Steerable filter based multiscale registration method for JERS-1 SAR and ASTER images

1. Steerable filter based multiscale registration method for JERS-1 SAR and ASTER images 一种基于方向可调滤波器的多尺度JERS-1 SAR和ASTER图像配准算法

2. 摘要 在遥感领域中，对SAR图像和卫星光学图像进行自动配准，是一项非常具有挑战性的问题。本文中提出了一种利用方向可调Simoncelli(西蒙切利)滤波器、基于光强度的多尺度配准算法，用于对JERS-1 SAR图像和ASTER图像进行配准。互信息法被用于进行相似度度量，一种混合搜索技术用于进行参数最优化。实验结果证明，本文提出的算法能够胜任JERS-1 SAR和ASTER图像的配准。但是，算法的健壮性需要进一步证明。

3. I. INTRODUCTION 在一些遥感图像的高级融合应用中，对来自不同途径的图像进行配准变得越来越重要。光学卫星图像，例如ASTER(Advanced Spacebome Thermal Emission and Reflection Radiometer)图像凭借其高清晰的特性，在一些遥感领域非常受欢迎，但它们容易受云层和天气的干扰。相反的,SAR图像却不受天气和时间的干扰。文献[1-8]分别介绍了一些人工的和自动的配准算法，对SAR图像和光学卫星图像进行配准。总的来说，这些方法可以分为两类：基于特征的方法和基于光强度的方法。由于JERS-1(日本地球资源卫星-1)SAR图像与ASTER图像间独特的差异性，要想从中提取出相关特征不容易。而且SAR图像中存在严重的噪声污染。因此，要想实现自动配准，从而获得一个满意的效果是非常困难的。

4. 在本文中，我们提出了一种新的基于光强度的多尺度配准方法，用于JERS-1 SAR与ASTER图像间的配准。方向可调滤波技术用于处理图像的方向信息。易操作金字塔分解是一种可逆的表示法，近似于2维离散小波变换，具有平移和旋转不变性质。基于互信息(MI)的信息理论，用于实验中的相似度度量。开始的时候采用全局PSO算法(particle swarm optimization)作为配准函数。分别获取滤波后的图像间的相关等级的配准函数，配准函数的配准值，分别作为下一等级的配准函数的初始值。本文的主要创新点在于利用方向可调滤波技术和高级混合搜索算法，对JERS-1 SAR图像与ASTER图像进行快速成功的配准。 与传统的方法比较，我们基于多尺度配准的方向可调滤波技术能够提高配准过程的速度。同时，我们的算法准确性上不亚于传统的方法。本文的方法不需要模板图像，JERS-1 SAR和ASTER图像像斑点消除样进行预处理。但是，算法的性能受输入图像的规格影响。

5. II. IMAGE REGISTRATION METHOD

7. C. Simoncelli Filter 在图像配准中，小波滤波常常作为一个多分辨率分解技术。基于方向可调Simoncelli(西蒙切利)滤波较之于Daubechies小波滤波在平移变换、旋转变换以及噪声方面更加健壮，本文使用该技术对SAR与光学卫星图像进行配准。

8. The steerable pyramid is a multiscale representation that is translation-invariant, but that also includes representation of orientation [9]. Furthermore, the representation of orientation is designed to be rotation- invariant. The basis and projection functions are oriented (steerable) filters, localized in space and frequency. It is overcomplete to avoid aliasing. It is also "tight frame", i.e. the projection functions and basis functions are identical, though it is not an orthogonal representation. 可操纵金字塔是个多尺度变换，其具有平移不变性；但也包括方向上的表达式。而且方向上的表达式是具有旋转不变性。基本映射函数(projection function)是方向可调滤波，实现时域和频域上的局部化。该滤波器用于避免图像混叠. 映射函数与基本函数是等同的，尽管不是正交表示。

9. 西蒙切利方向可调金字塔算法 的系统结构如图1所示。滤波 器（Fhi0,Flo0）用于初始把 图像分解成一个高通和低通子 带。低通带Flo0又分解成一 些低通带{Flo1,Flo2}. {FB0,FB1..}是方向子带， 保证表示是旋转不变的。

10. D .Automated Registration Scheme 本文提出的算法过程如图2所示，可以分成三个主要的模块。图像首先被分解成一个方向可调的金字塔。子代FBi用于在图像中分解特征。Patial volume Intensity imterpolation用于对概率分布函数进行估算。paticle swarm optimization(PSO)算法用于在粗化阶段对配准函数的参数空间进行全局搜索。由同步扰动随机近似技术限制的局部随机梯度搜索，用于在其他等级对配准函数进行最优化。全局最优化的结果作为本地随机梯度(local stochastic gradient search)搜索的初始值。

11. III. EXPERIMENTS AND DISCUSSION 在本节中，我们将利用本文提出的算法做一些实验。首先， 考虑计算速度，构建4个等级的易操控分解。在配准过程的初始 化阶段，采用全局最优化PSO算法在最深等级进行搜索。然后 将全局配准结果作为下一等级搜索的初始值；在这些等级完成 局部随机梯度最优化，以调整配准参数。在当前阶段，考虑刚 性变换和三个参数，旋转、x轴和y轴的平移变换。 A. Image Set 本文采用的图像时来自ASTE传感器和JERS-1 SAR，两个感 器的基本性能参数如表一所示。图3为传感器获得的一对图像。

13. B. Multiscale Decomposition 首先，配准图像被压缩，使用西蒙切利滤波生成图像金字塔。然后采用多分辨率搜索策略来求解变换参数。在图像金字塔的最低层，采用PSO算法。因为PSO算法是采用全局最优化，并不需要初始估计值。当从最低层图像中获取到近似参数后，把这些参数作为金字塔中下一层图像随机梯度最优化的初始输入值。重复过程直到求得最优解。最优化过程返回的恒定参数或者下一等级返回的差值可以忽略。值得注意的是，为了在开始等级的图像汇总获得平滑的配准函数，直方图中点的数量需要进一步地减少。图3中图像的4等级的易操纵金字塔分解结果如图4所示。

15. C. Result 图5所示为采用我们方法的配准结果。通过视觉上的比较，我们的方法配准的结果比手工方法(manual method)的好。为了获取一个数量上的比较，我们人工定义5对检测点，以估算配准的精度(RMSE).manual method的RMSE值为5 pixels,我们方法的值为3 pixels，这反映出我们算法的精度更高。

17. IV. CONCLUSIONS 实验结果证明采用互信息法对JERS-1 SAR和ASTER图像配准，效果良好。与传统的手工法比较，我们的基于方向可调滤波的多尺度配准方法，能够提高配准过程的速度，我们的混合搜索方法能够减少对初始值的依赖，这些策略都调高了配准过程的健壮性。同时，我们的方法更加精确。算法不要求进行预处理，实验结果证明我们算法的优越性。但是，实验结果也反映了我们的算法性能对于图像的规格过于依赖。