含水体的合成孔径雷达图像配准 下载: 841次
1 引言
合成孔径雷达(SAR)是一种主动式微波传感器,由于其具有全天时、全天候、穿透力强以及能连续观测运动目标等特点,SAR已经在民用及**领域得到日益广泛的应用[1-2]。水体是SAR图像解译的重要内容,如在2008年5·12汶川地震抗震救灾中,堰塞湖及水库对灾区构成了极大威胁,而利用SAR对其进行持续的监控及评估是减少次生灾害的重要手段。在SAR图像解译过程中,往往需要对图像进行变化检测、信息融合及图像镶嵌等处理,这就需要对SAR图像进行配准,配准精度将直接影响后续图像处理的效果。目前,图像配准方法主要可分为基于灰度的方法和基于特征的方法。由于结构特征对图像的灰度变换、变形及遮挡具有更好的稳健性,因而基于特征的方法是SAR图像配准的主要方法。而精确地提取SAR图像特征是实现高精度图像配准的基础。目前常见的用于SAR图像配准的特征有点特征[3]、线特征[4]和区域特征[5]等。由于在SAR成像的过程中,水体表面在针对微波波长成像时具有镜面反射特征而呈现为低强度区域,而与此相对的那些非水体通常具有粗糙表面,它们在成像过程中由于漫散射而呈现为亮的区域[6]。水体和非水体的成像特征使得它们在连接处的灰度值具有明显的差异,不易出现SAR图像中常见的边缘模糊问题,比较适合用于提取精确的目标轮廓,因而轮廓是包含水体的SAR图像较为理想的配准特征。目前,目标轮廓的提取方法主要包含两类,一类是直接利用边缘检测方法提取目标的边缘轮廓,如Canny边缘检测算子、Sobel方法和Log算子等,这些方法对光学图像边缘检测具有较好的效果,但在检测SAR图像的边缘时则容易出现边缘断裂及虚假边缘等问题;另一类方法是先对SAR图像进行分割,再由分割图像来提取目标轮廓,这种方法比较适合用于含水体SAR图像目标轮廓的提取。
由于乘性斑点噪声的影响及地物回波的反射特性,SAR图像表现出很强的不确定性和模糊性。结合了多特征信息和上下文信息的马尔科夫随机场(MRF)模型是SAR图像分割的有效模型[7-8]。 根据贝叶斯准则, 图像分割可以表示为已知观测图像下标记场的最大后验概率或等价的Gibbs场的能量最小化问题。能量函数可分为两个部分:数据模型因子和区域标记因子,数据模型因子包含了图像分割过程中图像强度等数据特征的约束;区域标记因子则包含了图像分割过程中标记场的光滑性约束。模型中的加权参数反映了两种约束之间的相互作用[9-10]。通常对于图像中的均质区域需要减少数据约束以利于得到光滑的分割区域,而对于非均质区域则需要增加数据约束,以利于保持目标的边缘与细节。为此,本文将观测图像的局部均质性特征信息融入MRF分割模型,使模型的加权参数能根据观测图像的均质性自适应地改变,以引导其得到和观测图像特征相一致的分割结果。
常用的基于轮廓的图像配准方法可分为两类,一类方法是直接利用轮廓上的点或角点进行匹配[11-12];另一类方法是利用轮廓的描述子进行匹配,如形状上下文和不变量等[13]。近年来,基于高斯混合模型(GMM)的相干点漂移算法得到了人们广泛的研究。该算法将两个点集的对应问题转化为GMM概率密度函数的参数估计问题,可以对两个具有刚体变换及非刚体变换的点集实现有效的匹配[14-17]。文献[ 18]给出了同时融合特征点位置信息和尺度不变特征转换(SIFT)特征的非均匀GMM,该模型能显著提高点集匹配的精度和稳健性,但该方法难以应用于轮廓的匹配。为此,本文提出了另一种非均匀GMM,该模型除了考虑轮廓点的位置信息外,还包含了以轮廓点为中心的窗口内图像灰度的统计相似性特征。
2 轮廓特征提取
2.1 图像分割的MRF模型
设
在贝叶斯框架下,分割结果
为了计算的可行性,通常假设MRF分割模型的观测场是关于标记场独立的,且标记场中的每一个特征值只和与其对应的标记场的值有关,即:
与此对应的局部最优解可以表示为
对多层逻辑(MLL)模型,由贝叶斯准则和Hamersley-Clifford 定理可知图像的分割问题可以表示为最大后验概率或Gibbs场能量最小化问题,即:
令
式中
式中
2.2 融合观测图像局部信息的MRF分割模型
经典的MRF模型为了应用的方便,通常假设每一观测图像只与该位置的标记相关。由此得到的模型只可以对标记图像中的上下文信息建模,没有有效地利用观测图像的上下文信息,适当地利用观测图像的局部信息显然能提高模型的表现力。在(7)式表示的模型中,
式中
由于图像在不同的区域具有不同的特征,如在灰度比较均匀的均质区域,需要取较小的
式中
式中
3 非均匀分布的相干点漂移算法
3.1 相干点漂移算法
相干点漂移算法将两个点集的对应问题转化为概率密度的估计问题。其核心思想是设模板点集为一GMM中心,另一个点集为GMM生成的数据点集。在优化过程中,两个点集的对应通过最大后验概率问题来获取,而GMM中心点集按照一定的形变模型朝数据点集进行连续地漂移运动,在此过程中点集拓扑结构保持不变。
给定两个点集
式中
式中
设
式中
假设数据点是独立同分布,则可以得到的似然函数为
