利用Ratio梯度和交叉累积剩余熵进行多源遥感影像匹配

　　互信息作为两幅图像的相似测度进行匹配时,具有很好的鲁棒性,最大互信息法几乎可以用在任何不同模式图像的匹配中,特别是当其中一个图像的数据部分缺损时。但是,当待匹配图像是低分辨率,且图像包含的信息不够充分或两幅待匹配图像的重叠部分较少时,基于互信息的配准目标函数就会极不光滑,出现局部极值。为解决此问题,研究人员对其进行了改进,提出了归一化互信息( normalized mutual information,NMI)。实验证明,该方法比标准的互信息方法更具有鲁棒性。但由于光学和SAR影像在成像时间和成像机理等方面的巨大差异,使得获得的影像在特性上也存在着巨大差异,特别是SAR影像上存在的大量的图像相干斑噪声是影响光学和SAR影像匹配性能的重要因素[1]。实验证明,互信息及其改进的互信息测度———归一化互信息都无法完成这两类影像的匹配,这就需要寻找一种新的能够更加具有稳定抗噪性能的测度。交叉累积剩余熵是统计大于某一灰度值的所有直方图信息,保持了局部区域灰度信息的连续性,有效克服了噪声对局部极值的影像,可以取得令人满意的结果。然而,交叉累积剩余熵的匹配方法主要针对图像的灰度信息,缺少对图像的几何形状、空间位置等局部特征的考虑,不仅运行时间长,而且易造成局部收敛,从而影响匹配效果。将梯度信息与交叉累积熵相结合应用于影像匹配,将明显减少计算量,改善局部极值问题,得到可靠的匹配结果。由于SAR影像的低信噪比与乘性噪声模型的固有特性,常用的梯度算子如Robert算子、Prewitt算子和Sobel算子等对SAR影像并不适用,因此,本文基于均值比率算法[2]提出了Ratio梯度。该方法应用于SAR影像与光学影像,可以得到很好的梯度图像。

　　1　Ratio梯度

　　均值比率边缘检测算子最初是针对SAR影像提出来的。由于SAR影像中所特有的相干乘性噪声,对SAR影像求取的梯度往往不能真实反映其几何形状、空间位置等局部特征,因此,本文针对SAR影像中所特有的相干乘性噪声提出了Ratio边缘检测算法。1988年,Touzi等人证明了针对SAR影像的均值比率边缘检测算子是恒虚警的,即在高亮度区域的边缘检测虚警率等同于低亮度区域的边缘检测虚警率。利用Ratio的优势,基于Ratio提取梯度不仅能正确反映SAR影像的局部特征信息,而且对其他遥感影像也同样达到了很好的效果,同时为实现多源影像的精确匹配提供了有利条件。

　　均值比率算法[2]最初是在滑动检测窗口中,取中心像素点为待检测点,沿着过该点某直线的方向计算窗口内两侧不重叠区域的各自的样本均值u1、u2,一般每个窗口取8个方向,如图1所示。一般取检测窗中心点,以保证两区域的点数相等,可设各区域内的像素点数均为N,然后求两样本均值u1、u2的比值R: