1、第 1 页 共 42 页雷达图像目标检测与匹配方法的研究摘要：成像雷达技术的发展从二十世纪五十年代开始，到六十年代就基本成熟。尽管如此，直到二十世纪末期，随着我国相关部门对雷达成像技术的深入研究，雷达成像技术才得以在我国迅速发展，并逐步在国民经济的许多领域得到应用。本文主要研究成像雷达的目标检测与匹配方法，并对匹配方法进行仿真分析。首先说明说明成像雷达的和图像匹配技术的发展过程，并说明图像匹配在雷达研究中的重要作用。接着对图像匹配几种不同方法方法进行了重点研究，特别是基于灰度的匹配方法。最后对图像匹配进行 MATLAB 实验仿真，通过实验结果对图像匹配进行说明。关键字：成像雷达 图像匹配 灰度
2、匹配 特征匹配 目标检测 MATLAB第 2 页 共 42 页Radar target detection and matching methodAbstract:Imaging radar technology from the twentieth century, the fifties, the sixties basically mature. However, until the end of the twentieth century, with the relevant departments of Chinas in-depth study of radar imaging,
3、radar imaging was able to develop rapidly in China, and gradually be applied in many areas of the national economy.This paper studies imaging radar target detection and matching, and matching simulation and analysis. First of all description and explanation imaging radar image matching technology de
4、velopment process and describes the radar image matching the important role of research. Then different methods of image matching methods of priority research, especially the matching method based on gray. Finally, matching MATLAB simulation experiment conducted by the image matching results are exp
5、lained.Keywords: Image matching grayscale imaging radar target detection feature matching match MATLAB1 绪论1.1 引言成像雷达技术的发展从二十世纪五十年代开始，到六十年代就基本成熟。尽管如此，直到二十世纪末期，随着我国相关部门对雷达成像技术的深入研究，雷达成像技术才得以在我国迅速发展，并逐步在国民经济的许多领域得到应用。相对于传统的空间遥感方式，由于雷达成像具有全天时、全天候、高分辨率以及对地面和对植被有一定穿透能力等突出的优点，因此，雷达遥感开拓了全新的观测方式和应用领域，成为对地观测、
6、变形监测、军事应用等领域最具潜力的新技术之一。第 3 页 共 42 页图像匹配是数字摄影测量的关键技术之一，其主要目标是自动识别同名点，从而自动提取地面数字高程模型。随着图像匹配在飞行器精确定位方面的应用，图像匹配技术的研究越来越广泛、越深入。图像匹配的主要指标是精度、速度和可靠性，而速度和可靠性在飞行器定位显得更为重要。近年来，随着电子技术、计算机技术以及信息技术的发展，雷达成像技术日趋成熟。由于雷达成像在能见度极差的气象条件下可以得到很高分辨率的雷达遥感图像，且能够有效地揭示地貌结构和地面伪装，较常规的可见光成像具有明显的优越性。因此，利用雷达图像进行目标检测和匹配定位成为一个热点研究领域
