一种基于2D-Gabor的高分遥感影像局部特征提取方法
【技术领域】
[0001] 本发明属于高分辨率遥感影像处理领域，尤其设及一种基于2D-G油or的高分遥 感影像局部特征提取方法。
【背景技术】
[0002] 随着遥感技术的发展，高分辨率遥感影像的出现，遥感图像的细节更加丰富。和普 通图像相比，遥感影像的尺寸更大，数据信息分布也更为复杂，该种复杂性决定了处理遥感 影像时不能使用单一的特征提取模型。此外，遥感成像的非均匀光照、过饱和等因素均会对 传统的基于全局特征提取的方法造成影响。使用局部特征检测及特征描述方式，可W使获 得的局部特征只是对整个图像内容进行高度抽象，该样遥感影像本身的信息量将得到大大 的压缩。
[0003] 局部特征提取技术主要包括两个阶段；局部特征检测和局部特征描述。
[0004] 在局部特征检测阶段，主要研究如何确定遥感影像中我们感兴趣的特征所在的位 置，该阶段是局部特征提取的首要环节，直接影响着后续特征描述和特征匹配的进行。有代 表性的局部特征检测方法是角点特征检测。Harris角点检测算法采用了微分算子和矩阵特 征值来判断角点，计算复杂而且不具有尺度不变形。Smith等人提出的SUSAN角点检测算法 直接使用遥感影像的灰度信息进行角点检测，计算过程简单，但亮度的阔值不容易确定，不 易处理模糊的影响。FAST角点检测算法是Rosten等人在SUSAN算子的基础上提出的，具有 高效性并且定位精度和可重复性高，但是依然不具有尺度不变形。
[0005] 在局部特征描述阶段，主要研究如何量化检测到的特征，从而表征图像的局部结 构信息。最常见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，他们使用了梯度直方图的方式生成特征适量，但是，占用内存大且不具有实 时性。
[0006] 高分遥感影像的特征提取技术是很多遥感分析任务（比如；遥感影像自动配准、 遥感影像融合、遥感影像分类、遥感影像的目标识别及影像中地物特征的变化检测等）的 基础环节。提取出具有不变性的局部特征能够有效地解决遥感领域的应用问题。此外，高 分辨率遥感影像使用的传感器观测范围广，遥感影像中目标的细节特征比较丰富，结构性 特征、纹理特征和形状特征往往比较突出。
[0007] 传统的局部特征提取技术大多基于高斯核函数构成的尺度空间来获得遥感影像 中不变性的局部特征。该种方法缺乏对遥感影像频率方向的选择过程，在频率域中方向变 化比较明显的特征就会被忽略掉。
【发明内容】
[0008] 本发明的目的是针对高分遥感影像的特点W及现有的局部特征提取技术中存 在的不足，提供一种基于2D-G油or的高分遥感影像局部特征提取方法。该方法利用了 2D-G油or变换的多尺度多通道性能，对遥感影像的空间位置、频率和方向具有很强的选择 性，能够捕捉到遥感影像中显著的局部特征信息，能提取出鲁椿性更好、匹配率更高、更符 合人类视觉特性的局部特征。
[0009] 一种基于2D-G油or的高分遥感影像局部特征提取方法，包括如下步骤：
[0010] S1、使用2D-G油0生成遥感影像的尺度空间，所述2D-G油or的核函数是方向角 为0，频率为W。的复正弦函数调制二维高斯函数h(x，y，0，0 ,，Oy)，所述尺度空间为 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)表示所述尺度空间的位置 信息，exp(*)表示We为底的指数函数，
[0012] X， =XCOS目 +ysi打目，y， = -xsi打目+ycos目，
[001引二维高斯函數
