System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及雷达成像,进一步涉及雷达图像处理,尤其涉及一种sar图像匹配方法。
技术介绍
1、无人飞行器(如无人机、导弹等)通常依赖于陀螺仪等精密仪器组成的惯性导航系统来完成导航任务,但在其导航任务末尾阶段,陀螺仪会因长时间工作而累计定位误差。为了修正陀螺仪累积的定位误差,通常运用合成孔径雷达(synthetic aperture radar,sar)的sar景象匹配制导技术解决该问题。
2、sar景象匹配制导技术不受天气等复杂环境因素影响,可矫正惯性导航系统的累积误差,提高导航系统的稳定性;但现有的sar景象匹配制导技术存在图像匹配过程中特征点产生过多,计算时间较长,特征点过于集中导致匹配算法速率慢、定位精度不高的问题。
技术实现思路
1、有鉴于此,本专利技术提供了一种sar图像匹配方法,可以在图像匹配阶段保证匹配精度的同时提升算法速率,从而提高定位精度。
2、根据本专利技术的第一方面,提供了一种sar图像匹配方法,该方法包括:
3、获取sar图像的基准图与实时图,并对基准图与实时图进行超像素分割,分别预测基准图与实时图的特征点密集区域;
4、对基准图与实时图进行滤波处理,获得对应特征点;
5、对特征点进行筛选,获取保留特征点;
6、根据预测所得的基准图与实时图的特征点密集区域,对保留特征点分别进行四叉树优化处理,获取基准图与实时图的有效特征点;
7、采用插值法分别修正基准图与实时图的有效特征点
8、计算基准图与实时图的有效特征点的特征描述符之间的特征距离;
9、对比特征距离值,获得特征距离比值,运用比值检测法,完成特征描述符对应的特征点之间的匹配;
10、采用ransac算法对匹配的特征点对进行去错配操作,完成sar图像匹配。
11、在第一方面的一些可实现方式中,获取sar图像的基准图与实时图,并对基准图与实时图进行超像素分割,分别预测基准图与实时图的特征点密集区域,包括:
12、获取sar图像基准图与实时图;
13、采用简单线性迭代算法分别对基准图与实时图进行超像素分割,根据分割出的超像素块的信息熵,分别预测基准图与实时图的特征点密集区域。
14、在第一方面的一些可实现方式中,对基准图与实时图进行滤波处理,获得对应特征点,包括:
15、利用盒式滤波器对基准图与实时图进行滤波处理,并通过扩大盒式滤波器的模板尺寸来构建尺度空间;
16、利用尺度空间中不同的图像层组计算近似构建的hessian矩阵的行列式响应值并对响应值进行判别,获得对应特征点。
17、在第一方面的一些可实现方式中,对特征点进行筛选,获取保留特征点,包括:
18、设置自适应阈值对特征点进行初步筛选;
19、经过自适应阈值处理初步筛选后,在尺度空间的每一组中,以中间图层的特征点为中心,在每个特征点的邻域范围内比较特征点响应值,只保留响应值最大的特征点,获取保留特征点。
20、在第一方面的一些可实现方式中,根据预测所得的基准图与实时图的特征点密集区域,对保留特征点分别进行四叉树优化处理,获取基准图与实时图的有效特征点,包括:
21、对每一预测所得的基准图与实时图的特征点密集区域,分别将图像特征点按坐标映射到节点区域,并划分初始节点和子节点,得到初始四叉树结构;
22、针对每一子节点继续划分更小一级的子节点,同时判断最新子节点内的特征点个数;若最新子节点内的特征点数量为0,则抛弃该节点;若最新子节点内的特征点数量为1,则保留该最新子节点,该最新子节点将不再继续划分;若最新子节点内的特征点数量大于1,且划分深度未到第一预设阈值时,则该最新子节点继续划分;
23、重复上述步骤,直至划分深度达到第一预设阈值;
24、若仍有部分子节点中存在多个特征点,则针对这些子节点中的多个特征点,设置第二预设阈值,舍弃响应值小于第二预设阈值的特征点;
25、若仍有部分子节点的特征点数量大于1,则只保留每个子节点中响应值最大的特征点;完成四叉树优化处理,获取基准图与实时图的有效特征点。
26、在第一方面的一些可实现方式中,分别计算有效特征点的64维特征描述符,包括:
27、构造特征点圆邻域和方邻域,计算其harr小波响应数值,根据harr小波响应数值,生成特征描述符。
