一种基于边缘特征的图像配准方法

医学影像处理中的图像配准与分割技术教程随着科技的飞速发展，计算机在医学影像处理领域扮演着越来越重要的角色。

图像配准与分割技术是医学影像处理中的两个核心任务，对于医学诊断和研究具有重要意义。

本文将深入介绍医学影像处理中的图像配准与分割技术，帮助读者了解这两项技术的原理、应用和实现方法。

一、图像配准技术1. 原理概述图像配准是指将两个或多个影像进行对齐的过程，使它们在空间上在几何和灰度上保持一致。

它可以通过确定变换参数来实现，比如平移、旋转、缩放和弯曲等。

图像配准的目标是最小化配准的误差，使得对齐后的影像尽可能与真实情况一致。

2. 常见方法(1) 特征点匹配法：该方法基于图像中的特征点进行匹配，比如角点、边缘点等。

利用特征点之间的对应关系，可以求解出图像之间的变换参数。

(2) 基于区域的配准法：该方法基于图像的整体信息进行匹配，比如颜色、纹理等。

通过比较两幅图像的相似度，可以得到它们之间的变换关系。

(3) 基于图像金字塔的配准法：该方法通过建立不同尺度的图像金字塔，逐层进行匹配。

从粗到细的过程中，可以提高算法的鲁棒性和效率。

3. 应用实例(1) 医学影像配准：图像配准在医学领域中具有广泛的应用，比如磁共振成像（MRI）、计算机断层扫描（CT）和脑电图（EEG）等。

通过图像配准，可以准确地比对不同时间点或不同受试者的医学影像，为医生提供准确的诊断和治疗方案。

(2) 功能脑影像配准：功能脑影像配准是将脑功能影像与脑结构影像进行配准，可以帮助研究者探索大脑的功能区域和网络连接情况，对脑疾病的研究和诊断具有重要意义。

二、图像分割技术1. 原理概述图像分割是将图像分成若干个不重叠的区域或像素集合的过程。

其目的是根据图像的特征，将图像中的对象和背景进行分离，使得后续处理更加容易。

图像分割可以根据需求分为全局分割和局部分割，也可以根据算法分为基于阈值的方法、基于边缘的方法和基于区域的方法等。

2. 常见方法(1) 基于阈值的方法：该方法通过设定一个或多个阈值，将图像中的像素分类为前景和背景。

血管造影图像的配准与分割技术研究引言：血管造影是一种重要的诊断技术，广泛应用于血管疾病的诊断和治疗中。

然而，由于血管形态的复杂性和图像的噪声，准确地配准和分割血管造影图像一直以来都是一个复杂而具有挑战性的任务。

本文将讨论血管造影图像的配准与分割技术的研究进展，重点介绍最新的方法和应用。

一、血管造影图像配准技术研究1. 传统的配准方法：传统的血管造影图像配准方法通常基于几何变换模型，如刚体变换和仿射变换。

这些方法依赖于手工选择的特征点进行图像对齐，虽然能够实现一定程度的配准，但对于变形较大的血管结构，效果较差。

此外，这些方法对图像噪声和血管形态的差异较敏感。

2. 基于特征匹配的配准方法：随着计算机视觉和机器学习技术的发展，基于特征匹配的配准方法逐渐成为研究的热点。

这些方法首先提取血管造影图像中的特征，如角点、斑点和边缘等，然后利用特征匹配算法找到对应的特征点，最后通过求解变换模型实现图像的配准。

支持向量机（SVM）和卷积神经网络（CNN）等机器学习方法在特征提取和匹配中得到了广泛应用。

这些方法能够较好地处理血管的形变和噪声，但对于大尺度的变形和局部重叠的血管区域，效果仍有待提升。

3. 深度学习在图像配准中的应用：近年来，深度学习技术在图像配准领域取得了显著的进展。

深度学习无需手工提取特征，能够自动学习图像的特征表示，进而实现更精确的配准结果。

深度学习主要应用于图像配准的关键步骤，如特征提取、特征匹配和变换模型的学习等。

卷积神经网络（CNN）和生成对抗网络（GAN）等深度学习模型在血管造影图像配准中表现出良好的效果。

此外，结合传统的配准方法和深度学习方法也成为一个研究热点，能够充分发挥两者的优势，提升配准的精度和鲁棒性。

二、血管造影图像分割技术研究1. 基于阈值分割的方法：基于阈值分割的方法是一种简单而有效的分割技术。

通常，该方法利用图像的灰度信息或梯度信息设置合适的阈值进行分割。

然而，由于血管图像的灰度分布和噪声的影响，阈值分割方法对于不同图像的适应性较差。

