4]S11、對遙感影像進行濾波，即使用S1所述2D-G油or的核函數(shù)h(X，y，日，0X，0y) 對輸入的高分遙感影像濾波，得到L(x，y，〇,，0m);
[0035]S12、根據(jù)Sll所述L(x，y，0,，0m)，將輸入的高分遙感影像在特定尺度參數(shù)下每 個方向的結(jié)果相乘得到L(x，y，0 ,)。
[0036] 進一步地，S11所述濾波所使用的核函數(shù)是經(jīng)過優(yōu)化的核函數(shù)
優(yōu)化方式為；選擇一倍程的頻率間 距，根據(jù)參數(shù)估計方法最大限度降低特征的冗余信息，其中，0為尺度參數(shù)，j為虛部。
[0037] 進一步地，S1所述的k= 1. 4。
[0038] 進一步地，S2所述構(gòu)建影像金字塔實現(xiàn)多尺度表達具體步驟如下：
[0039]S21、根據(jù)S1所述L(x，y，0,)建立A組影像金字塔，每組包含N層高分遙感影像， 所述N層影像包括m個中間層Ci和n個內(nèi)層d1，其中，m為不為零的自然數(shù)，n為不為零的 自然數(shù)，m=n且m<N，n<N，A為自然數(shù)且4《A《16，N為自然數(shù)且4《N《16;
[0040]S22、將SI所述0 ,上所有方向的響應值相乘作為S21所述影像金字塔的尺度參 數(shù)曰,對應組中的第一個內(nèi)層影像，上一內(nèi)層影像經(jīng)0. 5倍的下采樣可得到下一內(nèi)層影像， 將所述第一個內(nèi)層影像1. 5倍下采樣得到第一個中間層影像，上一個中間層影像經(jīng)0. 5倍 下采樣得到下一個中間層影像。
[0041]進一步地，S21 所述A= 4,N= 4,m=n= 2。
[0042]進一步地，S312 所述B= 9。
[0043] 進一步地，還包括對S322所述特征點進行校正，所述校正包括對S322所述特征點 的像素坐標進行校正和對S322所述特征點的連續(xù)尺度進行校正，其中，采用最小二乘法進 行二次函數(shù)擬合對像素坐標進行校正，采用擬合拋物線函數(shù)的方法對連續(xù)尺度進行校正。
[0044] 進一步地，S4所述確定主方向0的具體步驟如下；
[0045]S41、建立一個W特征點為圓屯、，半徑為r的圓形鄰域圖像塊，定義所述圖像塊的 矩特征為
其中P、q表示矩的階數(shù)，取值為自然數(shù)；
[0046]S42、得出S41所述圖像塊的0階矩
得出S41所述 圖像塊的一階矩
[0047]S43、得出S41所述圖像塊的質(zhì)屯
[0048]S44、根據(jù)S43所述質(zhì)屯、C確定S3所述特征點的主方向0 =arctanOi!。。mi。），所 述0為S3所述特征點與43所述質(zhì)屯、C的夾角。
[0049] 本發(fā)明的有益效果；
[0050] 本發(fā)明主要利用2D-G油or良好的頻率選擇性、方向選擇性和局部選擇性，并且能 夠精確地模擬人類的視覺皮層和視網(wǎng)膜的認知特點。在特征檢測的過程中，使用2D-Gabor 變換作為核函數(shù)建立影像的尺度空間，在多尺度下檢測FAST特征，使檢測到的影像的局部 特征除了具備準確的定位能力、高穩(wěn)定性和可重復性外，對亮度和尺度的變化還具有不變 性，通過設置合適的參數(shù)可W在時間域和頻率域中同時獲得最優(yōu)的性能。在特征描述的過 程中使用二進制的特征描述子，計算復雜度低并且占用內(nèi)存小，生成的特征描述符具有更 好的可區(qū)分能力，降低了特征匹配中錯誤匹配點對出現(xiàn)的概率。
【附圖說明】
[0051] 圖1為本發(fā)明的整體流程圖。
[0052] 圖2為本發(fā)明的特征點檢測示意圖。
[0053] 圖3為本發(fā)明的特征點描述子建立過程的采樣模式示意圖。
【具體實施方式】
[0054] 下面結(jié)合附圖和實施例對本發(fā)明作進一步說明：
[00巧]如圖1所示。
[0056] 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。的復正弦函數(shù)調(diào)制二維高斯函數(shù)h(x，y，0，O,，Oy)，所述尺度空間為 L(x,y,0S)，其中，h(x,y,白，0"0y) =g(x'，y'）exp|；231j(u〇x+V〇y)]，
[0057]