7、，特别在军事方面显示了更为重要的地位。由于雷达图像的目标检测与雷达接受目标的回波密切相关，不同频段的成像显示不同的目标回波特性，合成孔径雷达与逆合成孔径雷达图像中目标的回波特性就不同。本文旨在研究合成孔径雷达图像的匹配定位问题，鉴于所研究课题中对部分特定的目标感兴趣，文中主要对目标的检测问题进行了简要说明，然后进一步将研究的重点放在雷达图像的匹配问题、图像匹配的可靠性问题。1.2 雷达目标检测SAR目标检测通常与目标识别紧密相联系，且其研究和应用多集中于军事用途。目标检测的目的是检测目标是否存在于图像(信号)中和所处的区域，为目标的识别、分割或分类奠定基础。尽管SAR目标检测和识别分类常涉及到
8、一些敏感领域，但近年来还是相继有许多雷达目标检测的成果发表。在这方面比较有影响的研究机构是MIT的Lincoln(林肯)实验室，他们在美国DARPA(国防高级研究计划署)的支持下开展T SAR图像自动目标识别(ATR: Automatic Target Recognition)研究。他们是从事SAR目标检测识别和分类系统的主要研究机构之一，其三个主要的研究部分是:检测、识别和分类，其主要目标是利用二维SAR图像对关键机动目标进行检测和识别。在检测过程中采用基于局部统计分布参数选择候选目标区域;在识别过程中，一个目标大小的匹配滤波器精确地确定候选目标的位置和方向，然后通过计算识别特征(包含纹理、
9、大小、对比度和极化特征等)来进一步除掉杂波。另外，佛罗里达大学电子工程系的JianLi主要研究了SAR目标检测，她认为雷达目标检测中一个关键问题是雷达杂波和噪声统计特性的描述，因此她主要研究了如下问题：第 4 页 共 42 页(1) 基于己知的目标，杂波和噪声特性的检测器;(2) 基于部分未知目标特性，已知杂波特性的检测器;(3) 基于未知目标特性，已知杂波特性的检测器;(4) 基于未知目标特性，未知杂波特性的检测器。恒虚警 ( CFAR:ConstantF alseA larmR atio)技术是雷达自动检测系统中控制虚警率的重要手段，恒虚警检测器从大范围的图像中找出可能存在目标的感兴趣区域
10、，它极大地降低了后续阶段复杂的辨别和识别算法的负载，提高ATR系统的效率。常规的CFAR检测算法有单元平均恒虚警(CA-CFAR:CelI Average)、选大恒虚警(GO-CFAR: Greatestof)和选小恒虚警(So-CFAR: Smallest of)。随着CFAR处理理论的发展，CFAR研究己经出现了多个研究方向，这些算法主要来自于对不同杂波的统计模型，通常模拟杂波背景所使用的杂波统计模型有:瑞利分布、韦布尔分布、对数正态分布和K分布模型等。近年来 ，随着小波多分辨技术的深入研究，也出现了一些基于小波多尺度分析的目标检测的成果;另外，也有一些基于神经网络、数学形态学、分形特征的
11、目标检测的成果发表，代在国内 ，电子科技大学、国防科技大学等在SAR目标检测与识别方面作了大量的工作，特别是在SAR目标的识别领域。对于SAR图像中特定目标的检测，也有许多成果相继发表:赵炳爱等提出了一种基于累积概率分布的海域SAR图像目标检测识别方法，陆立明等提出了一种SAR区域型目标的检测方法，并引入多尺度的梯度特征作为分类依据用于对目标的检测;贾承丽等基于Hough变换实现SAR图像的道路目标检测桑农等提出一种基于知识的雷达图像机场目标提取方法:蒋定定等利用Radon变换进行SAR图像的船迹检测数字图像匹配技术最早兴起于测绘行业，其主要目的是从立体图像对中自动获取数字地面高程模型。1.3
12、 雷达图像的匹配近年来，随着航天技术和计算机技术的发展，为了更有效地利用多源遥感影像数据，图像匹配技术己经在数字摄影测量、计算机视觉、模式识别以及影像序列分析等诸多方面得到应用，并研究了许多不同的算法。传统的图像匹配技术有多种算法，概括起来，主要可以分为基于灰度的匹配、基于特征的匹配和基于灰度特征相结合的匹配。由于摄影时间、摄影角度、自然环境的变化、不同机理传感器的使用和传感器本身的缺陷，使获取的图像在灰度分布和几何第 5 页 共 42 页分布上都有许多差异，图像存在着不同的灰度失真和几何畸变。因此，某一种图像匹配算法很难满足用户各方面的需要，依据不同的需要，随之研究出了许多不同的算法。近年来
