一種基于2D-Gabor的高分遙感影像局部特征提取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于高分辨率遙感影像處理領(lǐng)域，尤其設(shè)及一種基于2D-G油or的高分遙 感影像局部特征提取方法。
【背景技術(shù)】
[0002] 隨著遙感技術(shù)的發(fā)展，高分辨率遙感影像的出現(xiàn)，遙感圖像的細(xì)節(jié)更加豐富。和普 通圖像相比，遙感影像的尺寸更大，數(shù)據(jù)信息分布也更為復(fù)雜，該種復(fù)雜性決定了處理遙感 影像時(shí)不能使用單一的特征提取模型。此外，遙感成像的非均勻光照、過飽和等因素均會(huì)對(duì) 傳統(tǒng)的基于全局特征提取的方法造成影響。使用局部特征檢測(cè)及特征描述方式，可W使獲 得的局部特征只是對(duì)整個(gè)圖像內(nèi)容進(jìn)行高度抽象，該樣遙感影像本身的信息量將得到大大 的壓縮。
[0003] 局部特征提取技術(shù)主要包括兩個(gè)階段；局部特征檢測(cè)和局部特征描述。
[0004] 在局部特征檢測(cè)階段，主要研究如何確定遙感影像中我們感興趣的特征所在的位 置，該階段是局部特征提取的首要環(huán)節(jié)，直接影響著后續(xù)特征描述和特征匹配的進(jìn)行。有代 表性的局部特征檢測(cè)方法是角點(diǎn)特征檢測(cè)。Harris角點(diǎn)檢測(cè)算法采用了微分算子和矩陣特 征值來判斷角點(diǎn)，計(jì)算復(fù)雜而且不具有尺度不變形。Smith等人提出的SUSAN角點(diǎn)檢測(cè)算法 直接使用遙感影像的灰度信息進(jìn)行角點(diǎn)檢測(cè)，計(jì)算過程簡(jiǎn)單，但亮度的闊值不容易確定，不 易處理模糊的影響。FAST角點(diǎn)檢測(cè)算法是Rosten等人在SUSAN算子的基礎(chǔ)上提出的，具有 高效性并且定位精度和可重復(fù)性高，但是依然不具有尺度不變形。
[0005] 在局部特征描述階段，主要研究如何量化檢測(cè)到的特征，從而表征圖像的局部結(jié) 構(gòu)信息。最常見的局部特征描述方法是基于梯度分布的描述方法，如Lowe提出的SIFT描 述子，Ke提出的PCA-SIFT描述子，Bay提出的T描述子，MAolajczyk和Schmid提出的 化0H描述子等，他們使用了梯度直方圖的方式生成特征適量，但是，占用內(nèi)存大且不具有實(shí) 時(shí)性。
[0006] 高分遙感影像的特征提取技術(shù)是很多遙感分析任務(wù)（比如；遙感影像自動(dòng)配準(zhǔn)、 遙感影像融合、遙感影像分類、遙感影像的目標(biāo)識(shí)別及影像中地物特征的變化檢測(cè)等）的 基礎(chǔ)環(huán)節(jié)。提取出具有不變性的局部特征能夠有效地解決遙感領(lǐng)域的應(yīng)用問題。此外，高 分辨率遙感影像使用的傳感器觀測(cè)范圍廣，遙感影像中目標(biāo)的細(xì)節(jié)特征比較豐富，結(jié)構(gòu)性 特征、紋理特征和形狀特征往往比較突出。
[0007] 傳統(tǒng)的局部特征提取技術(shù)大多基于高斯核函數(shù)構(gòu)成的尺度空間來獲得遙感影像 中不變性的局部特征。該種方法缺乏對(duì)遙感影像頻率方向的選擇過程，在頻率域中方向變 化比較明顯的特征就會(huì)被忽略掉。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的是針對(duì)高分遙感影像的特點(diǎn)W及現(xiàn)有的局部特征提取技術(shù)中存 在的不足，提供一種基于2D-G油or的高分遙感影像局部特征提取方法。該方法利用了 2D-G油or變換的多尺度多通道性能，對(duì)遙感影像的空間位置、頻率和方向具有很強(qiáng)的選擇 性，能夠捕捉到遙感影像中顯著的局部特征信息，能提取出魯椿性更好、匹配率更高、更符 合人類視覺特性的局部特征。
[0009] 一種基于2D-G油or的高分遙感影像局部特征提取方法，包括如下步驟：
[0010] S1、使用2D-G油0生成遙感影像的尺度空間，所述2D-G油or的核函數(shù)是方向角 為0，頻率為W。的復(fù)正弦函數(shù)調(diào)制二維高斯函數(shù)h(x，y，0，0 ,，Oy)，所述尺度空間為 L(x，y, 〇s)，其中，h(x，y,日，〇x，Oy) =g(x'，y'）exp巧 31j(u〇x+v〇y)]，
[0011]
(X，y)表示所述尺度空間的位置 信息，exp(*)表示W(wǎng)e為底的指數(shù)函數(shù)，
[0012] X， =XCOS目 +ysi打目，y， = -xsi打目+ycos目，
[001引二維高斯函數(shù)
0X為g(x，y)在X方向的標(biāo) 準(zhǔn)差，0y為g(X，y)在y方向的標(biāo)準(zhǔn)差，L(X，y, 0 ,，0m) =I(X，y)*h(X，y, 0 ,，0m)，I(X，y) 表示輸入的高分遙感影像，表示所述核函數(shù)h(x，y, 0，0y,Oy)的尺度參數(shù)，0,= 0iks4，s為不為零的自然數(shù)且s《A，A為尺度的個(gè)數(shù)，k為經(jīng)驗(yàn)值，為初始尺度，0m表 示復(fù)正弦函數(shù)調(diào)制二維高斯函數(shù)h(x，y，0，0,，Oy)的調(diào)制方向；
