CN105139412A - 一种高光谱图像角点检测方法与系统 - Google Patents
一种高光谱图像角点检测方法与系统 Download PDFInfo
- Publication number
- CN105139412A CN105139412A CN201510621881.3A CN201510621881A CN105139412A CN 105139412 A CN105139412 A CN 105139412A CN 201510621881 A CN201510621881 A CN 201510621881A CN 105139412 A CN105139412 A CN 105139412A
- Authority
- CN
- China
- Prior art keywords
- delta
- omega
- circletimes
- function
- angle point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
本发明适用于角点检测领域,提供了一种高光谱图像角点检测方法与系统,所述方法包括下述步骤:步骤A,构造关于高光谱图像f(x,y,z)中的某点p0和其邻域上的点p1的加权相关性函数;步骤B,根据所述加权相关性函数构造一个角点响应函数;步骤C,根据所述角点响应函数计算所述高光谱图像f(x,y,z)中的某点p0的Harris角点响应值和其邻域上所有点的Harris角点响应值;步骤D,若所述高光谱图像f(x,y,z)中的某点p0的Harris角点响应值大于其邻域上所有点的Harris角点响应值,则该点p0即为所述高光谱图像f(x,y,z)的Harris角点。本发明提供的检测方法能获取高光谱图像的关键信息从而能更好地对高光谱图像进行分析,提高了高光谱图像模式识别效果。
Description
技术领域
本发明属于角点检测领域,尤其涉及一种高光谱图像角点检测方法与系统。
背景技术
近年来高光谱图像在很多领域都有着广泛的应用,包括遥感、机器视觉、人工智能、医学、天文学等。与灰度图像和彩色图像不同的是,高光谱图像是由可见光、近红外、短波红外、中波红外、热红外等多个波段的图像叠加而成。因此,高光谱图像能够比灰度图像和彩色图像提供更多的信息。特征提取是一种常见的图像分析的方法,然而现有的高光谱图像的特征提取方法还不成熟,主要是提取高光谱图像的全局特征,即将整个图像中的所有目标作为一个整体,但是全局特征提取不能解决较为复杂的目标识别和分割问题。
图像的局部特征是能够区别一个物体与另一个物体的重要特征,特别是对于机器视觉认知来说,这是十分重要的。而角点则是十分常见的局部特征之一,通常意义上,角点是指图像中灰度变化剧烈的点或者图像中轮廓边界的相交点。角点反映了图像中的关键信息,对于图像的理解和分析有很重要的作用。尤其是Harris角点,因为对旋转和灰度变化具有不变性,而且原理简单,所以应用十分广泛。
关于图像局部特征的研究可以追溯到20世纪70年代。1977年Moravec提出了角点特征,通过灰度自相关函数来考虑一个像素和其邻域像素的相似性,但Moravec角点检测有很多局限性,如不具备旋转不变性等等。1988年Harris在Moravec的基础上用微分算子代替了亮度块方向的移动,构建了带有结构信息的二阶矩矩阵。通过该矩阵的行列式及直迹来计算各个点的响应值,在给定的一邻域中局部最大值点,即为对应的角点。Harris角点检测算法具有对旋转和灰度变化的不变性,而且检测率高于Moravec角点,所以被广泛应用。而Mikolajczyk和Schmid借助尺度的概念,提出了Harris-Laplacian检测算子和Harris-Affine检测算子。Harris-Laplacian检测算子将Harris角点检测算子与高斯尺度空间相结合,利用Lindeberg提出的通过迭代估计仿射不变性邻域的思想,给角点特征增加了尺度不变性。Harris-Affine检测算子能自动检测仿射变换下的图像特征,具有仿射不变性。2011年,S.Z.Shen等人提出了一种快速自适应的Harris角点检测算法,通过设置自适应的角点响应阈值,克服了之前由于角点响应的阈值的不确定而造成的特征点遗漏或者提取错误的问题。之后Y.H.Yang等人在Harris角点原有算法的基础上,提出了用B-样条函数代替高斯函数对图像进行平滑,提高了角点提取的准确性。
