没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
针对可见光与SAR图像灰度差异大,共有特征提取难的问题,提出了一种基于k-均值聚类分割和形态学处理的轮廓特征配准方法。利用k-均值聚类算法对两类图像进行分割,得到图像分割区域;通过形态学处理,有效减少SAR图像斑点噪声影响,准确提取两类图像的封闭轮廓;采用轮廓不变矩理论,引入矩变量距离均值、方差约束机制和一致性检查的匹配策略,获取最佳匹配对,实现了两类图像的配准。通过实验,三组图像的配准精度分别达到0.3450、0.2163和0.1810,结果表明该法可行且能达到亚像素的配准精度。
资源推荐
资源详情
资源评论
书书书
第
34
卷
第
2
期
光
学
学
报
Vol.34
,
No.2
2014
年
2
月
犃犆犜犃犗犘犜犐犆犃犛犐犖犐犆犃
犉犲犫狉狌犪狉
狔
,
2014
基于聚类分割和形态学的可见光与
犛犃犚
图像配准
王志社
1
,
2
杨风暴
1
纪利娥
1
陈
磊
1
1
中北大学信息与通信工程学院,山西 太原
030051
2
太原科技大学应用科学学院,山西 太原
( )
030024
摘要
针对可见光与
SAR
图像灰度差异大,共有特征提取难的问题,提出了一种基于
犽
均值 聚类 分割和 形态 学处
理的轮廓特征配准方法。利用
犽
均值聚类算法对两类图像进行分割,得到图像分割区域;通过 形态 学处理,有效 减
少
SAR
图像斑点噪声影响,准确提取两类图像的封闭轮廓;采用轮廓不变矩理 论,引 入矩变 量距 离均值、方差 约束
机制和一致性检查的匹配策略,获取最佳匹配对,实现了两类图像的配准。通过实 验,三组 图像 的配准 精度 分别达
到
0.3450
、
0.2163
和
0.1810
,结果表明该法可行且能达到亚像素的配准精度。
关键词
机器视觉;图像配准;
犽
均值聚类;形态学;约束机制;一致性检查
中图分类号
TP391.41
文献标识码
A
犱狅犻
:
10.3788
/
犃犗犛201434.0215002
犗
狆
狋犻犮犪犾犪狀犱犛犃犚犐犿犪
犵
犲犚犲
犵
犻狊狋狉犪狋犻狅狀犅犪狊犲犱狅狀犆犾狌狊狋犲狉犛犲
犵
犿犲狀狋犪狋犻狅狀
犪狀犱 犕犪狋犺犲犿犪狋犻犮犪犾犕狅狉
狆
犺狅犾狅
犵狔
犠犪狀
犵
犣犺犻狊犺犲
1
,
2
犢犪狀
犵
犉犲狀
犵
犫犪狅
1
犑犻犔犻′犲
1
犆犺犲狀犔犲犻
1
1
犐狀
犳
狅狉犿犪狋犻狅狀犪狀犱犆狅犿犿狌狀犻犮犪狋犻狅狀犈狀
犵
犻狀犲犲狉犻狀
犵
犆狅犾犾犲
犵
犲
,
犖狅狉狋犺犝狀犻狏犲狉狊犻狋
狔
狅
犳
犆犺犻狀犪
,
犜犪犻
狔
狌犪狀
