，生成候選特 征點集合Q;
[0071]S314、使用ID3決策樹分類器訓練S313所述集合中的候選特征點，得到初步的 特征點集，本發(fā)明所使用的ID3決策樹分類器算法是根據(jù)RostenE,PorterR,化ummond T.Fasterandbetter:Amachinelearningapproachtocornerdetection[J].Pattern AnalysisandMachineIntelligence,IEEETransactionson, 2010, 32 (1):105-119.。
[0072]S32、在SI所述尺度空間L(x，y，0,)中對S31得到的初步的特征點集進行非極大 值抑制，由于位置空間中獲得的候選特征點在尺度空間中不一定也是候選特征點，因此需 要在尺度空間進行特征點的捜索，具體為：
[0073]S321、定義FAST特征的score函邀
作為衡量標準，其中，Swght為圓上比中屯、像素點灰度值高的像素點構成的集合，Sd。^為為圓 上比中屯、像素點灰度值低的像素點構成的集合；
[0074]S322、若S31所述潛在特征區(qū)域的像素點的score函數(shù)值大于同一層8個鄰域點 的score函數(shù)，且S31所述潛在特征區(qū)域的像素點的score函數(shù)值大于上下相鄰兩層各9 個鄰域點的score函數(shù)值，則所述像素點為特征點。
[0075] 考慮到遙感影像的顯著性局部特征信息對尺度維是連續(xù)的，而在離散尺度空間中 對極值點進行捜索時，檢測到的特征點的位置不一定很精確。因此，需要對檢測出的離散極 大值空間點進行亞像素級別的特征點像素坐標的校正和連續(xù)尺度的校正，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；
[0076]S4、在檢測FAST特征點時沒有對特征點方向確定的過程，該樣導致提取的特征不 具有旋轉(zhuǎn)不變性，因此本發(fā)明采用灰度質(zhì)屯、的方法來確定S3所述特征點的主方向0，具體 步驟如下：
[0077]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)；
[0078] 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
[0079] S43、得出S41所述圖像塊的質(zhì)'
[0080]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；
[0081]S5、對S3所述特征點進行采樣生成特征矢量構建特征描述子。本發(fā)明構建特征點 描述子的關鍵是使用了如圖3所示的采樣模式，選用了 64個采樣點，該些采樣點是W特征 點為圓屯、，不同半徑的同屯、圓上的點。在選取采樣點的過程中，將每個同屯、圓作31/8等分， 那么每個同屯、圓上可獲得16個采樣點，然后對每個采樣點，W該點為中屯、構建一個方形窗 口，窗口的尺寸與同屯、圓的半徑成正比。
[0082] 在對選取的采樣點構建二進制描述子的過程中，為了使描述子對光照和噪聲的干 擾更加穩(wěn)定，使用窗口鄰域灰度的均值來代替每個采樣點的灰度值。而窗口鄰域中灰度值 之和可W用積分圖像來計算，Viola和化nes將積分圖像中任一點（X，y)的值ii(X，y)定 義為該點到圖像左上角對角線區(qū)域中灰度的總和：
[0083]
[0084]其中，p(x'，y'）表示影像中點（X'，y'）的灰度值。對左上角像素點坐標為（X。yi)、 右上角像素點坐標為（X2，y2)、左下角像素點坐標為（X3，y3)和右下角像素點坐標為（X4，y4) 的窗口W內(nèi)像元灰度總和可W表示為：
[0085] S w= ii (X 4, y*) -ii (又2, y2) -ii (又3, y]) +ii (又1，yi)
[0086] 假設大小為n*n的窗口，那么窗口W內(nèi)一共包含n2個像素點，則第i個采樣點窗 口鄰域灰度的均值表達式為：
[0087]
[008引然后找出采樣點對中滿足短距離條件采樣點對也，Pj.)的集合S:
