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(biāo)準(zhǔn) 差，0 7為 g (X，y)在 y 方向的標(biāo)準(zhǔn)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(gè)數(shù)，k為經(jīng)驗(yàn)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(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)； 53、 搜索FAST特征，確定特征點(diǎn)的位置和尺度信息，具體為： 531、 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，得到初 步的特征點(diǎn)集，具體為： 5311、 使用公式')對(duì)S2所述影像金字塔中的每一 層的像素進(jìn)行分割測試（Segment Test)，所述分割測試在圓上進(jìn)行，所述圓以中心像素點(diǎn)p 為圓心，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)中心像素點(diǎn)P的像素點(diǎn)X，Ip表示中心像素點(diǎn)P的像素值，I 表示所述圓上的像 素值，t為經(jīng)驗(yàn)閾值，d代表所述圓上與中心像素點(diǎn)相比灰度值低的像素點(diǎn)、s代表所述圓上 與中心像素點(diǎn)灰度相似的像素點(diǎn)、b代表所述圓上與中心像素點(diǎn)相比灰度值高的像素點(diǎn)； 5312、 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所述衷心像素點(diǎn)p為候選的特征點(diǎn)，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(diǎn) 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(diǎn)，得到初步的特征點(diǎn) 集； 532、 在Sl所述尺度空間L(x，y，σ s)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： 5321、 定義FAST特征的score産作為 衡量標(biāo)準(zhǔn)，其中，Stoight為圓上比中心像素點(diǎn)灰度值高的像素點(diǎn)構(gòu)成的集合，Sdart為為圓上比 中心像素點(diǎn)灰度值低的像素點(diǎn)構(gòu)成的集合； 5322、 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)； 54、 采用灰度質(zhì)心的方法來確定S3所述特征點(diǎn)的主方向Θ ; 55、 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； 56、 使用Hamming距離進(jìn)行特征向量匹配，得到匹配點(diǎn)對(duì)； 57、 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： (1) 從所有的匹配點(diǎn)對(duì)樣本測試集中隨機(jī)選取4個(gè)匹配點(diǎn)對(duì)，將其作為一個(gè)RANSAC樣 本； (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 ; (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)； (4) 由記錄的一致集元素的個(gè)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(duì)當(dāng)前的一致集進(jìn)行更新； (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)P M> Pth時(shí)，重復(fù)執(zhí)行步驟（1)至（4)，當(dāng)Pm彡P(guān)th停止，此時(shí)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(duì)遙感影像進(jìn)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(duì)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(gè)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(jì)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(shí)現(xiàn)多尺度表達(dá)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(gè)中間層cdP η個(gè)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(duì)應(yīng)組中的第一個(gè)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(gè)內(nèi)層影像1. 5倍下采樣得到第一個(gè)中間層影像，上一個(gè)中間層影像經(jīng)0. 5倍下采 樣得到下一個(gè)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(duì)S322所述特征點(diǎn)進(jìn)行校正，所述校正包括對(duì)S322所述特征點(diǎn)的像素坐標(biāo)進(jìn) 行校正和對(duì)S322所述特征點(diǎn)的連續(xù)尺度進(jìn)行校正，其中，采用最小二乘法進(jìn)行二次函數(shù)擬 合對(duì)像素坐標(biāo)進(jìn)行校正，采用擬合拋物線函數(shù)的方法對(duì)連續(xù)尺度進(jìn)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(gè)以特征點(diǎn)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(diǎn)的主方向0=31'(^311(111(11，1]11(|)，所述0 為S3所述特征點(diǎn)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(dá)；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(diǎn)并確定特征點(diǎn)所在的位置及尺度；其次建立基于二進(jìn)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(duì)不同視角條件下獲得的同一場景的影像對(duì)進(jìn)行特征匹配，再采用RANSAC算法進(jìn)行特征提純，去除錯(cuò)誤的匹配點(diǎn)對(duì)。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(rèn)知特點(diǎn)。在特征檢測的過程中，對(duì)亮度和尺度的變化具有不變性，可以在時(shí)間域和頻率域中同時(shí)獲得最優(yōu)的性能。
【IPC分類】G06K9/46
【公開號(hào)】CN104881671
【申請(qǐng)?zhí)枴緾N201510264025
【發(fā)明人】許文波, 楊淼, 范肖肖, 張亞璇, 樊香所
【申請(qǐng)人】電子科技大學(xué)
【公開日】2015年9月2日
【申請(qǐng)日】2015年5月21日