楊朝輝

（蘇州科技學(xué)院環(huán)境科學(xué)與工程學(xué)院，江蘇蘇州215009）

SAR景象匹配中邊緣特征基準(zhǔn)圖的制備方法

楊朝輝

（蘇州科技學(xué)院環(huán)境科學(xué)與工程學(xué)院，江蘇蘇州215009）

針對(duì)SAR景象匹配基準(zhǔn)圖制備適應(yīng)性差及自動(dòng)化程度低的缺點(diǎn)，提出了一種基于邊緣特征的基準(zhǔn)圖制備方法。首先，組合多種SAR邊緣檢測(cè)算法進(jìn)行邊緣檢測(cè)；其次，通過(guò)對(duì)邊緣檢測(cè)點(diǎn)的密度統(tǒng)計(jì)分析，得到不同級(jí)別的邊緣等級(jí)圖；再次，通過(guò)匈牙利法求解邊緣點(diǎn)對(duì)一一映射的最優(yōu)指派問(wèn)題，計(jì)算出不同級(jí)別的邊緣等級(jí)圖與邊緣檢測(cè)結(jié)果圖集之間的相似測(cè)度值；最后，根據(jù)最小相似測(cè)度值得到最佳邊緣檢測(cè)級(jí)別，并將其對(duì)應(yīng)的邊緣檢測(cè)結(jié)果作為邊緣特征基準(zhǔn)圖。實(shí)驗(yàn)結(jié)果表明，文中方法具有很強(qiáng)的開(kāi)放性與場(chǎng)景目標(biāo)適應(yīng)性，自動(dòng)化程度高，能有效地提高景象匹配的匹配概率與匹配精度。

景象匹配；合成孔徑雷達(dá)；邊緣特征；基準(zhǔn)圖；最優(yōu)指派問(wèn)題

景象匹配是一種利用機(jī)載高分辨率雷達(dá)或光電圖像傳感器實(shí)時(shí)獲取地面圖像，并與機(jī)載計(jì)算機(jī)中預(yù)存的二維景象數(shù)字基準(zhǔn)圖相比較，從而確定出飛行器位置的技術(shù)[1]。作為景象匹配中的一項(xiàng)關(guān)鍵技術(shù)，基準(zhǔn)圖的制備在很大程度上影響著景象匹配的正確匹配率與實(shí)時(shí)性。

相關(guān)學(xué)者已經(jīng)提出了一些基準(zhǔn)圖制備方法，并取得了一定的進(jìn)展。文獻(xiàn)[2]使用光學(xué)圖像的區(qū)域特征與邊緣特征完成基準(zhǔn)圖的制備。文獻(xiàn)[3]利用紅外影像制備了基準(zhǔn)圖，文獻(xiàn)[4]制備了基于3D模型的基準(zhǔn)圖，最近還出現(xiàn)了地磁導(dǎo)航等基準(zhǔn)圖[5-6]的制備方法，但上述方法大多不能應(yīng)用于合成孔徑雷達(dá)（Synthetic Aperture Radar，簡(jiǎn)稱(chēng)SAR）景象匹配，有些則還仍處在研究的初始階段，在實(shí)際應(yīng)用中存在較多問(wèn)題。

考慮到目前國(guó)內(nèi)基準(zhǔn)圖的參考源不甚豐富，一般采用已有的衛(wèi)星遙感圖像或雷達(dá)圖像作為基準(zhǔn)圖的參考源[7]。這些參考源影像與實(shí)時(shí)影像相比具有不同的波長(zhǎng)和不同的成像特性，因此，在制備基準(zhǔn)圖時(shí)，必須考慮到上述因素，使基準(zhǔn)圖具備特征明顯、信息量大、可匹配性高等特性。從而最大限度地保持基準(zhǔn)圖與實(shí)時(shí)影像的一致，為提高匹配的成功率和定位精度打下基礎(chǔ)[8]。對(duì)于SAR景象匹配來(lái)說(shuō)，邊緣反映了景象中最穩(wěn)定的特征，能夠表征基準(zhǔn)圖與雷達(dá)實(shí)時(shí)圖之間的共性。因此，邊緣特征在SAR景象匹配的基準(zhǔn)圖制備中顯得尤為重要。筆者提出了一種SAR景象匹配中邊緣特征基準(zhǔn)圖的制備方法，該方法可以有效地生成邊緣特征強(qiáng)、可匹配性高的制導(dǎo)基準(zhǔn)圖，從而提高SAR景象匹配的實(shí)時(shí)性、精確性與匹配概率，具有重要的工程價(jià)值。