定义的先验分布为
式中‖
式中参数
参数
E步: 计算混合因子后验概率为
异常点的后验概率为
M步: 通过最小化(18)和(19)式来更新参数
式中
式中diag表示矩阵对角元素,1为所有元素都为1的列向量,
3.2 非均匀GMM
在(13)式表示的模型中,GMM中数据点的权重
这种均匀的混合因子将导致GMM只利用了特征点的空间位置信息,使得匹配概率矩阵中的概率由于异常点的增加而将显著变小,降低了匹配模型对异常点的稳健性和匹配的精度。为了使匹配概率更好地反映点的匹配情况,应让那些更有可能具有精确的匹配点对在GMM中的混合系数中占据主导位置。
如果在GMM中的中心点
式中
式中
在(18)式中,
4 实验结果
分别对合成数据和真实SAR数据进行图像分割与轮廓匹配实验来对所提出的方法进行验证。首先利用合成图像和真实SAR图像验证所提出的分割模型的有效性,然后利用所提出的分割模型提取SAR图像中水体目标的轮廓,并利用所提出的非均匀混合模型对轮廓上的点进行匹配,进而实现含水体目标的SAR图像配准。
4.1 图像分割实验
由于在利用水体目标轮廓进行配准时主要考虑分割方法对目标细节保持的能力和目标边缘定位的精度,因而图像分割实验只考虑目标和背景的分割实验。图像分割实验中对比了分割的水平集方法[6]、可变权MRF(V-MRF)模型[9]、自适应权MRF(A-MRF)模型[10]和所提出的结合观测图像局部统计信息的A-MRF分割模型。基于MRF模型的初始分割由K-means方法得到。
图 1. 加噪合成图像分割的实验结果。(a)加噪合成图像;(b) K-means方法得到的初始分割结果;(c)水平集方法分割结果;(d) V-MRF模型分割结果;(e) A-MRF模型分割结果;(f)所提方法分割结果
Fig. 1. Segmentation experiment results of synthetic image with noises. (a) Synthetic image with noises;(b) initial segmentation result with K-means method; (c) segmentation result with level set method; (d) segmentation result with V-MRF model; (e) segmentation result with A-MRF model; (f) segmentation result with the proposed model
图 2. 真实图像分割实验结果。 (a) SAR图像; (b) K-means方法得到的初始分割结果;(c)水平集方法分割结果;(d) V-MRF模型分割结果; (e) A-MRF模型分割结果;(f)所提方法分割结果
Fig. 2. Segmentation experiment results of real image. (a) SAR image; (b) initial segmentation result with K-means method; (c) segmentation result with level set method; (d) segmentation result with V-MRF model; (e) segmentation result with A-MRF model; (f) segmentation result with the proposed model
4.2 含水体SAR图像的轮廓提取及轮廓匹配实验
本节实验针对5·12汶川地震前后所获取的包含河流及水库区域的SAR图像进行配准。图像来自日本ALOS卫星的L波段单视HH极化SAR传感器,幅值图像的分辨率为6.5 m。 SAR图像的拍摄时间分别为地震前的2008年2月17日和地震后的2008年5月19日。
图 3. 金华水库含水体的SAR图像配准。 (a)待配准图像; (b)参考图像; (c)~(d)提取的水体目标轮廓;(e)轮廓匹配结果;(f)配准后的图像;(g)变化检测结果
Fig. 3. Registration of SAR image including body of water in Jinhua reservoir. (a) Sensed image; (b) referenced image; (c)-(d) target contours of extracted water body; (e) matching result of contours; (f) result after registration; (g) change detection result
图 4. 狮儿河水库含水体的SAR图像配准。 (a)待配准图像;(b)参考图像; (c)~(d)提取的水体目标轮廓; (e)轮廓匹配结果;(f)配准后的图像;(g)变化检测结果
