基于Hausdorff距离...参差分进化的SAR图像配准_黄玲.pdf

第 卷 第 期 年 月南京理工大学学报 收稿日期：修回日期：基金项目：湖南省职业教育教学改革研究项目（）作者简介：黄玲（），硕士，讲师，主要研究方向：计算机技术、人工智能、图像处理，：。引文格式：黄玲，陈浩文，张伟 基于 距离和变参差分进化的 图像配准 南京理工大学学报，（）：投稿网址：基于 距离和变参差分进化的 图像配准黄 玲，陈浩文，张 伟（湖南省飞机维修工程技术研究中心，湖南 长沙；湖南师范大学 教育科学学院，湖南 长沙；湖南大学 信息科学与工程学院，湖南 长沙；中南大学 计算机学院，湖南 长沙）摘 要：为了提高合成孔径雷达（）图像配准性能，提出了一种基于变参差分进化算法的图像配准方法。首先，获取了原始图像和待配准图像样本。然后，建立了基于差分进化（）算法的 图像配准模型。通过交叉、变异和选择操作等进化方式获得最优匹配特征点对，并根据特征点对获得图像配准结果。为了进一步优化 算法在 图像配准中的性能，对差分缩放因子引入自适应策略。采用变参 算法进行图像配准，弥补了因差分缩放因子设置不当而导致配准精度降低的缺点。在 算法的适应度函数选择上，选取图像特征的 距离函数作为相似性度量方法。实验结果显示，相比尺寸不变特征变换（）算法、卷积神经网络（）算法，该文算法能够获得更高的配准准确度，接近，且配准稳定性更高，均方根误差（）均值为。关键词：距离；差分进化；合成孔径雷达；图像配准；差分缩放因子；适应度函数；尺寸不变特征变换；卷积神经网络中图分类号：文章编号：（）：，（，；，；，；，）南京理工大学学报第 卷第 期：（），（），（）（），（）：；合 成 孔 径 雷 达（，）由于具有远距离检测目标的优势，且能够克服极端环境而获得较清晰的图像样本，广泛应用于森林监测、地质测绘等多个领域。虽然 能够获得远距离图像样本，但由于 传感器拍摄图片的角度及周边环境的影响，其获得的图像片面性强，这让 大目标区域的全面检测变得困难。为了克服 的这个缺点，图像配准技术应运而生。将不同角度拍摄的多幅图像进行多种变换，促使其更接近于参考图的过程则为配准。在配准过程中，基于特征的配准方式研究较多，因为该方式对图像周围环境及拍摄光线的依赖性较低，其特征稳定存在于图像本身，常被用作配准分析的研究重点。但是由于图像特征容易受到噪声的影响，也给基于特征的配准方式带来了挑战。在特征配准过程中，主要有特征点、特征区域和特征边缘 个角度，其中基于特征点的配准虽然成本高，但是其配准精度一般比较高。当前基于特征配准的研究较多，许东丽等采用深度学习算法对 图像特征进行提取，解决了含有噪声且对比度不高的 图像的分析特征提取问题，通过有效特征提取，提高复杂 图像的配准性能。张大恒等采用快速循环神经网络算法对原始电子图和待配准的雷达图像进行配准融合，提高了 图像配准精度。上述 种算法都以类深度神经网络算法为基础，因此在配准过程中需要消耗大量配准时间，且配准准确率受训练网络初始参数的影响较大，导致这 种配准方法的稳定性有待提高。差分进化（，）算法作为一种基于群智能的新型仿生优化算法，可以在仅需较少调节参数的条件下，实现具有较强稳定性的全局最优求解。因此，本文采用 算法用于图像配准，充分借助 求解优势，并选择特征点的 距离作为适应度函数，以提高 算法的配准准确度。此外，针对传统 算法容易过早收敛，导致准确率下降的问题，对差分缩放因子引入自适应策略，实现了一种基于变参 算法的图像配准，弥补了因差分缩放因子设置不当而导致配准精度降低的缺点。图像配准原理设基准图为（，），实时图为（，），两者之间的关系为总第 期黄 玲 陈浩文 张 伟 基于 距离和变参差分进化的 图像配准 （，）（，），（，）（，）（）式中：（，）表示基准图中的点至 轴正向的角位移，（，）表示基准图中的点至 轴正向的角位移，（，）表示图像噪声。