1 方法的主要流程

綜合不同邊緣檢測(cè)算法的優(yōu)點(diǎn)，完成基準(zhǔn)圖的自動(dòng)制備。該方法具有開(kāi)放性與可移植性，可根據(jù)特定的景象環(huán)境與不同目標(biāo)影像的特性自動(dòng)優(yōu)選出性能好的邊緣檢測(cè)算法，使生成的基準(zhǔn)圖質(zhì)量更佳。文中方法的主要流程見(jiàn)圖1，步驟如下：

（1）選擇S種閾值型邊緣檢測(cè)算法，每個(gè)邊緣檢測(cè)算法使用T個(gè)常用區(qū)間內(nèi)的閾值分別對(duì)輸入的原始影像進(jìn)行邊緣檢測(cè)，共得到N=S×T個(gè)邊緣檢測(cè)輸出圖Oi（i＝1,2，…，N）。并令OS＝{O1，O2，…，ON}表示所有邊緣檢測(cè)輸出圖集；

（2）將N個(gè)邊緣輸出圖Oi進(jìn)行邊緣點(diǎn)密度統(tǒng)計(jì)，計(jì)算相同位置上邊緣點(diǎn)像素的個(gè)數(shù)，得到邊緣等級(jí)圖Cj（j=1,2，…，N）[9]。其中j表示邊緣等級(jí)圖對(duì)應(yīng)的級(jí)別數(shù)，表示該邊緣等級(jí)圖中所有像素點(diǎn)至少被j次檢測(cè)為邊緣點(diǎn)；

（3）將邊緣等級(jí)圖與邊緣輸出圖之間的邊緣點(diǎn)距離總和作為度量函數(shù)D，計(jì)算兩者之間的相似值Vj，i=D（Cj，Oi）。并對(duì)所有Vj，i（i=1,2，…，N）取均值，得到全局相似測(cè)度值Gj，用來(lái)表示j級(jí)別的邊緣等級(jí)圖與邊緣檢測(cè)輸出圖集OS之間的全局關(guān)聯(lián)程度[10]；

（4）比較所有級(jí)別相應(yīng)的全局相似測(cè)度值Gj（j=1,2，…，N），選出其中的最小值作為最優(yōu)級(jí)別，對(duì)應(yīng)的邊緣等級(jí)圖即可作為制備的邊緣特征基準(zhǔn)圖；

（5）考慮到不同的目標(biāo)影像有不同的特性，結(jié)合邊緣輸出圖集與邊緣特征基準(zhǔn)圖，完成所有邊緣檢測(cè)算法的性能評(píng)估，并根據(jù)實(shí)際需求去除性能較差的邊緣檢測(cè)算法，重新返回步驟（1），按上述步驟生成質(zhì)量更好的邊緣特征基準(zhǔn)圖。

圖1 方法主要流程

2 相關(guān)技術(shù)

