基于薄板样条插值的非线性SAR图像几何校正方法技术

本发明专利技术公开了一种基于薄板样条插值的非线性SAR图像几何校正方法，主要解决现有技术无法精确校正图像非线性失真的问题。其实现步骤是：1.利用SIFT‑Like算法分别提取基准图和实时图的特征点；2.利用相似性度量法在基准图和实时图的特征点中选取匹配点；3.利用RANSAC算法对匹配点进行提纯并求解仿射变换矩阵，得到精确的仿射变换模型，即图像的线性映射关系；4.利用薄板样条插值函数在仿射变换模型上对仿射变换矩阵与实际情况的误差进行局部非线性拟合，得到图像的非线性映射关系，实现对实时图的精确几何校正。本发明专利技术能消除非线性几何畸变的影响，提高了校正精度，可用于对雷达接收图像信号非线性失真的精确几何校正。

【技术实现步骤摘要】

本专利技术属于雷达
，主要涉及一种非线性SAR图像校正方法，可用于对雷达接收图像信号的精确几何校正。
技术介绍
作为SAR系统成像的重要评估手段，针对SAR图像几何校正的研究是成像算法设计以及基于图像的目标识别的理论依据。合成孔径雷达SAR在成像过程中，由于地形起伏和平台运动状态的变化等原因，使得图像存在一定的非线性几何失真,因此所获取图像在几何位置上发生畸变。在SAR图像中存在一定程度的几何形变，这中间包括线性映射和非线性映射。目前传统方法是将图像间的非线性映射变换关系近似为一种线性映射关系。一般采用RANSAC算法求取其仿射变换矩阵，该算法通过对获取的匹配点进行提纯，删除错误匹配点，利用最终正确匹配点集估计图像之间的线性变换关系，如旋转变换、偏移变换以及伸缩变换等，最终求得基准图与待匹配图之间的仿射变换矩阵。基于RANSANC算法求解的基准图与实时图之间的映射关系是线性变换关系，匹配线性图像时，空间变换通常选为仿射变换，该变换为全局的变换。然而由于实时图中存在一定的非线性几何失真，使得各匹配点的对应关系会有一定的非线性误差，仿射变换并不能反映局部的和全部的非线性差异，因此会带来匹配的误差，导致图像畸变。
技术实现思路
本专利技术的目的在于针对上述现有技术的不足，提出一种基于薄板样条插值的非线性SAR图像几何校正方法，获得更高的校正精度。为实现上述目的，本专利技术的技术方案包括如下：(1)将通过星载数据获得的无失真图像作为基准图，利用SIFT-Like算法分别提取基准图与机载的实时图特征点；(2)根据相似性度量法在基准图特征点和机载实时图特征点中选取出两者的匹配点作为仿射变换模型的控制点，再利用RANSAC算法对控制点进行提纯，求解基准图和实时图这两幅图像各点之间的仿射变换关系，即仿射变换矩阵，得到精确的仿射变换模型；(3)利用薄板样条插值函数在仿射变换模型上对仿射矩阵与实际情况的误差进行局部非线性拟合，实现对实时图的精确几何校正。本专利技术与现有技术相比较，有如下优点：1.获得更高的校正精度经典的模型参数估计方法是最小二乘法，但是它没有检测和排除错误数据的方法，用最小二乘法拟合得到的参数准确性不高，甚至出现错误。本专利技术利用对匹配集采样和对匹配点验证的策略，在包含异常数据的匹配点集中，通过逐步的迭代和筛选，可剔除错误匹配点，最终根据有效样本数据拟合仿射变换矩阵，消除错误数据对仿射变换矩阵的干扰，提高了拟合精确度，获得更高的校正精度。2.提高SAR图像的质量传统方法是将图像间的非线性映射变换关系近似为一种线性映射关系，忽略了图像的非线性几何失真，并不能全面反映实时图与基准图之间的映射关系。本专利技术在仿射变换模型的基础上，运用薄板样条插值函数对仿射矩阵与实际情况的误差进行局部非线性拟合，得到实时图和基准图之间的非线性映射关系，对实时图像进行非线性几何校正，减少图像畸变，提高了SAR图像的质量。附图说明图1是本专利技术的实现流程图；图2是原始数据三维坐标图；图3是用本专利技术对原始数据随机抽样后的三维坐标图；图4是现有薄板样条插值函数的三维坐标图；图5是用本专利技术对随机抽样后数据进行薄板样条插值后的数据三维坐标图；图6是对本专利技术插值后数据与原始数据与作差后的失真校正误差三维坐标图；具体实施方式以下参照附图对本专利技术作进一步作详细描述：参照图1，本专利技术的实现步骤如下：步骤1，SIFT-Like算法提取特征点。