位置信息， m=\ exp(*)表示以 e 為底的指數(shù)函數(shù)，X' = xcos Θ +ysin Θ，y' = -xsin Θ +ycos Θ， 二維高斯函數(shù)σ g(x, y)在X方向的標準 差，0 7為 g (X，y)在 y 方向的標準差，L (X, y, 〇 s, Θ J = I (X，y) *h (X, y, σ s, Θ J，I (X，y)表 示輸入的高分遙感影像，〇3表示所述核函數(shù)h(x，y，θ，σ χ，〇y)的尺度參數(shù)，〇s= σ il^1， s為不為零的自然數(shù)且s彡A，A為尺度的個數(shù)，k為經(jīng)驗值，〇1為初始尺度，Θ 1]]表示復(fù)正 弦函數(shù)調(diào)制二維高斯函數(shù)h(x，y, θ, σχ, oy)的調(diào)制方向； 52、 根據(jù)Sl所述尺度空間構(gòu)建A組影像金字塔實現(xiàn)多尺度表達，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)； 53、 搜索FAST特征，確定特征點的位置和尺度信息，具體為： 531、 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： 5311、 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（Segment Test)，所述分割測試在圓上進行，所述圓以中心像素點p 為圓心，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 表示相對中心像素點P的像素點X，Ip表示中心像素點P的像素值，I 表示所述圓上的像 素值，t為經(jīng)驗閾值，d代表所述圓上與中心像素點相比灰度值低的像素點、s代表所述圓上 與中心像素點灰度相似的像素點、b代表所述圓上與中心像素點相比灰度值高的像素點； 5312、 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)> B， 則S311所述衷心像素點p為候選的特征點，其中，B為整數(shù)且B多1 ; 5313、 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 集合Q ; 5314、 使用ID3決策樹分類器訓(xùn)練S313所述集合中的候選特征點，得到初步的特征點 集； 532、 在Sl所述尺度空間L(x，y，σ s)中對S31得到的初步的特征點集進行非極大值抑 制，具體為： 5321、 定義FAST特征的score産作為 衡量標準，其中，Stoight為圓上比中心像素點灰度值高的像素點構(gòu)成的集合，Sdart為為圓上比 中心像素點灰度值低的像素點構(gòu)成的集合； 5322、 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； 54、 采用灰度質(zhì)心的方法來確定S3所述特征點的主方向Θ ; 55、 對S3所述特征點進行采樣生成特征矢量構(gòu)建特征描述子； 56、 使用Hamming距離進行特征向量匹配，得到匹配點對； 57、 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，所述隨機采樣一致性算法用于特征匹配篩選的具體過程是： (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； (2) 通過采樣的匹配點對得到點對之間的一個變換矩陣M ; (3) 設(shè)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)； (4) 由記錄的一致集元素的個數(shù)可以判斷出步驟（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； (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P M> Pth時，重復(fù)執(zhí)行步驟（1)至（4)，當Pm彡P(guān)th停止，此時的矩陣M 為最佳的匹配的變換矩陣。2. 根據(jù)權(quán)利要求1所述一種基于2D-Gabor的高分遙感影像局部特征提取方法，其特征 在于：Sl所述使用2D-Gabor生成遙感影像的尺度空間具體步驟如下： 511、 對遙感影像進行濾波，即使用Sl所述2D_Gabor的核函數(shù)h(x, y, θ，σ χ, σ y)對輸 入的高分遙感影像濾波，得到L(x，y，〇s，θπ); 512、 根據(jù)Sll所述L(x，y，〇s，θπ)，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，σ s)。3. 根據(jù)權(quán)利要求2所述一種基于2D-Gabor的高分遙感影像局部特征 提取方法，其特征在于：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，σ為尺度參數(shù)，j為虛部。4. 根據(jù)權(quán)利要求1所述一種基于2D-Gabor的高分遙感影像局部特征提取方法，其特征 在于：Sl所述的k = 1. 4。5. 根據(jù)權(quán)利要求1所述一種基于2D-Gabor的高分遙感影像局部特征提取方法，其特征 在于：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： S21、根據(jù)Sl所述L(x，y，〇s)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cdP η個內(nèi)層Cli,其中，m為不為零的自然數(shù)，η為不為零的自然 數(shù)，111 = 11且111<111<1六為自然數(shù)且4^^彡16』為自然數(shù)且4^^彡16; S22、將Sl所述〇3上所有方向的響應(yīng)值相乘作為S21所述影像金字塔的尺度參數(shù)σ s 對應(yīng)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。6. 根據(jù)權(quán)利要求5所述一種基于2D-Gabor的高分遙感影像局部特征提取方法，其特征 在于：S21 所述 A = 4, N = 4, m = η = 2。7. 根據(jù)權(quán)利要求1所述一種基于2D-Gabor的高分遙感影像局部特征提取方法，其特征 在于：S312所述B = 9。8. 根據(jù)權(quán)利要求1所述一種基于2D-Gabor的高分遙感影像局部特征提取方法，其特征 在于：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。9. 根據(jù)權(quán)利要求1所述一種基于2D-Gabor的高分遙感影像局部特征提取方法，其特征 在于：S4所述確定主方向Θ的具體步驟如下： 541、 建立一個以特征點為圓心，半徑為r的圓形鄰域圖像塊，定義所述圖像塊的矩特'其中P、q表示矩的階數(shù)，取值為自然數(shù)； 542、 得出S41所述圖像塊的0階矩'得出S41所述圖像 塊的一階）543、 得出S41所述圖像塊的質(zhì).544、 根據(jù)543所述質(zhì)心<：確定53所述特征點的主方向0=31'(^311(111(11，1]11(|)，所述0 為S3所述特征點與43所述質(zhì)心C的夾角。
【專利摘要】本發(fā)明屬于高分辨率遙感影像處理領(lǐng)域，尤其涉及一種基于2D-Gabor的高分遙感影像局部特征提取方法。本發(fā)明首先建立影像的尺度空間金字塔表達；然后在尺度空間中搜索不同特征尺度下的加速分割測試特征，使用極大值抑制的方法得到特征點并確定特征點所在的位置及尺度；其次建立基于二進制的局部特征描述子；最后，使用Hamming距離作為相似性度量方法對不同視角條件下獲得的同一場景的影像對進行特征匹配，再采用RANSAC算法進行特征提純，去除錯誤的匹配點對。本發(fā)明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，對亮度和尺度的變化具有不變性，可以在時間域和頻率域中同時獲得最優(yōu)的性能。
【IPC分類】G06K9/46
【公開號】CN104881671
【申請?zhí)枴緾N201510264025
【發(fā)明人】許文波, 楊淼, 范肖肖, 張亞璇, 樊香所
【申請人】電子科技大學(xué)
【公開日】2015年9月2日
【申請日】2015年5月21日