2.1 SAR邊緣檢測(cè)算法的選擇

合成孔徑雷達(dá)具有全天候、全天時(shí)和穿透能力等優(yōu)點(diǎn)，與可見(jiàn)光、紅外等其他遙感影像相比較具有獨(dú)特的優(yōu)勢(shì)，常用于景象匹配。由于SAR圖像受乘性斑點(diǎn)噪聲的影響[11]，傳統(tǒng)的邊緣檢測(cè)算法很難檢測(cè)出SAR圖像的理想邊緣。在目前的SAR圖像邊緣檢測(cè)方法中，以Ratio of Averages（ROA）算法[12]、Tupin算法[13]、Generalized Likelihood Ratio（GLR）算法[14]與改進(jìn)的Canny算法[15]最為常用，它們大多具有恒虛警特性，克服了傳統(tǒng)梯度邊緣檢測(cè)器對(duì)乘性噪聲敏感的弱點(diǎn)。但是上述算法只能適用于不同的應(yīng)用環(huán)境，對(duì)不同目標(biāo)影像與不同類(lèi)型邊緣的檢測(cè)性能差異很大；此外它們均需要根據(jù)經(jīng)驗(yàn)公式來(lái)確定檢測(cè)閾值，即使是同一算法，在檢測(cè)不同目標(biāo)影像時(shí)閾值也存在較大的變化。

因此，單獨(dú)使用其中某個(gè)算法來(lái)完成基準(zhǔn)圖上所有類(lèi)型邊緣目標(biāo)的檢測(cè)，顯然是不合理的。文中聯(lián)合使用這些算法，充分利用它們各自的優(yōu)點(diǎn)，抑制各自的缺點(diǎn)，達(dá)到提高邊緣特征基準(zhǔn)圖制備質(zhì)量的目的。

2.2 邊緣等級(jí)圖的生成

假設(shè)選擇S種邊緣檢測(cè)算法，分別對(duì)每個(gè)算法設(shè)置T個(gè)閾值，并對(duì)輸入的原始影像進(jìn)行邊緣檢測(cè)，得到N=S×T個(gè)邊緣檢測(cè)輸出圖Oi（i=1,2，…，N）。為了消除不同計(jì)算窗口對(duì)邊緣檢測(cè)結(jié)果寬度不一致的影響，文中采用非局部極值抑制法[16]對(duì)檢測(cè)邊緣進(jìn)行細(xì)化處理，保證不同算法之間的統(tǒng)一性。

將N個(gè)邊緣檢測(cè)輸出圖疊加處理，進(jìn)行相同位置邊緣點(diǎn)的統(tǒng)計(jì)分析，得出每個(gè)像素（x，y）的邊緣點(diǎn)累加數(shù)[17]

式中，Oi（x，y）為邊緣檢測(cè)輸出圖Oi中像素（x，y）的類(lèi)別，當(dāng)該像素被檢測(cè)為邊緣點(diǎn)時(shí)Oi（x，y）=1，否則Oi（x，y）=0。顯然n（0≤n≤N）越大，該像素（x，y）被檢測(cè)為邊緣點(diǎn)的次數(shù)也越多，其邊緣特征也越強(qiáng)。

最后利用式（2）根據(jù)不同的邊緣級(jí)別數(shù)j生成二值邊緣等級(jí)圖Cj，要求所有像素的邊緣級(jí)別數(shù)均要滿(mǎn)足n（x，y）≥j。顯然，隨著j的增大，邊緣等級(jí)圖中保留下來(lái)的邊緣點(diǎn)個(gè)數(shù)越來(lái)越少，其邊緣強(qiáng)度則越來(lái)越大。

2.3 基于最優(yōu)指派問(wèn)題的相似性測(cè)度

2.3.1 邊緣點(diǎn)對(duì)的最優(yōu)指派問(wèn)題

不同級(jí)別的邊緣等級(jí)圖Cj代表不同的邊緣檢測(cè)結(jié)果，這就需要確定最優(yōu)級(jí)別數(shù)，使其對(duì)應(yīng)的邊緣等級(jí)圖在理論上最接近“理想”的邊緣檢測(cè)結(jié)果。因此，如何建立Cj與Oi之間的相似性度量函數(shù)D（Cj，Oi）成為關(guān)鍵問(wèn)題。相似性程度越高，則Cj也越接近“理想”中的邊緣檢測(cè)結(jié)果。文中基于最優(yōu)指派問(wèn)題（Optimal Assignment Problem，簡(jiǎn)稱(chēng)OAP）來(lái)解決這個(gè)難題。