2003年,IvanLaptev等人提出了视频图像的时空Harris角点检测算法,考虑了时域的情况,实现了从空域角点到时空域角点的扩展。
然而,现有的Harris角点检测方法都是针对灰度图像或视频图像的,没有用于高光谱图像的Harris角点检测方法;即现有的高光谱图像分析方法还存在不足,不能很好的获取高光谱图像的关键信息。
发明内容
本发明所要解决的技术问题在于提供一种高光谱图像角点检测方法与系统,旨在解决目前的Harris角点检测方法只能用于灰度图像或视频图像而不能用于高光谱图像的问题,提高了高光谱图像模式识别效果。
本发明是这样实现的,一种高光谱图像角点检测方法,所述方法包括下述步骤:
步骤A,构造关于高光谱图像f(x,y,z)中的某点p0和其邻域上的点p1的加权相关性函数;
步骤B,根据所述加权相关性函数构造一个角点响应函数;
步骤C,根据所述角点响应函数计算所述高光谱图像f(x,y,z)中的某点p0的Harris角点响应值和其邻域上所有点的Harris角点响应值;
步骤D,若所述高光谱图像f(x,y,z)中的某点p0的Harris角点响应值大于其邻域上所有点的Harris角点响应值,则该点p0即为所述高光谱图像f(x,y,z)的Harris角点。
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,z)中的一个像素,其坐标为(x,y,z),f(x,y,z)为点p0对应的像素值;点p1坐标为(x+△x,y+△y,z+△z),f(x+△x,y+△y,z+△z)为点p1对应的像素值;
窗函数ω(x,y,z)采用高斯加权函数,如下所示:
而由上式可得:
其中,σ为高斯函数的尺度因子;
为卷积运算符号,l为窗函数沿x方向移动的长度,m为窗函数沿y方向移动的长度,r为窗函数沿z方向移动的长度,l=1,m=1,r=1。
进一步地,所述加权相关性函数中表示为即:
而,
则,
其中,
式中,fx,fy,fz分别表示图像f(x,y,z)在x,y,z三个方向上的梯度,即
上式中,ω表示高斯加权函数ω(x,y,z),为卷积符号,A、B、C、D、E、F分别对应矩阵M的各个元素。
进一步地,所述角点响应函数为:
R=det(M)-k(trace(M))3=(ABC+2DEF-BE2-AF2-CD2)-k(A+B+C)3;
其中,k=0.04,k为经验常数;det(M)表示矩阵M的行列式,trace(M)表示矩阵M的迹,其表达式如下:
det(M)=λ1λ2λ3=ABC+2DEF-BE2-AF2-CD2
trace(M)=λ1+λ2+λ3=A+B+C
其中,λ1、λ2、λ3分别为矩阵M的特征值。
进一步地,所述fx,fy,fz由如下公式计算:
式中,Rx、Ry、Rz分别为水平、垂直、光谱三个方向的梯度算子,且大小均为5*5*5,为卷积符号;
其中,水平梯度算子Rx(:,:,3)表达式如下,Rx的其他位置均为0:
垂直梯度算子Ry(:,:,3)表达式如下,Ry的其他位置均为0:
光谱方向的梯度算子Rz(3,3,:)表达式如下,Rz的其他位置均为0:
进一步地,矩阵M由如下公式计算:
其中,
fxy=fx·fy,fyz=fy·fz,fxz=fx·fz;
ω(x,y,z)为高斯加权函数,σ为高斯函数的尺度因子,σ=1。
本发明还提供了一种高光谱图像角点检测系统,所述系统包括:加权相关性函数构造模块、角点响应函数构造模块、角点响应值计算模块、角点判断模块;其中:
加权相关性函数构造模块用于构造关于高光谱图像f(x,y,z)中的某点p0和其邻域上的点p1的加权相关性函数;
角点响应函数构造模块用于根据所述加权相关性函数构造一个角点响应函数;
角点响应值计算模块用于根据所述角点响应函数计算所述高光谱图像f(x,y,z)中的某点p0的Harris角点响应值和其邻域上所有点的Harris角点响应值;
角点判断模块用于判断某点p0是否为所述高光谱图像f(x,y,z)的Harris角点,若所述高光谱图像f(x,y,z)中的某点p0的Harris角点响应值大于其邻域上所有点的Harris角点响应值,则该点p0即为Harris角点。
