基于視覺顯著特征的光學(xué)與SAR影像快速粗配準(zhǔn)方法

華麗，徐川，眭海剛

(1.華中農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，湖北武漢，430070；2.武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北武漢，430079)

隨著衛(wèi)星遙感技術(shù)的發(fā)展，數(shù)據(jù)獲取的手段不斷豐富，如何有效集成和融合處理多傳感器、多分辨率、多光譜和多時相的遙感數(shù)據(jù)已成為現(xiàn)階段遙感領(lǐng)域研究的熱點(diǎn)與重點(diǎn)，而多源影像配準(zhǔn)則是一個迫切需要解決的核心問題。合成孔徑雷達(dá)(synthetic aperture radar，SAR)數(shù)據(jù)具有全天時、全天候、能穿透地表云霧等特點(diǎn)，它能克服光學(xué)傳感器受天氣影響大的缺點(diǎn)，有利于發(fā)揮各自的信息優(yōu)勢。但是，二者完全不同的成像機(jī)理決定光學(xué)影像與SAR 影像存在輻射和幾何差異，增加影像配準(zhǔn)的難度，導(dǎo)致SAR影像和光學(xué)影像的配準(zhǔn)成為二者信息有效融合的“瓶頸”。當(dāng)前絕大部分光學(xué)與SAR影像配準(zhǔn)方法都需要選擇控制點(diǎn)或需要粗配準(zhǔn)條件，不是全自動化處理，難以滿足諸如災(zāi)害應(yīng)急、軍事應(yīng)用等海量遙感數(shù)據(jù)的快速甚至實(shí)時處理需求。針對上述問題，本文旨在提出一種不需要任何初始條件的，全自動的光學(xué)與SAR 影像快速粗配準(zhǔn)方法。光學(xué)與SAR 影像配準(zhǔn)的方法可分為基于灰度的配準(zhǔn)方法]和基于特征的配準(zhǔn)方法?；诨叶鹊呐錅?zhǔn)方法主要包括相關(guān)法[1]和互信息方法[2-3]，利用影像的灰度信息作為基準(zhǔn)進(jìn)行配準(zhǔn)，而不用考慮顯著的特征。但是，由于SAR 影像和光學(xué)影像的成像機(jī)理差異較大，導(dǎo)致2種影像的灰度之間存在復(fù)雜的關(guān)系，因此，大多基于灰度的配準(zhǔn)方法難以得到令人滿意的配準(zhǔn)結(jié)果。相比之下，基于特征的配準(zhǔn)方法主要包括基于點(diǎn)[4-6]、線[7-8]、面[9]等幾何特征配準(zhǔn)方法以及混合特征配準(zhǔn)方法[10]，它并不直接作用于圖像灰度，表達(dá)更高層的圖像信息，這一特性導(dǎo)致基于特征的配準(zhǔn)方法對圖像的灰度變化、圖像變形以及遮擋都有較強(qiáng)的適應(yīng)能力，更適合于異源遙感影像配準(zhǔn)[11]。同時，通過對圖像中關(guān)鍵信息的提取，可以大大減少匹配過程的計算量。一般認(rèn)為全局和局部特征對目標(biāo)的感知和識別都是非常重要的，全局特征一般用來進(jìn)行粗略匹配，而局部特征則可以提供更為精確的識別信息[12]。但是，如果存在某種顯著的局部特征，那么，此局部特征會首先被用來確定目標(biāo)，如河流、湖泊、水庫、道路、機(jī)場跑道、規(guī)則建筑等。這些地物在不同的成像波段、分辨率和模式下均能保持穩(wěn)定。在可見光波段成像時，圖像能反映地物真實(shí)的顏色和亮度信息，這些標(biāo)志性地物在灰度特性上通常與周圍地物有顯著的區(qū)別，可以輕易區(qū)分。在SAR 傳感器成像時，這些地物的幾何結(jié)構(gòu)、表面粗糙度、介電常數(shù)和電導(dǎo)率等結(jié)構(gòu)特性和電磁散射特性與周圍地物也有很大區(qū)別，可以輕易區(qū)分。因此，河流、湖泊、規(guī)則建筑等標(biāo)志性地物在成像特性上與周圍地物有明顯區(qū)別，可以用于光學(xué)與SAR 影像的配準(zhǔn)?；诖怂枷耄疚奶岢隽艘环N基于顯著特征的影像快速粗配準(zhǔn)方法，主要貢獻(xiàn)體現(xiàn)在以下3 個方面：1)針對經(jīng)典的Itti 模型[13]沒有考慮SAR 影像的特性，結(jié)合紋理特征及SAR 影像顯著目標(biāo)的灰度特性，提出了一種TW-Itti(Texture weight-Itti)視覺顯著模型，并基于此模型提取影像的顯著區(qū)域，該方法能快速精確地反映顯著地物的范圍，進(jìn)而獲取顯著特征。2)對水平集分割中的零水平集初始化函數(shù)進(jìn)行了改進(jìn)，利用顯著區(qū)域輪廓對零水平集函數(shù)進(jìn)行初始化，充分考慮目標(biāo)的灰度特性與空間位置。3)對形狀曲線匹配方法的采樣點(diǎn)的選擇進(jìn)行改進(jìn)，不再以固定的角度θ為間隔進(jìn)行采樣，而采用設(shè)定采樣點(diǎn)數(shù)m，以周長的為間距對區(qū)域的外邊界進(jìn)行取樣，它既很好地描述目標(biāo)區(qū)域的外在形狀特征，又保持旋轉(zhuǎn)、縮放和平移的不變性。