設(shè)Cj中的所有邊緣點(diǎn)像素的集合為K，Oi中的所有邊緣點(diǎn)像素的集合為L(zhǎng)。通過(guò)建立k∈K→l∈L的單點(diǎn)對(duì)單點(diǎn)映射a，得到對(duì)應(yīng)點(diǎn)對(duì)之間的歐幾里德距離函數(shù)q（k，l），即可求出集合間的相似性度量函數(shù)

2.3.2 匈牙利法求解

為了計(jì)算q（k，l），應(yīng)快速準(zhǔn)確地建立Cj與Oi之間邊緣點(diǎn)的一一映射關(guān)系，這可看成實(shí)際的最優(yōu)指派問(wèn)題。目前匈牙利法是解決最優(yōu)指派問(wèn)題的最有效算法，因此，文中使用匈牙利法求解最優(yōu)映射關(guān)系，進(jìn)而計(jì)算相似性度量函數(shù)。

由于原始的OAP問(wèn)題中是嚴(yán)格的一對(duì)一關(guān)系，即要求K與L兩個(gè)集合中點(diǎn)的個(gè)數(shù)相同。因此，必須對(duì)集合進(jìn)行擴(kuò)充[18]。設(shè)集合K中包含Cj中的NK個(gè)邊緣點(diǎn)像素，集合L包含Oi中的NL個(gè)邊緣點(diǎn)像素。當(dāng)NK＞NL時(shí)，對(duì)集合L擴(kuò)充N(xiāo)K-NL個(gè)虛擬像素，并令虛擬像素至集合K中任一點(diǎn)的距離為固定的大值d；當(dāng)NK＜NL時(shí)，對(duì)集合K擴(kuò)充N(xiāo)L-NK個(gè)虛擬像素，同樣令虛擬像素至集合L中任一點(diǎn)的距離為固定的大值d。由于不同的邊緣檢測(cè)算法得到的邊緣點(diǎn)位置會(huì)存在偏差，可設(shè)置偏差允許值τ，來(lái)求取邊緣點(diǎn)對(duì)之間的歐幾里德距離函數(shù)

利用式（4），可計(jì)算Cj與Oi之間任意邊緣點(diǎn)對(duì)的距離，將其組成匈牙利法的計(jì)算矩陣并求解，最終取其中的極小值作為最優(yōu)指派問(wèn)題對(duì)應(yīng)的相似值解，公式如下

2.3.3 全局相似性測(cè)度值求解

得到級(jí)別j的Cj與單個(gè)Oi之間的最優(yōu)解后，可定義Cj與所有Oi（i＝1,2，…，N）之間相似值的均值作為全局相似測(cè)度值Gj，用來(lái)反映Cj與邊緣檢測(cè)輸出圖集OS之間的整體關(guān)聯(lián)相似程度。計(jì)算公式如下

最后，取所有Gj中的最小值作為最優(yōu)化的全局相似測(cè)度值，其對(duì)應(yīng)的j即為最佳邊緣級(jí)別數(shù)，對(duì)應(yīng)的Cj即可作為“理想”的邊緣檢測(cè)結(jié)果。

2.4 邊緣檢測(cè)算子性能評(píng)估

將最終的邊緣檢測(cè)結(jié)果作為“真實(shí)”邊緣，與邊緣檢測(cè)算法得到的邊緣檢測(cè)輸出圖集進(jìn)行比較，即可完成對(duì)邊緣檢測(cè)算法的性能評(píng)估，并根據(jù)評(píng)估結(jié)果進(jìn)一步調(diào)整選擇邊緣檢測(cè)算法。

將邊緣檢測(cè)看成二分類(lèi)問(wèn)題，把邊緣檢測(cè)結(jié)果的所有像素分為邊緣類(lèi)別和非邊緣類(lèi)別。分類(lèi)器的判別結(jié)果包含表1所示的5種情況，用TP、FP、TN、FN和TP′這5個(gè)統(tǒng)計(jì)參數(shù)[19]來(lái)表示。

