(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210645447.9 (22)申请日 2022.06.09 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 张永伟　裴季方　王毅刚　杨建宇　 赵勇　黄钰林　张寅　霍伟博　 (74)专利代理 机构 成都虹盛汇泉专利代理有限 公司 51268 专利代理师 王伟 (51)Int.Cl. G06V 10/74(2022.01) G06V 10/75(2022.01) G06V 10/44(2022.01) (54)发明名称 一种雷达图像与光学图像精确匹配方法 (57)摘要 本发明公开了一种雷达图像与光学图像精 确匹配方法， 包括以下步骤： S1、 获取雷达图像及 光学图像， 并转化为灰度图像； S2、 增加图像边缘 信息； S3、 ROWEA滑动窗口滤波； S4、 分别对雷达图 像和光学图像构建特征空间； S5、 分别对雷达图 像和光学图像进行极值点检测； S6、 分别对雷达 图像和光学图像的极值点进行特征描述； S7、 将 雷达图像和光学图像的极值点进行匹配； S8、 进 行极值点筛选， 得到匹配图像。 本发明构造基于 像素点的特征空间进行极值点求解， 同时实现雷 达图像和光学图像 极值点的筛选与匹配， 从而达 到雷达图像和光学图像的精确配准。 权利要求书2页 说明书6页 附图2页 CN 115035326 A 2022.09.09 CN 115035326 A 1.一种雷达图像与光学图像精确匹配方法， 其特 征在于， 包括以下步骤： S1、 获取雷达图像及光学图像， 并转化为灰度图像， 得到雷达图像灰度矩阵S(x,y)与 光 学图像灰度矩阵O(x,y)； x、 y为图像中点的坐标； S2、 增加图像边缘信息： 利用cann y算子提取雷达图像和光学图像的边缘特性SE(x,y)与 OE(x,y)， 并计算雷达图像与光学图像之间的相关系数r， 以此更新雷达图像灰度矩阵S(x, y)与光学图像灰度矩阵O(x,y)： 分别为雷达图像和光学图像的图像平均灰度值矩阵； S3、 采用加权指数平 滑滤波器ROWEA进行滑动窗口滤波； S4、 分别对雷达图像和光学图像构建特 征空间； S5、 分别对雷达图像和光学图像进行极值 点检测； S6、 分别对雷达图像和光学图像的极值 点进行特征描述； S7、 将雷达图像和光学图像的极值 点进行匹配； S8、 进行极值 点筛选， 得到匹配图像。 2.根据权利要求1所述的一种雷达图像与光学图像精确匹配方法， 其特征在于， 所述步 骤S4具体实现方法为： 构建如下 特征空间： RSH(x,y|α )＝det(CSH)‑dth×trace(CSH)2                    (4) 其中， Gx, α、 Gy, α分别为水平方向和垂直方向上的梯度估计的对数； CSH(x,y|α )是过渡矩 阵， σ2是高斯核， 是高斯标准差， det(CSH)为过渡矩阵的行列式， dth是预设阈值， trace (CSH)2表示秩的平方； 通过将RSH与阈值比较大小来判定极值点可能出现的位置： 如果RSH>阈 值dth， 则该点为潜在极值 点。 3.根据权利要求2所述的一种雷达图像与光学图像精确匹配方法， 其特征在于， 所述步 骤S5具体实现方法为： 经 过构建(4)式矩阵， 生成与(4)相同的Laplace空间： F(x,y|α )＝α2|Lxx(x,y|α )+Lyy(x,y|α )|                   (5) Lxx(x,y|α )、 Lyy(x,y|α )分别为x方向和y方向的拉普拉斯响应值； 根据像素点的拉普拉 斯响应值作为 参考， 通过峰值检测进行极值 点检测； 由于Laplace空间是离 散的， 所以为了得 出极值点精确位置需要 进行插值操作： 权　利　要　求　书 1/2 页 2 CN 115035326 A 2其中， X代表连续空间坐标， X0代表离散空间坐标， 上标T是转置， G(X)是连续点空间响应 值， G(X0)是离散点空间响应值； 对(6)式求偏导得： 利用ΔX对极值 点坐标进行插值操作。 4.根据权利要求1所述的一种雷达图像与光学图像精确匹配方法， 其特征在于， 所述步 骤S6具体实现方法为： 由邻域内像素点幅值和方向共同对极值点 予以加权描述； 首先， 以极 值点为中心将邻域以主方向角 θ1进行旋转， 将主方向放在X轴上， 旋转矩阵为： 邻域的大小由极值点所在空间层的尺度α 决定， 将邻域设置为高斯标准差的3倍， 将0 ‑ 360度的邻域平均分为36个子区域， 每个子区域内横坐标代表梯度方向角， 纵坐标为梯度幅 值， 每个子区域大小为m ×m， 每个子区域的直方图具有8个方向的梯度幅值， 将这些梯度幅 值按方向排列得到极值点的作为特征描述向量， 每个子区域具有8 ×m×m维的特征描述向 量。 5.根据权利要求1所述的一种雷达图像与光学图像精确匹配方法， 其特征在于， 所述步 骤S7具体实现方法为： 在特征 空间内， 以特征向量的欧式距离衡量两个极值点的相似度， 距 离越近表示越相似， 若值小于 0.8则认为它 们为正确的匹配点， 称为局内点， 否则为局外点： (x1,y1)、 (x2,y2)分别为雷达图像和光学图像上极值 点的坐标。 6.根据权利要求1所述的一种雷达图像与光学图像精确匹配方法， 其特征在于， 所述步 骤S8具体实现方法为： 雷达图像和光学图像之间的匹配关系为： S(x,y)＝T( (x,y), θ )                       (10) 其中， (x,y)是光学图像极值点， (x,y)代表雷达图像极值点， θ代表雷达图像旋转角度， T代表匹配模型； 分别从雷达图像和光学图像选取经过匹配的两组极值点{p1,....,pl}和{p1,....,pl}， l表示匹配的极值点总数量； 将极值点用S 6得到的特征描述向量表 示， 然后对两组极值点样 本迭代地进行数据采样、 最小二乘法拟合、 一致集验证， 生成最 终的正确匹配点对集和由正 确点对集拟合的仿射矩阵T(xi,yi)， 并计算映射范 数： e(ci, θ )＝||S(xi,yi)‑T(xi,yi)θ||          (11) 其中， e(ci, θ )为映射范 数， 该值越小说明图像匹配效果越好。 首先， 为n个局内点选择一个模型T， 并通过计算得到模型所有的未知参数； 然后用该模 型去测试局外点， 如果某局外点的数据也适用于该模型， 那么将该局外点也转为局内点； 依 此类推， 如果有足够数量((l ‑n)/2)的局 外点被转为局内点， 那么选择的模型就是合适的； 最后， 利用所有的局内点对模型进行估算和误差分析， 将以上过程重复操作l ‑n次， 选取映 射范数最小的模型为最佳模型， 得到最佳仿射矩阵， 然后利用最佳仿射矩阵对雷达图像和 光学图像进行匹配。权　利　要　求　书 2/2 页 3 CN 115035326 A 3