1 基于TW-Itti視覺注意模型的顯著區(qū)域提取

圖1所示為基于視覺顯著特征的快速粗配準(zhǔn)方法流程。首先，利用Itti模型和TW-Itti模型分別在光學(xué)與SAR影像上獲取視覺顯著圖，得到視覺顯著圖后，利用OTSU算法對該顯著圖進(jìn)行二值分割，可以獲得疑似目標(biāo)區(qū)域(suspected water region，SWR)，通過連通區(qū)域跟蹤算法，可獲得該SWR 區(qū)域的邊界。假設(shè)該邊界為φ0，則可將此邊界φ0作為零水平集函數(shù)，分別對光學(xué)與SAR 影像進(jìn)行水平集分割，獲得分割的面目標(biāo)集合Ao和As。分別對集合Ao和As中的面目標(biāo)計算面積，選擇面積最大且形狀規(guī)則的前10 個面目標(biāo)集合{Ao1,Ao2,…,Ao10}和{As1,As2,…,As10}，兩兩進(jìn)行形狀相似性判斷，如存在相似的同名面目標(biāo)，則將其質(zhì)心點(diǎn)作為同名匹配點(diǎn)。

圖1 基于視覺顯著特征的快速粗配準(zhǔn)Fig.1 Fast coarse registration based on visual salient features

1.1 經(jīng)典的Itti視覺注意模型

經(jīng)典的Itti 模型包含3 個基本的信息處理模塊：特征圖、顯著圖和勝者全取(winner-takes-all，WTA)網(wǎng)絡(luò)。其操作過程如下：1)根據(jù)特征整合理論使用不同尺度的高斯差函數(shù)對圖像的不同特征(例如顏色、亮度、方向)濾波，得到的各個特征的響應(yīng)形成特征圖；2)將這些特征圖融合為1幅顯著圖，引導(dǎo)視覺注意過程，顯著圖中的顯著值反映各個位置視覺顯著性；3)顯著值控制圖像中各個位置的相互競爭，顯著值大的位置成為注意焦點(diǎn)；4)通過對注意焦點(diǎn)的返回抑制實(shí)現(xiàn)注意焦點(diǎn)的轉(zhuǎn)移。