表1 邊緣檢測(cè)結(jié)果判別的統(tǒng)計(jì)參數(shù)

將正確檢測(cè)到的邊緣像素個(gè)數(shù)與原有參考邊緣點(diǎn)個(gè)數(shù)之比定義為正確檢測(cè)率，用于表征真實(shí)線段上的像素點(diǎn)被檢測(cè)出來(lái)的比率。它代表了算法檢測(cè)出正確邊緣的能力，公式如下

式中：NTP表示正確檢測(cè)的邊緣像素點(diǎn)個(gè)數(shù)，NR表示真實(shí)邊緣像素點(diǎn)總數(shù)。

將正確檢測(cè)出的真實(shí)邊緣像素個(gè)數(shù)與檢測(cè)到的所有邊緣像素個(gè)數(shù)之比稱(chēng)為準(zhǔn)確率，用來(lái)表示到底有多少真實(shí)邊緣被算法檢測(cè)出來(lái)。計(jì)算公式如下

式中：ND表示邊緣檢測(cè)像素點(diǎn)總個(gè)數(shù)。

為了評(píng)估邊緣檢測(cè)結(jié)果的質(zhì)量，綜合考慮正確檢測(cè)率和準(zhǔn)確率的關(guān)系，用邊緣檢測(cè)質(zhì)量參數(shù)來(lái)表示圖像中的所有真實(shí)線段都被檢測(cè)出來(lái)，并且檢測(cè)出來(lái)的所有邊緣點(diǎn)都是準(zhǔn)確的這種合理情況。計(jì)算公式如下

該參數(shù)的范圍為0-1，越靠近1，則表示檢測(cè)邊緣的質(zhì)量越好，也就意味著使用的邊緣檢測(cè)算法具有更好的性能。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 基準(zhǔn)圖的制備

實(shí)驗(yàn)中采用的基準(zhǔn)圖參考源為RADARSAT-1雷達(dá)影像（C波段，水平極化方式成像），分辨率為10 m。為了能充分反映景象匹配算法可能遇到的各類(lèi)場(chǎng)景目標(biāo)，手工采集農(nóng)田、湖泊、河流、機(jī)場(chǎng)、居民區(qū)等主要地形地貌目標(biāo)作為測(cè)試影像，影像大小為400×400像素。

以某湖泊目標(biāo)影像的實(shí)驗(yàn)為例。首先選用ROA、Tupin、GLR和改進(jìn)Canny這四種常見(jiàn)的SAR邊緣檢測(cè)算法進(jìn)行組合邊緣檢測(cè)。分別選擇等間距的12個(gè)不同閾值對(duì)圖2（a）所示的原始影像進(jìn)行邊緣檢測(cè)，閾值的范圍覆蓋其主要取值區(qū)間。考慮到計(jì)算的簡(jiǎn)易性與場(chǎng)景目標(biāo)的共性，將ROA與GLR算子的窗口大小設(shè)為5，將Tupin算子的窗口大小設(shè)為9。其中，ROA與Tupin算子的起始閾值為0.2，閾值增量為0.03；GLR算子的起始閾值為1.0，閾值增量為0.4；Canny算子涉及到3個(gè)參數(shù)，為了方便，令高閾值起始值為0.42，增量為0.04，低閾值則設(shè)為高閾值的一半，SIGMA閾值則固定為0.8。

上述算法的閾值設(shè)置主要依據(jù)SAR影像的地面分辨率和實(shí)際場(chǎng)景中邊緣所占比例。即將特別少或特別多的邊緣點(diǎn)檢測(cè)結(jié)果視為不合理情況，將對(duì)應(yīng)的閾值范圍排除掉，剩下的閾值范圍即為算法的實(shí)際設(shè)置范圍。另外，需要指出的是雖然閾值設(shè)置的不同對(duì)單個(gè)算法的邊緣檢測(cè)結(jié)果有較大影響，但文中提出的方法在求解最佳邊緣檢測(cè)級(jí)別時(shí)具有較高的自?xún)?yōu)化功能，整體上受閾值變化的影響不大。