医学图像处理中的图像配准方法探析近年来，随着医学技术的不断发展，图像配准作为重要的医学图像处理方法之一，在医疗领域中得到了广泛应用。

图像配准可以将多个不同时间、不同成像设备获得的医学图像进行对齐，以便医生能够更准确地分析和诊断疾病，提高医疗效果。

本文将对医学图像处理中的图像配准方法进行探析。

一、基于特征的配准方法基于特征的配准方法是一种常用且有效的图像配准方法。

该方法通过寻找图像中显著的特征点，比如角点、边缘等，并计算这些特征点的相互关系来进行配准。

常用的特征提取算法包括SIFT、SURF和ORB等。

这些算法能够提取出图像中的稳定且能够描述图像内容的特征点，从而实现图像的配准。

二、基于像素的配准方法基于像素的配准方法是另一种常用的图像配准方法。

该方法通过计算图像之间像素值的相似性，从而实现图像的对齐。

基于像素的配准方法通常包括灰度相关性、互信息和归一化互相关等算法。

这些算法能够计算不同图像之间的相似性度量，从而实现图像的配准。

三、多模态图像配准方法在医学图像处理中，由于成像设备和成像模式的不同，常常会出现多模态的医学图像。

多模态图像配准是一种将不同成像模式下的图像进行对齐的方法。

常用的多模态图像配准方法包括基于特征的方法和基于像素的方法。

基于特征的方法通过提取图像中的特征点，并计算这些特征点在不同模态图像中的相互关系来实现配准。

而基于像素的方法则通过计算图像之间的相似度来实现多模态图像的配准。

四、局部图像配准方法局部图像配准方法是一种针对图像局部区域进行配准的方法。

在医学图像处理中，由于图像可能存在变形、畸变等问题，全局的图像配准方法可能会出现不准确的情况。

因此，局部图像配准方法可以有效解决这些问题。

局部图像配准方法通常包括局部特征匹配、局部变形模型和局部优化等算法。

这些算法能够针对特定区域进行配准，提高医学图像处理的准确性。

总结起来，医学图像处理中的图像配准方法有基于特征的方法、基于像素的方法、多模态图像配准方法和局部图像配准方法等。

基于特征点的图像配准算法研究一、前言：图像配准算法的重要性在计算机视觉领域，图像配准是一项基础任务，其主要作用是将不同图像之间的位置关系进行对应，这对于后续的图像分析和处理都至关重要。

例如，医学影像领域中常用的CT、MRI等设备采集到的影像几乎都需要进行配准，否则会影响成像结果。

在军事领域中，需要通过多个角度从不同载体获取的图像进行配准，以方便分析情报、制定作战计划等。

目前，常用的图像配准算法有很多种，其中基于特征点的算法是一种广泛使用的方法。

本文将对基于特征点的图像配准算法进行研究和分析。

二、特征点的基本概念特征点（Feature Point），是指在一张图像中能够表示出其特殊性质或重要特征的一个点，该点在另一张相似图像中仍容易识别出来。

通常情况下，特征点的选择是基于如下几个原则：（1）该点周围具有更多的信息，特别是物体边缘、角点和线的节点处；（2）该点在不同的尺度或旋转角度下都能够被检测到；（3）该点具有鲁棒性，能够在图像噪声和光照变化等干扰情况下保持稳定。

三、基于特征点的图像配准算法1. 特征提取首先，需要对待匹配的图像进行特征点提取。

特征点提取是指在待匹配图像中提取出具有代表性的、具有重要意义的特征点。

常用的特征点提取算法有如下几种：（1）Harris算法：通过计算领域内像素间的角点响应函数来检测角点，实现简单，但对图像的光照、噪声等条件敏感。

（2）SIFT算法：通过使用尺度空间的高斯拉普拉斯变换来检测局部特征，对图像旋转、尺度变化、光照变化、噪声等干扰具有较好的鲁棒性。

（3）SURF算法：通过加速版的SIFT算法来提取图像中的特征点，主要优点是速度更快，鲁棒性更好。

（4）FAST算法：通过对像素的亮度值进行排序，检测出具有代表性的像素点，速度比较快，但对噪声敏感。

2. 特征匹配提取出待匹配图像和目标图像的特征点之后，需要对这些点进行匹配，以确定它们之间的位置关系。

通常采用的方法是计算其在多幅图像中的描述子，并通过计算特征点之间的相似度进行匹配。

基于点特征的图像配准算法研究一、本文概述随着计算机视觉和图像处理技术的飞速发展，图像配准技术已成为众多领域中的关键工具，尤其在遥感、医学成像、计算机图形学、安全监控等领域中发挥着重要作用。