1.1.1 特征圖生成

第1步是進(jìn)行多尺度分解，利用二元高斯金字塔將影像分解成9個尺度，獲取亮度分量金字塔I(σ),σ∈[0,1,…,8]。其中，σ為尺度；I為歸一化的紅(r)、綠(g)、藍(lán)(b)這3個顏色分量，

由于簡單的歸一化有局限性，可按如下式對紅、綠和藍(lán)顏色分量重新定義，同時增加黃色分量：

式中：R，G，B和Y分別為紅、綠、藍(lán)和黃色分量。

結(jié)合二元高斯金字塔，對上述的4個顏色分量進(jìn)行多尺度分解，分別得到顏色分量金字塔R(σ)，G(σ)，B(σ)和Y(σ)。

Gabor 函數(shù)有很好的方向選擇性，因此，使用Gabor濾波器對歸一化顏色分量RMS=0.896進(jìn)行卷積以提取方向特征。二維的Gabor濾波函數(shù)如下式：

式中：λ為波長；θ為方位角；φ為相位移；ε為標(biāo)準(zhǔn)差；γ為方向曲率。

該模型通過對歸一化顏色分量RMS=0.896 進(jìn)行0°,45°,90°,135°共4 個方向的Gabor 濾波后得到方向金字塔，記為O(σ,θ)，其中σ∈[0,1,…,8]表示圖像尺度，θ∈{0°,45°,90°,135°}表示4個方向。

至此，可以得到1個亮度分量金字塔δ∈(0,1)(由9 張?zhí)卣髯訄D構(gòu)成)，4 個顏色分量金字塔(由4×9=36張?zhí)卣髯訄D構(gòu)成)和4個方向分量金字塔O(σ,θ)(由4×9=36張?zhí)卣髯訄D構(gòu)成)。

得到上述多尺度特征子圖后，利用“中央周邊差”機(jī)制對這些特征子圖做運(yùn)算，生成對應(yīng)的特征圖。該機(jī)制定義，作為中央的特征圖尺度范圍c∈{2,3, 4}，作為周邊的特征圖尺度范圍s=c+δ,δ∈(3, 4)。因此，就產(chǎn)生(2-3，2-4，3-6，3-7，4-7，4-8)這6 種對比關(guān)系，將原始的9 層金字塔縮小為6 層，這樣，就在使用更少的特征子圖的同時利用多尺度信息。針對亮度特征，利用式(4)對亮度特征子圖進(jìn)行“中央周邊差”運(yùn)算，得到6張亮度特征圖。

式中：?為用定義為中央的特征子圖減去定義為周邊的特征子圖。因?yàn)橹醒胩卣鲌D與周邊特征圖的尺度不一樣，所以，采用線性插值的方法將周邊特征圖擴(kuò)大到與中央特征圖同樣的大小，再對它們做減法運(yùn)算。

顏色特征圖的計算如式(5)和(6)所示。

使用紅綠、黃藍(lán)這2對顏色通道來代表顏色特征圖，這樣就得到紅綠、黃藍(lán)這2對顏色通道，各6張?zhí)卣髯訄D，總共12 張顏色特征圖。方向特征圖的計算如式(7)所示，對4個方向的金字塔都進(jìn)行中央周邊差計算，可得到24張方向特征圖。

1.1.2 顯著圖生成

ITTI 等[13]提出一個特征圖歸一化算子N(·)，該算子可以增強(qiáng)顯著峰較少的特征圖，同時削弱存在大量顯著峰的特征圖。具體計算如下。

亮度顯著圖：

顏色顯著圖：

方向顯著圖：

式中：⊕表示逐點(diǎn)求和。

在得到各個分量的顯著圖后，需要對各個分量的顯著圖進(jìn)行融合，獲取全局顯著圖，如下式：

式中：S為全局顯著圖。

1.1.3 視點(diǎn)轉(zhuǎn)移

全局顯著圖中的灰度最大值表示影像中的最顯著區(qū)域。最后，結(jié)合“勝者全取”[14]和“返回抑制”方法[15]進(jìn)行注意焦點(diǎn)的轉(zhuǎn)移，依次尋找影像中的顯著目標(biāo)。

