一种新的SAR图像自动配准算法

维普资讯 http://www.cqvip.com 第６期　２００７年１２月　雷达科学与技术　Ｒａｄａｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　ＴｅｃｈｎｏｌｏｇＹ　Ｖｏ１．５　Ｎｏ．６　Ｄｅｃｅｍｂｅｒ　２００７　一种新的ＳＡＲ图像自动配准算法　刘强　，王国宏　，张静　，冯俊杰　（１．烟台大学光电信息学院信号与信息处理实验室，山东烟台２６４００５；　２．海军航空工程学院信息融合技术研究所，山东烟台２６４００１）　摘　要：由于图像间光谱特性的差异，对图像配准的精度产生严重的影响，因此该文提出了一种基于　改进灰度熵的ＳＡＲ图像自动配准算法。文中首先对ＳＡＲ图像进行配准前的预处理，提取图像掩模，然后计　算图像行和列的灰度熵，将其作为图像的特征信息完成图像间的配准，提出了配准优化算法的完整步骤，并　利用多种方法对配准结果进行评价。实验证明该方法可以有效克服图像间亮度不均的影响，充分利用了像　素的有用信息，具有很高的配准精度和配准效率，是一种正确可行的图像配准算法。　关键词：合成孔径雷达；图像配准；灰度熵；评价　中图分类号：ＴＮ９５７．５２；ＴＰ３９１　文献标识码：Ａ　文章编号：１６７２—２３３７（２００７）０６—０４３６—０７　Ａ　Ｎｅｗ　Ａｕｔｏｍａｔｉｃ　Ｒｅｇｉｓｔｒａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ＳＡＲ　Ｉｍａｇｅｓ　Ｉ　ＩＵ　Ｑｉａｎｇ　～，ＷＡＮＧ　Ｇｕｏ　ｈｏｎｇ。．ＺＨＡＮＧ　Ｊｉｎｇ　。ＦＥＮＧ　Ｊｕｎ－ｊｉｅ　（１．Ｉｎｓｔｉｔｕｔｅ　ｏｆＳｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ　ｆｏｒＯｐｔ￣ｅｌｅｃｔｒｏｎｉｃ　Ｉｎｆｏｒｍａｔｉｏｎ，Ｙａｎｔａｉ　Ｕｎｉｖｅｒｓｉｔｙ，Ｙａｎｔａｉ　２６４００５，Ｃｈｉｎａ；　２．Ｒｅｓｅａｒｃｈ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｆｕｓｉｏｎ，Ｎａｖａｌ　Ａｅｒｏｎａｕｔｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｉｎｓｔｉｔｕｔｅ，Ｙａｎｔａｉ　２６４００１，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：　Ｓｐｅｃｔｒｕｍ　ｄｉｆｆｅｒｅｎｃｅｓ　ｂｅｔｗｅｅｎ　ｉｍａｇｅｓ　ｃａｎ　ｒｅｄｕｃｅ　ｐｒｅｃｉｓｉｏｎ　ｏｆ　ｉｍａｇｅ　ｒｅｇｉｓｔｒａｔｉｏｎ．Ａｎ　ａｌｇｏ—　ｒｉｔｈｍ　ｏｆ　ａｕｔｏｍａｔｉｃ　ｒｅｇｉｓｔｒａｔｉｏｎ　ｆｏｒ　ｔｈｅ　ＳＡＲ　ｉｍａｇｅｓ　ｂａｓｅｄ　ｏｎ　ｉｍｐｒｏｖｅｄ　ｇｒａｙ　ｅｎｔｒｏｐｙ　ｉｓ　ｐｒｏｐｏｓｅｄ．Ｔｈｅ　ＳＡＲ　ｉｍａｇｅｓ　ａｒｅ　ｐｒｅｐｒｏｃｅｓｓｅｄ，ａｎｄ　ｔｈｅｎ　ｔｈｅ　ｉｍｐｒｏｖｅｄ　ｇｒａｙ　ｅｎｔｒｏｐｙ　ｏｆ　ｉｍａｇｅ　ｉｓ　ｃａｌｃｕｌａｔｅｄ．Ｆｉｎａｌｌｙ，ｔｈｅ　ｉｍｐｒｏｖｅｄ　ｇｒａｙ　ｅｎｔｒｏｐｙ　ｉｓ　ｔｒｅａｔｅｄ　ａｓ　ｉｍａｇｅ　ｄｅｓｃｒｉｐｔｉｏｎ．Ｔｈｅ　ｗｈｏｌｅ　ａｐｐｒｏａｃｈ　ｏｆ　ｒｅｇｉｓｔｒａｔｉｏｎ　ｉｓ　ｐｒｅｓｅｎｔｅｄ　ｉｎ　ｄｅｔａｉｌ．Ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｅｓｔｉｍａｔｅｄ　ｕｓｉｎｇ　ｓｅｖｅｒａｌ　ｍｅｔｈｏｄｓ．Ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｉｓ　ａｌｇｏｒｉｔｈｍ　ｃａｎ　ｏｖｅｒｃｏｍｅ　ｔｈｅ　ａｆｆｅｃｔｓ　ｏｆ　ｓｐｅｃｔｒｕｍ　ｄｉｆｆｅｒｅｎｃｅ　ａｎｄ　ｉｎｃｒｅａｓｅ　ｔｈｅ　ｐｒｅｃｉｓｉｏｎ．Ｉｔ　ｉｓ　ｒｏｂｕｓｔ　ａｎｄ　ｅｆｆｉｃｉｅｎｔ．　