9、优化TerraSAR - X图像视图合成方法及物联网环境中RPL的分区攻击研究

优化TerraSAR - X图像视图合成方法及物联网环境中RPL的分区攻击研究

优化TerraSAR - X图像视图合成方法

在TerraSAR - X图像的处理中，视图合成方法在图像配准方面有重要应用，但也存在一些挑战。实验测试表明，在540对TerraSAR - X图像中，标准的基于特征的图像配准方法仅能配准197对图像，而迭代视图合成（IRVS）方法能配准502对图像。

IRVS方法通过生成源图像和目标图像的合成视图来进行图像配准。随着迭代的进行，合成视图逐渐增加，直到图像配准成功。然而，这种方法的时空复杂度与生成的视图数量直接相关，当需要执行多次迭代时，时空复杂度会呈指数级增长。如果在配准前能知道图像间的变形情况，就可以在时间和空间上对迭代方法进行优化。

为了优化视图合成方法，可提前确定视图数量以减少迭代次数，从而优化源图像和目标图像配准所需的时间和空间。视图数量通常是图像间几何变化的函数，可从参考图像特征和源图像捕获条件中推导得出。我们尝试将其作为一个机器学习问题，利用分类器根据轨迹信息、源图像和参考图像来预测视图数量。

具体操作步骤如下：
1. 分类器模型设计 ：从参考图像特征和变形信息中提取特征。参考图像特征使用全局图像描述符，如颜色和Hu矩（10个值）、灰度共生矩阵（GLCM，4个值）、局部二值模式（LBP，59个值）和局部导数模式（LDP，56个值）。变形信息包括重叠率、尺度和方向角（3元素向量）。
2. 属性生成 ：将参考图像的全局特征和变形信息作为分类器的属性。
3. 属性选择 ：使用信息增益比选