對(duì)上述邊緣點(diǎn)進(jìn)行密度統(tǒng)計(jì)，得到48個(gè)級(jí)別數(shù)的邊緣等級(jí)圖，再使用匈牙利法求解滿(mǎn)足最小距離條件的點(diǎn)對(duì)映射關(guān)系，求解過(guò)程中令偏差允許值τ=2，令固定值d=400（影像大?。?。最后計(jì)算出所有的全局相似測(cè)度值，取其中的最小值G22=704 183作為最優(yōu)化值，其對(duì)應(yīng)的級(jí)別數(shù)22即為最佳邊緣級(jí)別數(shù)，其對(duì)應(yīng)的“理想”邊緣檢測(cè)結(jié)果如圖2（b）所示，可將其作為這個(gè)場(chǎng)景的邊緣特征基準(zhǔn)圖。

將文中方法得到的邊緣檢測(cè)結(jié)果作為“真實(shí)”邊緣，與邊緣檢測(cè)輸出圖集進(jìn)行比較，通過(guò)計(jì)算邊緣檢測(cè)結(jié)果判別的5個(gè)統(tǒng)計(jì)參數(shù)，在分類(lèi)器判別準(zhǔn)則下分別解出4種邊緣檢測(cè)算法對(duì)應(yīng)的邊緣檢測(cè)質(zhì)量參數(shù)Rq，結(jié)果如圖3所示。從圖中可看出，對(duì)于實(shí)驗(yàn)的這個(gè)湖泊場(chǎng)景目標(biāo)來(lái)說(shuō)，ROA與GLR算法總體性能接近，得到的邊緣檢測(cè)結(jié)果質(zhì)量較好；Tupin與Canny算法則相對(duì)性能較差，尤其是Canny算法，即使在序號(hào)5所示的最佳閾值處，對(duì)應(yīng)檢測(cè)邊緣的質(zhì)量參數(shù)也僅為0.41。ROA、Tupin、GLR與Canny算法的最優(yōu)閾值對(duì)應(yīng)的檢測(cè)結(jié)果見(jiàn)圖2的（c）-（f）。將這些單個(gè)算法的最佳檢測(cè)結(jié)果與文中方法的檢測(cè)結(jié)果進(jìn)行目視對(duì)比，無(wú)論是邊緣的連續(xù)性還是邊緣點(diǎn)的密度，均是文中方法占優(yōu)。

因此，如果想進(jìn)一步提高湖泊場(chǎng)景目標(biāo)的基準(zhǔn)圖制備質(zhì)量，可以將Canny算法去除后，按文中方法重新生成質(zhì)量更好的邊緣檢測(cè)結(jié)果，并將其作為最終的邊緣特征基準(zhǔn)圖。

3.2 景象匹配實(shí)驗(yàn)分析

匹配概率與匹配精度是景象匹配中最重要的指標(biāo)。為了驗(yàn)證文中基準(zhǔn)圖制備方法的有效性，共完成了500個(gè)不同場(chǎng)景目標(biāo)基準(zhǔn)圖（400×400像素）的制備工作，并在相應(yīng)區(qū)域內(nèi)截取機(jī)載雷達(dá)影像（100×100像素）作為實(shí)時(shí)圖，進(jìn)行景象匹配實(shí)驗(yàn)并計(jì)算匹配概率與匹配精度?；鶞?zhǔn)圖分別采用文中方法、ROA算法、Tupin算法、GLR算法和改進(jìn)Canny算法進(jìn)行制備，實(shí)時(shí)圖則分別采用上述對(duì)應(yīng)算法檢測(cè)邊緣?；鶞?zhǔn)圖與實(shí)時(shí)圖的匹配實(shí)驗(yàn)結(jié)果如表2所示。從中可知，利用文中方法制備的基準(zhǔn)圖，在實(shí)際的景象匹配實(shí)驗(yàn)中具有最高的匹配概率與匹配精度，這也意味著文中方法所制備的基準(zhǔn)圖邊緣特征明顯、可匹配性強(qiáng)，可應(yīng)用于不同場(chǎng)景的景象匹配。