Ｋｅｙ　ｗｏｒｄｓ：　ｓｙｎｔｈｅｔｉｃ　ａｐｅｒｔｕｒｅ　ｒａｄａｒ；ｉｍａｇｅ　ｒｅｇｉｓｔｒａｔｉｏｎ；ｇｒａｙ　ｅｎｔｒｏｐｙ；ｅｓｔｉｍａｔｉｏｎ　目前，基于ｓＡＲ图像的配准算法大致可以分　１　引言　合成孔径雷达（ｓＡＲ）是近年来发展起来的一　种新型雷达系统，它具有全天候、全天时、对云层　为两类：一是直接对ＳＡＲ图像进行空问上的平移　变换以求得与基准图像最大程度的对准，此种方　法可对ＭＳＴＡＲ目标数据进行配准处理＿３　］；二是　通过分析图像的各种特征，提取匹配控制点来实　现对ＳＡＲ图像的配准，此种方法可以对位置、方　和地表的穿透等特点，是现代电子侦察机的重要　装备，在遥感、军事、水文、地矿等领域有着广泛的　应用，已成为当前国内外研究的热点课题ｌ＿】］。　向均发生变化的ＳＡＲ大场景图像进行配准＿５　］。　利用峰值点作为图像特征点进行ＳＡＲ目标　在ＳＡＲ目标识别过程中，由于各种条件的影　响，待识别目标图像往往与识别数据库中的模板　图像之问存在着位置等空间上的差异，给目标识　的配准　，优点是以峰值点取代全局点，减少了计　算量，提高了运行速度，缺点是峰值点数目有限，　难以反应全部图像的细节，配准精度不高。利用　最小二乘原理并结合傅里叶变换的平移特性实现　ｓＡＲ目标的配准＿４　，将ｓＡＲ图像的移动处理由图　像域转换到频率域，并且对图像问平均偏差进行　别等后续工作带来很大的困难。因此，如何对　ＳＡＲ目标图像进行配准成为了ＳＡＲ目标识别中　的一个重要研究方向ｌ＿２］。　收稿日期；２００７—０７—１７；修回日期：２００７—０８—３１　基金项目：国家自然科学基金（Ｎｏ，６０５４１００１）；全国优秀博士学位论文作者专项基金（Ｎｏ，２００４４３）　维普资讯 http://www.cqvip.com ２００７年第６期　刘强：一种新的ＳＡＲ图像自动配准算法　４３７　了补偿，使配准结果更为精确。从而提高了配准精　度，但是该算法的缺点是当外界测试环境发生变　式中，Ｈ为图像的灰度熵；Ｐ　为灰度分布，Ｐ　一　，兰　ｌ，一ｌ　厂（ｉ，Ｊ）／ｆ＼　厂（ｉ，Ｊ）１，厂（ｉ，Ｊ）为图像中像素点　／　化时会导致图像灰度强度改变，配准精度会有所　下降，况且该算法计算量大，运行时间较长，实时　（ｉ，Ｊ）处的灰度值，厂（ｉ，Ｊ）＞０。若Ｍ×Ｎ为局部窗　性不强。提取匹配控制点的图像配准算法，通过　分析图像的各种特征，如不变矩　、边缘与灰度信　息　］、结构区域特性ｌ８一等，以此作为相似性测度，　寻找匹配控制点来进行配准。但是通过控制点匹　口，则Ｈ为局部灰度熵。　经过对ｓＡＲ图像的分析，发现ｓＡＲ图像的灰　度熵具有以下特性：灰度熵反映了图像灰度的空　间分布特性，承载了像素点的有效信息，是图像平　配的方法广泛应用于大场景或光学图像等，而对　于ＭＳＴＡＲ图像，不同方位角的相同目标，形状会　发生很大变化，控制点的提取也会出现很大的困　难，不利于配准的进行。　真正有效的配准算法应该是不但具有很高的　配准精度，而且计算量小，运算速度快，具有很强　的实时性。灰度熵是进行图像处理的重要工具，　可以充分反映图像的灰度信息，必然会有利于图　像间的配准。目前尚没有基于灰度熵的图像配准　算法。本文针对传统配准算法的优缺点，提出一　种基于改进灰度熵的ＳＡＲ目标配准算法。首先　介绍了灰度熵的概念，然后对灰度熵作了一定的　改进，并将其作为描述图像的特征信息从而完成　ＳＡＲ图像间的配准，并对算法进行了速度优化。　最后运用多种配准评价方法对配准效果进行了评　价。这一方法具有如下两个优点：（１）使图像中的　所有信息都参与到配准过程中，大大提高了配准　精度；（２）利用改进灰度熵取代整幅图像进行配　准，减少了计算量，并提出粗配准算法对配准过程　进行优化，提高了运算速度。大量实验数据表明，　该算法是正确可行的。　２　基于改进灰度熵的ＳＡＲ目标配准　算法　２．１　图像的灰度熵　在图像处理过程中，参与运算的信息量越多，　则处理效果越好。如何包含更多的信息量成为图　像处理的一个重要方面。信息论中的信息熵能够　有效度量区域中各元素的信息，因此将信息熵的　概念引用到图像处理中，得到了灰度熵的概念。　