1.2 TW-Itti視覺注意模型

經(jīng)典的Itti 模型主要針對自然影像、醫(yī)學(xué)影像或者光學(xué)影像，對亮度、顏色、方向等初級視覺特征進(jìn)行提取，沒有使用紋理特征，而SAR 影像上紋理特征豐富，能在宏觀上反映灰度的一些變化規(guī)律。同時，由于SAR 影像上的水體、道路、機(jī)場跑道等標(biāo)志性地物一般占有大量面積或者灰度較低，呈現(xiàn)黑色或暗色?；诖耍疚奶岢鲆环N考慮SAR 影像紋理特性及顯著目標(biāo)灰度特性的TW-Itti 視覺顯著模型，模型主要是對早期特征選擇進(jìn)行改進(jìn)，將顏色特征替換為SAR 影像紋理特征，該紋理特征圖像通過灰度共生矩陣(gray level co-occurrence matrix，GLCM)計算獲得。同時，考慮到SAR 影像顯著目標(biāo)的灰度特性，對亮度特征中央周邊差的計算增加一項(xiàng)權(quán)重系數(shù)。

對于紋理特征主要通過灰度共生矩陣[12]算法獲取，下面計算紋理特征子圖。T0為通過GLCM 算法獲取的紋理特征子圖，這里主要計算能量、相關(guān)性、局部穩(wěn)定性、熵和慣性矩等5種紋理特征?；叶裙采仃嚮瑒哟翱诖笮镾L像素，距離步長為1 個像素，灰度級為16，方向取4個方向的均值(0,45,90和135°)。獲取上述紋理特征子圖像后，利用主成分分析(principal component analysis，PCA)算法計算得到前3個主成分圖像，將這前3 個主成分圖像表示為R，G和B通道，合成最終紋理圖像XL-1，對于中心尺度,c={2,3,4}，對于四周尺度，s=c+δ，而δ∈{3,4}，這樣，共有6幅紋理特征顯著圖生成，計算如下式：

考慮到目標(biāo)的低灰度特性，對經(jīng)典的Itti 模型中公式(4)亮度特征中央周邊差的計算進(jìn)行改進(jìn)，引入一權(quán)重系數(shù)w，且w∈[0,1]，w可根據(jù)顯著目標(biāo)的整體亮度值而改變，當(dāng)顯著目標(biāo)整體亮度偏亮?xí)r，w靠近1；當(dāng)顯著目標(biāo)整體亮度偏暗時，w靠近0，具體計算公式如下：

本文方向特征圖不改變，依然采用經(jīng)典的Itti 模型中式(7)的方向特征圖。在得到各個分量的顯著圖后，對各個分量的顯著圖進(jìn)行融合，即可得到全局顯著圖，式(11)變?yōu)槿缦率剑?/p>

上述全局顯著圖中的灰度最大值表示影像中的最顯著區(qū)域。

2 基于顯著區(qū)域特征的影像粗配準(zhǔn)

2.1 基于水平集分割的顯著目標(biāo)提取

水平集方法是一種將曲線(或曲面)隱藏在更高一維連續(xù)曲面的零水平集中隱式地完成曲線演化的方法。在圖像分割領(lǐng)域，水平集方法是用于主動輪廓模型的求解，它的核心思想是把n維曲面描述視為n+1維超曲面(稱為水平集函數(shù))的水平集。在求解主動輪廓模型時，水平集方法將平面閉合曲線隱含的表達(dá)為三維連續(xù)曲面φ(x,y,t)的具有相同函數(shù)值的同值曲線，通常取φ=0 為零水平集，φ(x,y,t)為水平集函數(shù)。水平集方法通過不斷更新水平集函數(shù)，達(dá)到演化隱含在水平集函數(shù)中閉合曲線的目的。