[0089]
[0090]其中，E = {(Pi，Pj) e R2XR2|i < 64八j < i八i，j G 64}，5。化二13.67t，t是 所采樣特征點的尺度。
[0091] 把集合中的采樣點對都W特征點為中屯、旋轉(zhuǎn)主方向角度e，旋轉(zhuǎn)后的點對 a'，j'）滿足：
[0094] 對集合內(nèi)的所有點對進行測試，即可得到二進制的描述符為：
[009引 S6、使用化mming距離進行特征向量匹配，得到匹配點對。
[0096] 在進行特征匹配時采用化mming距離對二進制描述子進行相似性度量?；痬ming 距離是指將某一字符串S1變?yōu)榕c它等長字符串S2所需要作的最小替換次數(shù)，比如字符串 "11011"和"10101"之間的漢明距離為3,即統(tǒng)計兩個等長的字符串中相對應的位置中所有 不相同的字符的數(shù)目。當計算Hamming距離時，只需對兩個字符串先進行按位異或操作再 對操作后的結(jié)果進行按位統(tǒng)計。計算過程中只用到位操作，因此，計算速度比較快。
[0097] 匹配策略使用最近鄰距離比值的方法，通過比較最近鄰的化mming距離與次緊鄰 的Hamming距離比值的大小，當比值在設定的闊值范圍內(nèi)時，可被認定為候選的匹配點對。
[0098]S7、采用隨機采樣一致性算法對S6所述匹配點對進行優(yōu)化，去除錯誤的局部特征 匹配點。
[0099] 在使用化mming距離完成影像間的初始特征匹配后，還要去除錯誤的匹配點對來 提高匹配的準確率和精度。本發(fā)明使用隨機采樣一致性（RANSAC)算法，該算法算法在計算 模型參數(shù)具有比較高的穩(wěn)健性。當異常數(shù)據(jù)超過數(shù)據(jù)集一半的情況下，仍然能夠進行有效 地排除異常的數(shù)據(jù)。RANSAC算法的主要思想是；估計模型的參數(shù)過程中，可W充分利用輸 入的觀測數(shù)據(jù)，在估計模型參數(shù)時每次都使用最小的采樣點集，并判斷輸入的觀測數(shù)據(jù)是 否與估計得到的參數(shù)是否一致，一致的為內(nèi)點，不一致的是外點。經(jīng)過若干次的迭代，所篩 選出的最小點集中內(nèi)點數(shù)目最多并且用該些內(nèi)點構成的集合評估模型的所得錯誤率又不 超過允許的錯誤概率即為最終的最優(yōu)解。
[0100] RANSAC算法用于特征匹配篩選的具體過程是：
[0101] (1)從所有的匹配點對樣本測試集中隨機選取4個匹配點對，將其作為一個 RANSAC樣本。
[0102] (2)通過采樣的匹配點對得到點對之間的一個變換矩陣M。
[0103] (3)設定一個度量誤差的函數(shù)，根據(jù)變換矩陣M和樣本測試集，計算符合變換矩陣 M的集合，我們稱為一致集consensus,記錄當前一致集中包含的元素個數(shù)。
[0104] (4)由記錄的一致集元素的個數(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)的則對當前的一致集進行更新。
[0105] (5)計算當前一致集與變換矩陣M間的錯誤概率，比較當前錯誤概率Pm與允許的 最小錯誤概率的大小，當Pm>Pth時，重復執(zhí)行步驟（1)至（4)，當Pm《Pth停止，此時的矩 陣M為最佳的匹配的變換矩陣。
【主權項】
1. 一種基于2D-Gabor的高分遙感影像局部特征提取方法，其特征在于，包括如下步 驟： 51、 使用2D-Gabo生成遙感影像的尺度空間，所述2D-Gabor的核函數(shù)是方向 角為Θ，頻率為W(1的復正弦函數(shù)調(diào)制二維高斯函數(shù)h(x，y，θ， σ x，〇y)，所述尺度 空間為 L (X，y，〇 s)，其中，h (X，y，θ，σ χ，σ y) = g (X，，y'）exp [2 π j (u0x+ v 〇y)]， L(.\\ y, (TJ = Π I L(x, \\ σ", θηι )| , u丨,=^m02 +V02，（x，y)表示所述尺度空間的