在一个Ｍ×Ｎ图像中，图像的灰度熵定义　为Ｅ　Ｍ　Ｎ　Ｈ一一∑∑Ｐ　ｌｇ　／ｌｇ。Ⅵ、　（１）　均信息量的表征；灰度熵具有与图像的平移、旋转　和尺度的一致性，即当图像发生移动，图像的邻域　熵矩阵随着图像在位置上发生相同的移动。这样　图像间的平移对准即可转化图像灰度熵分布图的　平移对准；此外，由于灰度熵代表了整个图像中像　素的分布特性，与每个像素点的灰度值关系不大。　当测试环境等外部条件变化时，图像的光谱特性也　会不同，但是图像的灰度熵并未发生改变，因此可以　克服图像间亮度不均所带来的配准精度的下降。　由灰度熵的以上特性，我们可以看出，灰度熵体　现了图像的像素信息，并且具有很强的抗干扰性能。　将灰度熵融人到图像配准中去，可以充分调动整幅　图像的有用信息，是一种可行的配准方法。　２．２　基于改进灰度熵的ＳＡＲ目标配准　本文通过对灰度熵的诸多特性进行分析，提　出了基于改进灰度熵的ＳＡＲ目标自动配准算法。　首先对基准图像和待配准图像进行幂变换和目标　分割处理。然后对预处理后的图像进行特征提　取，计算改进灰度熵值，得到灰度熵分布图，并将　其作为图像特征对两幅图像进行匹配，选择最大　相似函数，得到配准所需的准确移动位置，实现图　像的自动配准。　基于改进灰度熵的自动图像配准算法流程图　如图１所示。　计　灰　灰　获　图　算　度　度　得　像　图　熵　熵　配　预　—＋　像　—＿Ｉ．　的　的　—　准　处　的　粗　精　后　理　灰　对　对　的　度　准　准　图　熵　像　图１　基于改进灰度熵的自动配准算法流程图　２．２．１　配准前图像的预处理　由于ＳＡＲ图像存在较强的相干斑噪声，必然　维普资讯 http://www.cqvip.com ４３８　雷达科学与技术　第５卷第６期　会影响图像配准的效果。因此为了确保配准精　度，通常在配准之前需要对原始图像做一些预处　理操作。　在目标识别中，当样本服从高斯分布且具有　相同的方差时，模板匹配法效果是最好的。通常　准移位过程需要在整个图像域中进行，计算量很　大。通过对图像的移位特性进行分析可以发现，　图像的移动范围无非为四个方向区域即０。～９０。，　９０。～１８０。，１８０。～２７０。，２７０。～３６０。。先初步选定　移动范围再对具体移动量进行定位即可大大提高　计算效率，提出一种先粗配准再精配准的算法。　首先计算出基准图像的行列熵矩阵并作为基准图　像的特征矩阵。然后对待配准图像作任意方向的　认为ＳＡＲ图像服从瑞利分布，通过幂变换的方法　可以将ＳＡＲ图像的幅度分布由瑞利分布转变为　类高斯分布。将幂变换公式Ｚ—ｇ　，ｒ∈（０，１）应　用于ＳＡＲ图像中：　ｆ（ｘ，　）一Ｅｓ（．ｒ，　）］　（２）　式中，ｓ（ｘ，　）为幂变换前（ｚ，　）处的灰度值；　ｆ（ｘ，　）为幂变换后（　，　）处的灰度值；ｒ取０．５，　依次对图像中的每一个像素点进行幂变换，得到　ＳＡＲ图像的高斯分布形式¨】　。　然后需要对ＳＡＲ图像进行相干斑的抑制，去　除噪声的干扰。本文使用双阈值ＣＦＡＲ　ＳＡＲ目　标分割方法。首先利用峰值点的统计信息设定阈　值，提取目标峰值点，把散射中心的先验信息融入　到目标分割中，然后根据背景杂波特性设定阈值，　即可从背景杂波中提取目标　。　２．２．２特征提取　在对基准图像和待配准图像分别进行预处理　后，利用灰度熵信息对图像的掩模进行特征提取。　为了提高配准精度，对灰度熵的提取进行了　一些改进，首先将图像划分出一系列大小为ｍ　×　的区域，再分别计算各个区域的局部灰度熵值。　这样图像的一系列局部灰度熵不仅反映了图像中　各个局部的灰度信息，同时局部灰度熵的集合又　反映了整幅图像中像素的空间分布统计特性。本　文针对预处理后图像的掩模进行区域划分，为了　提高运算速度，采用行列区域划分法，即分别以每　一行和每一列为单位对图像进行划分，分别计算　其灰度熵。这样就得到了两组分别以图像的行灰　度熵和列灰度熵为元素的熵矩阵。并以此作为描　述图像的特征信息。图像的行列灰度熵分别反映　了行和列的像素灰度信息，充分反映图像信息的　同时又大大减少了运算量。将行列灰度熵作为图　像特征有利于图像间的配准。　