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,z)中的一个像素,其坐标为(x,y,z),f(x,y,z)为点p0对应的像素值;点p1坐标为(x+△x,y+△y,z+△z),f(x+△x,y+△y,z+△z)为点p1对应的像素值;
窗函数ω(x,y,z)采用高斯加权函数,如下所示:
而由上式可得:
其中,σ为高斯函数的尺度因子;
为卷积运算符号,l为窗函数沿x方向移动的长度,m为窗函数沿y方向移动的长度,r为窗函数沿z方向移动的长度,l=1,m=1,r=1。
进一步地,所述加权相关性函数中表示为即:
而,
则,
其中,
式中,fx,fy,fz分别表示图像f(x,y,z)在x,y,z三个方向上的梯度,即
上式中,ω表示高斯加权函数ω(x,y,z),为卷积符号,A、B、C、D、E、F分别对应矩阵M的各个元素。
进一步地,所述角点响应函数为:
R=det(M)-k(trace(M))3=(ABC+2DEF-BE2-AF2-CD2)-k(A+B+C)3;
其中,k=0.04,k为经验常数;det(M)表示矩阵M的行列式,trace(M)表示矩阵M的迹,其表达式如下:
det(M)=λ1λ2λ3=ABC+2DEF-BE2-AF2-CD2
trace(M)=λ1+λ2+λ3=A+B+C
其中,λ1、λ2、λ3分别为矩阵M的特征值。
进一步地,所述fx,fy,fz由如下公式计算:
式中,Rx、Ry、Rz分别为水平、垂直、光谱三个方向的梯度算子,且大小均为5*5*5,为卷积符号;
其中,水平梯度算子Rx(:,:,3)表达式如下,Rx的其他位置均为0:
垂直梯度算子Ry(:,:,3)表达式如下,Ry的其他位置均为0:
光谱方向的梯度算子Rz(3,3,:)表达式如下,Rz的其他位置均为0:
进一步地,矩阵M由如下公式计算:
其中,
fxy=fx·fy,fyz=fy·fz,fxz=fx·fz;
ω(x,y,z)为高斯加权函数,σ为高斯函数的尺度因子,σ=1。
本发明与现有技术相比,有益效果在于:本发明提供了一种高光谱图像角点检测方法与系统,通过定义Harris角点响应函数,计算高光谱图像中某点及其邻域的角点响应值并比较响应值的大小来判断是否为角点;采用这种检测方法能获取高光谱图像的关键信息从而能更好地对高光谱图像进行分析,提高了高光谱图像模式识别效果。
附图说明
图1是本发明实施例提供的高光谱图像Harris角点检测方法的流程图;
图2是现有技术提供的高光谱图像的表示示意图;
图3是本发明实施例提供的高光谱图像Harris角点检测系统的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在进行高光谱Harris角点检测时,可以通过判断高光谱图像中某点与其邻域的相关性来检测该点是否为Harris角点;具体地,如果某点与其邻域的相关性较小,即在其邻域范围内,图像的灰度发生了很大的变化,则该点为Harris角点;反之,则不为角点。但是,事实上,某点与其邻域的相关性程度不能很好地去衡量,所以,本发明从相关性的函数出发,推到、变形最终得到角点响应函数,从而转换为利用角点响应函数来判断某点是否为Harris角点。
下面具体介绍高光谱图像角点检测方法,如图1所示,所述方法包括下述步骤:
步骤A,构造关于高光谱图像f(x,y,z)中的某点p0和其邻域上的点p1的加权相关性函数;
下面先介绍关于高光谱图像的相关性函数;
高光谱图像F,其空域尺寸为M*N,光谱波段数为n,则它可以表示为:
F=f(x,y,z)(1)
式中,f(x,y,z)表示高光谱图像的函数,(x,y,z)表示3维坐标,x和y表示空域坐标,0<x<M,0<y<N,z表示光谱域坐标,0<z<n。如图2所示,xOy平面及其平行面为二维图像,表示高光谱图像的某个波段,即空域,z轴表示各个波段,即光谱域。
显然,高光谱图像与二维灰度图像不同,高光谱图像是三维的,是在二维图像的基础上多了一维光谱信息。所以不能直接将灰度图像提取Harris角点的方法应用到高光谱图像上,还需要衡量光谱间的关系。
根据二维图像相关性的定义及高光谱图像的特性,我们首先给出高光谱图像的相关性函数。