28、在第一方面的一些可实现方式中,对比特征距离值,获得特征距离比值,运用比值检测法,完成特征描述符对应的特征点之间的匹配,包括:
29、计算实时图特征点与基准图特征点之间的距离,选择距离最小的特征点记作最近邻点,距离记作dnn;
30、选择距离次小的特征点记作次近邻点,距离记作dnnn;
31、当比值dnn/dnnn小于预设阈值时,则确认两特征点为一对正确的特征点匹配对;
32、重复上述步骤,直至完成所有特征描述符对应的特征点之间的匹配。
33、在第一方面的一些可实现方式中,采用ransac算法对匹配的特征点对进行去错配操作,包括:
34、从预先获得的n对特征点匹配对集合中随机抽选出4个特征点匹配对,并将其设置为内点集合;
35、根据内点集合中的4个特征点匹配对求解变换矩阵h;
36、计算剩下的(n-4)个特征点使用变换矩阵h后到其对应特征点的距离,小于阈值transac为内点,大于阈值transac为外点;
37、统计变换矩阵为h时的内点数量;
38、判断匹配的特征点对是否满足投影变换关系,满足则保留,反之则剔除;满足投影变换关系为:最终的投影变换矩阵满足其中内点数量最多,误差最小;
39、重复执行上述步骤,直至完成所有匹配的特征点对的去错配操作。
40、在第一方面的一些可实现方式中,该方法还包括:
41、根据图像匹配结果及相关特征点坐标,完成平台定位。
42、在本专利技术中,利用超像素分割方法自动识别特征点密集区域,只对特征点密集区域进行匹配,减少了冗余特征点的产生;同时结合四叉树优化算法处理特征点密集区域,优化了特征点的空间分布,减少了冗余特征点的保留;另外利用自适应阈值处理操作与特征点去错配操作,提高了匹配质量与精度;以此方法提高了图像匹配效率与平台定位精度。
43、应当理解,
技术实现思路
部分中所描述的内容并非旨在限定本专利技术的实施例的关键或重要特征,亦非用于限制本专利技术的范围。本专利技术的其它特征将通过以下的描述变得容易理解。
【技术保护点】
1.一种SAR图像匹配方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述获取SAR图像的基准图与实时图,并对所述基准图与实时图进行超像素分割,分别预测所述基准图与实时图的特征点密集区域,包括:
3.根据权利要求1所述的方法,其特征在于,所述对所述基准图与实时图进行滤波处理,获得对应特征点,包括:
4.根据权利要求1所述的方法,其特征在于,所述对所述特征点进行筛选,获取保留特征点,包括:
5.根据权利要求1所述的方法,其特征在于,所述根据预测所得的所述基准图与实时图的特征点密集区域,对所述保留特征点分别进行四叉树优化处理,获取所述基准图与实时图的有效特征点,包括:
6.根据权利要求1所述的方法,其特征在于,所述分别计算有效特征点的64维特征描述符,包括:
7.根据权利要求1所述的方法,其特征在于,所述对比特征距离值,获得特征距离比值,运用比值检测法,完成特征描述符对应的特征点之间的匹配,包括:
8.根据权利要求1所述的方法,其特征在于,所述采用RANSAC算法对匹配的特
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
...【技术特征摘要】
1.一种sar图像匹配方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述获取sar图像的基准图与实时图,并对所述基准图与实时图进行超像素分割,分别预测所述基准图与实时图的特征点密集区域,包括:
3.根据权利要求1所述的方法,其特征在于,所述对所述基准图与实时图进行滤波处理,获得对应特征点,包括:
4.根据权利要求1所述的方法,其特征在于,所述对所述特征点进行筛选,获取保留特征点,包括:
5.根据权利要求1所述的方法,其特征在于,所述根据预测所得的所述基准图与实时图的...
【专利技术属性】
技术研发人员:谢荣,王旭东,冉磊,刘峥,许力文,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。