0X为g(x，y)在X方向的标 准差，0y为g(X，y)在y方向的标准差，L(X，y, 0 ,，0m) =I(X，y)*h(X，y, 0 ,，0m)，I(X，y) 表示输入的高分遥感影像，表示所述核函数h(x，y, 0，0y,Oy)的尺度参数，0,= 0iks4，s为不为零的自然数且s《A，A为尺度的个数，k为经验值，为初始尺度，0m表 示复正弦函数调制二维高斯函数h(x，y，0，0,，Oy)的调制方向；
[0014]S2、根据S1所述尺度空间构建A组影像金字塔实现多尺度表达，其中，每组影像金 字塔包含N层影像，A为不为零的自然数，N为不为零的自然数；
[0015]S3、捜索FAST特征，确定特征点的位置和尺度信息，具体为；
[0016]S31、使用FAST算子对S2所述影像金字塔中的每一层的所有像素点进行检测，得 到初步的特征点集，具体为：
[0017]S311、使用公式
对S2所述影像金字塔中的 每一层的像素进行分割测试（SegmentTest),所述分割测试在圆上进行，所述圆W中屯、像 素点P为圆屯、，所述圆半径为3. 4个像元，所述圆周围有16个像素，其中，X为圆上的像素 点，P-X表示相对中屯、像素点P的像素点X，Ip表示中屯、像素点P的像素值，I表示所 述圆上的像素值，t为经验阔值，d代表所述圆上与中屯、像素点相比灰度值低的像素点、S代 表所述圆上与中屯、像素点灰度相似的像素点、b代表所述圆上与中屯、像素点相比灰度值高 的像素点；
[001引S312、统计S311所述d和b出现的次数，若S311所述d和b中有一个出现的次数 >B，则S311所述衷屯、像素点P为候选的特征点，其中，B为整数且B> 1 ;
[0019]S313、重复S311和S312,遍历S2所述影像金字塔中的每一层的像素，生成候选特 征点集合Q;
[0020]S314、使用ID3决策树分类器训练S313所述集合中的候选特征点，得到初步的特 征点集；
[0021]S32、在SI所述尺度空间L(x，y，0,)中对S31得到的初步的特征点集进行非极大 值抑制，具体为：
[0022] S321、定义FAST特征的score函数
作为衡量标准，其中，Sbdght为圆上比中屯、像素点灰度值高的像素点构成的集合，Sd。^为为圆 上比中屯、像素点灰度值低的像素点构成的集合；
[0023]S322、若S31所述潜在特征区域的像素点的score函数值大于同一层8个邻域点 的score函数，且S31所述潜在特征区域的像素点的score函数值大于上下相邻两层各9 个邻域点的score函数值，则所述像素点为特征点；
[0024]S4、采用灰度质屯、的方法来确定S3所述特征点的主方向0;
[0025]S5、对S3所述特征点进行采样生成特征矢量构建特征描述子；
[002引 S6、使用化mming距离进行特征向量匹配，得到匹配点对；
[0027] S7、采用随机采样一致性算法对S6所述匹配点对进行优化，去除错误的局部特征 匹配点，所述随机采样一致性算法用于特征匹配筛选的具体过程是：
[002引 （1)从所有的匹配点对样本测试集中随机选取4个匹配点对，将其作为一个 RANSAC样本。
[0029] (2)通过采样的匹配点对得到点对之间的一个变换矩阵M。
[0030] (3)设定一个度量误差的函数，根据变换矩阵M和样本测试集，计算符合变换矩阵 M的集合，我们称为一致集consensus,记录当前一致集中包含的元素个数。
[0031] (4)由记录的一致集元素的个数可W判断出步骤（3)得到的一致集是否是最优 的，如果是最优的则对当前的一致集进行更新。
[0032] (5)计算当前一致集与变换矩阵M间的错误概率，比较当前错误概率Pm与允许的 最小错误概率的大小，当Pm>Pth时，重复执行步骤（1)至（4)，当Pm《Pth停止，此时的矩 阵M为最佳的匹配的变换矩阵。
[0033] 进一步地，S1所述使用2D-G油or生成遥感影像的尺度空间具体步骤如下：
[003