２．２．３基于改进灰度熵的粗配准　特征提取之后对两幅图像进行配准。由于配　大范围移动，移动间隔设为Ｓ（单位：像素），将移　出部分舍去，空出部分补零，同时分别将求出的经　过每一个方向的移动后图像的行列熵矩阵作为待　配准图像的一个特征矩阵。最后将待配准图像的　所有特征矩阵依次与基准图像的特征矩阵比较，　求其相似性函数。　图像间的相似性函数采用相位相关的概念，　定义为　，　“”　∑∑ｆ　Ｉｖ　（“）　（　，６）ｌ！　＋ｌ　Ｆ７（　）　（　，６）ｌ　１　（３）　式中，　（　）为基准图像的行灰度熵行向量的傅里　叶变换；　（　）为基准图像的灰度熵列向量的傅里　叶变换；Ｆ　（　，ａ，６）和Ｆ　（　，ａ，６）分别为待配准图　像经过移位后的行灰度熵向量和列灰度熵向量；　，　为行和列的序号；ａ，ｂ分别表示图像的位移量。　由式（３）可以看出，图像的相似性函数表示为　行灰度熵和列灰度熵相似性的和。当待配准图像　和基准图像的灰度熵矩阵之间的相似性函数达到　最大时，从行和列的综合匹配角度来说，两图像熵　之间的差异最小，图像间的不确定性也最小，像素　的灰度分布最为接近。因此，当相似性函数取峰　值时，两图像的配准效果最为理想，根据此时图像　的移位向量可以判断出图像的移位区域即为经过　粗配准后所得到的图像移位区域。　达到最佳配准位置时，目标的移位向量为　（ｎ　，６　）一ａｒｇｍａｘＬ（　）一　ｆ∑∑（Ｆ　（“）　（…，ｂ）＋Ｆｅ（ｖ）Ｆ　（…，６））］　。　ｌ∑∑（１Ｆｚ（“）　（　Ｆｚ（　舢，　）　（４）　式中，ｎ　，ｂ　为配准所需要ｚ，　方向上的移动向量。　但由于粗配准过程中具有一定的移动间隔，　难免会存在一些误差，因此，为了得到较高的配准　维普资讯 http://www.cqvip.com ２００７年第６期　刘强：一种新的ＳＡＲ图像自动配准算法　４３９　精度，需要进行进一步的精确配准。　２．２．４基于改进灰度熵的精配准　得到粗配准数据后，即可确定图像配准的大致　移位区域，然后对图像进行精确配准。在粗配准所　确定的移位区域中逐个像素点移动待配准掩模图　像，对移位后的掩模图像进行特征提取，求出其行　列熵矩阵，同时求出经移动后待配准掩模图像和　基准掩模图像之间熵的相似性函数，如式（３）所示。　根据上节原理，选择相似性函数最大时目标所在的　位置作为配准后得到的目标位置，图像的移位向量　即为配准所需的移位向量，如式（４）所示。　３配准效果的客观评价　评价两幅图像配准效果的最简单方式就是通　过目测观察，即通过对比两幅图像中需配准目标　的相对位置来判断配准是否正确。但是，目测观　察法只是一种定性的分析，无论是多么熟练的图　像处理大师，通过观察的评价方法总是存在很大　的误差。况且随着数据量的不断增多，仅仅通过　观察已经远远不能满足实际中的需要，因此本文　使用几种定量的评价方法对配准效果进行评价。　３．１相关系数评价法　在众多定量配准评价方法中，相关系数法是　最为常用的一种配准质量评价方法一　］。相关系数　法就是对配准后的图像逐个像素点计算其与基准　图像中对应像素点的相关系数。　根据许瓦茨不等式可以得到对应像素问的相　关系数的表示式为　Ｃ（ｉ。Ｊ）　（ｓ　式中，　（ｉ，　）为点（ｉ，　）处的相关系数，令Ｃ（ｉ，ｊ）　≤１（若Ｃ（ｉ，　）＞１则取倒数）；ｆ为配准后的掩模　图像；　为基准图像的掩模。　在得到的相关系数矩阵中，每一点的相关系　数表明这点上的配准效果，相关系数越大说明图　像中该点的配准效果越好。另外，具有很高相关　系数值的点越多，也表明图像的配准效果越好。　３．２归一化均方误差评价法　对于两幅Ｍ×Ｎ图像，多使用差值测度计算　其相似度。考虑到差值测度的直观、严格，可以从　总体上反映两图像的灰度差别，本文使用能量归　一化均方误差法对配准质量进行评价。能量归一　化均方误差值越小，则表明两图像越相似，图像间　的配准效果越好。　两图像的能量归一化均方误差定义为　Ｍ　Ｎ　｝Ｍ　Ｎ　￡一∑∑［　（　，　）一厂（　，　）］　／∑∑ｆ（ｉ，　）　（６）　ｔ＝１｛一１｜　ｉ＝１　ｌ　１　式中，ｅ为图像的能量归一化均方误差；ｆ为配准　后的掩模图像；ｆ　为基准图像的掩模。　