[发明专利]一种基于2D‑Gabor的高分遥感影像局部特征提取方法

权利要求书

1.一种基于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-Gabor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)]，

(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所述中心像素点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所述初步的特征点集的像素点的score函数值大于同一层8个邻域点的score函数，且S31所述初步的特征点集的像素点的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。