在得到視覺顯著圖后，對于顯著目標(biāo)的提取，本文提出一種基于顯著特征的水平集分割方法，該方法主要是對水平集分割中的零水平集初始化函數(shù)進(jìn)行改進(jìn)。經(jīng)典水平集方法采用符號距離函數(shù)(signal distance function，SDF)來初始化零水平集函數(shù)，而通常的符號距離函數(shù)收斂速度很慢，且容易收斂到局部極小值。利用SDF 來初始化零水平集(通常為圓或者矩形)即某點(diǎn)像素遠(yuǎn)離初始化的圓或者矩形邊緣時，則該點(diǎn)難以演化至邊緣，反之亦然，該方法完全取決于空間位置關(guān)系，沒有考慮圖像本身的灰度信息。因此，本文利用視覺顯著圖得到的粗略目標(biāo)輪廓來初始化零水平集函數(shù)。

水平集分割模型即使用1個水平集函數(shù)將圖像劃分為目標(biāo)和背景2類區(qū)域。其中，CHAN等[16]提出的CV 模型最為著名，基于經(jīng)典水平集模型的光學(xué)影像分割方法相對來說比較成熟，且能取得較好的分割效果，因此，本文采用CV 模型對光學(xué)影像進(jìn)行分割。對于SAR 影像，考慮到斑點(diǎn)噪聲的影響，本文采用統(tǒng)計Gamma分布模型定義水平集函數(shù)。

對于初始化零水平集函數(shù)，本文利用OTSU算法對顯著區(qū)域進(jìn)行二值分割，由于此顯著區(qū)域只是顯著目標(biāo)的大致輪廓，不是精確的目標(biāo)位置，故僅利用此輪廓來初始化零水平集函數(shù)。假設(shè)t0為通過OTSU算法計算出來的分割閾值，I為原始影像，則可以通過下式來初始化零水平集函數(shù)φ0：

可以得到零水平集函數(shù)φ0=0，為影像上滿足I=t0的點(diǎn)集。

在分割出上述面目標(biāo)后，對這些面目標(biāo)初步判斷是否存在可以直接配準(zhǔn)的面特征。這里，首先描述和分析光學(xué)與SAR 影像上分割出的面目標(biāo)；其次，為了消除分割過程中目標(biāo)粘連和大量不連續(xù)陰影的干擾，同時，為了后續(xù)的配準(zhǔn)需求，本文對目標(biāo)形狀進(jìn)行約束，利用形狀因子的概念[17]，只保留形狀規(guī)則的單個目標(biāo)。同時，在利用形狀因子對分割后的目標(biāo)進(jìn)行第1次篩選。為了提高配準(zhǔn)時間效率，對上述目標(biāo)進(jìn)行第2 次篩選，僅保留面積最大的前10 個顯著目標(biāo)。

2.2 基于形狀曲線的顯著區(qū)域特征配準(zhǔn)

形狀曲線是一種基于距離-距離的方式來獲取的標(biāo)記圖。常用的形狀曲線方法以固定的角度θ為間隔進(jìn)行采樣，θ為兩相鄰采樣點(diǎn)與質(zhì)心的連線所形成的夾角。首先，對于固定角度取點(diǎn)，當(dāng)要描述的對象為凹多邊形時，由于質(zhì)心在多邊形外，會產(chǎn)生重復(fù)采樣點(diǎn)，導(dǎo)致匹配無效；其次，如果2個對象的尺度不一樣，按照角度進(jìn)行選點(diǎn)采樣，會導(dǎo)致選擇的采樣點(diǎn)偏差很大，造成匹配失效。因此，本文設(shè)定采樣點(diǎn)數(shù)m，以周長的為間距對區(qū)域的外邊界進(jìn)行取樣。多邊形被描述為以1個周長為周期的曲線，即區(qū)域的形狀曲線。它既可以很好地描述目標(biāo)區(qū)域的外在形狀特征，又可保持旋轉(zhuǎn)、縮放和平移的不變性。