设点p0是高光谱图像f(x,y,z)中的一个像素,其坐标为(x,y,z),点p1为p0的邻域上的点,其坐标为(x+△x,y+△y,z+△z),则p0和p1相关性函数定义如下:
c(△x,△y,△z)=[f(x,y,z)-f(x+△x,y+△y,z+△z)]2(2)
式中,f(x,y,z)为点p0对应的像素值,f(x+△x,y+△y,z+△z)为点p1对应的像素值。
高光谱图像的某一波段,存在空间相关性,即像素间相关性,这也是在灰度图像的Harris角点检测算法中所用到的。同时,由于不同波段的高光谱图像空间结构基本相同,且其灰度值是同一成像物在各个波段的反射强度值,因此不同波段的高光谱图像在相同位置上的像素间存在相关性,称为谱间相关性。
下面介绍关于高光谱图像的加权相关性函数;
本发明所提的高光谱图像特征点主要用于高光谱图像模式识别、图像配准等应用领域中,因此本发明要求所提取的特征点需要空域和光谱域上具有明显的变化。本发明采用窗函数与高光谱图像进行卷积来判断高光谱像素点与其邻域的相关性,因此,在式(2)的基础上,对加权相关性函数进行如下定义;
设点p0是高光谱图像f(x,y,z)中的一个像素,其坐标为(x,y,z),点p1为p0的邻域上的点,其坐标为(x+△x,y+△y,z+△z),则p0和p1加权相关性函数定义如下
其中,f(x,y,z)为点p0对应的像素值,f(x+△x,y+△y,z+△z)为点p1对应的像素值;
窗函数ω(x,y,z)采用高斯加权函数,如下所示:
而由式(4)可得:
式中,σ为高斯函数的尺度因子。
式(3)中,为卷积运算,l为窗口沿x方向移动的长度,m为窗口沿y方向移动的长度,r为窗口沿z方向移动的长度,本发明实施例中,l、m和r的值均取1,即窗口大小为3*3*3。
步骤B,根据所述加权相关性函数构造一个角点响应函数;具体实现过程如下,
将公式(3)中的 表示为即:
式(6)中,f(u+△x,v+△y,p+△z)为将图像f(u,v,p)平移(△x,△y,△z)后得到;对f(u+△x,v+△y,p+△z)进行泰勒级数展开,并取一阶近似,具体如下:
式中,fx,fy,fz是图像f(x,y,z)的各个点在x、y、z三个方向上的梯度,即
因此,式(6)可近似为:
其中,
式中,fx 2,fy 2,fz 2分别表示高光谱图像在x、y、z三个方向的梯度fx,fy,fz的平方,fxy表示fx与fy的乘积,fyz表示fy与fz的乘积,fxz表示fx与fz的乘积,ω为式(4)中的高斯加权函数ω(x,y,z),为卷积符号,A、B、C、D、E、F分别对应矩阵M的各个元素。
而角点响应函数的公式为:
R=det(M)-k(trace(M))3=(ABC+2DEF-BE2-AF2-CD2)-k(A+B+C)3(11)
式中,k为经验常数,这里取值0.04;det(M)为矩阵M的行列式,trace(M)为矩阵M的迹,其表达式如下:
det(M)=λ1λ2λ3=ABC+2DEF-BE2-AF2-CD2(12)
trace(M)=λ1+λ2+λ3=A+B+C(13)
由式(10)可知,M为实对称的二阶矩矩阵,反映了图像的结构信息,事实上,二阶矩矩阵M的三个特征值λ1、λ2、λ3的大小与图像中的角点、边缘和平面存在着对应关系。如果λ1、λ2、λ3均较大,且近似相等,则式(6)的加权相关函数在所有方向均较大,则点(x,y,z)即为高光谱图像中的角点。但是,要判断三个特征值是否均很大,而且还要求矩阵特征值,显然比较繁琐,所以在实际判断某点是否为高光谱图像中的角点时,一般不采用这种方式判断。
步骤C,根据所述角点响应函数计算所述高光谱图像f(x,y,z)中的某点p0的Harris角点响应值和其邻域上所有点的Harris角点响应值;
步骤D,若所述高光谱图像f(x,y,z)中的某点p0的Harris角点响应值大于其邻域上所有点的Harris角点响应值,则该点p0即为所述高光谱图像f(x,y,z)的Harris角点。
具体地,下面介绍关于求Harris角点响应值进而实现角点检测的算法:
步骤1,根据式(8),计算高光谱图像f(x,y,z)各个点在x、y、z三个方向的梯度fx,fy,fz。在实际计算中,fx,fy,fz可以通过将高光谱图像f(x,y,z)与梯度算子卷积而得,即:
