[发明专利]高光谱图像特征检测方法及装置

说明书

本发明适用于特征点检测技术领域，提供了一种高光谱图像特征检测方法，所述方法包括：构造关于高光谱图像f(x,y,λ)中的某点p₀和其邻域上的点p₁的加权相关性函数；其中，x,y表示空间域坐标，λ表示光谱域坐标；根据所述加权相关性函数构造一个特征点响应函数；根据所述特征点响应函数计算所述高光谱图像f(x,y,λ)中的某点p₀的特征点响应值和其邻域上所有点的特征点响应值；若所述高光谱图像f(x,y,λ)中的某点p₀的特征点响应值大于其邻域上所有点的特征点响应值，则该点p₀即为所述高光谱图像f(x,y,λ)的特征点；其中，所述特征点为空间域上的角点，为光谱域上的极值点；本发明提供的方法使得检测出的特征点既能反映高光谱图像的空间信息又能反映光谱信息，从而提高了高光谱图像的分类准确率。

技术领域

本发明属于特征点检测技术领域，尤其涉及一种高光谱图像特征检测方法及装置。

背景技术

针对普通图像，比如灰度图像或彩色图像这种二维图像，提取特征点的算法有斑点算法SIFT，SURF，角点算法Harris、FAST和BRISK等。

相比于普通图像而言，高光谱图像除了包含空间几何关系的二维图像信息外，还包含了另一方面的信息，即物体的光谱响应信息。高光谱图像将反映物质辐射属性的光谱信息与反映物体空间几何关系的二维图像信息有机地结合在一起，使得高光谱图像能够比灰度图像和彩色图像提供更多的信息。这种“图谱合一”的图像结合了二维图像和光谱信息各自的优点，拓宽了图像的分析方法，对于图像分析与识别有着十分重要的意义。目前通过先进的高光谱成像设备采集了大量的高光谱图像，但是对高光谱图像的分析与应用技术没有得到相应的发展。

二维图像的特征点检测算法研究已经非常成熟了，但是对于高光谱图像这种三维数据结构，除了包含空间信息以外，还包含了光谱信息，二维图像的局部特征检测方法已经不适用于高光谱图像；比如，像普通Harris角点检测算子这种二维图像的特征点检测算法，只能作用于灰度图像或彩色图像，不能直接作用于高光谱图像数据。

发明内容

本发明提供一种高光谱图像特征检测方法及装置，旨在提供一种能够对高光谱图像进行特征点检测的方法，使得检测出的特征点既能反映高光谱图像的空间信息又能反映光谱信息，从而提高了高光谱图像的分类准确率。

本发明提供了一种高光谱图像特征检测方法，所述方法包括：

步骤S1，构造关于高光谱图像f(x,y,λ)中的某点p₀和其邻域上的点p₁的加权相关性函数；

其中，x,y表示空间域坐标，λ表示光谱域坐标；

步骤S2，根据所述加权相关性函数构造一个特征点响应函数；

步骤S3，根据所述特征点响应函数计算所述高光谱图像f(x,y,λ)中的某点p₀的特征点响应值和其邻域上所有点的特征点响应值；

步骤S4，若所述高光谱图像f(x,y,λ)中的某点p₀的特征点响应值大于其邻域上所有点的特征点响应值，则该点p₀即为所述高光谱图像f(x,y,λ)的特征点；

其中，所述特征点为空间域上的角点，为光谱域上的极值点。

进一步地，所述加权相关性函数为：

其中，点p₀是高光谱图像f(x,y,λ)中的一个像素，其坐标为(x,y,λ)，f(x,y,λ)为点p₀对应的高光谱图像的DN值；点p₁坐标为(x+△x,y+△y,λ+△λ)，f(x+△x,y+△y,λ+△λ)为点p₁对应的DN值；