圖2所示為多邊形及其形狀曲線。如圖2(a)和圖2(b)所示：假設(shè)有2 個多邊形A 和B，它們的外形相似但是存在一定的旋轉(zhuǎn)角度差異，利用距離-距離標(biāo)記圖法生成歸一化的形狀曲線。由圖2(c)可見：如果穩(wěn)定一條曲線不動，讓另一條曲線相對其進(jìn)行相位移動做相關(guān)運(yùn)算，那么必有當(dāng)相位移動d0(i)時，形狀曲線的相似度最大，即2個曲線的吻合程度最高、最相關(guān)。此相關(guān)度就是2個多邊形的形狀相似度，偏移相位ω就是多邊形之間的相對旋轉(zhuǎn)差異值。

計算形狀曲線A和B之間的相似度p如下式：

圖2 多邊形及其形狀曲線Fig.2 Polygons and its shape curves

式中：為多邊形A外邊界的第i采樣點(diǎn)到質(zhì)心的距離；為所有diA的均值；為多邊形B由第j點(diǎn)為起點(diǎn)后第i點(diǎn)到質(zhì)心的距離；為所有的均值。

在實(shí)際運(yùn)算過程中，對多邊形按預(yù)先給定的采樣點(diǎn)數(shù)采樣后，分別生成形狀曲線，為避免尺度的依賴性對其進(jìn)行歸一化處理，這里d(i)=di(i)/d0(i)，d0(i)為所有半徑值的均值，di(i)為第i點(diǎn)的半徑。固定基準(zhǔn)目標(biāo)區(qū)域的形狀曲線不動，從待配準(zhǔn)形狀曲線的起點(diǎn)開始相對其進(jìn)行滑動相關(guān)運(yùn)算，從而避免標(biāo)記圖的起點(diǎn)選擇的問題。

相位偏移量對應(yīng)的影像間旋轉(zhuǎn)角度就是向量Or(jmax)與向量Ob(i0)之間的夾角，其中jmax是相似度最大時待配準(zhǔn)多邊形的第j個采樣點(diǎn)，Or是待配準(zhǔn)多邊形的質(zhì)心，Ob是基準(zhǔn)多邊形的質(zhì)心，io是基準(zhǔn)多邊形的起點(diǎn)。

通過上述匹配方法得到同名點(diǎn)對后，需要對光學(xué)與SAR 影像進(jìn)行糾正。由于多項(xiàng)式模型能更好地擬合光學(xué)影像與SAR 影像之間的非剛性變換，本文采用多項(xiàng)式模型對同名點(diǎn)進(jìn)行擬合，且同名匹配點(diǎn)數(shù)至少需要3對。

3 實(shí)驗(yàn)與分析

為了驗(yàn)證本文方法的有效性，對比2組不同分辨率、不同特征與場景下的光學(xué)與SAR影像。圖3所示為2 組光學(xué)與SAR 影像實(shí)驗(yàn)數(shù)據(jù)。表1所示為上述2組光學(xué)與SAR影像實(shí)驗(yàn)數(shù)據(jù)對比。

3.1 顯著模型的比較

為了驗(yàn)證本文提出的TW-Itti模型對SAR影像的有效性，將該模型與經(jīng)典的Itti 模型進(jìn)行對比，同時利用得到的顯著圖來初始化水平集函數(shù)，對影像進(jìn)行分割。