式中,f(x,y,z)为高光谱图像,Rx、Ry、Rz分别为水平、垂直、光谱三个方向的梯度算子,且大小均为5*5*5,为卷积符号。
本发明对水平梯度算子Rx(:,:,3)设计如下,Rx的其他位置均为0:
垂直梯度算子Ry(:,:,3)设计如下,Ry的其他位置均为0:
光谱方向的梯度算子Rz(3,3,:)设计如下,Rz的其他位置均为0:
步骤2,根据下述式子,计算fx,fy,fz两两间的乘积,并构建梯度矩阵N。
fx 2=fx·fx,fy 2=fy·fy,fz 2=fz·fz,fxy=fx·fy,fyz=fy·fz,fxz=fx·fz(18)
其中,fx,fy,fz表示高光谱图像在x、y、z三个方向的梯度,fxy表示fx与fy的乘积,fyz表示fy与fz的乘积,fxz表示fx与fz的乘积。
由式(18)中计算的各个梯度的乘积构建梯度矩阵N,即:
步骤3,为了构建二阶矩矩阵M,由式(10)可知,需要使用高斯加权函数ω(x,y,z)对式(19)梯度矩阵N中的各个元素进行高斯加权。则可以直接将高斯加权函数ω(x,y,z)与梯度矩阵N卷积求得,公式如下:
式中,ω(x,y,z)为式(4)中的高斯加权函数,其中,σ为高斯函数的尺度因子,这里取σ=1。
步骤4,根据式(11)并结合式(20)计算出的矩阵M中的各参数的值计算每个像元f(x0,y0,z0)∈f(x,y,z)的Harris角点响应值R(x0,y0,z0)。
步骤5,比较点(x0,y0,z0)和其3*3*3的邻域中其他点的Harris角点响应值,如果点(x0,y0,z0)的Harris角点响应值大于其3*3*3的邻域中其余所有点的角点响应值,则点(x0,y0,z0)即为高光谱图像的角点。在实验中,通过沿着x、y、z三个方向移动一个3*3*3的窗口,判断窗口的中心点是否具有局部最大的Harris角点响应值,如果有,则返回该中心点的位置,即为角点的位置。
本发明还提供了一种高光谱图像角点检测系统,如图3所示,所述系统包括:加权相关性函数构造模块1、角点响应函数构造模块2、角点响应值计算模块3、角点判断模块4;其中:
加权相关性函数构造模块1用于构造关于高光谱图像f(x,y,z)中的某点p0和其邻域上的点p1的加权相关性函数;
角点响应函数构造模块2用于根据所述加权相关性函数构造一个角点响应函数;
角点响应值计算模块3用于根据所述角点响应函数计算所述高光谱图像f(x,y,z)中的某点p0的Harris角点响应值和其邻域上所有点的Harris角点响应值;
角点判断模块4用于判断某点p0是否为所述高光谱图像f(x,y,z)的Harris角点,若所述高光谱图像f(x,y,z)中的某点p0的Harris角点响应值大于其邻域上所有点的Harris角点响应值,则该点p0即为Harris角点。
本发明提供的一种高光谱图像角点检测方法与系统,解决了目前的Harris角点检测方法只能用于灰度图像或视频图像而不能用于高光谱图像的问题;采用这种检测方法能获取高光谱图像的关键信息从而能更好地对高光谱图像进行分析,提高了高光谱图像模式识别效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种高光谱图像角点检测方法,其特征在于,所述方法包括下述步骤:
步骤A,构造关于高光谱图像f(x,y,z)中的某点p0和其邻域上的点p1的加权相关性函数;
步骤B,根据所述加权相关性函数构造一个角点响应函数;
步骤C,根据所述角点响应函数计算所述高光谱图像f(x,y,z)中的某点p0的Harris角点响应值和其邻域上所有点的Harris角点响应值;
步骤D,若所述高光谱图像f(x,y,z)中的某点p0的Harris角点响应值大于其邻域上所有点的Harris角点响应值,则该点p0即为所述高光谱图像f(x,y,z)的Harris角点。
2.如权利要求1所述的角点检测方法,其特征在于,所述加权相关性函数为:
其中,点p0是高光谱图像f(x,y,z)中的一个像素,其坐标为(x,y,z),f(x,y,z)为点p0对应的像素值;点p1坐标为(x+Δx,y+Δy,z+Δz),f(x+Δx,y+Δy,z+Δz)为点p1对应的像素值;
窗函数ω(x,y,z)采用高斯加权函数,如下所示:
