【图像配准】SAR-SIFT改进的SAR图像配准【含Matlab源码 2336期】

?博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
??座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

?一、基于SAR-SIFT改进的SAR图像配准

合成孔径雷达(synthetic aperture radar,SAR)图像配准的主要目标是对同一或不同传感器在不同时间、不同视点捕获的SAR图像进行配准。SAR因具有全天候成像能力和地物穿透能力，因此具有非常广泛的应用，如变化检测[1]、图像融合[2]、目标检测与识别[3]。

图像配准方法可分为两类:基于区域的配准方法和基于特征的配准方法[4]。基于区域的配准方法对噪声敏感，当目标发生形变、旋转、尺寸变换时容易导致算法失败且计算量过大。SAR图像中通常包含许多不同的特征，因此基于特征的配准方法具有较高的计算效率[5]。对SAR图像匹配而言，更具研究意义和实用价值。

虽然SIFT算法已经在光学遥感的各种应用中证明了其有效性，但是对于SAR图像而言，情况有所不同。SAR图像成像条件复杂，特别是斑点噪声的存在，导致SIFT类算法检测到大量的虚假特征点，这些点随机性强，易造成误匹配和少匹配，影响了同名点自动提取的性能。SIFT算法在这类图像上表现不佳，一些学者提出了改进算法的几点建议。文献[6]提出了SIFT-OCT算法，通过跳过尺度空间金字塔的第1组减小斑点的影响。然而，在许多SAR图像对中，它不能产生足够的正确匹配。文献[7]考虑关键点之间的空间关系抑制虚假对应。文献[8]提出了AAG-SIFT算法，该算法用各向异性尺度空间(anisotropic scale space,ASS)代替高斯尺度空间(gaussian scale space,GSS)降低边缘噪声的影响。

上述基于SIFT改进的算法都是通过差分计算梯度，对SAR图像中的散斑噪声比较敏感。因此，文献[9]提出了SAR-SIFT算法，该算法采用了一种新的梯度计算方法，用指数加权均值比(ratio of exponential weighted average,ROEWA)算子取代差分方法，通过对原始图像使用不同权重的ROEWA算子，算出对应的SAR-Harris函数，构建了SAR-Harris尺度空间，有效地增强了算法对SAR图像的稳健性。

考虑到ASS和ROEWA算子对散斑噪声具有稳健性，同时受到文献[10]利用相位一致性(phase congruency,PC)和基于非线性扩散的SIFT进行SAR图像配准的启发。本文结合非线性扩散滤波和PC信息对SAR-SIFT算法进行改进，进一步抑制斑点噪声影响。首先，利用非线性扩散滤波(nonlinear diffusion filter,NDF)构建SAR-SIFT的尺度空间(nonlinear diffusion scale space,NDSS)，然后，在NDSS不同尺度上计算SAR-Harris函数，该方法在去除噪声的同时保留边界信息。为了减少噪声对NDSS构造的影响，利用ROEWA算子计算NDSS构造过程中所需的梯度信息。此外，通过计算特征点的PC信息滤除初始特征点中的虚假点，提高特征点的可靠性。

1 改进的SAR-SIFT算法
SAR图像上存在的乘性噪声，对图像匹配的影响主要体现在2个阶段[11]:(1)在特征检测阶段，会导致检测出一些噪声点;(2)在特征描述阶段，斑点噪声影响了特征点邻域的质量。本文提出的算法可以减少特征检测阶段虚假点数量，减少误匹配，提高匹配速度;同时在特征描述阶段，为特征点提供更好的领域质量，提高特征点的可区分性。

本文算法改进方面包括:(1)利用非线性扩散滤波生成SAR图像的NDSS，在非线性尺度空间不同尺度层上算出对应的SAR-Harris函数;(2)为了使得NDSS对散斑噪声具有稳健性，NDSS构造过程中的梯度信息也采用ROEWA算子计算;(3)PC信息去除初始关键点中由散斑引起的虚假点。

1.1 构建非线性尺度空间
SAR-SIFT算法的尺度空间是对原始图像使用不同权重的ROEWA算子，算出对应的SAR-Harris函数，构建了SAR-Harris尺度空间。为了进一步提高算法对散斑噪声的稳健性，提升算法性能，本文算法构造NDSS,NDSS可以在抑制散斑噪声的同时保持边界信息，在NDSS的基础上通过不同权重的ROEWA算子计算SAR-Harris函数。

目前，构建NDSS最常用的方法为文献[12]中在热扩散方程的基础上建立的各向异性扩散方程，称为P-M扩散方程，如下

式中，!u为图像的梯度模值;div为散度算子;u0为原始图像;g(x)为扩散系数。g(0)=1,g(x)≥0，并且g(x)在无穷远处趋于0。这表明由方程得到的平滑过程是有条件的:如果梯度值!u(x)大，扩散就会很慢，因此边缘将被保留;如果梯度值中u(x)小，那么在x附近会更加平滑。本文选用了文献[13]提出的扩散函数，该扩散函数能快速降低扩散率，同时对边缘进行增强，定义为

