该点。

2.2 SAR图像的SIFT

对于图像匹配和识别，SIFT特征首先从一组参考图像中提取并存储在数据库中。通过将新图像的每个特征单独与前一个数据库进行比较，并基于其特征向量的欧几里得距离找到候选匹配特征，来匹配新图像。

2.2.2尺度空间极值的检测

高斯差分图像的最大值和最小值通过将当前和邻近尺度（用圆圈标记）的3x3区域中的apixel（用X标记）与其26个邻居进行比较来检测。

为了检测D（x，y，sigma;）的局部最大值和最小值，将每个采样点与当前图像中的8个邻居以及上下的比例中的9个邻居进行比较。只有当它比所有这些邻居大或比它们小时才被选中。

2.2.3关键点定位

关键点的比例尺用于选择具有最接近比例的高斯平滑图像L，以便所有计算均以比例不变的方式执行。

2.2.4描述符表示

图像梯度关键点描述符图3描述符表示关键点描述符是通过首先计算每个图像采样点处的梯度幅度和方向来创建的

如关键点位置所示，如左图所示。这些由高斯窗口加权，由重叠的圆圈表示。这些样本然后被累积到方向

直方图汇总4x4子区域的内容，如右图所示，每个箭头的长度对应于该区域内靠近该方向的梯度值的总和。该图显示了一个2x8描述符数组，它是从一个8x8样本集计算而来，而本文中的实验使用从一个16x16样本数组计算得到的4x4描述符。

当生成两幅图像的SIFT特征向量时，我们将使用关键点的特征向量的欧氏距离来度量两幅图像中关键点的相似度。在image1中获得某个关键点，并在image2中找​​到两个在欧几里得距离最近的关键点。在这两点中，如果最近距离除以次最近距离的商小于给定阈值，则接受这两个匹配点。

降低阈值将减少SIFT匹配点，但会更加健壮。

2.2.5改进SAR图像中的控制误差匹配。

在匹配关键点时，在杂乱的图像中，来自后台的许多功能在数据库中不会有任何正确的匹配，除了正确的匹配外，还会产生许多错误匹配。通过识别关于对象及其在新图像中的位置，比例和方向的关键点的子集，可以从全套匹配中过滤正确的匹配。几个特征偶然地就这些参数达成一致的概率远低于任何单个特征匹配将出错的概率。

在本文中，去除错误匹配点的方法是：

（1）在SAR图像POS数据的支持下完成粗略位置。我们可以定位一个SAR图像，以便与POS数据近似地参考SAR图像。当关键点的区别位置超过POS定位的粗略位置时，关键点将被删除。

（2）相关系数控制错配。相关系数是协方差函数的标准化，等于协方差函数除以两个信号的方差。

3.结果与分析

采用不同几何参数获取的机载SAR图像已经被用于实验。为了检验文中不同销售量的匹配算法的稳定性，采用SIFT匹配算法对不同地理区域的大量图像对进行了实验。

在这个实验中，SIFT算法直接用于目标图像和参考图像之间类似灰度对比度的图像对。但对于在不同时间和不同轨道采集的SAR图像对，

在提取SIFT关键点以匹配之前，Canny算法已用于提取边缘特征。

3.1结果分析

文中采用了平地，梯田，山区和居民各10人组进行实验，采用不同的SIFT阈值。如果对应特征点的匹配误差小于3个像素，则认为匹配结果正确。匹配概率可以用表达式来定义：

p = N / M，

与128times;128的目标SAR图像匹配的平均时间和256times;256的参考SAR图像的平均匹配时间为1.23s，显然匹配速度非常快。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[23047]，资料为PDF文档或Word文档，PDF文档可免费转换为Word