圖4所示為基于不同視覺顯著模型的城區(qū)SAR影像顯著區(qū)域提取。由圖4可見：實(shí)驗(yàn)數(shù)據(jù)顯著特征主要體現(xiàn)為水體，在SAR 影像中表現(xiàn)為暗目標(biāo)，且灰度均勻，所占面積較大。圖4(a)所示為基于經(jīng)典的Itti模型獲取的SAR 影像顯著區(qū)域，圖4(b)所示為基于TW-Itti模型獲取的SAR影像顯著區(qū)域，顯著區(qū)域均由黃色框線表示。通過這2幅圖可以看到本文提出的TW-Itti模型對SAR影像顯著區(qū)域獲取效果好，范圍更精確，且可以很好地得到水體區(qū)域。建筑物等高亮目標(biāo)的干擾較少。經(jīng)典的Itti 模型得到的顯著區(qū)域目標(biāo)整體不連貫。雖然顯著區(qū)域可以獲得目標(biāo)的大致輪廓，但邊緣缺乏細(xì)節(jié)，目標(biāo)區(qū)域不準(zhǔn)確，不能直接用于后續(xù)配準(zhǔn)。因此，需要在此基礎(chǔ)上利用水平集方法對結(jié)果進(jìn)行優(yōu)化，使得到的分割結(jié)果精確且完整，有利于下一步形狀曲線配準(zhǔn)。

圖3 2組光學(xué)與SAR影像實(shí)驗(yàn)數(shù)據(jù)Fig.3 Two sets of experimental data of optical and SAR images

表1 2組光學(xué)與SAR影像實(shí)驗(yàn)結(jié)果對比Table 1 Two sets of experimental results comparison of optical and SAR images

圖4 基于不同視覺顯著模型的城區(qū)SAR影像顯著區(qū)域提取Fig.4 Extraction of salient regions from urban SAR images based on different visual saliency models

圖5所示為基于不同視覺顯著模型的山區(qū)SAR影像顯著區(qū)域提取。由圖5可見：圖5(a)中A和B表示Itti 模型檢測的結(jié)果，圖5(b)中C和D表示TW-Itti 模型檢測的結(jié)果。實(shí)驗(yàn)數(shù)據(jù)顯著特征主要體現(xiàn)為道路和部分水體，存在嚴(yán)重干擾的是山體的陰影。與經(jīng)典的Itti模型進(jìn)行比較后發(fā)現(xiàn)，本文提出的TW-Itti視覺顯著模型能更好地發(fā)現(xiàn)暗目標(biāo)，高亮目標(biāo)大部分被屏蔽。

3.2 基于顯著區(qū)域特征影像粗配準(zhǔn)

圖5 基于不同視覺顯著模型的山區(qū)SAR影像顯著區(qū)域提取Fig.5 Extraction of salient regions from SAR images in mountainous areas based on different visual saliency models

圖6所示為實(shí)驗(yàn)數(shù)據(jù)1 基于形狀區(qū)域的顯著區(qū)域特征粗配準(zhǔn)結(jié)果。其中，圖6(a)和(b)所示分別為光學(xué)影像和SAR 影像顯著區(qū)域提取結(jié)果，圖6(c)和(d)所示分別為光學(xué)和SAR 影像基于顯著區(qū)域的水平集分割結(jié)果，圖6(e)和(f)所示分別為光學(xué)和SAR 影像顯著目標(biāo)提取及同名點(diǎn)查找結(jié)果。值得注意的是：這里的顯著特征提取結(jié)果是在視覺顯著水平集分割的基礎(chǔ)上進(jìn)行后處理的結(jié)果。圖6(g)所示為利用查找到的同名點(diǎn)進(jìn)行幾何糾正后的結(jié)果，可以看出，同名點(diǎn)集中的A區(qū)域的配準(zhǔn)結(jié)果比較精確，B區(qū)域的配準(zhǔn)結(jié)果存在一些位移，但2幅影像可以得到初步配準(zhǔn)。