３．３配准对ＳＡＲ目标识别的影像　评价ＳＡＲ图像间配准质量的一个重要的方　法是将配准过程与ｓＡＲ目标识别过程相结合，通　过观察最后的识别效果来分析配准算法对识别过　程的影响，从而体现出配准算法的优劣。　识别过程实际上是利用测量样本与模板之间　的相似度来对目标进行分类，判断其所属类别。　这里采用常用的欧氏距离相似性度量法进行识　别。若两幅图像属于同一个目标类型性，则它们　的欧氏距离最小。因此，所要求的目标类型为　（ｒ　，　）＝ａｒｇｍｉｎＤ　一　ｒ　——　—————————————————一　ｄｒ『ｇｍｉｎ　／∑∑（　（　，　）一　（　．　））。（７）　、　Ｖ　ｉ一１，＝１　式中，”　，　分别为图像的维数；ｆ　为待测图像的掩　模；　为模板图像的掩模；，一　，ｓ　分别表示第，一类样　本的第８个模板。　将本文配准算法应用于ＳＡＲ目标识别的流　程图如图２所示。　原始图像卜Ｔ　图像预处理卜＿＿——　基于灰度熵的图像配准　图２　应用文中配准算法的ＳＡＲ目标识别流程图　４　基于实测ＭＳＴＡＲ的仿真结果与　４．１实验数据描述　为了测试配准算法的有效性，采用由美国　ＤＡＲＰＡ／ＡＦＲＬ工作组提供的ＭＳＴＡＲ实测ｓＡＲ　地面静止目标数据。所有数据均由聚束式ＳＡＲ　采集而成，分辨率为０．３　ｍ×０．３　ｍ。在识别过程　维普资讯 http://www.cqvip.com ４４０　雷达科学与技术　第５卷第６期　中，工作组推荐使用的训练样本是ＳＡＲ在俯仰角　为１７。时对地面目标的成像数据，为了验证算法的　鲁棒性，选用的测试样本数据是ＳＡＲ在俯仰角为　１５。时对地面目标的成像数据。所有目标图像大小　均为１２８×１２８。　４．２配准结果与分析　４．２．１　相关系数评价结果及分析　由以上相关系数直方图的比较结果可以得出　结论，基于改进灰度熵配准方法的配准质量要高　于文献［４］的配准方法。　４．２．２　归一化均方误差综合评价结果及分析　利用归一化均方误差对算法的运算时间和配　准结果进行分析，分别求出经不同配准方法配准　后的测试图像与基准图像的归一化均方误差，并　分别使用两种不同的配准算法将待配准图像　与基准图像进行对准，并依次求出基准图像和测　试图像中对应像素点的相　关系数。图３给出了图　像间相关系数分布直方图，实线为拟合的相关系　数分布函数曲线。　相关系数　（ａ）　改进灰度熵配准方法相关系数直方图　（间隔参数为３）　（ｂ）　文献Ｅ４］配准方法相关系数直方图　图３相关系数直方图比较　（基准图像：ＨＢ０３３６６．００２，待配准图像；ＨＢ０４９５０．００２）　从两种配准方法的相关系数统计结果以及拟　合曲线的中心位置可以看出，由基于改进灰度熵　配准算法得到的相关系数拟合曲线的中心位置大　于０．６，相关系数值大部分集中于０．６以上，并且　高相关系数值较多。运用文献［４］方法得到的相　关系数拟合曲线的中心位置小于０．６，大部分集中　在０．６以下，高相关系数明显少于前者。　加以比较。表１给出了经配准后图像间的归一化　均方误差及运行时间，鉴于程序运行环境的不同，　设改进灰度熵配准算法的运行时间为１。　表１三种配准算法的归一化均方误差及运行时间比较　从归一化均方误差和算法运行时间可以看　出，改进灰度熵配准算法和基于最小二乘算法ｌ＿４　的　配准精度较高，而改进灰度熵与基于峰值点　的配　准算法所用时间最短。基于改进灰度熵的配准算　法与基于最小二乘配准算法的配准精度相当，而　运行时间却减少了一个数量级。　由以上实验结果综合分析可以得出结论，文　中提出的基于改进灰度熵配准算法的配准质量要　优于文献方法。　４．２．３识别综合评价结果及分析　配准服务于识别，为了更好地体现配准算法　的实用性，同时为了检测配准的质量，将配准算法　融于识别过程中，观察其对识别率的影响。　首先建立模板，将每类训练样本按照方位角　从大到小进行排列，取分组区间为１０。，以每组中　间图像为基准图像【３　，其余图像依次与基准图像进　行对准，最后将区间内经配准后的所有图像相加　取均值即可得到此区间的模板图像。　