图像配准，即是将两幅或多幅图像进行空间对齐的过程，旨在寻找一种最优的空间变换，使得一幅图像能够与另一幅图像在几何位置上达到最佳匹配。

本文旨在深入研究基于点特征的图像配准算法，并探讨其在不同应用场景下的性能表现和优化策略。

本文首先将对图像配准的基本概念和原理进行概述，包括图像配准的定义、分类、评价标准以及常见的变换模型等。

接着，重点介绍基于点特征的图像配准算法的基本原理和流程，包括特征点的提取、匹配以及变换模型的求解等关键步骤。

在此基础上，本文将详细分析几种典型的基于点特征的图像配准算法，如SIFT、SURF、ORB等，并比较它们的优缺点及适用场景。

本文还将探讨基于点特征的图像配准算法在实际应用中所面临的挑战，如特征点的选取、匹配算法的鲁棒性、计算效率等问题，并针对这些问题提出相应的优化策略和改进方法。

本文将通过实验验证所提优化策略的有效性，并与其他算法进行性能比较，为实际应用中选择合适的图像配准算法提供参考依据。

通过本文的研究，期望能够为图像配准技术的发展和应用推广提供有益的参考和借鉴，同时也为相关领域的研究人员提供一种新的思路和方法。

二、相关理论和技术基础图像配准是计算机视觉领域中的一个重要问题，它涉及到从两个或多个图像中找出对应点或特征，并通过对这些点的匹配，实现图像间的空间对齐。

基于点特征的图像配准算法是其中的一种主流方法，其核心在于提取和匹配图像中的关键点。

点特征提取是图像配准的第一步，它的目标是识别图像中具有独特性和稳定性的点。

常见的点特征提取方法包括SIFT（尺度不变特征变换）、SURF（加速鲁棒特征）和ORB（带方向的BRIEF和旋转不变的描述子）等。

这些方法通过在不同的尺度空间上检测关键点，并计算其方向、尺度和描述子，以实现对图像中稳定点的有效提取。

医学影像处理中的图像配准算法实现技巧医学影像处理在现代医学诊断中起着至关重要的作用。

而图像配准作为其中重要的一环，是将不同影像之间进行准确的位置、尺度和方向的对齐，以实现医学影像的比较、融合和分析。

本文将介绍医学影像处理中的图像配准算法实现技巧。

一、图像配准概述图像配准是指将一组图像中的目标物体进行精确定位和对齐。

医学影像处理中的图像配准旨在准确地比较不同时间点或不同影像模态的医学图像，以便更好地追踪疾病的进展和评估治疗效果。

二、图像配准的算法医学影像图像配准的算法可以分为以下几类：1. 特征点匹配算法特征点匹配算法是一种常用的图像配准方法。

该方法通过检测图像中的特征点，并找到这些特征点之间的对应关系，从而实现图像的对齐。

常用的特征点匹配算法包括SIFT、SURF和ORB等。

首先，算法会在图像中提取特征点，并计算每个特征点的描述子。

然后，通过计算特征点描述子之间的相似度，找到最佳匹配。

最后，通过对特征点的位置进行配准，实现图像的对齐。

2. 基于互信息的配准算法互信息是一种常用的图像配准衡量指标，用于评估两幅图像的相似性。

基于互信息的配准算法主要包括归一化互信息（NMI）和互信息标准差（MIS）等。

该方法通过计算图像中的灰度直方图，并结合互信息来衡量两幅图像的相似度。

然后，通过优化配准变换参数，使得互信息最大化，实现图像的配准。

3. 基于变形场的配准算法基于变形场的配准算法利用变形场来描述图像的形变情况，并通过优化变形场来实现图像的对齐。

典型的基于变形场的配准算法有Thin-Plate Spline（TPS）和B-spline等。

该方法首先计算图像的像素点之间的位移，然后通过插值方法生成变形场。

最后，通过优化变形场的参数，实现图像的对齐。

三、图像配准的应用图像配准在医学影像处理中广泛应用于以下领域：1. 临床诊断医学影像图像配准可以提供医生在不同时间点或不同影像模态下进行疾病比较和评估的依据。

例如，在肿瘤的持续监测中，医学影像配准可以实现不同时间点下肿瘤的精确测量和比较。

测绘技术中常见的地图配准算法介绍地图配准是测绘技术中的一个重要环节，它的主要目的是将多幅地图或者地理数据进行对应，使得它们在同一基准下具备一致性。

在实际的测绘应用中，地图配准算法能够帮助我们更加准确地理解和分析地理现象，为精确测绘和地理信息系统等应用提供支持。

本文将介绍一些常见的地图配准算法，以及它们的原理和应用。

一. 特征点匹配算法特征点匹配算法是地图配准中常用的一种方法。

该算法通过提取地图上的关键特征点，比如角点或者边缘点，然后在不同地图上寻找相应的特征点进行匹配。

在特征点匹配中，常用的算法包括克鲁斯卡尔算法、归一化互相关算法和改进的归一化互相关算法等。

克鲁斯卡尔算法是一种最小生成树的算法，它的主要思想是通过连接权值最小的边逐步构建最小生成树。

在地图配准中，我们可以将特征点作为节点，它们之间的相似度作为边的权值，然后使用克鲁斯卡尔算法寻找最佳的匹配组合。

归一化互相关算法是一种基于互相关的特征点匹配方法。

它通过计算两个特征点周围区域内的互相关系数来判断它们的相似度。

在进行配准时，我们可以选取特定阈值来筛选出相似度较高的特征点对，从而得到最佳的匹配结果。

改进的归一化互相关算法是针对传统归一化互相关算法的一种改进。

它在计算互相关系数时引入了自适应窗口大小和自适应核函数，从而提高了特征点匹配的准确性和鲁棒性。

改进的归一化互相关算法在地图配准和图像配准中都有广泛的应用。

二. 尺度不变特征变换算法尺度不变特征变换（Scale-Invariant Feature Transform，简称SIFT）算法是一种经典的特征点匹配算法，它在地图配准中也有较为广泛的应用。

SIFT算法通过分析图像的局部特征，如边缘和角点等，并在不同图像中寻找相应的特征点进行匹配。

SIFT算法的主要步骤包括尺度空间极值检测、关键点定位、方向分配、描述子生成和特征点匹配等。

在进行地图配准时，我们可以提取地图上的SIFT特征点，并在不同地图中进行匹配，从而得到两幅地图之间的对应关系。

医学影像处理中磁共振图像配准技术的应用教程与对齐准确性评估磁共振成像（Magnetic Resonance Imaging，MRI）是一种非侵入性的医学成像技术，广泛应用于疾病的诊断与治疗。

然而，在进行医学影像处理时，经常需要将不同时间点或不同模态的磁共振图像进行对齐，以实现准确的定量分析和比较。

本文将介绍医学影像处理中磁共振图像配准技术的应用教程，并探讨其对齐准确性评估的方法。

首先，我们来了解磁共振图像配准的基本原理。

磁共振图像配准是将两个或多个磁共振图像进行空间上的对齐，使得它们在解剖结构上相互匹配。

简单来说，配准的目标是将不同图像中的相同结构对应起来，从而实现相同位置和尺寸的像素在不同图像中具有相同的空间坐标。

配准技术的基本原理包括特征提取、特征匹配和图像变换。

在磁共振图像配准中，常用的特征提取方法有基于边缘、基于强度和基于特征点等。

基于边缘的方法通过检测图像中的边缘特征，提取结构信息。

基于强度的方法则利用图像中的灰度级信息，提取图像的亮度分布特征。

基于特征点的方法则通过检测图像中的显著特征点，如角点或斑点等，提取唯一标识的特征。

特征匹配是指在两个或多个图像中寻找相同或相似特征，并将其进行匹配。

常用的特征匹配算法有基于相关系数、基于相似度和基于相位等方法。

匹配过程可以利用最小二乘法、RANSAC算法等进行优化，以提高匹配的准确性。

图像变换是将配准前的图像进行变换，使得它们与配准后的图像具有相同的空间坐标。

常见的图像变换方法有刚体变换、仿射变换和非刚性变形等。

在实际的磁共振图像配准应用中，有一些常见的技术和工具可以帮助实现高质量的配准结果。

例如，可以利用现成的图像处理软件，如FSL （FMRIB Software Library）、ANTS（Advanced Normalization Tools）和SPM（Statistical Parametric Mapping）等，它们提供了丰富的配准算法和工具。