式中，参数k为对比度因子，控制着扩散方程的平滑力度，决定保留边缘信息的多少。k值通过图像梯度直方图估计。

在求解对比因子k和扩散函数g的过程中，需要图像中的梯度信息。通常可以用简单的一阶差分法得到梯度。然而，由于乘性散斑噪声的存在，导致在高反射率区域产生假边缘，在低反射率区域丢失一些图像信息，这种方法并不适用SAR图像。与差分梯度法不同，不同反射率的均匀区域对ROEWA计算的梯度影响较小[9]。因此，采用ROEWA算子计算梯度信息，使得非线性尺度空间对散斑噪声更具有稳健性。

由于没有求解非线性扩散方程的有效的解析法，需要使用数值方法求近似解。文献[13]提出了一种计算效率高的方法，其中使用了加法算子分裂(additive operator splitting,AOS)方案。将AOS方案应用到式(1)中，以迭代形式进行离散化和重构

式中，τ为时间步长;l为方向;矩阵Al为沿l方向的导数;Li和Li+1分别为ti和ti+1时刻的图像;I为单位矩阵。对于这样一个离散后的方程组，可以采用Thomas法进行快速求解。利用AOS将二维扩散滤波分解为2个独立的一维扩散过程，在x、y方向上求解相应的线性方程组

NDSS的构建，即将尺度空间指数离散化递增，形成mmax层子空间。非线性扩散滤波模型是以时间为单位，离散尺度α需要转换为时间单位

式中，参数α计算为

式中，α0为尺度的初始基准值;mmax为尺度空间总的层数。

因此，各向异性尺度空间L可由一组由式(4)—式(6)生成的平滑图像组成

在构建完NDSS后，利用ROEWA算子在NDSS各尺度上计算出SAR-Harris函数。之后的特征检测、描述和匹配的步骤与SAR-SIFT算法相同。

1.2 使用PC信息去除虚假点
由于SAR图像中存在大量的散斑噪声，算法在特征点检测时会检测出大量的虚假点，这些虚假点会导致特征点的错误匹配，进而影响模型转换参数的计算。本文引入了PC信息，PC信息对光照变化、对比度变化和非线性辐射差异具有很强的稳健性，因此利用它去除虚假点是很好的选择。虚假点的去除步骤如下:

(1)先计算参考图和待配准图的每个像素处的PC信息。PC是一种基于图像局部相位信息的特征检测方法，可通过对数Gabor滤波器获得

(2)在SAR图像中，噪声点或不稳定的特征点的PC强度一般较弱，而稳定的特征点的PC强度一般较高[10,14,15]。因此，本文对特征点按PC强度进行降序排列，舍弃PC强度最低的10%的特征点，将这10%建议经验值的特征点视为虚假点。

根据上述利用PC强度信息去除虚假点，可以去除一些由斑点噪声形成的虚假点，提高特征点的可靠性，从而提高特征点的正确匹配率。

?二、部分源代码

clear all;
close all;

%该函数根据各向异性扩散原理构建各向异性的尺度空间，并用harris进行角点检测

%% 读入并显示参考和待配准图像

[filename,pathname]=uigetfile({‘.’,‘All Files(.)’},‘选择参考图像和待配准图像’,…
‘F:\class_file\图像配准\图像配准’);%选择多个图像，这里两个
image_1=imread(strcat(pathname,filename));
[filename,pathname]=uigetfile({‘.’,‘All Files(.)’},‘选择参考图像和待配准图像’,…
‘F:\class_file\图像配准\图像配准’);%选择多个图像，这里两个
image_2=imread(strcat(pathname,filename));

figure;
subplot(2,1,1);
imshow(image_1);
title(‘参考图像’);
subplot(2,1,2);
imshow(image_2);
title(‘待配准图像’);
%button=questdlg(‘是否显示中间结果图像或数据？’,‘显示选择’,‘YES’,‘NO’,‘YES’);
button=‘NO’;

t1=clock;
%% 初始参数设定
sigma_1=1.6;%第一层的尺度
sigma_2=1;
ratio=2^(1/3);%尺度比
nbin=500;%计算对比度因子时候构建的梯度直方图的Bin个数
perc=0.7;%计算对比度因子时候的百分位,这个值越大，平滑越多
Mmax=8;%尺度空间的层数
which_diff=2;%选择计算扩散系数的方程
is_auto=‘YES’;%是否自动计算对比度阈值k
first_layer=1;%极值点检测开始层数

d=0.04;%HARRIS函数任意常数默认是0.04
d_SH_1=0.1;%参考图像阈值如果是scharr滤波时候取值较大500，如果是sobel滤波取值较小
d_SH_2=0.1;%待配准图像阈值

change_form=‘相似变换’;%可以是相似变换，仿射变换，
sift_or_log_polar=‘对数极坐标描述子’;%可以是‘对数极坐标描述子’和‘SIFT描述子’

%% 转换输入图像格式
[_,,num1]=size(image_1);
[_,,num2]=size(image_2);
if(num13)
image_11=rgb2gray(image_1);
else
image_11=image_1;
end
if(num23)
image_22=rgb2gray(image_2);
else
image_22=image_2;
end

?三、运行结果

?四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]李培,姜刚,马千里.基于SAR-SIFT改进的SAR图像配准[J].测绘通报. 2021(02)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合