4]S11、对遥感影像进行滤波，即使用S1所述2D-G油or的核函数h(X，y，日，0X，0y) 对输入的高分遥感影像滤波，得到L(x，y，〇,，0m);
[0035]S12、根据Sll所述L(x，y，0,，0m)，将输入的高分遥感影像在特定尺度参数下每 个方向的结果相乘得到L(x，y，0 ,)。
[0036] 进一步地，S11所述滤波所使用的核函数是经过优化的核函数
优化方式为；选择一倍程的频率间 距，根据参数估计方法最大限度降低特征的冗余信息，其中，0为尺度参数，j为虚部。
[0037] 进一步地，S1所述的k= 1. 4。
[0038] 进一步地，S2所述构建影像金字塔实现多尺度表达具体步骤如下：
[0039]S21、根据S1所述L(x，y，0,)建立A组影像金字塔，每组包含N层高分遥感影像， 所述N层影像包括m个中间层Ci和n个内层d1，其中，m为不为零的自然数，n为不为零的 自然数，m=n且m<N，n<N，A为自然数且4《A《16，N为自然数且4《N《16;
[0040]S22、将SI所述0 ,上所有方向的响应值相乘作为S21所述影像金字塔的尺度参 数曰,对应组中的第一个内层影像，上一内层影像经0. 5倍的下采样可得到下一内层影像， 将所述第一个内层影像1. 5倍下采样得到第一个中间层影像，上一个中间层影像经0. 5倍 下采样得到下一个中间层影像。
[0041]进一步地，S21 所述A= 4,N= 4,m=n= 2。
[0042]进一步地，S312 所述B= 9。
[0043] 进一步地，还包括对S322所述特征点进行校正，所述校正包括对S322所述特征点 的像素坐标进行校正和对S322所述特征点的连续尺度进行校正，其中，采用最小二乘法进 行二次函数拟合对像素坐标进行校正，采用拟合抛物线函数的方法对连续尺度进行校正。
[0044] 进一步地，S4所述确定主方向0的具体步骤如下；
[0045]S41、建立一个W特征点为圆屯、，半径为r的圆形邻域图像块，定义所述图像块的 矩特征为
其中P、q表示矩的阶数，取值为自然数；
[0046]S42、得出S41所述图像块的0阶矩
得出S41所述 图像块的一阶矩
[0047]S43、得出S41所述图像块的质屯
[0048]S44、根据S43所述质屯、C确定S3所述特征点的主方向0 =arctanOi!。。mi。），所 述0为S3所述特征点与43所述质屯、C的夹角。
[0049] 本发明的有益效果；
[0050] 本发明主要利用2D-G油or良好的频率选择性、方向选择性和局部选择性，并且能 够精确地模拟人类的视觉皮层和视网膜的认知特点。在特征检测的过程中，使用2D-Gabor 变换作为核函数建立影像的尺度空间，在多尺度下检测FAST特征，使检测到的影像的局部 特征除了具备准确的定位能力、高稳定性和可重复性外，对亮度和尺度的变化还具有不变 性，通过设置合适的参数可W在时间域和频率域中同时获得最优的性能。在特征描述的过 程中使用二进制的特征描述子，计算复杂度低并且占用内存小，生成的特征描述符具有更 好的可区分能力，降低了特征匹配中错误匹配点对出现的概率。
【附图说明】
[0051] 图1为本发明的整体流程图。
[0052] 图2为本发明的特征点检测示意图。
[0053] 图3为本发明的特征点描述子建立过程的采样模式示意图。
【具体实施方式】
[0054] 下面结合附图和实施例对本发明作进一步说明：
[00巧]如图1所示。
[0056] 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，O,，Oy)，所述尺度空间为 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)表示所述尺度空间的位置 信息，exp(*)表示We为底的指数函数，
[0058] X， =XCOS目 +ysi打目，y， = -xsi打目+ycos目，
[0059] 二维高斯函数
I。为g(X，y)在X方向 的标准差，Oy为g(x，y)在y方向的标准差，L(x，y，0,，0。）=I(x，y)*h(x，y，〇,，0。)，I(x，y)表示输入的高分遥感影像，0,表示所述核函数h(x，y，0，0 ,，Oy)的尺度参数，〇s =〇iks-i，s为不为零的自然数且s《A，A为尺度的个数，k= 1.4, 〇1为初始尺度，0m表 示复正弦函数调制二维高斯函数h(x，y，目，〇,，Oy)的调制方向，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：
[0060]S11、对遥感影像进行滤波，即使用核函数
对输入的高分遥感影像滤波，得到L(x，y，〇,，目J，相当于使用不同尺度参数的2D-G油or核函数与图像进行卷积平滑操作；
[0061]S12、根据S11所述L(x，y，0,，0m)，将输入的高分遥感影像在特定尺度参数下每 个方向的结果相乘得到L(x，y，0 ,);
[006引在对遥感影像进行滤波时候，参数W。、0、0济0y的选取是关键，可W直观地 表现遥感影像的视觉空间信息W及频率、方向和带宽信息的选择，有助于对局部特征信息 的提取。而尺度参数的选择直接决定了提取到的局部特征关键点的稳定性和可靠性，当 尺度参数的动态范围比较大时，算法的尺度适应性比较好，但是计算复杂度会增加，还会 出现冗余现象。为了降低计算复杂度和特征冗余，需要对h(x，y，0，Oy，Oy)进行优化。 本发明在优化中选择了一倍程的频率间距，并依据[Man化nathBS,MaWY."Texture featuresforbrowsingandretrievalofimagedata".PatternAnalysisandMachine Intelligence,I邸ETransactionson,1996,18(8) :837-842.]中提到的参数估计的方法 最大限度地降低特征的冗余信息得到h(x，y，0,0)。
[0063]S2、根据S1所述尺度空间构建影像金字塔实现多尺度表达：
[0064]S21、根据S1所述L(x，y，0 ,)建立4组影像金字塔，每组包含4层高分遥感影像， 所述4层影像包括2个中间层Ci和2个内层d
[0065]S22、将S1所述0 ,上所有方向的响应值相乘作为S21所述影像金字塔的尺度参 数曰,对应组中的第一个内层影像，上一内层影像经0. 5倍的下采样可得到下一内层影像， 将所述第一个内层影像1. 5倍下采样得到第一个中间层影像，上一个中间层影像经0. 5倍 下采样得到下一个中间层影像；
[0066]S3、捜索FAST特征，确定特征点的位置和尺度信息，具体为；
[0067]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：
[0068]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；
[0069]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 > 9,则S311所述衷屯、像素点P为候选的特征点；
[0070]S313、重复S311和S312,遍历S2所述影像金字塔中的每一层的像素