在Matlab中实现医学图像分割和医学图像配准的方法医学图像处理在现代医学中起着重要的作用，它可以帮助医生更好地了解人体的结构和病变情况。

其中，医学图像分割和医学图像配准是两个常用的图像处理任务。

本文将介绍如何使用Matlab实现这两个任务的方法。

一、医学图像分割医学图像分割是将医学图像中感兴趣的区域从背景中分离出来的过程。

这对于病灶的检测和定位非常重要。

在Matlab中，有多种方法可以实现医学图像分割，如基于阈值的分割、基于区域的分割和基于边缘的分割等。

1. 基于阈值的分割基于阈值的分割是医学图像分割中最简单的方法之一。

它将图像中的像素根据亮度和颜色等特征进行分类。

在Matlab中，可以使用imbinarize函数实现阈值分割。

通过调整阈值的大小，可以得到不同的分割结果。

然而，这种方法对于复杂的图像可能效果不佳。

2. 基于区域的分割基于区域的分割是将图像中的像素分成若干区域，并根据相似性准则将它们合并或进一步细分的方法。

在Matlab中，可以使用regionprops函数计算各个区域的特征，并根据这些特征对区域进行分类和合并。

这种方法通常适用于异质性较小的图像。

3. 基于边缘的分割基于边缘的分割是通过检测图像中的边缘信息来实现分割的方法。

在Matlab中，可以使用边缘检测算法（如Canny算子）来提取图像中的边缘信息，并通过边缘连接或边缘跟踪来实现分割。

这种方法对于图像中有明显边缘的情况效果较好。

二、医学图像配准医学图像配准是将多个医学图像的位置和方向相对一致的过程。

它在医学影像的比较、融合和后续处理等方面具有重要的应用。

在Matlab中，有多种方法可以实现医学图像配准，如基于特征的配准、基于互信息的配准和基于形变场的配准等。

1. 基于特征的配准基于特征的配准是通过提取图像中的一些特征点或特征区域，并通过计算它们之间的相似性来实现配准的方法。

在Matlab中，可以使用SURF算法或SIFT算法来提取图像的特征，并通过RANSAC算法等方法来计算配准的变换矩阵。

Matlab中的图像匹配和配准方法引言在当今数字图像处理和计算机视觉的领域中，图像匹配和配准是非常重要的任务。

图像匹配和配准的目的是找到两幅或多幅图像之间的对应关系，以实现图像间的对比、分析和融合等应用。

Matlab作为一种常用的科学计算和图像处理工具，提供了许多强大的函数和工具箱，用于实现图像匹配和配准。

本文将介绍Matlab中的几种常见的图像匹配和配准方法，并分析其优缺点以及适用场景。

1. 直方图匹配直方图匹配是一种简单但有效的图像匹配方法。

其原理是通过将目标图像的灰度直方图调整为与参考图像的灰度直方图相似，从而实现两幅图像的对比。

在Matlab中，可以使用“imhistmatch”函数来实现直方图匹配。

该函数通过计算参考图像和目标图像的灰度直方图，并将目标图像的灰度值调整为与参考图像的灰度值分布相似的方式完成匹配。

直方图匹配的优点在于简单易懂、计算快速，并且适用于大多数图像配准问题。

然而，直方图匹配方法无法处理图像变换导致的几何形变。

此外，当参考图像和目标图像的灰度分布不一致时，直方图匹配可能会产生不理想的结果。

2. 特征点匹配特征点匹配是一种基于图像局部特征的匹配方法。

其主要思想是在参考图像和目标图像中提取出一组特征点，并通过计算特征点间的相似度来寻找两幅图像之间的对应关系。

Matlab中提供了多种特征点提取和匹配函数，如“detectSURFFeatures”和“matchFeatures”。

特征点匹配的优点在于对图像的几何变换具有较好的鲁棒性，并且可以处理较大的图像变形。

然而，特征点匹配方法对图像的光照变化、噪声干扰和遮挡等问题敏感，可能会导致匹配结果不准确。

3. 基于互信息的配准基于互信息的配准是一种常用的图像配准方法，其基本原理是通过最大化两幅图像之间的互信息来确定其几何变换关系。

在Matlab中，可以使用“imregister”函数来实现基于互信息的图像配准。

该函数通过优化互信息度量函数，寻找最优的图像变换参数，从而实现图像的配准。

第39卷第12期自动化学报Vol.39,No.12 2013年12月ACTA AUTOMATICA SINICA December,2013一种高性能SAR图像边缘点特征匹配方法陈天泽1李燕2摘要针对合成孔径雷达(Synthetic aperture radar,SAR)图像特征匹配中特征提取的不稳定性和相似度优化搜索的复杂性问题,提出了一种精确高效稳健的SAR图像边缘点集匹配方法.首先,分析了仿射变换模型在遥感图像匹配中的适应性,并对仿射变换模型进行了参数分解;其次,提出了基于方向模板的SAR图像边缘检测算子,并利用SAR图像边缘的梯度和方向特征,建立了基于像素迁移的多源SAR边缘点集相似性匹配准则,以及图像匹配的联合相似度–联合特征均方和(Square summation joint feature,SSJF);然后,利用改进的遗传算法(Genetic algorithm,GA)来进行相似度的全局极值优化搜索,获取变换模型参数和边缘点集的对应关系;最后,从理论上分析了本文方法的性能,并利用多幅SAR图像的匹配实验以及与原有方法的对比分析,对本文方法的性能进行了验证.关键词合成孔径雷达图像匹配,仿射变换模型,参数分解,像素迁移,联合相似测度,遗传算法引用格式陈天泽,李燕.一种高性能SAR图像边缘点特征匹配方法.