,
犛犺犪狀狓犻
030051
,
犆犺犻狀犪
2
犆狅犾犾犲
犵
犲狅
犳
犃
狆狆
犾犻犲犱犛犮犻犲狀犮犲
,
犜犪犻
狔
狌犪狀犝狀犻狏犲狉狊犻狋
狔
狅
犳
犛犮犻犲狀犮犲犪狀犱狋犲犮犺狀狅犾狅
犵狔
,
犜犪犻
狔
狌犪狀
,
犛犺犪狀狓犻
030024
,
烄
烆
烌
烎
犆犺犻狀犪
犃犫狊狋狉犪犮狋
犐狀狅狉犱犲狉狋狅狊狅犾狏犲狋犺犲
狆
狉狅犫犾犲犿 狅犳犾犪狉
犵
犲犱犻犳犳犲狉犲狀犮犲狅犳
犵
狉犪
狔
犾犲狏犲犾犪狀犱狋犺犲犱犻犳犳犻犮狌犾狋
狔
狅犳犮狅犿犿狅狀犳犲犪狋狌狉犲
犲狓狋狉犪犮狋犻狅狀犳狅狉狅
狆
狋犻犮犪犾犪狀犱犛犃犚犻犿犪
犵
犲狉犲
犵
犻狊狋狉犪狋犻狅狀
,
犪狀犻犿
狆
狉狅狏犲犱犿狌犾狋犻犿狅犱犲犾犮狅狀狋狅狌狉犳犲犪狋狌狉犲犻犿犪
犵
犲狉犲
犵
犻狊狋狉犪狋犻狅狀犿犲狋犺狅犱
犻狊
狆
狉狅
狆
狅狊犲犱狑犺犻犮犺犻狊犫犪狊犲犱狅狀
犽
犿犲犪狀犮犾狌狊狋犲狉犻狀
犵
狊犲
犵
犿犲狀狋犪狋犻狅狀犪狀犱犿犪狋犺犲犿犪狋犻犮犪犾犿狅狉
狆
犺狅犾狅
犵狔
.犜犺犲
犽
犿犲犪狀犮犾狌狊狋犲狉犻狀
犵
犪犾
犵
狅狉犻狋犺犿犻狊 狌狊犲犱狋狅
犵
犲狋狋狑狅 犽犻狀犱狊 狅犳犻犿犪
犵
犲 狊犲
犵
犿犲狀狋犪狋犻狅狀 狉犲
犵
犻狅狀
,
犪狀犱狋犺狉狅狌
犵
犺 狋犺犲 犿犪狋犺犲犿犪狋犻犮犪犾 犿狅狉
狆
犺狅犾狅
犵狔
狆
狉狅犮犲狊狊犻狀
犵
,
犪犮犮狌狉犪狋犲犲狓狋狉犪犮狋犻狅狀狅犳狋狑狅犮犾犪狊狊犲狊狅犳犮犾狅狊犲犱犮狅狀狋狅狌狉犻犿犪
犵
犲犺犪狊犫犲犲狀狉犲犪犾犻狕犲犱
,
狑犺犻犮犺犮犪狀狉犲犱狌犮犲狋犺犲
犻狀犳犾狌犲狀犮犲狅犳狋犺犲犛犃犚犻犿犪
犵
犲狊
狆
犲犮犽犾犲狀狅犻狊犲犲犳犳犲犮狋犻狏犲犾
狔
.犜犺犲 犿犪狋犮犺犻狀
犵
狊狋狉犪狋犲
犵狔
狅犳狋犺犲 犿犲犪狀犪狀犱狏犪狉犻犪狀犮犲狅犳狋狅狉
狇
狌犲
狏犪狉犻犪犫犾犲犱犻狊狋犪狀犮犲犮狅狀狊狋狉犪犻狀狋犿犲犮犺犪狀犻狊犿犪犾狅狀
犵
狑犻狋犺犮狅狀狊犻狊狋犲狀犮
狔
犮犺犲犮犽犻狊犫狉犻狀
犵
犻狀狑犺犻犮犺犪犻犿狊狋狅狅犫狋犪犻狀狋犺犲犫犲狊狋犿犪狋犮犺
狉犲狊狌犾狋.犜犺狉狅狌
犵
犺狋犺犲犲狓
狆
犲狉犻犿犲狀狋
,
犻犿犪
犵
犲狉犲
犵
犻狊狋狉犪狋犻狅狀
狆
狉犲犮犻狊犻狅狀狊狅犳狋犺狉犲犲
犵
狉狅狌
狆
狊狉犲犪犮犺0.3450
,
0.2163犪狀犱0.1810
,
狉犲狊
狆
犲犮狋犻狏犲犾
狔
,
狑犺犻犮犺犻狀犱犻犮犪狋犲狊狋犺犪狋狋犺犻狊犿犲狋犺狅犱犻狊犳犲犪狊犻犫犾犲犪狀犱犮犪狀犪犮犺犻犲狏犲狊狌犫
狆
犻狓犲犾狉犲
犵
犻狊狋狉犪狋犻狅狀犪犮犮狌狉犪犮
狔
.
