[发明专利]一种基于非线性引导滤波与比率梯度的SAR高精度匹配方法

权利要求书

1.一种基于非线性引导滤波与比率梯度的SAR高精度匹配方法，其特征在于：它包括以下步骤：

S1、尺度空间的构建：

分别对SAR参考图像和SAR待匹配图像，基于非线性引导滤波的图像多尺度空间金字塔构建算法，构建多尺度图像空间；

S2、特征点检测：

对构建多尺度图像空间后的SAR参考图像和SAR待匹配图像，进行基于指数加权均值比率算子与Harris-Laplace检测算子相结合的特征点检测；

S3、基于SIFT描述子的描述符构建；

S4、对特征进行K最近邻搜索得到可能的匹配点对，并采用随机抽样一致性算法，剔除错误匹配点，得到全局匹配的变换矩阵；

所述的S1中，非线性引导滤波的表达式如下：

式(1)中，p为输入图像，I为引导图像，q为输出图像，i和j为像素点的索引；

假设引导图像I与输入图像p存在线性关系，通过引导图像I来计算卷积核函数W_ij(I)，然后再与输入图像p进行相应的线性计算得到滤波后的输出图像q；卷积核函数W_ij(I)中，w_k为滤波窗口，k为窗口中心点的像素索引，μ_k和分别为引导图像I在滤波窗口w_k中像素的均值与方差，|w|表示滤波窗口w_k中像素的个数，ε为用来调整方差的参数以确定当前窗口滤波程度，在窗口滑动情况中对含有同一像素索引i的所有窗口求取均值，得到卷积核函数；引导图像I为原始图像经过非线性扩散滤波后得到的图像，将图像I的灰度值在不同尺度上的变化视为某种形式的流动函数的散度，并通过非线性偏微分方程来描述；通过调整传导函数使得扩散自适应于图像的局部结构，其中▽I_R表示图像基于比率的梯度，G_σ表示高斯平滑，使得孤立噪声点处的梯度受到其邻域像素的影响而大大的降低，扩散系数增大，使得扩散能够更快的进行；时间t作为尺度参数，其值越大则滤波后图像的表示形式越简单；α为阈值参数，是控制扩散级别的对比度因子，用于决定保留多少边缘信息，α越大，保留边缘信息越少，空间结构信息越简单，根据图像滤波后噪声方差的幅值大小而改变。

2.根据权利要求1所述的匹配方法，其特征在于：所述的S1中，将SAR参考图像和SAR待匹配图像分别作为输入图像，进行非线性引导滤波，得到各自的输出图像，然后分别进行多尺度滤波，即得到多尺度图像空间；

多尺度滤波的数学定义式为：

式(2)中：p(x,y)表示输入SAR图像在像素点坐标(x,y)处的值；q(x,y；δ_k,ε,t)和q(x,y；nδ_k,ε,t)表示经不同尺度滤波后的图像在像素点坐标(x,y)处的值，即多尺度空间金字塔中的某一层图像，q(x,y；δ_k,ε,t)的滤波尺度为δ_k，q(x,y；nδ_k,ε,t)的滤波尺度为nδ_k；*表示卷积计算；NGF(x,y；δ_k,ε,t)和NGF(x,y；nδ_k,ε,t)表示非线性引导滤波核，由公式(1)求得；n是保证连续尺度空间的常数乘因子。

3.根据权利要求2所述的匹配方法，其特征在于：所述的S2中，先通过指数加权均值比率算子将局部区域的窗口角度划分为0，π/4，π/2和3π/4四种方式，计算沿着四种方式划分的局部窗口中像素的指数加权均值，并求出相对侧的指数加权均值的比率，公式如下：

式(3)中，R_i,β表示像素点(x,y)在相对侧的指数加权均值的比率，其中β为指数权重参数；式(4)中，G_X(x,y,δ_D)和G_Y(x,y,δ_D)分别表示像素点(x,y)在水平和竖直方向的差分，和分别表示像素点(x,y)在水平和竖直方向(的相对侧指数加权均值的比率，水平即窗口角度为0的方式，竖直即窗口角度为π/2的方式；

指数加权均值比率算子与Harris-Laplace相结合的特征点检测算子见式(5)：

式(5)中：μ(x,y；δ_I,δ_D)表示指数加权均值比率算子与Harris-Laplace相结合的特征点检测算子，其中δ_I和δ_D分别表示积分尺度和差分尺度；g(δ_I)是尺度为δ_I的高斯函数。