圖3 邊緣檢測(cè)質(zhì)量參數(shù)圖

表2 景象匹配實(shí)驗(yàn)結(jié)果比較

4 結(jié)語(yǔ)

針對(duì)SAR景象匹配基準(zhǔn)圖制備方法大多針對(duì)特定環(huán)境而設(shè)計(jì)、很難應(yīng)用于具體不同場(chǎng)景目標(biāo)的缺點(diǎn)，研究實(shí)現(xiàn)了一種能有效應(yīng)用于SAR景象匹配的邊緣特征基準(zhǔn)圖制備方法，該方法充分利用各種SAR影像邊緣檢測(cè)算法的優(yōu)點(diǎn)，通過(guò)對(duì)邊緣點(diǎn)密度的統(tǒng)計(jì)分析，使用匈牙利法求解符合距離最小條件下的邊緣點(diǎn)一一映射的最優(yōu)指派問(wèn)題。并計(jì)算每個(gè)級(jí)別的邊緣等級(jí)圖與邊緣檢測(cè)結(jié)果圖集之間的全局關(guān)聯(lián)程度，從中確定出最優(yōu)化的邊緣檢測(cè)結(jié)果，從而完成邊緣特征基準(zhǔn)圖的自動(dòng)制備工作。最終為提高景象匹配概率與匹配精度打下堅(jiān)實(shí)基礎(chǔ)。

由于文中方法具有開(kāi)放性，適用于大部分的SAR影像邊緣檢測(cè)算法，并可根據(jù)不同場(chǎng)景目標(biāo)及性能評(píng)估結(jié)果對(duì)算法進(jìn)行優(yōu)選，使得到的基準(zhǔn)圖更科學(xué)有效。在下一步的研究中，還應(yīng)加入更多的邊緣檢測(cè)算法進(jìn)行具體實(shí)驗(yàn)，同時(shí)考慮綜合其他特征及信息源，制備出更加實(shí)用的基準(zhǔn)圖。此外，文中方法為得到優(yōu)選基準(zhǔn)圖使用綜合迭代流程，這導(dǎo)致計(jì)算實(shí)時(shí)性稍差。但考慮到基準(zhǔn)圖一般為提前制備，對(duì)實(shí)時(shí)性要求不太高，因此可在下一步研究中優(yōu)化算法，盡量提高算法的實(shí)效性。

[1]陳方，熊智，許允喜，等.慣性組合導(dǎo)航系統(tǒng)中的快速景象匹配算法研究[J].宇航學(xué)報(bào)，2009，30（6）：2308-2316.

[2]辜希武，張?zhí)煨?用于雷達(dá)景像匹配的參考圖制備方法研究[J].電腦應(yīng)用技術(shù)，1998（42）：1-7.

[3]劉婧，孫繼銀，朱俊林，等.前視紅外景象匹配制導(dǎo)基準(zhǔn)圖生成研究[J].微計(jì)算機(jī)信息，2007，23（10）：279-281.

[4]郭文普，孫繼銀，王鵬.基于3D可視化GIS的前視參考圖生成方法[J].計(jì)算機(jī)測(cè)量與控制，2009，17（9）：1802-1804.

[5]喬玉坤，王仕成，張金生，等.采用矩諧分析和支持向量機(jī)的地磁導(dǎo)航基準(zhǔn)圖構(gòu)建方法[J].西安交通大學(xué)學(xué)報(bào)，2010，44（10）：48-52.