图像的特征主要有三种，即点、线、面，其中点特征是最为常见的特征之一，主要有房屋的角点，图像的边缘点，河流、道路等的交汇点等，点特征提取方法有Moravec算法、Forstner算法、SIFT算法及其改进算法等。本专利技术利用SIFT算法的一种改进算法SIFT-Like分别提取基准图与机载的实时图特征点，其步骤如下：(1a)将通过星载数据获得的无失真图像作为基准图，在基准图和实时图上分别生成SAR-Harris尺度空间，采用指数加权均值比梯度法得到SAR-Harris函数；(1b)在SAR-Harris尺度空间，计算每个点的角点响应值，利用其SAR-Harris函数得到初步角点,对初步角点进行非极大值抑制，检测出二维坐标空间中的极值点；(1c)计算每个坐标空间中极值点的拉普拉斯响应值，并与其相邻两个尺度空间中对应位置的拉普拉斯响应值比较，若该点为拉普拉斯极值点，则该点为尺度空间极值点，即图像的特征点。步骤2，利用相似性度量法提取匹配点。利用相似性的度量方法有很多，在图像匹配方面可以通过选取不同的特征描述子来提取特征点，特征描述子是对图像特征的定量化描述，它以向量形式刻画了特征点邻域局部区域的形状特征以及纹理结构特征。理想的特征描述子应该具备高的稳健性、独特性和匹配速度。特征描述子主要分为三类：基于滤波的描述子、基于分布的描述子和基于微分的描述子。常见的描述子包括：GLOH描述子、不变矩描述子、形状描述子、Fourier描述子、线特征描述子、SIFT描述子、形状上下文描述子。本实例运用但不限于SIFT描述子对每个提取出的特征点进行特征描述，即先将每个点用一个128×1维的向量表示；再采用遍历搜索算法，分别计算实时图中每一个点与基准图中各点间的特征向量欧式距离，当特征点对的最近邻与次近邻的欧式距离比值小于0.8时，则认为该特征点对为匹配点对。步骤3，提纯匹配点并获得线性映射关系。按照不同检测方法使用的技术原理，常用的误匹配点检测技术可以分为三类：基于函数拟合的方法、基于统计模型的方法、基于图的方法。基于函数拟合的方法是假设所有正确匹配点满足某一个函数模型，再使用最小二乘拟合方法求解函数模型的系数，然后通过计算匹配点和函数模型的误差来检测误匹配点；基于统计模型的方法是统计满足给定条件的最多数量的正确匹配点，其典型代表是RANSAC方法；基于图的方法是使用原始图像和基准图像上匹配点的分布和邻域关系来检测误匹配点。本实例运用但不限于RANSAC算法检测出错误匹配点，提纯出正确的匹配点集，求解基准图和实时图之间的仿射变换矩阵获得基准图和实时图之间的线性映射关系，其步骤如下：(2a)对一个匹配点集P，假设初始化模型参数需要的样本数为n，从匹配点集P中随机抽取n对匹配点组成匹配点集P的一个子集S，并根据抽取的这n对匹配点初始化仿射变换矩阵H；(2b)设置一个误差容忍度，判断子集S的补集中匹配点是否在该误差容忍度范围内符合仿射变换矩阵H，将补集中的符合仿射变换矩阵H匹配点加入到子集S中，补集中符合仿射变换矩阵H的匹配点称为内点，该子集S称为仿射变换矩阵H的一致集，一致集S中的匹配点个数为t；(2c)将匹配点集P中匹配点数目的90％设置为特征点数目阈值T，根据当前一致集S中的匹配点个数t判断是否大于特征点数目阈值T：若t≥T，则执行步骤(2d)；若t＜T，则执行步骤(2e)。(2d)设置一个仿射变换矩阵H的最小错误概率Pmin，判断当前仿射变换矩阵H的错误概率PH是否小于最小错误概率Pmin：若PH≤Pmin，根据一致集S中的所有匹配点，采用最小二乘法对当前仿射变换矩阵H进行重新拟合，得到最优的仿射变换矩阵H′；若PH>Pmin，则执行步骤(2e)；(2e)通过迭代来求取最优的仿射变换矩阵H′：(2e1)计算最大的迭代次数N：其中ω为本文档来自技高网...

