[发明专利]一种基于多尺度图像梯度和相位特征的异源图像配准方法

说明书

本发明公开了一种基于多尺度图像梯度和相位特征的异源图像配准方法，包括：利用改进的Sobel算子获得基准图像的梯度幅值图；对梯度幅值图进行非极大值抑制处理，得到基准图像的特征点信息；分别对基准图像和待配准的实时图像构建相位一致性方向图和相位一致性结构图；利用相位一致性方向图和结构图分别获得基准图像和实时图像的相位一致性特征描述符；根据特征点信息和投影变换矩阵获取实时图像的特征点粗略位置；通过相似性度量得到实时图像的特征点的位置误差，结合实时图像的特征点粗略位置，获得实时图像的特征点准确位置信息。本发明充分结合利用图像的梯度和相位一致性信息，获取一致性程度较高的特征描述符，并且降低了计算的时间复杂度。

技术领域

本发明属于图像配准技术领域，具体涉及一种基于多尺度图像梯度和相位特征的异源图像配准方法。

背景技术

图像配准技术是图像处理领域的重要组成部分，并且已被普遍应用于飞行器导航系统、弹体定位、航空制导、计算机视觉、模式识别、城市发展监测、地形山脉测绘、生物诊断、气候学等军事和民用领域。异源图像的配准技术可以弥补单一传感器图像在图像配准技术中的不足，实现参考图像和待配准图像具有相同的几何一致性，是当前图像配准技术领域的研究热点。现有主流的多源遥感图像配准方法可分为传统配准算法和深度学习配准算法。传统多源遥感图像配准算法以基于灰度信息的图像配准方法和基于特征信息的图像配准方法为主要代表。基于深度学习的配准算法分为有监督学习的配准算法和无监督学习的配准算法。由于多模态遥感图像之间存在着非线性灰度差异以及辐射强度差异，基于灰度信息的图像配准方法不能很好地适应异源遥感图像之间的几何灰度变化，配准精度低，时间复杂度高。特征信息是对图像信息更高层次的描述，可以在多模遥感图像中稳定存在，因此基于特征信息的图像配准方法常用于多模遥感图像间的匹配，也成为国内外在该领域中研究的主要方向。

为了取得鲁棒性强且精确度高的异源图像配准结果，需要提取到稳定且充分的特征信息。图像中最基本的特征信息是点特征和线特征。点特征在图像匹配、立体场景匹配中得到了广泛的应用。目前常用的特征提取算法有尺度不变特征变换(Scale-InvariantFeature Transform，SIFT)、加速鲁棒特征(Speeded-Up Robust Features，SURF)和辐射不变特征变换(Radiation-Variation Insensitive Feature Transform，RIFT)算法，然而这些方法通常使用单一的强度信息、梯度信息或者相位信息进行特征的检测和描述，遥感图像可能存在一定程度的辐射畸变导致这些算法失效，难以取得稳定的配准效果。

(2)现有技术的方案：与本发明相近的技术方案主要有两个方向，第一个技术方向是使用模板配准方案，第二个技术方向是使用单一的基于强度、梯度或者相位信息的特征配准方案。

①模板配准方案。基于模板匹配的方法起步比较早，目前已发展比较成熟，是一种最常用的图像匹配算法，包含区域模板构建和利用相似性测度进行相似性度量两个主要步骤。在相似性度量的指导下计算区域模板间的相似性来衡量两幅图像的对齐程度，进而推进配准过程的优化。在模板匹配中用于匹配的两个表达都是图像。对图像的匹配可以是整幅图像和整幅图像间的匹配，也可以是图像间的子图像间的匹配。由于不同图像中的景物相对位置不变，因此可以由局部对应关系确定全局对应关系。如果在一幅图像可能重合的区域中，选取一个区域作为模板，然后在另一幅图像中寻找与模板最相似的图像区域，即找到一种局部对应关系，这样就可以通过模板匹配技术来完成两幅图像重合区域的对齐。该方法针对图像中所有的像素灰度值，分别比较它们的相似性，然后采用一定的算法搜索使相似性最小或最大的变换模型参数值，从而判定整幅图像之间的相似性。在该类匹配算法中常用的相似性度量函数有两幅图像灰度差的平方和、相关函数、协方差函数、互相关和相位相关等。基于模板匹配的算法由于需要多次循环遍历，计算量很大，并且对灰度变化太敏感，配准效果较差。

②单一的基于强度、梯度或者相位信息的特征配准方案。