[6]孫淵，王仕成，張金生，等.地磁導(dǎo)航基準(zhǔn)圖三分量數(shù)學(xué)仿真方法研究[J].系統(tǒng)仿真學(xué)報(bào)，2012，24（5）：1098-1103.

[7]祝明波，董巍，張東興.雷達(dá)景像匹配制導(dǎo)基準(zhǔn)圖制備技術(shù)綜述[J].系統(tǒng)工程與電子技術(shù)，2009，31（3）：549-552.

[8]楊朝輝，陳映鷹.基于支持向量機(jī)的景象匹配區(qū)選擇方法[J].同濟(jì)大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，37（5）：690-695.

[9]Yitzhaky Y，Peli E.A method for objective edge detection evaluation and detector parameter selection[J].IEEE Trans Image Processing，2003，25（8）：1027-1033.

[10]Fernandez-Garcia N，Carmona-Poyato A，Medina-Carnicer R，et al.Automatic generation of consensus ground truth for the comparison of edge detection techniques[J].Image and Vision Computing，2008，26（4）：496-511.

[11]Zhang Wenge，Liu Fang，Jiao Licheng，et al.SAR image despeckling using edge detection and feature clustering in bandelet domain[J].IEEE Geoscience and Remote Sensing Letters，2010，7（1）：131-135.

[12]劉俊怡，李德仁，李微，等.一種基于均值比率和最佳熵的SAR影像邊緣檢測(cè)方法[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2007，32（6）：494-497.

[13]Tupin F，Maitre H，Mangin J，et al.Detection of linear features in SAR images：application to road network extraction[J].IEEE Trans on Geoscience and Remote Sensing，1998，36（2）：434-453.

[14]Oliver C J，Blacknell D，White R G.Optimum edge detection in SAR[J].IEE Proc Radar，Sonar Navig，1996，143（1）：31-40.

[15]劉景正，余旭初，張鵬強(qiáng)，等.新型Canny算法的SAR圖像邊緣檢測(cè)[J].測(cè)繪科學(xué)，2008，33（1）：132-135.

[16]Ganugapati S S，Moloney C R.A ratio edge detector for speckled images based on maximum strength edge pruning[C]//Proc of International Conference on Image Processing.Washington：IEEE Press，1995：165-168.

[17]楊朝輝，陳鷹.基于ROC融合準(zhǔn)則的SAR邊緣檢測(cè)算法[J].光電子·激光，2010，21（7）：1053-1057.

[18]Gang Liu，Robert M H.Optimal matching problem in detection and recognition performance evaluation[J].Pattern Recognition，2002，35（10）：2125-2139.

[19]Wiedemann C，Heipke C，Mayer H，et al.Empirical evaluation of automatically extracted road axes[C]//Proc of Empirical Evaluation Methods in Computer Vision.Pisca-taway，NJ：IEEE Press，1998.

An edge-based reference map preparation methodology for SAR scene matching

YANG Zhaohui
（School of Environmental Science and Engineering，SUST，Suzhou 215009，China）

An edge-based reference map preparation methodology for SAR scene matching was proposed to resolve the problem of weak suitability and low automation in reference map preparation.Firstly,edge features were detected by using a group of SAR edge detectors.Secondly,after statistical analysis of edge point density,different levels of edge density maps were obtained.Thirdly,by calculating optimal assignment problem based on Hungarian algorithm,similarity was measured between edge density maps and edge detection output maps.Finally,optimal edge detection output,which served as edge-based reference map preparation in scene matching,was extracted according to the minimum of similarity measurement.The experimental results show that the methodology possesses better openness and scene suitability,higher automation and wider practical implementations.

scene matching；synthetic aperture radar；edge feature；reference map；optimal assignment problem

TN757.52

A

1672－0687（2015）04－0057－06

責(zé)任編輯：謝金春

2014－05－21

航天基金資助項(xiàng)目（0747-0540SITC2099-4）

楊朝輝（1976-），男，江蘇常州人，副教授，博士，研究方向：數(shù)字?jǐn)z影測(cè)量與圖像匹配。