接着根据估计出待测目标的方位角，从模板　库中找到相应模板，将待测图像与模板图像进行　对准，然后运用欧氏距离法对经配准后的目标进　行类型识别。由于在配准过程中选取不同的间隔　参数对配准的精度和运行速度都有很大的影响，　如何选择合适的间隔参数成为提高配准质量的重　维普资讯 http://www.cqvip.com ２００７年第６期　刘强：一种新的ＳＡＲ图像自动配准算法　４４１　要环节。图４显示了选择不同间隔参数对识别精　度的影响。表２具体给出了不同间隔参数得到的　识别正确率和运行时间。设间隔参数为１时算法　的运算速度为１。　从识别正确率的比较结果可以看出，未经过　配准过程的识别算法的正确识别率为８５．５６３　，　而由于在相同的模板建立和识别过程中增加了配　准步骤，对目标空间上的偏移进行了有效的校正，　因此三类目标的平均识别率均有了显著的提高，　平均识别率达到了９４．９Ｏ１　。　根据表３的分析结果可以得出结论，在ＳＡＲ　目标识别过程中对图像间进行目标空间位置的对　图４　间隔参数对配准精度和运行速度的影响　表２　间隔参数对应的识别正确率和运行时间　间隔参数　识别率／（　）　１　９５．４３９　２　９５．２３Ｏ　３　９４．９Ｏ１　４　９３．２３２　５　９２．８９Ｏ　１Ｏ　９１．２７２　对不同间隔参数对应的识别正确率和运行时　间进行分析可以看出，当间隔参数Ｓ等于３时，运　行速度得到了很大的提高，运行时间为Ｓ是１时的　８５　，而识别正确率仍可达到９４．９０１　。当Ｓ大于　３时，识别正确率出现大幅度下降。因此从时间和　精度综合考虑，选取间隔参数为３。　为了说明本文算法的有效性，观察其对识别　的影响，将应用本文配准算法的识别结果与未使　用配准算法的识别结果加以比较，比较结果如表３　所示。间隔参数取３。　表３配准对ＳＡＲ目标识别的影响　未经配准的识别结果　经配准后的识别结果　目标类型目标型号　正确识别率平均识别率正确识别率平均识别率　９０．０００　９８．４６２　７２．４５９　７９．６９５　７４．８７２　８５．５６３　８８．７ｌ８　９４．９０１　９５．５８８　９１．８３７　９４．８９８　９９．４９０　准是很有必要的。通过应用本文算法，识别率得　到了很大的提高。对一Ｏ　２　５　１　１　Ｏ　＿．日　一Ｏ　９　８　８　８　８　—　一Ｏ　５　２　９　２　２　为了进一步说明本文算法的优越性，分别将　基于改进灰度熵的配准算法和其他几种配准算法　应用于识别过程中，除配准过程外，识别的其他过　程相同，对识别结果进行比较。比较结果如表４　所示。　表４三种配准算法得到的识别正确率的比较　三种配准算法　经配准后的识别正确率／（　）　基于改进灰度熵的配准方法　未使用灰度熵的配准方法　文献［４］配准方法　从表４的各项识别结果可以看出，应用基于改　进灰度熵配准算法后的识别正确率与文献［４］方　法相当，均达到了９４　以上，完全可以满足实际的　需要，而运算所用的时间却为文献［４］方法的十分　之一。配准精度的提高自然会带来识别率的提　高，从实验结果综合分析可以得出结论，文中提出　的配准方法大大提高了配准精度，并且在计算复　杂度上要优于文献方法，运算时间大大减少。　综上所述，基于改进灰度熵的配准算法大大　提高了配准精度，具有很强的鲁棒性，并且运算速　度得到了很大的改善，是一种确实有效的配准　方法。　ｂ　兰古１　本文提出一种基于改进灰度熵的ｓＡＲ图像　自动配准算法。有效利用灰度熵的各种特性，在　配准过程中充分调动了像素点的有效信息，避免　了配准中常见的由于图像间光谱特性差异所引起　的配准精度的降低，同时运用多种方法对算法的　鲁棒性、复杂度等特性进行进一步的评价。从大　量配准数据可以看出，基于改进灰度熵的ＳＡＲ图　维普资讯 http://www.cqvip.com ４４２　雷达科学与技术　第５卷第６期　像配准算法具有配准精度高，运算速度快的特点，　正确校正了图像间的位置偏差，具有一定的实　用性。　参考文献　［１］Ｏｌｉｖｅｒ　Ｃ，Ｑｕｅｇａｎ　Ｓ．Ｕｎｄｅｒｓｔａｎｄｉｎｇ　Ｓｙｎｔｈｅｔｉｃ　Ａｐｅｒ—　ｔｕｒｅ　Ｒａｄａｒ　Ｉｍａｇｅｓ［Ｍ］．