(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)，
[0058] X， =XCOS目 +ysi打目，y， = -xsi打目+ycos目，
[0059] 二維高斯函數(shù)
I。為g(X，y)在X方向 的標準差，Oy為g(x，y)在y方向的標準差，L(x，y，0,，0。）=I(x，y)*h(x，y，〇,，0。)，I(x，y)表示輸入的高分遙感影像，0,表示所述核函數(shù)h(x，y，0，0 ,，Oy)的尺度參數(shù)，〇s =〇iks-i，s為不為零的自然數(shù)且s《A，A為尺度的個數(shù)，k= 1.4, 〇1為初始尺度，0m表 示復正弦函數(shù)調(diào)制二維高斯函數(shù)h(x，y，目，〇,，Oy)的調(diào)制方向，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：
[0060]S11、對遙感影像進行濾波，即使用核函數(shù)
對輸入的高分遙感影像濾波，得到L(x，y，〇,，目J，相當于使用不同尺度參數(shù)的2D-G油or核函數(shù)與圖像進行卷積平滑操作；
[0061]S12、根據(jù)S11所述L(x，y，0,，0m)，將輸入的高分遙感影像在特定尺度參數(shù)下每 個方向的結(jié)果相乘得到L(x，y，0 ,);
[006引在對遙感影像進行濾波時候，參數(shù)W。、0、0濟0y的選取是關鍵，可W直觀地 表現(xiàn)遙感影像的視覺空間信息W及頻率、方向和帶寬信息的選擇，有助于對局部特征信息 的提取。而尺度參數(shù)的選擇直接決定了提取到的局部特征關鍵點的穩(wěn)定性和可靠性，當 尺度參數(shù)的動態(tài)范圍比較大時，算法的尺度適應性比較好，但是計算復雜度會增加，還會 出現(xiàn)冗余現(xiàn)象。為了降低計算復雜度和特征冗余，需要對h(x，y，0，Oy，Oy)進行優(yōu)化。 本發(fā)明在優(yōu)化中選擇了一倍程的頻率間距，并依據(jù)[Man化nathBS,MaWY."Texture featuresforbrowsingandretrievalofimagedata".PatternAnalysisandMachine Intelligence,I邸ETransactionson,1996,18(8) :837-842.]中提到的參數(shù)估計的方法 最大限度地降低特征的冗余信息得到h(x，y，0,0)。
[0063]S2、根據(jù)S1所述尺度空間構(gòu)建影像金字塔實現(xiàn)多尺度表達：
[0064]S21、根據(jù)S1所述L(x，y，0 ,)建立4組影像金字塔，每組包含4層高分遙感影像， 所述4層影像包括2個中間層Ci和2個內(nèi)層d
[0065]S22、將S1所述0 ,上所有方向的響應值相乘作為S21所述影像金字塔的尺度參 數(shù)曰,對應組中的第一個內(nèi)層影像，上一內(nèi)層影像經(jīng)0. 5倍的下采樣可得到下一內(nèi)層影像， 將所述第一個內(nèi)層影像1. 5倍下采樣得到第一個中間層影像，上一個中間層影像經(jīng)0. 5倍 下采樣得到下一個中間層影像；
[0066]S3、捜索FAST特征，確定特征點的位置和尺度信息，具體為；
[0067]S31、使用FAST算子對S2所述影像金字塔中的每一層的所有像素點進行檢測，得 到初步的特征點集，具體為：
[0068]S311、使用公式
對S2所述影像金字塔中的 每一層的像素進行分割測試（SegmentTest),所述分割測試在圓上進行，所述圓W中屯、像 素點P為圓屯、，所述圓半徑為3. 4個像元，所述圓周圍有16個像素，其中，X為圓上的像素 點，P-X表示相對中屯、像素點P的像素點X，Ip表示中屯、像素點P的像素值，I表示所 述圓上的像素值，t為經(jīng)驗闊值，d代表所述圓上與中屯、像素點相比灰度值低的像素點、S代 表所述圓上與中屯、像素點灰度相似的像素點、b代表所述圓上與中屯、像素點相比灰度值高 的像素點；
[0069]S312、統(tǒng)計S311所述d和b出現(xiàn)的次數(shù)，若S311所述d和b中有一個出現(xiàn)的次數(shù) > 9,則S311所述衷屯、像素點P為候選的特征點；
[0070]S313、重復S311和S312,遍歷S2所述影像金字塔中的每一層的像素