设（，）的像素集合表示为，（）式中：和 分别为（，）的高度与宽度。设（，）的像素集合表示为，（）式中：和 分别为（，）的高度与宽度。且 时，表示实时图过小，在对实时图进行配准时，需要将实时图与基准图逐个像素比对并配准，令（）（）（）根据实时图尺寸对基准图进行裁剪，形成多个子图，其所有子图 为，（）对所有子图和实时图进行距离比较，获得与实时图最接近的子图，其表示方法有 种（，），（，），（）（，），（，），（）式中：为阈值，（）是配准算法。至于选择哪种方法获得最接近原图的子图，要结合具体的配准算法而定。图像配准算法在进行图像相似配准时，可以计算相同特征的 距离值，下文将对 距离进行数学描述。距离设 个集合 和，至 的单向 距离为（，）（，）（）（，）表示点 与 之间的欧式距离，至 的单向距离（，）（，）（）距离一般指的是双向距离，计算方法为（，）（，），（，）（）变参 算法设 算法所有个体总数为，个体的特征总数为，表示差分缩放因子，一般，差分交叉速率为，个体限制范围为 ，其中第 个体的 维特征是（）（）式中：，（，）随机数。设 算法迭代至 代个体（，），通过变异后 代个体（）（）式中：、和 为第 代生成的个体，满足条件。个体交叉操作满足（，）（）分别将 与 作为自变量代入适应度函数求解应度值，然后确定 代个体（）（）（）（）（）式中：为适应度函数。通过不断迭代生成获得适应度值最大的个体，当 时，算法停止。常规 算法的主要参数 和 在算法初始化时设定为固定值，这可能导致 算法容易过早收敛，导致准确率下降，同时需要耗费大量搜索时间。相比于 参数，值对 算法的影响更大，在实际操作时找到 最优值，因此采用自适应变参方法。假设 ，则每代进化时的 值满足（）（）采用该策略，可以有效平衡搜索范围和搜索精度，以提高 算法的寻优性能。配准流程在获得了 原始图像和待配准图像之后，对图像特征按像素提取，以图像特征为输入，并构建 算法的配准模型，选择同坐标的特征点 距离作为适应度函数，通过自适应缩放因子提高 算法寻优能力，其主要流程如图 所示。南京理工大学学报第 卷第 期图 图像配准流程图 实例测试为了验证 变参 的 图像配准性能，进行实例测试。测试的 图像样本均来自于雷达研究所的公开数据集，其样本集分别为 集和 集，两者参与测试的样本各 个，训练与测试样本比例为 。首先，对常用配准算法和 变参 算法 的图像匹配点对进行可视化测试。其次，采用常用配准算法和 变参 算法分别进行配准特征点分析测试。最后，将不同算法的 图像配准准确度性能进行测试。分别采用常用尺寸不变特征变换（，）算法，卷积神经网络（，）和变参 算法进行配准特征点提取及配准性能对比。本文 算法主要参数为，。不同配准方法的配置特征点从图 和图 知，不论是 集还是 集，在 个测试样本的配准过程中，就 的匹配特征点数量而言，变参 算法 算法 算法。特征点越多，越容易获得有效匹配特征点对，提高配准的精度；而特征点过少，则不利于获得 全局图像的特征，也无法选择更多的特征点对，从而降低图像配置性能，尤其是对于复杂的且对比度低的 图配准，其匹配特征点的数量非常关键。图 集测试样本匹配特征点图 集测试样本匹配特征点在选取了匹配特征点后，将原始图与待配准图进行特征点对比。找到特征点对，根据特征点对获得配准准确度。下文将对特征点对的选取进行可视化。不同配准方法的匹配点对可视化分别采用、和 变参 算法对 和 集测试样本进行匹配点对提取，图 和 分别选取了 个 集的乡村 图像和 个 集的森林 图像进行匹配点对展示。从图 得，对于乡村 图像样本，算法的匹配点有 对，而 算法的匹配点有 对，而 变参 算法的匹配点有 对，在匹配点对提取方面，文本优势明显。