Ｌｏｎｄｏｎ：Ａｒｔｅｃｈ　Ｈｏｕｓｅ，　１９９８．　［２］Ｇｏｓｈｔａｓｂｙ　Ａ　Ａ．２－Ｄ　ａｎｄ　３－Ｄ　Ｉｍａｇｅ　Ｒｅｇｉｓｔｒａｔｉｏｎ［Ｍ］．　Ｎｅｗ　Ｊｅｒｓｅｙ：Ｊｏｈｎ　Ｗｉｌｅｙ＆Ｓｏｎｓ，Ｉｎｃ，２００５：１９—２５．　［３］成功，崔凯．基于峰值点的目标对准在ＭＳＴＡＲ　ＳＡＲ　图像分类中的应用Ｉ－Ｊ］．遥测遥控，２００６，２７（５）：２５—　３０．　Ｃｈｅｎｇ　Ｇｏｎｇ，Ｃｕｉ　Ｋａｉ．Ｐｅａｋ　Ｂａｓｅｄ　Ｔａｒｇｅｔ　Ａｌｉｇｎｍｅｎｔ　ａｎｄ　Ｉｔｓ　Ａｐｐｌｉｃａｔｉｏｎ　ｔｏ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　ＭＳＴＡＲ　ＳＡＲ　Ｉｍａｇｅｓｌ＇Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｔｅｌｅｍｅｔｒｙ，Ｔｒａｃｋｉｎｇ　ａｎｄ　Ｃｏｒｎ—　ｍａｎｄ，２００６，２７（５）：２５—３０．（ｉｎ　Ｃｈｉｎｅｓｅ）　［４］Ｈａｎ　Ｐｉｎｇ，Ｗｕ　Ｒｅｎｂｉａｏ，Ｈｕａｎｇ　Ｊｉｎｇｘｉｏｎｇ．Ａ　Ｎｏｖｅｌ　Ｐｒｅｐｒｏｃｅｓｓｉｎｇ　Ａｐｐｒｏａｃｈ　ｆｏｒ　ＳＡＲ　ＡＴＲＩ，Ｃ］ｆｆ　Ｐｒｏｃｅｅｄ—　ｉｎｇｓ　ｏｆ　２００６　ＣＩＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｒａｄａｒ，　Ｓｈａｎｇｈａｉ：ｓ．ｎ．］，２００６：１４６２—１４６５．　［５］Ｄａｉ　Ｘ　Ｌ，Ｋｈｏｒｒａｍ　Ｓ．Ａ　Ｆｅａｔｕｒｅ—Ｂａｓｅｄ　Ｉｍａｇｅ　Ｒｅｇｉｓ—　ｔｒａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ　Ｕｓｉｎｇ　Ｉｍｐｒｏｖｅｄ　Ｃｈａｉｎ—＿Ｃｏｄｅ　Ｒｅｐｒｅ—＿　ｓｅｎｔａｔｉｏｎ　Ｃｏｍｂｉｎｅｄ　ｗｉｔｈ　Ｉｎｖａｒｉａｎｔ　Ｍｏｍｅｎｔｓｌ，Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ　ｏｎ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，１９９９，３７　（５）：２３５１－２３６２．　［６］黄勇，王建国，黄顺吉．一种ＳＡＲ图像的自动匹配算　法及实现［Ｊ］．电子与信息学报，２００５，２７（１）：６－９．　Ｈｕａｎｇ　Ｙｏｎｇ，Ｗａｎｇ　Ｊｉａｎ—ｇｕｏ，Ｈｕａｎｇ　Ｓｈｕｎ－ｊｉ．Ｉｍａｇｅ　Ｍａｔｃｈｉｎｇ　Ａｌｇｏｒｉｔｈｍ　ａｎｄ　Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ　ｆｏｒ　ＳＡＲ　Ｉｍ—　ａｇｅｓｌ，Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃｓ＆Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈ—　ｎｏｌｏｇｙ，２００５，２７（５）：６－９．（ｉｎ　Ｃｈｉｎｅｓｅ）　［７］邓鹏，王宏琦．结合边缘与灰度信息的ＳＡＲ图像配准　算法［Ｊ］．遥感技术与应用，２００３，１８（３）：１５９—１６３．　Ｄｅｎｇ　Ｐｅｎｇ，Ｗａｎｇ　Ｈｏｎｇ—ｑｉ．Ａ　ＳＡＲ　Ｉｍａｇｅ　Ｒｅｇｉｓｔｒａ—　ｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ　Ｕｓｉｎｇ　Ｅｄｇｅ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｃｏｍｂｉｎｅｄ　ｗｉｔｈ　Ｇｒａｙ—Ｉ　ｅｖｅｌ　Ｉｎｆｏｒｍａｔｉｏｎ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｔｅｃｈｎｏｌｏｇｙ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎ，２００３，１８（３）：１５９—１６３．　