[0014]S2、根據(jù)S1所述尺度空間構(gòu)建A組影像金字塔實(shí)現(xiàn)多尺度表達(dá)，其中，每組影像金 字塔包含N層影像，A為不為零的自然數(shù)，N為不為零的自然數(shù)；
[0015]S3、捜索FAST特征，確定特征點(diǎn)的位置和尺度信息，具體為；
[0016]S31、使用FAST算子對(duì)S2所述影像金字塔中的每一層的所有像素點(diǎn)進(jìn)行檢測(cè)，得 到初步的特征點(diǎn)集，具體為：
[0017]S311、使用公式
對(duì)S2所述影像金字塔中的 每一層的像素進(jìn)行分割測(cè)試（SegmentTest),所述分割測(cè)試在圓上進(jìn)行，所述圓W中屯、像 素點(diǎn)P為圓屯、，所述圓半徑為3. 4個(gè)像元，所述圓周圍有16個(gè)像素，其中，X為圓上的像素 點(diǎn)，P-X表示相對(duì)中屯、像素點(diǎn)P的像素點(diǎn)X，Ip表示中屯、像素點(diǎn)P的像素值，I表示所 述圓上的像素值，t為經(jīng)驗(yàn)闊值，d代表所述圓上與中屯、像素點(diǎn)相比灰度值低的像素點(diǎn)、S代 表所述圓上與中屯、像素點(diǎn)灰度相似的像素點(diǎn)、b代表所述圓上與中屯、像素點(diǎn)相比灰度值高 的像素點(diǎn)；
[001引S312、統(tǒng)計(jì)S311所述d和b出現(xiàn)的次數(shù)，若S311所述d和b中有一個(gè)出現(xiàn)的次數(shù) >B，則S311所述衷屯、像素點(diǎn)P為候選的特征點(diǎn)，其中，B為整數(shù)且B> 1 ;
[0019]S313、重復(fù)S311和S312,遍歷S2所述影像金字塔中的每一層的像素，生成候選特 征點(diǎn)集合Q;
[0020]S314、使用ID3決策樹分類器訓(xùn)練S313所述集合中的候選特征點(diǎn)，得到初步的特 征點(diǎn)集；
[0021]S32、在SI所述尺度空間L(x，y，0,)中對(duì)S31得到的初步的特征點(diǎn)集進(jìn)行非極大 值抑制，具體為：
[0022] S321、定義FAST特征的score函數(shù)
作為衡量標(biāo)準(zhǔn)，其中，Sbdght為圓上比中屯、像素點(diǎn)灰度值高的像素點(diǎn)構(gòu)成的集合，Sd。^為為圓 上比中屯、像素點(diǎn)灰度值低的像素點(diǎn)構(gòu)成的集合；
[0023]S322、若S31所述潛在特征區(qū)域的像素點(diǎn)的score函數(shù)值大于同一層8個(gè)鄰域點(diǎn) 的score函數(shù)，且S31所述潛在特征區(qū)域的像素點(diǎn)的score函數(shù)值大于上下相鄰兩層各9 個(gè)鄰域點(diǎn)的score函數(shù)值，則所述像素點(diǎn)為特征點(diǎn)；
[0024]S4、采用灰度質(zhì)屯、的方法來確定S3所述特征點(diǎn)的主方向0;
[0025]S5、對(duì)S3所述特征點(diǎn)進(jìn)行采樣生成特征矢量構(gòu)建特征描述子；
[002引 S6、使用化mming距離進(jìn)行特征向量匹配，得到匹配點(diǎn)對(duì)；
[0027] S7、采用隨機(jī)采樣一致性算法對(duì)S6所述匹配點(diǎn)對(duì)進(jìn)行優(yōu)化，去除錯(cuò)誤的局部特征 匹配點(diǎn)，所述隨機(jī)采樣一致性算法用于特征匹配篩選的具體過程是：
[002引 （1)從所有的匹配點(diǎn)對(duì)樣本測(cè)試集中隨機(jī)選取4個(gè)匹配點(diǎn)對(duì)，將其作為一個(gè) RANSAC樣本。
[0029] (2)通過采樣的匹配點(diǎn)對(duì)得到點(diǎn)對(duì)之間的一個(gè)變換矩陣M。
[0030] (3)設(shè)定一個(gè)度量誤差的函數(shù)，根據(jù)變換矩陣M和樣本測(cè)試集，計(jì)算符合變換矩陣 M的集合，我們稱為一致集consensus,記錄當(dāng)前一致集中包含的元素個(gè)數(shù)。
[0031] (4)由記錄的一致集元素的個(gè)數(shù)可W判斷出步驟（3)得到的一致集是否是最優(yōu) 的，如果是最優(yōu)的則對(duì)當(dāng)前的一致集進(jìn)行更新。
[0032] (5)計(jì)算當(dāng)前一致集與變換矩陣M間的錯(cuò)誤概率，比較當(dāng)前錯(cuò)誤概率Pm與允許的 最小錯(cuò)誤概率的大小，當(dāng)Pm>Pth時(shí)，重復(fù)執(zhí)行步驟（1)至（4)，當(dāng)Pm《Pth停止，此時(shí)的矩 陣M為最佳的匹配的變換矩陣。
[0033] 進(jìn)一步地，S1所述使用2D-G油or生成遙感影像的尺度空間具體步驟如下：
[003