犓犲
狔
狑狅狉犱狊
犿犪犮犺犻狀犲狏犻狊犻狅狀
;
犻犿犪
犵
犲狉犲
犵
犻狊狋狉犪狋犻狅狀
;
犽
犿犲犪狀犮犾狌狊狋犲狉
;
犿狅狉
狆
犺狅犾狅
犵狔
;
狉犲狊狋狉犻犮狋犻狅狀犿犲犮犺犪狀犻狊犿
;
犮狅狀狊犻狊狋犲狀犮
狔
犮犺犲犮犽
犗犆犐犛犮狅犱犲狊
070.501
;
280.6730
;
100.5760
收稿日期:
20130822
;收到修改稿日期:
20131012
基金项目:国家自然科学基金(
61171057
)、山西省回国留学人员科研资助项目(
20120706ZX
)
作者简介:王志社(
1982
—),男,讲师,博士研究 生,主 要 从事 信息 处 理理 论 与 技术、多 源 图 像 配准 与 融 合 技术 方 面 的 研
究。
Email
:
wzs2003
@
163.com
导师简介:杨风暴(
1968
—),男,教授,博士生导师,主要从事信息处理与融合方面的研究。
Email
:
y
an
g
fb
@
nuc.edu.cn
1
引
言
图像 配准是多传 感器图像融 合、目标识别等 处
理的必要步骤,其配 准精度更 直 接影响图 像 融合和
目标识别的效果。 目前,同类图像 配 准已经有 了 较
成熟的算法
[
1-2
]
,但异类传感器因为成像条件不同,
图像之间不仅会存在缩放、旋转和平移等几何形变,
而且图像之间的噪 声也会存 在 较大的差 异,造 成 图
像共有特征提取难 的问题,用于同类 图 像的配准 方
法一般不能直接应用于异类传感器图像配准
[
3
]
。
现有的可见光图像 和
SAR
图像的配 准 算法以
02150021
光
学
学
报
基于边缘 和 轮 廓 特 征 的 算 法 为 主。
Li
等
[
4
]
提 出 基
于边缘特征的多传 感器图像 配 准方法,采用基于 活
跃轮廓模型的弹性特征线匹配策略。韦燕凤等
[
5
]
在
此基础上进行了改进,采用
Cann
y
算子进行封 闭边
缘检测,计算
7
个仿射不变矩,通过改进匹配链码和
匹配点 对 的 方 法,实 现 遥 感 图 像 的 配 准。 于 秋 则
等
[
6
]
提出了 基 于 边 缘 特 征 和 遗 传 算 法 的 可 见 光 和
SAR
图像配准 方 法:利 用 遗 传 算 法 匹 配 边 缘,得 到
匹配控制点,
Yu
等
[
7
]
也提出了类似的基于轮廓特征
的多源图像配准 方 法。这些 算 法都利用
SAR
图像
和可见光图 像 的 共 有 特 征 边 缘 特 征 或 轮 廓 特
征,采用链码编码的匹配方式,通过特征匹配得到控
制点,其计算复杂,且对噪声 敏 感,一 般在图 像 灰 度
差异不大的情况下才能得到较好的结果。张怀利
[
8
]
提出形态学和信息熵双模式结合的封闭区域提取方
法,实现了可见光和
SAR
图像的配 准,但 是 配准精
度较低,配准结果中有比较明显的配准误差。
为此本文 提 出 一 种 基 于
犽
均 值 聚 类 分 割 算 法
结合形态学处理的 异源图像 配 准方法
,通 过轮廓特
征实现可见光与
SAR
图像的精确配准,具有配准精
度高、处理速度快的特点。
2
配准方法
本文提 出 的 可 见 光 与
SAR
图 像 配 准 方 法 如