自动化学报,2013,39(12):2051−2063DOI10.3724/SP.J.1004.2013.02051A High Performance Edge Point Feature Match Method of SAR ImagesCHEN Tian-Ze1LI Yan2Abstract A precise,efficient and robust edge point set matching method of synthetic aperture radar(SAR)image is presented.First,the adaptability of the affine transform model used in the remote sensing image matching is analyzed,and the parameters of the affine transform model are decomposed.Next,a modified ratio of exponentially weighted averages (ROEWA)edge detector is used to get the strength and direction of each edge point with the eight directional templates, the matching similarity criterion and the joint similarity–square summation joint feature(SSJF)are constructed based on the strength and direction of the edge point in images.Then,parameters of the transform model between the matching SAR images are determined with the modified genetic algorithms(GA)which is used to obtain the global optimum extremum of the joint similarity.Finally,the performance of the method is analyzed in theory and validated with SAR images matching experiments.Key words Synthetic aperture radar(SAR)images matching,affine transform model,parameters decomposition,pixel migration,joint similarity,genetic algorithm(GA)Citation Chen Tian-Ze,Li Yan.A high performance edge point feature match method of SAR images.Acta Automatica Sinica,2013,39(12):2051−2063合成孔径雷达(Synthetic aperture radar, SAR)图像匹配的目的是找到同一场景下不同时间或不同视角、不同传感器获取的两幅或多幅SAR 图像之间的一一对应关系,是三维重建、目标识别、匹配制导、变化检测、信息融合等应用中的关键技术.由于受成像时间、传感器姿态、波段、极化方式以及图像噪声等多种因素影响,不同SAR图像的灰收稿日期2012-10-30录用日期2013-08-19Manuscript received October30,2012;accepted August19, 2013国家自然科学基金(61002023)资助Supported by National Natural Science Foundation of China (61002023)本文责任编委戴琼海Recommended by Associate Editor DAI Qiong-Hai1.国防科学技术大学电子科学与工程学院长沙4100732.炮兵防空兵装备技术研究所北京1000121.College of Electronic Science and Engineering,National Uni-versity of Defense Technology,Changsha4100732.Artillery and Air Defense Corps Research Institute of Equipment and Technologies,Beijing100012度会存在较大的差异,所以从图像匹配稳健性、适应性、计算复杂度等方面考虑,在理论和实际应用中常采用基于特征的图像匹配技术.SAR图像匹配中常用的特征可归结为点、线、面三类特征基元[1],其中,点特征是图像结构特征中的最小基元,广泛存在于各种场景的SAR图像中,而且其特征提取和描述方法相对简单,是以点特征匹配成为常见的特征匹配方法.特征匹配算法的前提是两幅图像中必须共同存在这些同名特征并且能够被精确提取和一致描述[2].由于相干成像特性,SAR图像中存在相干斑噪声,使得提取的特征点中包含较多的噪声,容易出现参与匹配的多幅SAR图像中特征点集不一致的现象,所以光学图像点特征匹配中常用的基于几何特征点(如角点、拐点、交点、质心点等)的迭代最近点(Iterative closest point,ICP)算法[3]、粒子群优化[4]等点集匹配方法在SAR图像中较少应用.2052自动化学报39卷目前,SAR图像点特征匹配中应用较多的是几何不变特征匹配方法.该类方法一般采用具有几何不变性的特征提取方法(如SIFT[5−8]、SURF[9])来提取几何不变特征点,或采用具有几何不变性的描述方法来对特征进行描述,如根据点特征之间的相互关系建立不变三角网[9−10]、通过几何哈希方法建立特征描述子[11]等,以消除几何变换对特征匹配的影响来获取点集间的匹配关系.但前者对于服从乘性噪声分布模型的SAR图像难以取得理想效果[6],而且SIFT特征提取方法也难以在异侧成像的SAR图像中寻找到稳健的同名点[5],后者需要在特征提取的基础上,利用三角网组网和直方图建立等特征编组方法来进行特征描述,过程较为复杂,对SAR图像中的斑点噪声比较敏感,容易出现同一场景的不同SAR图像中特征点集的描述结果不同的现象,影响特征匹配的准确性,导致误配、错配甚至匹配不成功的情况出现.所以稳健而普适的图像特征匹配需要采用一种SAR图像中普遍存在、且提取和描述方法都较为简单的特征.以边缘点为基础表示和描述的结构特征,既是图像中的主体信息,相同场景中两幅图像的边缘特征,又代表了共同场景中存在的物理结构,存在某种意义上的相似,所以可以通过提取包含图像结构特征的边缘点集,构建相似性准则,来实现图像匹配.基于边缘点的图像匹配,可以通过建立边缘直方图来进行直方图匹配[12],亦可利用形状描述算子来进行形状匹配[13−14],以建立特征之间的对应关系.