基于图扰动理论的SAR图像稳健配准方法研究

Graph theory has become one of the hot research spots in image registration due to its elegant geometric and topological description, even though there is still some urgent problems to solve such as the lack of robustness and high computational complexity. This project intends to use the theory of graph spectral and matrxi perturbation anlysis as poweful tools to study robust SAR image registration based on graph perturbation theory as well as its applications. Firstly, we transform strict graph matching problem into adaptive approximation isomorphic graph registration problem by exploiting graph perturbation theory, so as to extract some robust features not sensitive to perturbation to improve robustness. Secondly, the sparse principal feature graph will be extracted by exploiting low-rank regularization methods to achieve effective dimensinality reduction, so as to achieve a best approxiamtion of the origal data. Finally, the affine invariant feature similarity measure will be bulit, and the adaptive and robust SAR image registraion method based on graph matching is proposed. The research results of this project will be tested on real world SAR database in Aeronautical Science and Technology Key Lab of Aeronautical Test and Evaluation, Nanchang Hangkong University.

基于图理论的方法由于其良好的几何和拓扑描述能力，已成为当前图像配准研究的热点之一，但还存在着配准稳健性不足、计算复杂度高等问题亟需解决。本项目拟以图谱理论和矩阵扰动分析为理论基础，以解决图谱理论在图像配准中存在的稳健性和实时性等关键问题为目的，研究基于图扰动模型的稳健SAR图像配准理论及应用问题。具体研究内容包括:(1)利用图扰动理论，将严格的图匹配问题转化为自适应的近似同构图的配准问题，提取扰动不敏感的鲁棒特征，有效提高配准稳健性；(2)针对特征数据的高维化，通过由内在结构引导的低秩正则化方法实现对图模型的有效降维，提取稀疏主特征图，在降低计算复杂度的同时实现对原数据的最佳近似逼近；(3) 建立仿射不变的特征相似性度量，研究基于图匹配优化的自适应配准方法，实现SAR图像的稳健配准。本项目研究成果将在南昌航空大学"航空检测与评价技术"航空科技重点实验室的真实SAR数据库中进行仿真验证。

基于图理论的方法由于其良好的几何和拓扑描述能力，已成为当前图像配准研究的热点，但还存在着配准稳健性不足、计算复杂度高等问题亟需解决。本项目主要围绕基于图扰动理论的稳健SAR图像配准方法研究，针对图像配准的预处理、图模型的构造、图模型的高维化处理、图模型的自适应图像配准的度量准则以及图像配准的可扩展性问题开展了研究。研究内容主要包括噪声去除预处理、扰动图模型的构造与分析、稀疏表示的主特征图模型提取与分析、基于仿射不变相似性度量的自适应度量准则以及可扩展的稀疏表示的数据聚类等问题。.图像配准的噪声去除等预处理：针对图像在获取中存在噪声，影响后续图像处理与分析，本项目提出了一种基于保真约束的P-M模型图像去噪方法；提出了一种基于混合梯度最小化Mumford-Shah 模型的高维滤波方法；提出了一种基于最大化自相似性先验的图像超分辨率重建方法；提出了一种基于规范高斯距离的图像分割方法；为了有效提取显著特征，提出了基于分层信息融合的物体级显著性特征检测方法。.扰动图模型的构造与分析：本项目研究了扰动图模型，提出了基于随机扰动图模型的图像配准方法。基于稀疏表示的主特征图模型提取与分析：本项目针对图的高维化问题，提出了一种基于稳健自适应主特征成份分析的图像配准方法；提出了一种基于规范拉普拉斯矩阵主特征成份预测的图像配准方法。.基于图模型稀疏表示的聚类方法研究：本项目针对传统低秩表示聚类方法存在的问题，研究了基于局部图拉普拉斯约束的鲁棒低秩表示方法；提出了一种基于连续近似秩规则化优化问题；提出了一种基于自适应变分约束的稀疏图非负矩阵分解聚类方法。.基于仿射不变相似性度量的自适应稳健配准方法研究：本项目提出了一种基于改进N-SIFT和GMM平行优化方法的快速旋转图像配准方法；提出了一种基于轮廓匹配和稳健变换估计的自动配准方法；提出了一种基于尺度、方向和距离约束的SIFT配准方法；提出了一种基于图规则化变分约束的NMF图像配准方法。