图
1
所示。
配准方法主 要 包括三个 部 分:
1
)预 处 理。针 对
SAR
图像斑点 噪 声 大、对 比 度 低 的 特 点,采 用
Lee
滤波
[
9
]
和直方图均衡方法 进 行预处理;
2
)封闭轮廓
提取。对图像进行
犽
均值聚 类分割和 形 态学处理,
实现封闭区域轮 廓 准确提取。 删除小轮 廓,减 少 伪
匹配对
;
3
)轮廓 特征匹配。 利用不变 矩 来描述提 取
的轮廓形状特征,加入矩变量距离均值、方差约束机
制和一致性检查的匹配策略,以区域质点为控制点,
采用广 义 仿 射 变 换 和 双 线 性 插 值,实 现 可 见 光 和
SAR
图像的精确配准。
图
1
可见光与
SAR
图像配准示意图
Fi
g
.1 Frameworkofre
g
istrationofo
p
ticalandSARima
g
e
3
主要算法
3.1
犽
均值聚类分割算法
犽
均值聚 类 分 割 算 法 是 模 式 识 别 中 的 经 典 算
法,它通常被用于图像 分 割并具有 直 观、快 速、易 于
实现的特点
[
10
]
。该算法的基本思 想 是 选 取
犽
个 初
始聚类中心,把数据集中所有的对象分为
犽
个类,按
最小距离的原则,通过迭代计算,逐次更新各类的中
心,直到算法 收 敛 到 一 定 的 结 束 条 件,输 出 聚 类 结
果。
在可见光或者
SAR
的遥感图像中,一般都会含
有河流、湖泊、海岸等共同水域特征。在可见光图像
中,因为是依靠目标的表面反射成像,水体区域相对
一般的地表特征来说,表面比较平滑,水质带来的反
射光差异比较微弱,反映的辐射特性比较一致,在成
像后所表现出的灰度连续性较好。在
SAR
图像中,
水体区域表面对于 微波的散 射 作用很小,所以水域
在
SAR
图 像 中 主 要 表 现 为 暗 区。 水 域 同 样 会 受
SAR
图像的斑点噪声影响,带来水域的灰度的 明暗
变化,但斑点噪声在暗区的影响要比在亮区小得多。
虽然水体 区域在可见 光图像和
SAR
图像中的
灰度表现存在差异,但 灰 度的分布 相 对来说都 具 有
比 较 好 的 一 致 性。 因 此,采 用
犽
均 值 聚 类 分 割 算
法,可以把图像中水体区域的像素归为一类,进而分
割提取出水体区域特征。
具体的步骤如下:
1
)根据图像特性,选取
犓
个分类数目,随机选
取
犓
个像均值作为初始聚类中心。
2
)在第
犻
次迭代时,考察每个像素,计算其与每
个聚类中心的距离,并将其赋给距离它最近的类,即
犎
=
min
{
‖
狓
-
狌
(
犻
)
犼
‖
,
犼
=
1
,
2
,
3
…,
犓
},则
狓
∈
犘
(
犻
)
犼
。其中
狓
表示图像像素的灰度值,
犘
(
犻
)
犼
表示在第
犻
次迭代后赋给第
犼
类的像素集 合,
狌
(
犻
)
犼
表示该集合
的均值。
3
)对于
犼
=
1
,
2
,
3
…,
犓
,计算新的聚类中心,更
02150022
剩余6页未读,继续阅读
资源评论
weixin_38731239
- 粉丝: 5
- 资源: 894
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功