但这些方法需在边缘特征的基础上进行复杂的特征编组等处理,同样难以保证匹配特征的一致性,导致这些方法的稳定性和适用性存在不足.为了简化特征提取与描述的过程,Keller等[15]和Yao等[16]、苏泽群等[17]、Wang等[18]基于边缘特征的隐含相似性,利用像素迁移的思想,构建了梯度均方和(Square summation gradient,SSG)相似度,实现了多传感器图像的配准.与其他特征匹配方法相比,像素迁移方法最大的优点在于获取图像特征描述子的过程大为简化,只需进行边缘特征提取即可,而且各类场景和目标图像中基本都存在边缘特征,是以具有较好的普适性.其难点在于,与其他特征匹配方法不同,该方法中待匹配的两幅图像的单对同名点之间没有明确的相似关系,单幅图像中边缘点之间也无明确的关联属性,无法建立待匹配的两幅图像中边缘点集之间的对应关系(如几何关系、统计关系、拓扑关系),同名特征匹配时不能利用特征之间的相互关系来直接进行参数解算或缩小参数搜索范围,而必须通过模型参数全局空间内的优化搜索来实现最优匹配,是以将图像匹配问题转化成了一个数学优化问题[18].而且,文献[15−18]中的方法只利用梯度和来建立相似度准则函数,没有利用更多的边缘点信息来构建匹配准则,使得模型参数解算的收敛速度非常慢,循环时间过长,循环迭代中也只利用SSG参量来进行判决,其循环迭代结束的判决条件不独立,不能对匹配结果从另一个方面进行验证,从而容易陷入局部最优而难以找到全局最优.而且,该方法中仿射变换模型的6个参数不具有明确的几何意义,使得在优化和解算过程中,无法有依据地确定优化搜索空间范围和参数取值分辨率等,导致图像匹配的优化搜索难以收敛或收敛太慢,运行效率过低,也不便于在后续处理中对匹配参数进行分析和理解.针对这些问题,本文提出了基于仿射变换参数分解模型和联合测度的SAR图像边缘特征匹配方法,来增强图像匹配的适应性,提高匹配精度和匹配效率.首先,对仿射变换模型进行参数分解,使得仿射变换的6个参数具有具体的几何意义,据此来有针对性地确定和限制参数范围;其次,利用基于模板的方向ROEWA算子提取SAR图像边缘的强度和方向信息;然后,基于像素迁移思想,建立了多源SAR图像边缘点集相似性匹配准则,以及图像匹配的联合相似度–联合特征均方和(Square summation joint feature,SSJF);最后,采用改进后的遗传算法来进行优化搜索,以快速达到全局最优.1仿射变换模型及参数分解图像之间的变换模型主要包括:刚体变换、相似变换、仿射变换、投影变换和多项式变换等.文献[19]从多视角成像模型的角度,证明仿射变换适合成像平台离场景很远且场景平坦的两幅图像之间的变换.对于遥感图像,地面相对于传感器的距离较远,当地形起伏不大时,可近似认为各同名点的对应Z轴坐标或深度的比值为常数,即近似满足仿射变换,所以可以用仿射变换模型来表示.1.1仿射变换模型仿射变换模型除了考虑两幅图像之间的平移、旋转和缩放外,还考虑了图像切变(即沿对角线的压缩)的几何变化,其变换关系可表达如下:x2=a1x1+b1y1+c1y2=a2x1+b2y1+c2(1)其中,(x1,y1)为待匹配图像坐标,(x2,y2)为参考图像像素坐标,a1,b1,c1,a2,b2,c2为模型参数.6个参数中,c1,c2分别表示图像在X轴和Y轴之间的平移,但a1,b1,a2,b2的具体几何意义不明确,在图像匹配中,无法根据具体情况确定各参数的值域范围和参数取值分辨率,为了避免出现匹配失败的情12期陈天泽等:一种高性能SAR图像边缘点特征匹配方法2053况,一般采取扩大参数值域范围的方法,从而导致搜索时间过长.1.2模型参数分解为了明确a1,b1,a2,b24个参数的几何意义,可以将仿射变换过程分解成缩放、旋转、切变、平移四个步骤[20],具体变换过程如图1所示.图示中的虚线表示变换前图形,实线表示变换后图形,前一幅图中的变换结果为后一幅图中变换的原图.图1仿射变换过程示意图Fig.1Sketch map of the affine transformation procedure若分别令水平放缩尺度、垂直放缩尺度、旋转角度、切变尺度、水平平移和垂直平移参数为s x,s y,θ,r,d x,d y,则式(1)中各参数可如式(2)表示.其中,m=r+√2−r22,n=r−√2−r22.所以式(1)中a1,b1,a2,b24个不具有具体几何意义的参数,经过分解后,可由s x,s y,θ,r这4个具有明确几何意义的参数来进行计算,亦可明确其具体的值域范围.其中水平放缩尺度、垂直放缩尺度s x,s y可根据两幅待匹配图像的分辨率的实际情况进行预估.实际的遥感图像中,水平分辨率和垂直分辨率一般相同,所以水平和垂直放缩尺度也一般相等,即s x=s y.θ的值域范围为[0,360),切变尺度r的值域范围为(0,√2).水平平移和垂直平移d x,d y的值域可根据具体情况确定.a1=s x(m cosθ+n sinθ)a2=s x(n cosθ−m sinθ)b1=s y(n cosθ+m sinθ)b2=s y(m cosθ−n sinθ)c1=d xc2=d y(2)2SAR图像边缘强度和方向特征提取由于SAR图像相干斑噪声一般服从乘性噪声模型而非加性噪声模型,所以传统的差分梯度边缘提取算法在SAR图像中难于取得理想的效果,文献[21]从理论上证明了差分梯度边缘检测算子不适于SAR图像边缘检测.目前,ROA(Ratio of aver-age)算子[22]以及ROEWA(Ratio of exponentially weighted averages)算子[23]是SAR图像中阶跃边缘检测的主要方法.其中,ROEWA算子采用的是多边缘模型,更接近于实际的SAR图像,实用性更强.而且ROEWA算子与梯度算子有很多共性,最重要的就是在边缘处取得极大值,在非边缘处取值较小且变化较小,所以可将ROEWA算子作用后的强度图像认定为梯度图像.ROEWA算子具有恒虚警特性,边缘定位准、虚假边缘少、抗断裂性好,非常适用于检测SAR图像中线状目标的边缘,但不能得到边缘方向.目前用于SAR图像边缘点方向检测的方法很多,文献[24]提出了利用Gabor滤波器计算边缘方向的方法,但整幅图像只能提取四个方向.本文采用改进的ROEWA算法,在计算边缘强度的同时,利用方向模板和二次曲线进行方向估计,得到了边缘方向,具体方法和步骤参见文献[25].