Fig. 4. Registration of SAR image including body of water in Lion Creek reservoir. (a) Sensed image; (b) referenced image; (c)-(d) target contours of extracted water body; (e) matching result of contours; (f) result after registration; (g) change detection result
在利用相干点漂移算法进行匹配时,用于计算标准化互相关系数的窗口大小为5×5。(23)式中控制参数
5 结论
提出了针对含水体目标的SAR图像配准的方法。该方法主要在两个方面进行了改进:一方面,在轮廓特征提取时,提出了一个包含观测图像局部信息的MRF分割模型,该模型能较好地保持目标细节和精确地定位目标边缘;另一方面,在轮廓匹配阶段,给出了一种非均匀系数的GMM,该模型同时融合了轮廓上特征点的位置信息和以特征点为中心的窗口的统计相似性特征,能提高轮廓的匹配精度。利用模拟图像和真实图像进行轮廓的提取和匹配实验,实验结果验证了模型的有效性。
[1] 马骕, 邓喀中, 庄会富, 等. 中低分辨率SAR纹理多特征的Otsu变化检测[J]. 激光与光电子学进展, 2017, 54(6): 062804.
马骕, 邓喀中, 庄会富, 等. 中低分辨率SAR纹理多特征的Otsu变化检测[J]. 激光与光电子学进展, 2017, 54(6): 062804.
[2] 康乐, 张群, 李涛泳, 等. 基于贝叶斯学习的下视三维合成孔径雷达成像方法[J]. 光学学报, 2017, 37(6): 0611003.
康乐, 张群, 李涛泳, 等. 基于贝叶斯学习的下视三维合成孔径雷达成像方法[J]. 光学学报, 2017, 37(6): 0611003.
[5] 周海洋, 朱鑫炎, 余飞鸿. 改进型高效三角形相似法及其在深空图像配准中的应用[J]. 光学学报, 2017, 37(4): 0410003.
周海洋, 朱鑫炎, 余飞鸿. 改进型高效三角形相似法及其在深空图像配准中的应用[J]. 光学学报, 2017, 37(4): 0410003.
[7] Li SZ. Markov random field modeling in image analysis[M]. New York: Springer-Verlag, 2009.
Li SZ. Markov random field modeling in image analysis[M]. New York: Springer-Verlag, 2009.
[10] 贺飞跃, 田铮, 付辉敬, 等. 带边缘惩罚和自适应权马尔科夫随机场的合成孔径雷达图像快速分割[J]. 光学学报, 2013, 33(8): 0811004.
贺飞跃, 田铮, 付辉敬, 等. 带边缘惩罚和自适应权马尔科夫随机场的合成孔径雷达图像快速分割[J]. 光学学报, 2013, 33(8): 0811004.
[13] Goshtasby AA. 2-D and 3-D image registration for medical, remote sensing, and industrial applications[M]. Wiley-Interscience, 2005.
Goshtasby AA. 2-D and 3-D image registration for medical, remote sensing, and industrial applications[M]. Wiley-Interscience, 2005.
[19] 唐智, 周荫情, 李景文. InSAR数据处理中基于相关系数的配准方法[J]. 雷达科学与技术, 2004, 2(2): 108-114.
唐智, 周荫情, 李景文. InSAR数据处理中基于相关系数的配准方法[J]. 雷达科学与技术, 2004, 2(2): 108-114.
Tang Zhi, Zhou Yinqing, Li Jingwen. Co-registration method based on correlation coefficient in InSAR data processing[J]. Radar Science and Technology, 2004, 2(2): 108-114.
Article Outline
贺飞跃, 赵伟. 含水体的合成孔径雷达图像配准[J]. 光学学报, 2017, 37(9): 0928001. Feiyue He, Wei Zhao. Image Registration of Synthetic Aperture Radar Including Body of Water[J]. Acta Optica Sinica, 2017, 37(9): 0928001.