（ｉｎ　Ｃｈｉｎｅｓｅ）　［８］康欣，韩崇昭，杨艺．基于结构的ＳＡＲ图像配准［Ｊ］．　系统仿真学报，２００６，１８（５）：１３０７—１３１０．　Ｋａｎｇ　Ｘｉｎ，Ｈａｎ　Ｃｈｏｎｇ—ｈａｏ，Ｙａｎｇ　Ｙｉ．Ｓｔｒｕｃｔｕｒｅ－ｄｒｉｖ—　ｅｎ　ＳＡＲ　Ｉｍａｇｅ　Ｒｅｇｉｓｔｒａｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｓｙｓｔｅｍ　Ｓｉｍｕｌａｔｉｏｎ，２００６，１８（５）：１３０７—１３１０．（ｉｎ　Ｃｈｉｎｅｓｅ）　［９］Ｄｅ　Ｂｏｎｅｔ　Ｊ　Ｓ，Ｃｈａｏ　Ａ．Ｓｔｒｕｃｔｕｒｅ—ｄｒｉｖｅｎ　ＳＡＲ　Ｉｍａｇｅ　Ｒｅｇｉｓｔｒａｔｉｏｎ［ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ＳＰＩＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｌｇｏｒｉｔｈｍｓ　ｆｏｒ　Ｓｙｎｔｈｅｔｉｃ　Ａｐｅｒｔｕｒｅ　Ｒａｄａｒ　Ｉｍａｇｅｒｙ　Ｖ，Ｏｒｌａｎｄｏ　Ｆｌｏｒｉｄａ：ｓ．ｎ．］，１９９８：１０９一ｌ１９．　［１ｏ］徐英，周金鹏．基于邻域灰度分布的ＩＲ弱小目标检　测［Ｊ］．国防科技大学学报，２００２，２４（５）：８４—８７．　Ｘｕ　Ｙ，Ｚｈｏｕ　Ｊ　Ｐ．Ｓｍａｌｌ　ＩＲ　Ｔａｒｇｅｔｓ　Ｄｅｔｅｃｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　ｔｈｅ　Ｄｉｓｔｒｉｂｕｔｉｏｎ　ｏｆ　Ｇｒａｙ－Ｉ　ｅｖｅｌ　ｉｎ　ｔｈｅ　Ｎｅｉｇｈｂｏｒ—　ｈｏｏｄ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｎａｔｉｏｎａｌ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｄｅｆｅｎｓｅ　Ｔｅｃｈｎｏｌｏｇｙ，２００２，２４（５）：８４—８７．（ｉｎ　Ｃｈｉｎｅｓｅ）　［１１］Ｆｕｋｕｎａｇａ　Ｋ．Ｉｎｔｒｏｄｕｃｔｉｏｎ　ｔｏ　Ｓｔａｔｉｓｔｉｃａｌ　Ｐａｔｔｅｒｎ　Ｒｅｃ—　ｏｇｎｉｔｉｏｎ［Ｍ］．Ｎｅｗ　Ｙｏｒｋ：Ａｃａｄｅｍｉｃ　Ｐｒｅｓｓ，１９９０：７６—　７７．　［１２］成功，赵巍，毛士艺．双闽值ＣＦＡＲ　ＳＡＲ目标分割方　法［Ｊ］．信号处理，２００７，２３（１）：１０—１４．　Ｃｈｅｎｇ　Ｇｏｎｇ，Ｚｈａｏ　Ｗｅｉ，Ｍａｏ　Ｓｈｉｙｉ．Ｄｏｕｂｌｅ　ＣＦＡＲ　Ｓｅｇｍｅｎｔａｔｉｏｎ　ｏｆ　Ｔａｒｇｅｔ　ｉｎ　ＳＡＲ　Ｉｍａｇｅｓ［Ｊ］．Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｉｎｇ。２００７，２３（１）：１０—１４．（ｉｎ　Ｃｈｉｎｅｓｅ）　［１３］唐智，周荫清，李景文．ＩｎＳＡＲ数据处理中基于相关　系数的配准方法［Ｊ］．雷达科学与技术，２００４，２（２）：　１Ｏ８—１１４．　ＴＡＮＧ　Ｚｈｉ。ＺＨ（）Ｕ　Ｙｉｎ—ｑｉｎｇ，ＬＩ　Ｊｉｎｇ—ｗｅｎ．Ｃｏ—Ｒｅｇ—　ｉｓｔｒａｔｉｏｎ　Ｍｅｔｈｏｄ　Ｂａｓｅｄ　ｏｎ　Ｃｏｒｒｅｌａｔｉｏｎ　Ｃｏｅｆｆｉｃｉｅｎｔ　ｉｎ　ＩｎＳＡＲ　Ｄａｔａ　Ｐｒｏｃｅｓｓｉｎｇｌ，Ｊ］．Ｒａｄａｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈ—　ｎｏｌｏｇｙ，２００４，２（２）：１０８—１１４．（ｉｎ　Ｃｈｉｎｅｓｅ）　作者简介　刘　强　男，１　９８３年出生于山东枣　庄，烟台大学光电信息学院信号处理　专业硕士研究生，主要从事ＳＡＲ自动　目标识别及多传感器数据融合的　研究。　王国宏　男，１９６３年出生于山西沁水，海军航空工程　学院电子工程系副主任、教授、博士后、博士生导师，泰山学　者，中国电子学会高级会员，中国电子学会无线电定位技术　分会委员，国家自然科学基金专家评审库成员，雷达系统专　业委员会委员等职，主要研究方向为多传感器信息融合、雷　达数据处理、雷达组网。