《Chinese Journal of Electronics》:Research on the Registration and Fusion Algorithm of Terahertz SAR Images
编辑推荐:
本文针对太赫兹合成孔径雷达(SAR)图像存在的高噪声、低对比度及边缘信息缺失等难题,研究了基于SIFT、SURF和KAZE算子的图像配准方法,并提出一种结合前向预处理的改进随机抽样一致(RANSAC)算法。研究结果表明,KAZE算子更适用于太赫兹SAR图像配准,图像融合技术能有效提升图像信息量并降低噪声,为目标特性分析与智能识别提供了关键技术支撑。
在遥感探测领域,太赫兹(THz)波因其优于光学波的传输特性和抗干扰能力,以及相较于微波雷达更宽的带宽、更高的图像分辨率和对多普勒频移更高的敏感性,近年来受到了广泛关注。基于太赫兹合成孔径雷达(SAR)成像的图像处理和目标识别已成为研究热点。然而,受限于太赫兹波长长的特性以及硬件软件能力,太赫兹成像系统产生的图像往往面临高噪声、低对比度和显著的边缘信息丢失等挑战,这使得提升太赫兹SAR图像质量成为一项紧迫的研究任务。
为了应对这些挑战,研究人员探索了多种途径。提升SAR图像质量可通过信号处理或图像处理两种方式实现。基于信号处理的方法需要获取回波参数,这通常在存储和计算复杂度方面存在困难。因此,研究基于先进图像处理技术的图像质量增强方法显得至关重要。图像超分辨率重建或图像融合等技术是有效的增强手段。考虑到太赫兹SAR图像高噪声、低信噪比的特性以及图像获取的难度,专门针对太赫兹SAR图像质量提升的研究相对较少。图像融合技术因其能够保留来自多个源的互补和冗余信息,从而在提升图像质量的同时降低噪声水平,特别适用于太赫兹图像的特性。在进行图像融合之前,图像配准是必不可少的步骤。当前的配准方法主要依赖于尺度不变特征变换(SIFT)、加速稳健特征(SURF)和KAZE算子来从不同图像中提取特征点。随机抽样一致(RANSAC)算法通常用于过滤不同图像间的特征点,但在处理高噪声图像时,该方法往往效果不佳。
发表在《Chinese Journal of Electronics》上的这项研究,旨在解决高噪声、低对比度太赫兹图像配准的研究空白。研究团队提出了一种结合前向预处理的改进RANSAC算法,以实现太赫兹SAR图像的配准与融合。
本研究采用的关键技术方法主要包括:基于SIFT、SURF和KAZE算子的特征点检测与提取;一种结合斜率一致性和匹配点对预处理的改进RANSAC算法,用于特征点匹配和误匹配剔除;利用聚类算法从多帧图像中提取静止目标并生成掩模,以掩模重叠率作为配准精度的量化评估指标;采用加权平均法进行图像融合,并以融合图像重叠区域掩模的灰度归一化标准偏差和图像熵作为评价指标,分别衡量去噪效果和信息丰富度。
II. 理论与方法
本研究的核心在于图像配准与融合算法的设计与评估。
- 1.
图像配准:配准是提升图像质量和实现有效融合的基础。本研究探讨了一种基于角点匹配的算法。
- •
特征检测:研究比较了SIFT、SURF和KAZE三种特征点检测算法。SIFT算法基于尺度空间理论,通过构建高斯差分(DoG)金字塔来检测局部极值点作为关键点。SURF算法是SIFT的加速版本,利用Hessian矩阵检测极值点,并简化了高斯模板。KAZE算法则基于非线性尺度空间,采用可变电导扩散方法和加性算子分裂(AOS)算法构建尺度空间,能够提取更多特征点,对旋转、尺度和光照变化具有不变性。
- •
特征匹配算法:针对太赫兹图像噪声大、纹理信息少、正确匹配点稀疏的特点,研究提出了一种改进的RANSAC算法。该算法首先设定一个合理的图像偏转角范围(±10°),然后根据匹配点对的方向角斜率一致性进行排列分类和区间划分。在点数充足的区间内,运用RANSAC算法剔除误匹配点,并计算匹配点的位置误差,逐步缩小角度方向范围直至误差低于设定阈值。这种前向预处理策略有效提升了高噪声环境下匹配的鲁棒性。
- •
图像配准测量:为了客观评估配准精度,研究采用聚类算法从不同帧图像中提取静止目标并生成掩模(Mask)。通过计算第一帧图像掩模与配准后的第二帧图像掩模之间的重叠率来量化配准精度。重叠率P的计算公式为P = (SA∩ SB) / (SA+ SB- SA∩ SB),其中SA和SB分别为两掩模的面积。
- 2.
图像融合:图像融合是提升图像质量的关键技术。
- •
图像融合方法:本研究采用加权图像融合方法,对重叠区域的像素灰度值进行平均,以消除拼接缝隙。具体公式为:对于像素点(x, y),若只属于图像F1,则取F1(x, y);若只属于图像F2,则取F2(x, y);若属于重叠区域F1∩ F2,则取0.5F1(x, y) + 0.5F2(x, y)。
- •
图像融合效果评价:使用融合图像中重叠区域掩模的灰度归一化标准偏差(D)来量化去噪效果,D值越小表明噪声越低。同时,使用图像熵(EN)来评估图像的信息丰富度,EN值越高表明图像包含的信息越全面。
III. 结果与分析
研究结果清晰展示了不同算法的性能差异。
- •
配准效果:在两组太赫兹图像上的实验表明,SIFT、SURF和KAZE算法均能实现初步的粗配准,但获得的正确匹配点对数量有限。直接应用传统RANSAC算法无法有效剔除误匹配,无法实现精确配准。而采用改进的RANSAC算法(结合前向预处理)后,三种算法的配准性能均得到显著提升。其中,KAZE算法表现最为突出,在第一组图像中获得了4对精确匹配点,掩模重叠率达到80.85%,高于SIFT的77.88%和SURF的78.36%。在第二组图像中,KAZE算法也获得了最高的重叠率56.66%。匹配点对显示出良好的一致性和距离特性,配准后的图像更为清晰。
- •
融合效果:基于SIFT、SURF和KAZE算法配准后的图像进行融合。结果显示,融合后的图像有效增强了原始图像的信息量。图像熵分析表明,融合图像的熵值均高于原始单帧图像。同时,融合图像重叠区域掩模的归一化标准偏差显著降低,证明图像融合过程本身具有去噪能力。特别是基于KAZE算法融合的图像,噪声最低,信息量增加,配准精度最高。
IV. 结论与意义
本研究深入探讨了太赫兹序列图像的配准与融合方法。针对强噪声图像序列配准这一难题,开发了一种结合前向预处理方法的改进RANSAC算法。研究表明,在强噪声图像配准算法中,KAZE算子表现出更强的鲁棒性,其获得的正确匹配点对数量显著多于SIFT和SURF算法,因而更适用于此类场景。此外,研究证实了图像配准与融合算法能够有效增加图像的信息量,同时降低图像噪声。
这项研究的意义在于,它为提升太赫兹SAR图像质量提供了一套有效的解决方案。所提出的改进配准算法和融合策略,显著提升了在恶劣成像条件下太赫兹图像的可用性。这对于推动太赫兹雷达技术在目标特性分析、智能识别等领域的实际应用具有重要的支撑作用,例如在遥感监测、无损检测、安全筛查等场景中,能够获得更清晰、更可靠的太赫兹图像数据,从而提升后续分析和决策的准确性。