圖7所示為基于形狀區(qū)域的顯著區(qū)域特征實(shí)驗(yàn)數(shù)據(jù)2粗配準(zhǔn)結(jié)果。其中圖7(a)所示為基于Itti模型的光學(xué)影像顯著區(qū)域提取結(jié)果，圖7(b)所示為基于TWItti 模型的SAR 影像顯著區(qū)域提取結(jié)果。從圖7(b)可以看出：大部分同名地物被顯著區(qū)域包含，這個操作可以大大減少同名區(qū)域配準(zhǔn)時間，且提高配準(zhǔn)精度。圖7(c)和圖7(d)所示為利用形狀曲線進(jìn)行的同名點(diǎn)查找結(jié)果，共可得到3 對正確同名匹配點(diǎn)，圖7(e)所示為基于顯著區(qū)域特征的SAR 影像粗配準(zhǔn)結(jié)果疊加顯示，可以看到SAR 影像經(jīng)過配準(zhǔn)后消除了尺度和角度影響，僅存在少量的位置誤差。

圖7 基于形狀區(qū)域的顯著區(qū)域特征實(shí)驗(yàn)數(shù)據(jù)2粗配準(zhǔn)Fig.7 Coarse registration results of Experimental data 2 based on salient region features of shape regions

3.3 時間效率分析

為了驗(yàn)證本文方法的有效性，測試時間效率。時間采用秒記時，所有算法均在個人臺式機(jī)上完成，配置如下：英特爾酷睿i3 CPU(TM)，四核處理器運(yùn)行于3.07 GHz，內(nèi)存為2.99 GB，Windows XP系統(tǒng)。

表2所示為時間結(jié)果對比表，其中常規(guī)方法指的是，首先對整幅影像進(jìn)行水平集分割，接著對分割結(jié)果矢量化，計算每個矢量對象的面積和形狀因子，選擇面積最大且形狀規(guī)則的前10 個對象兩兩進(jìn)行形狀匹配。需要注意的是：全圖水平集分割時間包括對光學(xué)和SAR 影像分別進(jìn)行分割的時間之和。視覺顯著區(qū)域提取的時間包含利Iitti 模型對光學(xué)與以及利用TW-Itti模型對SAR影像提取的時間。形狀匹配的時間包含分割結(jié)果矢量化、分割對象屬性選擇以及形狀匹配的時間。

由表2可見：1)本文方法的時間明顯低于常規(guī)方法的時間，特別是圖像越大，優(yōu)勢越明顯。2)常規(guī)方法耗時主要體現(xiàn)在2個方面：全圖水平集分割和分割后形狀匹配。因?yàn)樾螤钇ヅ涞臅r間包含了二值結(jié)果矢量化，矢量化算法耗時占整個形狀匹配算法耗時的80%，而全圖影像分割后所得到的分割對象細(xì)碎、繁多，矢量化的時間消耗會增加。3)對于實(shí)驗(yàn)2 來說，利用常規(guī)的面特征匹配方法無法得到匹配結(jié)果，因?yàn)槿珗D分割后，一方面，面目標(biāo)繁多，在進(jìn)行面積和形狀剔除后，可以匹配的同名面目標(biāo)減少；另一方面，由于是對全圖進(jìn)行水平集分割，有些面目標(biāo)和相鄰的地物產(chǎn)生蔓延，造成分割出的面目標(biāo)不完備，因此，在進(jìn)行形狀匹配時，無法找到同名面目標(biāo)，造成配準(zhǔn)失敗。

表2 不同方法的時間對比Table 2 Comparison of time for difference methods

4 結(jié)論

1)提出的TW-Itti視覺顯著模型能更精確的提取SAR影像上顯著目標(biāo)的范圍。

2)提出的全自動的光學(xué)與SAR 影像粗配準(zhǔn)方法無需任何初始條件。

3) 相對于常規(guī)配準(zhǔn)方法，本文方法在減少時間消耗的基礎(chǔ)上，能保證光學(xué)與SAR影像的有效配準(zhǔn)。