[发明专利]一种烟田遥感图像匹配算法

权利要求书

1.一种烟田遥感图像匹配算法，其特征在于，包括以下步骤：

S1：采用单尺度Harris角点检测算法对图像进行检测并提取角点，获得图像角点集；

S2：使用Hessian矩阵检测图像极值点，进行特征点定位，并确定特征点所在位置及尺度值；

S3：将Harris检测出的角点集与S2中提取的特征点合并，剔除重复点及对尺度变化不稳定的特征点，形成初始特征点集；

S4：确定初始特征点集的主方向，并为每个特征点生成64维的特征描述符；

S5：分别对参考图像和待配准图像使用S1-S4的方法提取特征点，然后进行特征点匹配。

2.根据权利要求1所述的烟田遥感图像匹配算法，其特征在于，所述步骤S1的过程如下：

以图像I(x,y)中的一点(x,y)为中心，给定一个小窗ω，令小窗ω在图像I(x,y)中不同方向的位移为Δx、Δy，图像I(x,y)中每一点的自相关函数表示为：

E(x,y)=Σω[I(xi+Δx,yi+Δy)-I(xi,yi)]2=Σω[Δx·Ix(xi,yi)+ΔyIy(xi,yi)+o(Δx2+Δy2)]2≈Σω([Ix(xi,yi)Iy(xi,yi)]ΔxΔy2)=[ΔxΔy]Σω(Ix(xi,yi))2Σω(Ix(xi,yi)·Iy(xi,yi))Σω(Ix(xi,yi)·Iy(xi,yi))Σω(Iy(xi,yi))2ΔxΔy=[ΔxΔy]I~x2I~x·I~yI~x·I~yI~y2ΔxΔy=[ΔxΔy]M(x,y)ΔxΔy]]>

式中I_x、I_y为图像I(x,y)的方向导数，I~x2=Ix2⊗ω,I~y2=Iy2⊗ω,]]>I~x·I~y=(Ix·Iy)⊗ω,ω=exp(-i2+j22)]]>为高斯滤波器；

计算M(x,y)的特征值来确定点(x,y)是否是角点。

3.根据权利要求2所述的烟田遥感图像匹配算法，其特征在于，所述步骤S2的过程如下：

S31：利用SURF算法计算图像I(x,y)尺度空间中的极值点作为候选特征点；

S32：定义图像I(x,y)中的点x在尺度σ处的Hessian矩阵定矩阵H=Lxx(x,σ)Lxy(x,σ)Lxy(x,σ)Lyy(x,σ),]]>利用H矩阵求出图像在(x，y，σ)处的极值后，在极值点的3×3×3立体邻域内进行非极大值抑制，选择比上一尺度、下一尺度及本尺度周围的26个邻域值都大或者都小的极值点作为候选特征点，然后在尺度空间和图像空间中进行插值运算，得到稳定特征点位置及所在尺度值；

S33：以特征点为中心，计算半径为6s邻域内的点在水平和垂直方向上的Harr小波响应，然后给这些响应值赋予高斯权重系数，接着将60°范围内的响应累加形成新的矢量，最后遍历整个圆像区域，选择最长矢量方向作为特征点的主方向；

S34：以特征点为中心，将坐标轴旋转到主方向，按主方向选取边长为20s的正方形区域，将该窗口区域划分成4×4的子区域，计算5s×5s范围内的小波响应，相对于主方向的水平、垂直方向的Haar小波响应为d_x、d_y，同样赋予响应值系数，然后将每个子区域的响应系数及其绝对值相加形成矢量V＝(Σd_x,Σd_y,Σ|d_x|,Σ|d_y|)即为特征描述符，

式中s表示特征点的尺度值。