【技术保护点】
基于薄板样条插值的非线性SAR图像几何校正方法，包括有如下步骤：(1)将通过星载数据获得的无失真图像作为基准图，利用SIFT‑Like算法分别提取基准图与机载的实时图特征点；(2)根据相似性度量法在基准图特征点和机载实时图特征点中选取出两者的匹配点作为仿射变换模型的控制点，再利用RANSAC算法对控制点进行提纯，求解基准图和实时图这两幅图像各点之间的仿射变换关系，即仿射变换矩阵，得到精确的仿射变换模型；(3)利用薄板样条插值函数在仿射变换模型上对仿射矩阵与实际情况的误差进行局部非线性拟合，实现对实时图的精确几何校正。

【技术特征摘要】
1.基于薄板样条插值的非线性SAR图像几何校正方法，包括有如下步骤：(1)将通过星载数据获得的无失真图像作为基准图，利用SIFT-Like算法分别提取基准图与机载的实时图特征点；(2)根据相似性度量法在基准图特征点和机载实时图特征点中选取出两者的匹配点作为仿射变换模型的控制点，再利用RANSAC算法对控制点进行提纯，求解基准图和实时图这两幅图像各点之间的仿射变换关系，即仿射变换矩阵，得到精确的仿射变换模型；(3)利用薄板样条插值函数在仿射变换模型上对仿射矩阵与实际情况的误差进行局部非线性拟合，实现对实时图的精确几何校正。2.根据权利要求1中所述方法，其中步骤(1)中利用SIFT-Like算法分别提取基准图与机载的实时图特征点，按如下步骤进行：(1a)在基准图和实时图上分别生成SAR-Harris尺度空间，采用指数加权均值比梯度法得到SAR-Harris函数；(1b)在SAR-Harris尺度空间，计算每个点的角点响应值，利用其SAR-Harris函数得到初步角点,对初步角点进行非极大值抑制，检测出二维坐标空间中的极值点；(1c)计算每个坐标空间中极值点的拉普拉斯响应值，并与其相邻两个尺度空间中对应位置的拉普拉斯响应值比较，若该点为拉普拉斯极值点，则该点为尺度空间极值点，即图像的特征点。3.根据权利要求1中所述方法，其中步骤(2)中利用RANSAC算法对控制点进行提纯，求解基准图和实时图这两幅图像各点之间的仿射变换关系，按如下步骤进行：(2a)对一个匹配点集P，假设初始化模型参数需要的样本数为n，从匹配点集P中随机抽取n对匹配点组成匹配点集P的一个子集S，并根据抽取的这n对匹配点初始化仿射变换矩阵H；(2b)设置一个误差容忍度，判断子集S的补集中匹配点是否在该误差容忍度范围内符合仿射变换矩阵H，将补集中的符合仿射变换矩阵H匹配点加入到子集S中，补集中符合仿射变换矩阵H的匹配点称为内点，该子集S称为仿射变换矩阵H的一致集，一致集S中的匹配点个数为t；(2c)将匹配点集P中匹配点数目的90％设置为特征点数目阈值T，根据当前一致集S中的匹配点个数t判断是否大于特征点数目阈值T：若t≥T，则执行步骤(2d)；若t＜T，则执行步骤(2e)。(2d)设置一个仿射变换矩阵H的最小错误概率Pmin，判断当前仿射变换矩阵H的错误概率PH是否小于最小错误概率Pmin：若PH≤Pmin，根据一致集S中的所有匹配点，采用最小二乘法对当前仿射变换矩阵H进行重新拟合，得到最优的仿射变换矩阵H′；若PH>Pmin，则执行步骤(2e)；(2e)通过迭代来求取最优的仿射变换矩阵H′：(2e1)计算最大的迭代次数N：N=log(1-p)log(1-ωn)]]>其中ω为匹配点集P中任意一...

【专利技术属性】
技术研发人员：李亚超，项宇泽，邹倩雅，全英汇，邓欢，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61