一般而言，匹配点对的数量与配准的精度成正比，所以 变参 算法对该样本的配准精度可能优于其他 种算法。从图 得，对于森林 图像样本，算法的匹配点有 对，算法的匹配点有 对，总第 期黄 玲 陈浩文 张 伟 基于 距离和变参差分进化的 图像配准 而 变参 算法的匹配点有 对，在匹配点对提取方面，文本算法优势明显。一般而言，匹配点对的数量与配准的精度成正比，所以变参 算法对该样本的配准精度优于其他 种算法。图 乡村 图像样本 种算法的匹配点对图 森林 图像样本 种算法的匹配点对 不同配准方法的配准精度 变参 的配准性能影响为了验证自适应差分因子对 图像配准的性能影响，分别采用 算法和变参 算法进行图像配准，根据正确匹配点数量，可以求解配准准确度，其准确度结果如表 所示。表 种算法的配准准确度数据集算法准确度最小值均值最大值变参 变参 从表 得，在配准准确度方面，变参 算法获得的值更高。其中对于 集，变参 的最高配准准确度达到了，而平均准确度也达到了 ，而 变参 算法在 集的配准平均准确度也达到了。这可能是因为经过了优化之后，算法寻最优值的能力得到了提升，能够获得更高的配准准确度。下文将继续对 和 变参 进行配准稳定性测试，采用 种算法对于 集和 集的测试样本进行测试。对 类样本集的 个测试样本进行配准之后，求解其均方根误差（，）的均值。从图 和 看出，算法经过自适应差分因子的变参优化后，其配准 值降低明显。图 集 种算法的 值图 集 种算法的 值这表明经过优化之后，算法的配准稳定性更高，类 集的 值最后稳定在 南京理工大学学报第 卷第 期左右。因此，经过了差分因子的自适应优化之后，图像的配准性能得到了明显提升，算法在图像配准方面的适用性增强明显。不同算法的配准准确度及稳定性 节对 种算法的匹配特征点进行了测试对比，下文将对 种配准算法的 图像配准准确率及 进行测试对比。从图 可以看出，在 图像的配准准确率方面，变参 算法具有绝对优势，基本接近，对比 类数据集，数集的配准准确率比 集略高；的配准准确率保持在，而 算法的配准准确率基本维持在。图 种算法的配准准确率从表 得，对比 种算法，变参 算法在 集的 均值为 ，而在 集的 均值为 ，两者的 均小于 和 算法，所以 变参 算法在 图像配准中能够获得更高的配准稳定性。表 种不同算法的配准 均值数据集算法 均值变参 算法变参 算法 结束语采用 变参 算法对 图像进行配准，有效解决了复杂 图像配准精度不高的问题。通过自适应差分缩放因子策略，有效提高了 算法的配准适应性。相比常用基于图像特征的配准算法，变参 算法能够获得更高的配准准确度，基本接近，且配准稳定性更高，均值为 。参考文献：杨家俊，丁祝顺，陈昕 图像配准关键技术综述导航与控制，（）：，（）：安达，赵鑫 多特征匹配的高光谱图像配准方法 激光杂志，（）：，（）：许东丽，胡忠正 基于深度学习特征提取的遥感影像配准 航天返回与遥感，（）：，（）：张大恒，张英俊，张闯 基于 的电子海图和雷达图像的数据融合 系统工程与电子技术，（）：，（）：，：，：，（）：，（）：（下转第 页）南京理工大学学报第 卷第 期 ，：，（）：李青昱 面向航天器相对导航的分布式滤波算法研究 哈尔滨：哈尔滨工业大学航天学院，（）：戴洪德，邹 杰，徐胜红，等 含预测和容错的自适应 目标跟踪 南京理工大学学报，（）：，（）：，：，：，：赵琳，王小旭，孙明，等 基于极大后验估计和指数加权的自适应 滤波算法 自动化学报，（）：，（）：（上接第 页），（）：，（）：，（）：，：，（）：，：黄海波，李晓玲，聂祥飞，等 基于 算法的遥感图像配准研究 激光杂志，（）：，（）：何柔萤，徐建 基于注意力卷积神经网络的工作票专家推荐方法 南京理工大学学报，（）：，（）：，