该方法的边缘提取结果如图2所示.2054自动化学报39卷图2SAR图像边缘强度和方向特征提取结果Fig.2Extraction of edge strength and direction fromSAR image3基于像素迁移的SAR图像匹配一般来说,特征匹配中常用的几何特征(如点、线、形状、轮廓、骨架等)本质上是梯度较大的边缘点特征.这些梯度较大的边缘点集,可看作是涵盖了大量结构特征和少量无关因素(如孤点大噪声等)的综合.对于具有相同场景的不同图像,这些点集存在着某种意义上的相似.像素迁移,即是从一幅图像中提取部分梯度较大的边缘点构成初始点集,将其各点坐标按照变换模型变换到另一幅图像中,其对应点集即为目的点集[18],通过构建与之适应的相似性测度,然后采取合适的参数优化方法,来实现多幅图像的边缘点集匹配.3.1SAR图像匹配初始点集选择光电图像像素迁移方法中选择的梯度极值一般为道路、河岸、海岸线等线状目标的连续边缘,具有较好的稳定性.但由于电磁散射机理的原因,SAR 图像中的梯度(或强度)极值区域可能包含了部分具有强散射结构、大介电常数材质或粗糙表面的物体(如建筑物、电线杆、金属目标等)对应的强散射图像,这些强散射区域在SAR图像中表现为高亮度和高强度,其边界会掩盖场景中真正的边缘特征,导致边缘不连续,而且会随着SAR图像成像参数的改变而变化,不是边缘特征匹配中所需要的稳定结构特征.所以本文在选取初始边缘点集时,在ROEWA 算子边缘强度特征提取的基础上,选择灰度和边缘强度靠前的连续边缘特征,剔除亮度较高且边缘强度较大的边缘点,如此虽然会去掉一部分强边缘特征,但提高了选取的结构特征的稳定性,可以满足图像匹配的需要.3.2基于像素迁移的相似性匹配准则一般而言,图像匹配可以归结为一个对应关系求解的过程.从匹配准则的角度来说,其数学模型可以描述为[16]minf,T(J)=k[I1(x(k))−f(I2(T(x(k))))]2(3)其中,T为变换模型,I1,I2是图像信息,x(k)代表坐标点集,f表示对图像信息的某种映射,J为准则函数.根据I1,I2中的相互关系确定相似测度,即可获取I1,I2中的对应关系.但基于像素迁移的图像匹配方法中准则函数构造和参数解算与上述方法不同.在准则函数构建中,由于同一区域不同图像的相似特征隐含在梯度最大的点集当中,所以以隐含相似结构特征的梯度最大点集为初始点集,通过坐标变换转换到另一幅图像的目的点集,当不同变换模型中目的点集的梯度值最大时,则该次转换最为有效.因此像素迁移匹配方法中的相似性准则为几何变换后目的点集的SSG 最大,其数学模型为maxT(J)=S2∈I2|I1(T(S2))|2(4)其中,I1,I2表示梯度模值图,S2为I2中最大梯度点集.由于每次迁移对应一个SSG值和一组变换模型参数,因此变换模型可以通过对相似度的迭代优化方法来获得,即当SSG取得最大值时,相似度最大,其对应的变换模型参数即为所求的匹配解.但上述方法在构建相似度时只考虑了边缘的梯度特征.实际上,图像边缘点的方向是边缘点的梯度方向,图像中直线结构特征的边缘点方向相同,是以边缘点方向特征同样也能描述场景结构,图像边缘方向提取实验(如图2(c)所示)证明了这一结论.全局匹配中,两幅待匹配图像中不同同名特征点的方向差应该为一个常数,即两幅图像之间的旋转角度.所以,将一幅图像中边缘点集通过空间变换迁移到另一幅图像的边缘点集中,每次迁移亦对应一组变12期陈天泽等:一种高性能SAR 图像边缘点特征匹配方法2055换参数和一个方向差分均方和(Square summationdifference direction,SSDD)值.当两个边缘点集中对应边缘点的方向差最接近于旋转角度时,两个点集最相似,SSDD 取得最小.该次迁移最为有效,对应的参数即为所求匹配解,根据式(3),则其数学模型为min T(J )=k[D (x 1(k ))−D (x 2(k ))−θ]2(5)其中,D (x 1(k ))和D (x 2(k ))为x 1(k )和x 2(k )的方向值,θ为待匹配的两幅图像之间的旋转角度.所以,为了提高图像匹配中模型参数解算的精度,可以增加隐含特征点集方向关系的约束条件.当两幅图像精确匹配时,应该满足SSG 最大且SSDD 最小(理论上,当图像方向特征提取完全精确时,SSDD 为0),综合两者考虑,将两幅图像的隐含特征点集的SSDD 与SSG 测度进行综合,建立基于联合特征均方和(SSJF)的联合相似测度.3.3联合相似度构建参照文献[16]的方法,我们首先构建了SSG 和SSDD 两个独立相似度:F 1(S 1(P ))=(x i ,y i )∈S 1(P )|I 1(x i ,y i )|2(6)F 2(S 1(P ))=(x i ,y i )∈S 1(P )|∆D (x i ,y i )|2(7)∆D (x i ,y i )=D 1(x i ,y i )−D 2(x i ,y i )−θ(8)其中,设I 1,I 2,D 1,D 2分别为两幅图像的边缘强度图和方向图,P 是模型变换的参数矢量,本文中采用仿射变换模型,θ为两幅匹配图像之间的旋转角度.S 2为图像I 2中强度值在所有强度中靠前的坐标点集,S 1(P )为S 2进行P 变换后迁移到图像I 1中的点集.在参数解算的循环迭代过程中,希望SSG 单调递增,SSDD 单调递减,即当两幅图像精确匹配时,应该满足SSG 最大、SSDD 最小.据此本文定义了基于SSG 和SSDD 的联合测度SSJF:F (S 1(P ))=|αF 1(S 1(P ))−(1−α)F 2(S 1(P ))|(9)其中,α为SSG 测度在联合测度中的权重,其值依据SSG 和SSDD 两个独立测度在联合测度中的相对作用确定.由于像素迁移匹配方法是通过优化解算方法求取SSJF 在图像I 1中的极值,所以α的取值不会影响测度最终的收敛方向和参数解算的精度,但会影响参数解算优化搜索的速度.联合测度中,收敛速度越快的独立测度,其权重应该越大.文中的两个独立测度,各自的收敛速度取决于图像重叠区域中梯度图和方向图的结构性的强弱程度.结构性越强,收敛速度越快.常规场景的图像中,一般较少有显著的直线边缘特征,但大多会有不规则形状的曲线边缘特征,组成这些曲线的边缘点一般具有近似相等的梯度,但其方向变化较大,梯度图的结构性一般强于方向图的结构性,所以在一般情况下,SSG 测度的权重要大于SSDD 测度的权重.