本发明专利技术提供一种烟田遥感图像匹配算法，该算法是以SURF特征点提取算法中的多尺度和特征点描述符为理论基础，将传统Harris角点检测算法在单一尺度下检测角点变为多尺度提取，使检测出的特征点具有尺度不变性，将尺度空间理论和特征点描述符的思想应用到传统的Harris角点检测算法中，实现了具有抗尺度、光照及噪声变化的特征点提取算法，提高了遥感图像配准精度和速率。
【技术实现步骤摘要】
本专利技术涉及数字图像处理领域，更具体地，涉及。
技术介绍
目前烟田图像匹配大致可分为基于灰度值和基于特征两大类。其中，基于特征的 方法取得了飞速的发展，常用的图像特征有点、边缘、区域和轮廓等。一般而言，提取特征点 相对容易，能对图像间的旋转、平移、光照等变化保持不变。特征点是在图像局部区域中变 化最剧烈的点，如交叉点。特征点提取的精度及质量好坏直接影响后续的图像配准、图像拼 接、物体识别等视觉处理任务。 现有技术中一般采用Harri算法，但该算法只能在单一尺度下检测角点，不具有 尺度不变性，而且时间效率低。此外，基于Harris的匹配算法通常采用灰度窗口的相关系 数进行匹配，如果图像发生光照、尺度、噪声等变化则会提取出伪角点。
技术实现思路
本专利技术提供，该算法时间效率较高。 为了达到上述技术效果，本专利技术的技术方案如下： ，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。 进一步地，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，给定一个小窗〇,令小窗〇在图像I(x，y) 中不同方向的位移为A X、Ay，图像I(X，y)中每一点的自相关函数表示为： 式中Ix、Iy为图像I (x，y)的方向导数，疒=彳?似、ll=!]?(〇 、%尚斯滤波器； 计算M(x,y)的特征值来确定点（X，y)是否是角点。 进一步地，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在尺度〇处的Hessian矩阵定矩阵利用H矩阵求出图像在（x，y，〇)处的极值后，在极值点的 3 X 3 X 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4X4的子区域，计算5sX5s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、dy，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 = (2dx，2dy，2 |dx|，2 |dy|)即为特征描述符，式中 s表示特征点的尺度值。 与现有技术相比，本专利技术技术方案的有益效果是： 本专利技术算法是以SURF特征点提取算法中的多尺度和特征点描述符为理论基础， 将传统Harris角点检测算法在单一尺度下检测角点变为多尺度提取，使检测出的特征点 具有尺度不变性，将尺度空间理论和特征点描述符的思想应用到传统的Harris角点检测 算法中，实现了具有抗尺度、光照及噪声变化的特征点提取算法，提高了遥感图像配准精度 和速率。【附图说明】 图1为本专利技术的流程图； 图2为匹配参考图； 图3为采用Harris匹配的实验结果图； 图4为采用本专利技术算法匹配的实验结果图。【具体实施方式】 附图仅用于示例性说明，不能理解为对本专利的限制； 为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品 的尺寸； 对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解 的。 下面结合附图和实施例对本专利技术的技术方案做进一步的说明。 实施例1 ，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。 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《，令小窗《在图像I(x，y) 中不同方向的位移为A X、Ay，图像I(X，y)中每一点的自相关函数表示为： 当前第1页1 2 本文档来自技高网...
【技术保护点】
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。
【技术特征摘要】
【专利技术属性】
技术研发人员：陈泽鹏，
申请(专利权)人：中国烟草总公司广东省公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。