13、，多源遥感影像的应用，使得图像匹配技术在不同传感器之间的匹配方法研究得到了很大的发展。Ray Bachnak等研究了不同成像机理图像的特征与亮度相结合的匹配方法; Wang Yanli等研究了利用多源影像融合的景象匹配技术实现飞行器的导航; Paul M. Dare等研究了利用特征提取和匹配技术实现SAR和SPOT图像的自动配准问题。同时，随着新技术、新的数学工具的研究和应用，促进了图像匹配技术的研究朝多样化发展，诸如基于模糊数学、神经网络、遗传算法以及基于支持矢量机图像匹配。AnnaK .J. 等提出了一种基于神经网络的图像匹配方法; LeticiaF lores等提出了一种神经网络与小波变
14、化相结合的图像匹配及分类方法; LiTiejun等提出了一种基于热红外和光学图像的模糊特征匹配方法; Hui Cheng等利用支持向量机理论提取图像的边缘特征，从而实现SAR和光学图像的匹配。由于小波技术具有多尺度、局部化的特性，以及提升小波对图像的快速处理能力，使得利用小波和提升小波技术实现多源影像的匹配技术更为实用化，并有许多文章相继发表。目前，针对雷达图像及其与可见光图像的匹配问题，一般的研究途径有两种:其一，研究雷达后向散射特性与光学成像特性之间的对应关系，但研究难度较大，因为其后向关系很难精确建立;其二，进行雷达和光学图像共性特征的提取，然后实现雷达和光学图像的匹配，这是目前实现不同
15、成像机理影像匹配的主要途径。国内在图像匹配以及雷达图像的匹配方法的研究方面也作了大量工作，特别是为了实现飞行器的空间定位，研究者提出了许多雷达与雷达、光学图像的匹配方法，相关的研究在下面详细介绍。1.4 小结 本章介绍了介绍了成像雷达的发展，并说明目标检测和匹配方法在雷达研究中的重要作用。第 6 页 共 42 页2 雷达图像的匹配方法和目标检测在飞行器的自主导航和定位中，图像匹配技术是其关键技术之一。图像匹配是数字摄影测量的关键技术之一，其主要目标是自动识别同名点从而自动提取地面数字高程模型。随着图像匹配在飞行器精确定位方面的应用，图像匹配技术的研究越来越广泛、越深入。图像匹配的主要指标是精度
16、、速度和可靠性，而速度和可靠性在飞行器定位显得更为重要。近年来，随着数字摄影测量技术的发展，图像匹配技术取得了显著的进步基于不同的理论基础，各种匹配算法和匹配方案被提出。图像匹配的内涵也在第 7 页 共 42 页不断的扩大，不同类型的图像、不同比例尺的图像之间的匹配、不同成像机理的图像之间的匹配问题都得到了一定程度的研究。此外，随着计算机技术的发展，图像匹配技术的应用领域不断扩大，不仅用在数字摄影测量和飞行器定位中，它还在计算机视觉、人工智能、仿真学等领域中得到应用。图像匹配按搜索方式可以分为一维搜索和二维搜索，所谓的一维搜索即沿核线搜索，更多的图像匹配方法是基于二维搜索。图像匹配按样本基础可
17、以分为基于灰度的匹配和基于特征的匹配。图像匹配也可以根据算法来分，比如相关系数法、最小二乘法、松弛法、基于遗传算法的图像匹配等。本章首先阐述图像匹配的一般方法，然后研究图像的匹配问题并对基于灰度的两种匹配方法进行重点说明。最后简单阐述雷达的目标检测相关问题。2.1 图像匹配的一般方法图像匹配经过近年来的研究和发展，已经有很多种算法。概括起来，主要可以分为基于灰度的匹配、基于特征的匹配和基于灰度特征相结合的匹配。但是，由于摄影时间、摄影角度、自然环境的变化、不同机理传感器的使用和传感器本身的缺陷，使获取的图像在灰度分布和几何分布上都有许多差异，因而图像存在着不同的灰度失真和几何畸变。在这种条件下
18、，某一种匹配算法很难满足实际应用的需求，通常需要不同图像匹配方法的结合应用。灰度匹配的基本思想:以统计的观点将图像看成是二维信号，采用统计相关的方法寻找信号间的相关匹配。利用两个信号的相关函数，评价它们的相似性以确定同名点。灰度匹配通过利用某种相似性度量，如相关函数、协方差函数、差平方和、差绝对值和等测度极值，判定两幅图像中的对应关系。特征匹配是指通过分别提取两个或多个图像的特征（点、线、面等特征） ，对特征进行参数描述，然后运用所描述的参数来进行匹配的一种算法。在此毕业设计中我采用了两种基于灰度图像匹配算法： 基于灰度的模板匹配算法。 基于灰度的快速匹配算法。2.11 基于灰度的图像匹配基于
19、灰度相关的匹配算法是一种将待匹配图像的像元以一定大小窗口的灰度阵列按某种或几种相似性度量顺次进行搜索匹配的方法。这类算法的性能主第 8 页 共 42 页要取决于相似性度量及搜索策略的选择上。匹配窗口大小的选择通常对图像匹配的结果产生至关重要的影响，小窗口不能包含足够的地物信息，同时大窗口会很大程度地影响图像匹配的效率。基于灰度相关的匹配有不同的极值测度方法，通常可以分为相关测度和距离测度，相关测度是建立在两影像矢量夹角基础上的;距离测度则建立在两影像矢量差的基础之上。主要的匹配相关测度有:相关积测度、协方差函数测度、相关系数测度、绝对差测度、平均绝对差测度、差平方测度和平均差平方测度。（1）基