此外,在实际应用中,SAR 图像边缘点强度的值域范围与边缘点方向差的值域范围不相等,所以还需要进行规格化,即将两者的值域归化到同一范围.将式(6)和式(7)代入式(9),则:F 1(S 1(P ))=(x i ,y i )∈S 1(P )α|I 1(x i ,y i ) 2−(1−α)|∆D (x i ,y i ) 2(10)每次迁移对应一组变换参数和一个SSJF 值.因此,联合测度值最大时,其相似度也为最大,该次迁移最为有效,对应的参数即为所求匹配解.其数学模型可以写为max P(J )=F (S 1(P ))(11)联合测度的建立,提供了边缘点梯度特征和方向特征两个方面的约束,在极值求解的优化解算中,通过两个独立测度的相互印证,可避免单一测度时陷入搜索空间某一局部范围“陷阱”的情况,加快联合测度的优化迭代效率,并可通过设置边缘点方向误差的阈值来计算相应的SSDD 阈值,作为循环迭代结束的判读依据.4准则函数的优化求解4.1优化解算分析准则函数(11)的优化搜索实质是一个多元函数的优化问题,对于图像匹配来说,该优化问题的数学结构十分清楚,但维数高、空间大、多极值、环境复杂.待求的SSJF 随P 的变化而变得非常复杂,并且存在大量密集局部极值点,因此容易陷入局部最优,对求取全局最优也将非常困难,依靠传统优化算法(包括Powell 、牛顿法、粒子群优化(Particle swarm optimization,PSO)等[15])难以求解.遗传算法(Genetic algorithms,GA)是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法[26],本文利用遗传算法空间全局搜索能力较强的特点,直接以SSJF 作为个体的适应值,在可行解空间中搜寻最适应个体,也即全局最优解.2056自动化学报39卷4.2遗传算法优化寻优方法的改进现有的遗传算法中,各参数范围以及对应染色体的长度一直保持不变,即各参数的分辨率和可选个数一直不变.这样虽然保证能取得正确匹配解,但在整个循环迭代过程中,收敛速度较慢,而且在设置各参数对应染色体的长度时,为了取得优化效率和解算精度的折中,难以设置范围和高分辨率的染色体长度,使得优化解算难以取得高精度的结果.根据遗传算法优化解算的基本原理分析可知:在循环优化的初始阶段,主要目的是快速稳定地搜寻到匹配解算的初始值,所以需要参数范围大,但取值分辨率可稍低,而且该阶段SSJF极值较小,容易找到最新的SSJF极值,收敛速度较快;在循环优化的后期,主要目的是确定匹配解算的精确值,所以需要取值分辨率较高,但参数范围可压缩,而且该阶段SSJF极值相对较大,难以较快找到新的极值,收敛速度较慢.所以,本文在收敛迭代过程中,基于优化解算逐渐精确的各参数的解,逐步压缩各参数范围来提高收敛速度,同时逐步扩展各参数的染色体长度和种群大小,提高匹配定位的精度.为了保证正确匹配值在修正后的参数范围内,以优化解算的各参数值为中心,重新计算参数范围.对于长度增加的各参数染色体值,为了不改变该次循环中各参数染色体的值,根据格雷码编码规则,对各参数染色体增加的长度以补0方式处理.基于改进的GA的SSJF极值求解步骤如下:步骤1.提取待匹配图像I2中边缘强度值在所有强度中梯度较大的坐标点集,作为每次迁移的原象.步骤2.确定模型变换参数矢量P、设置控制参数(交换率P c、突变率P m、种群大小N s),构建适应度函数,按预定规模进行种群初始化.步骤3.遗传算法优化迭代.a)依适应值最优策略进行后代选择;b)按参数模型变换到I1强度图和方向图中,计算SSDD、SSG和SSJF以及适应值;c)寻找渐优的SSJF极值,否则返回a);d)修正各参数的取值范围和染色体长度以及相应增加的种群大小;e)SSDD小于阈值或者达到最大迭代次数,结束循环,否则返回a).5性能分析图像匹配方法的性能主要包括精度、效率和稳健性三个方面.5.1匹配精度由图像之间的变换模型可知,理论上,基于几何变换的图像匹配精度由变换参数的取值精度和待匹配图像图幅大小决定,参数取值精度由参数取值分辨率衡量.本文方法中,计算量许可的条件下,参数s x,s y, r的取值分辨率可达10−2数量级,参数d x,d y,θ的取值分辨率可达10−1数量级,则sinθ、cosθ的取值分辨率精度可达10−3数量级,所以仿射变换模型系数a1,b1,a2,b2的取值精度的数量级可达10−2×10−1×10−3,即10−6,c1,c2可达10−1.设图像尺寸的数量级为10x,则最终匹配精度数量级为max(10x−6,10−1).SSG方法中,计算量相等(即6个参数染色体总长度相等)的条件下,参数a1,b1的取值精度的数量级可达10−3,c1,c2的取值精度数量级仍为10−1,所以最终精度数量级为max(10x−3,10−1).遥感图像的图幅尺寸一般为103到104数量级,则本文方法匹配精度可达10−1数量级,SSG方法匹配精度为100到101数量级.由此可以看出,在遥感图像匹配中,本文方法的匹配精度比SSG方法的匹配精度可高出1至2个数量级.而且,要想进一步提高匹配精度,本文方法只需提高d x,d y即c1,c2的取值精度即可,但SSG方法还需提高a1,b1,a2,b2的取值精度,如此则计算量会大大增加.5.2解算效率利用本文方法的关键在于参数空间范围内找到SSJF的最优,所以匹配效率主要取决于参数循环的计算量,而计算量由运行代数和每代循环的计算量共同决定.利用本文方法可以大大减少计算量,较好地提高搜索效率.首先,SSG方法中,因为大部分参数不具有具体的几何意义,实际匹配中无法确定相对精确的参数范围,所以参数的值域范围无法确定,为了确保匹配成功,只得扩大值域范围,使得遗传算法中的染色体长度增加,种群大小变大,运行代数也需相应增加,所以增加了计算量.本文方法中的各参数具有具体的几何意义,各参数的初始范围可以根据实际情况较好地确定,能大大减少运行代数和每次循环的计算量.其次,原来方法中的6个参数是直接得到的,而本文的参数需要经过进一步的乘法运算后才能得到仿射变换参数,所以为了得到相同的参数取值精度,本文方法中染色体长度大大减小,可大大减少计算量.此外,SSG方法中,只利用SSG特征来进行相似性评估,没有其他条件进行约束,所以需要大量的匹配点才能保证不出现错匹配情况.本文方法利用联合测度来进行相似性计算,可以从边缘。