一种基于2D-Gabor的高分遥感影像局部特征提取方法

摘要

本发明属于高分辨率遥感影像处理领域，尤其涉及一种基于2D-Gabor的高分遥感影像局部特征提取方法。本发明首先建立影像的尺度空间金字塔表达；然后在尺度空间中搜索不同特征尺度下的加速分割测试特征，使用极大值抑制的方法得到特征点并确定特征点所在的位置及尺度；其次建立基于二进制的局部特征描述子；最后，使用Hamming距离作为相似性度量方法对不同视角条件下获得的同一场景的影像对进行特征匹配，再采用RANSAC算法进行特征提纯，去除错误的匹配点对。本发明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，对亮度和尺度的变化具有不变性，可以在时间域和频率域中同时获得最优的性能。

主权项

一种基于2D‑Gabor的高分遥感影像局部特征提取方法，其特征在于，包括如下步骤：S1、使用2D‑Gabo生成遥感影像的尺度空间，所述2D‑Gabor的核函数是方向角为θ，频率为w₀的复正弦函数调制二维高斯函数h(x,y,θ,σ_x,σ_y)，所述尺度空间为L(x,y,σ_s)，其中，h(x,y,θ,σ_x,σ_y)＝g(x',y')exp[2πj(u₀x+ν₀y)]，$L(x,y,{\sigma }_s)=\underset{m=1}{\overset{N}{\Pi }}\left|L(x,y,{\sigma }_s,{\theta }_m)\right|,w_0=\sqrt{u_0^2+v_0^2},$(x，y)表示所述尺度空间的位置信息，exp(*)表示以e为底的指数函数，x'＝xcosθ+ysinθ，y'＝‑xsinθ+ycosθ，二维高斯函数$g(x,y)=\frac{1}{2{\mathrm{\pi \sigma }}_x{\sigma }_y}\exp [-(\frac{x^2}{2{\sigma }_x^2}+\frac{y^2}{2{\sigma }_y^2})],$σ_x为g(x,y)在x方向的标准差，σ_y为g(x,y)在y方向的标准差，L(x,y,σ_s,θ_m)＝I(x,y)*h(x,y,σ_s,θ_m)，I(x,y)表示输入的高分遥感影像，σ_s表示所述核函数h(x,y,θ,σ_x,σ_y)的尺度参数，σ_s＝σ₁k^s‑1，s为不为零的自然数且s≤A，A为尺度的个数，k为经验值，σ₁为初始尺度，θ_m表示复正弦函数调制二维高斯函数h(x,y,θ,σ_x,σ_y)的调制方向；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；S3、搜索FAST特征，确定特征点的位置和尺度信息，具体为：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：S311、使用公式$S_{p\to x}=\left\{\begin{array}{cc}d,& I_{p\to x}\le I_p-t\left(\mathrm{darker}\right)\\ s,& I_p-t\le I_{p\to x}\le I_p+t\left(\mathrm{similar}\right)\\ b,& I_{p\to x}\ge I_p+t\left(\mathrm{brighter}\right)\end{array}\right.$对S2所述影像金字塔中的每一层的像素进行分割测试(Segment Test)，所述分割测试在圆上进行，所述圆以中心像素点p为圆心，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表示相对中心像素点p的像素点x，I_p表示中心像素点p的像素值，I_p→x表示所述圆上的像素值，t为经验阈值，d代表所述圆上与中心像素点相比灰度值低的像素点、s代表所述圆上与中心像素点灰度相似的像素点、b代表所述圆上与中心像素点相比灰度值高的像素点；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所述衷心像素点p为候选的特征点，其中，B为整数且B≥1；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；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；S32、在S1所述尺度空间L(x,y,σ_s)中对S31得到的初步的特征点集进行非极大值抑制，具体为：S321、定义FAST特征的score函数$V=\max \left(\underset{x\in S_{\mathrm{bright}}}{\Sigma }\right|I_{p\to x}-I_p|-t,\underset{x\in S_{\mathrm{dark}}}{\Sigma }|I_p-I_{p\to x}|-t)$作为衡量标准，其中，S_bright为圆上比中心像素点灰度值高的像素点构成的集合，S_dark为为圆上比中心像素点灰度值低的像素点构成的集合；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；S4、采用灰度质心的方法来确定S3所述特征点的主方向θ；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；S6、使用Hamming距离进行特征向量匹配，得到匹配点对；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：(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；(2)通过采样的匹配点对得到点对之间的一个变换矩阵M；(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；(4)由记录的一致集元素的个数可以判断出步骤(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；(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P_M与允许的最小错误概率的大小，当P_M＞P_th时，重复执行步骤(1)至(4)，当P_M≤P_th停止，此时的矩阵M为最佳的匹配的变换矩阵。