20、于灰度的归一化匹配算法1 一般图像“归一化互相关函数”的定义设两幅图像在坐标平面的区域 D 上分别表示为 f(x,y)（表示原图）和g(x,y)（表示模板图）,这两幅图像在 D 上的相似程度有两类计算方法。一类是差值测度，另一类是相关测度。差值测度：这类测度几种常用的具体计算式如下：1） max|(,)(,)|fygx2） | |Ddy3） 2(,)(,)fxyx相关测度：（其性能比差值测度更为优良） ，以下是一步步得出“归一化互相关函数”的定义的过程。将方差测度计算式展开如下： 2 2(,)(,)Dfxygdxy= + 2 （*）2,f,D(,),Dfxygdxy令： 2(,)(,)Dfxy
21、fxyd,fgfgxy2(,)(,)DxyxydDf(x,y)称为源图像中与模板对应区域的能量，它与像素位置（x,y）有关，第 9 页 共 42 页但随像素位置（x,y）的变化，Df(x,y) 变化缓慢。Dfg(x,y)为模板与源图像对应区域的互相关，它随像素位置（x,y）的变化而变化，当模板 g(j,k)和源图像中对应区域相匹配时取最大值。Dg(x,y)称为模板的能量，它与图像像素位置 (x,y)无关，只用一次计算便可。显然，计算误差平方和测度可以减少计算量。基于上述分析，若设 Df(x,y)也为常数，则用 Dfg(x,y)便可进行图像匹配，当 Dfg(x,y)取最大值时，便可认为模板与图像
22、是匹配的。但如果只简单地根据Dfg(x,y)的大小来进行图像匹配，则是不可靠。比如，有两幅图像 g1（x，y）和 g2（x，y） ；g1（x，y）= f(x,y)， ，g2（x，y）= f(x,y)，(,)D(,)maxy(,)D显然， 。但是 g1（x，y）与 (,)1,(,)2,Dfxygdxyfxygdxyf(x,y)，完全相同。在（*）式中，g（x，y）为确定的模板图， （*）式的第二项是常数，可以将略去。然后再用 规格化，2(,)(,)Ddxy 2(,)Dfxyd此时（*）式的第一项为 1 而规格化的（*）式的第三项就可以反映两图的相似程度，另外，由施瓦茨不等式：（当且仅当 g=cf
23、 时等式122(,),(,).(,)DDDfxygdxyfxydgxyd才成立，其中 c 为常数） 。这样就很自然就得到“归一化互相关函数”的定义： 122(,),(,),.(,)Dfxygxypxydd用它来测度 g(x,y)和 f(x,y)的相似程度，显然，P 的上限是1，P 值越大，表示两者越相似。2 数字图像的归一化相关测度匹配算法对于数字图像，设 f(x,y)为 MN 的源图像，g(j,k)为 JK(JM,KN)的模板图像,上述的公式的积分应用离散和代替，故归一化相关测度匹配算式为：第 10 页 共 42 页101 1220 0(,)(,)(,),(,JKjkJ JKjk jkgjf
24、xjyPxyfxjygj 下图给出了模板匹配的示意图，其中假设源图像 f(x,y)和模板图像 g(k,l)的原点都在左上角。对任何一个 f(x,y)中的(x,y), 根据上式都可以算得一个 P(x,y).当 x 和 y 变化时，g(j,k) 在源图像区域中移动并得出 P(x,y)所有值。同样 P(x,y)的上限是 1，P(x,y)值越大，表示两者越相似。P(x,y)的最大值指出了与 t(j,k)匹配的最佳位置，若从该位置开始在源图像中取出与模板大小相同的一个区域，便可得到匹配图像。（2）基于灰度的快速模板匹配算法1 局部灰度特征的编码与计算 首先将整幅图像划分为kk尺寸且互不重叠的方块,k可根据问题任意选择,称该方块为R-块.如果图像的边长不是k的整数倍,则将最底部与最右边剩余的几行、几列裁剪掉(下文将说明这并不影响最终的匹配结果).对边长为H的图像,共可得到H 2/k2 个R-块.对于R-块R i,S(Ri)表示R i所包含像素的灰度值之和. 定义1. R-块(如图1中的R 5所示)与其周围8个相邻的R-块(如图1中的R1,R2,R3,R4,R6,R7,R8,R9所示)组成R-块的邻域.将R-块的邻域分为4个部分,分别