而由上式可得:
其中,σ为高斯函数的尺度因子;
为卷积运算符号,l为窗函数沿x方向移动的长度,m为窗函数沿y方向移动的长度,r为窗函数沿z方向移动的长度,l=1,m=1,r=1。
3.如权利要求2所述的角点检测方法,其特征在于,所述加权相关性函数中表示为即:
而,
则,
其中,
式中,fx,fy,fz分别表示图像f(x,y,z)在x,y,z三个方向上的梯度,即
上式中,ω表示高斯加权函数ω(x,y,z),为卷积符号,A、B、C、D、E、F分别对应矩阵M的各个元素。
4.如权利要求3所述的角点检测方法,其特征在于,所述角点响应函数为:
R=det(M)-k(trace(M))3=(ABC+2DEF-BE2-AF2-CD2)-k(A+B+C)3;
其中,k=0.04,k为经验常数;det(M)表示矩阵M的行列式,trace(M)表示矩阵M的迹,其表达式如下:
det(M)=λ1λ2λ3=ABC+2DEF-BE2-AF2-CD2
trace(M)=λ1+λ2+λ3=A+B+C
其中,λ1、λ2、λ3分别为矩阵M的特征值。
5.如权利要求3所述的角点检测方法,其特征在于,所述fx,fy,fz由如下公式计算:
式中,Rx、Ry、Rz分别为水平、垂直、光谱三个方向的梯度算子,且大小均为5*5*5, 为卷积符号;
其中,水平梯度算子Rx(:,:,3)表达式如下,Rx的其他位置均为0:
垂直梯度算子Ry(:,:,3)表达式如下,Ry的其他位置均为0:
光谱方向的梯度算子Rz(3,3,:)表达式如下,Rz的其他位置均为0:
6.如权利要求5所述的角点检测方法,其特征在于,矩阵M由如下公式计算:
其中,
fxy=fx·fy,fyz=fy·fz,fxz=fx·fz;
ω(x,y,z)为高斯加权函数,σ为高斯函数的尺度因子,σ=1。
7.一种高光谱图像角点检测系统,其特征在于,所述系统包括:加权相关性函数构造模块、角点响应函数构造模块、角点响应值计算模块、角点判断模块;其中:
加权相关性函数构造模块用于构造关于高光谱图像f(x,y,z)中的某点p0和其邻域上的点p1的加权相关性函数;
角点响应函数构造模块用于根据所述加权相关性函数构造一个角点响应函数;
角点响应值计算模块用于根据所述角点响应函数计算所述高光谱图像f(x,y,z)中的某点p0的Harris角点响应值和其邻域上所有点的Harris角点响应值;
角点判断模块用于判断某点p0是否为所述高光谱图像f(x,y,z)的Harris角点,若所述高光谱图像f(x,y,z)中的某点p0的Harris角点响应值大于其邻域上所有点的Harris角点响应值,则该点p0即为Harris角点。
8.如权利要求7所述的角点检测系统,其特征在于,所述加权相关性函数为:
其中,点p0是高光谱图像f(x,y,z)中的一个像素,其坐标为(x,y,z),f(x,y,z)为点p0对应的像素值;点p1坐标为(x+Δx,y+Δy,z+Δz),f(x+Δx,y+Δy,z+Δz)为点p1对应的像素值;
窗函数ω(x,y,z)采用高斯加权函数,如下所示:
而由上式可得:
其中,σ为高斯函数的尺度因子;
为卷积运算符号,l为窗函数沿x方向移动的长度,m为窗函数沿y方向移动的长度,r为窗函数沿z方向移动的长度,l=1,m=1,r=1。
9.如权利要求8所述的角点检测系统,其特征在于,所述加权相关性函数中表示为即:
而,
则,
其中,
式中,fx,fy,fz分别表示图像f(x,y,z)在x,y,z三个方向上的梯度,即
上式中,ω表示高斯加权函数ω(x,y,z),为卷积符号,A、B、C、D、E、F分别对应矩阵M的各个元素。
10.如权利要求9所述的角点检测系统,其特征在于,所述角点响应函数为:
R=det(M)-k(trace(M))3=(ABC+2DEF-BE2-AF2-CD2)-k(A+B+C)3;
其中,k=0.04,k为经验常数;det(M)表示矩阵M的行列式,trace(M)表示矩阵M的迹,其表达式如下:
det(M)=λ1λ2λ3=ABC+2DEF-BE2-AF2-CD2
trace(M)=λ1+λ2+λ3=A+B+C
其中,λ1、λ2、λ3分别为矩阵M的特征值。
11.如权利要求9所述的角点检测系统,其特征在于,所述fx,fy,fz由如下公式计算:
式中,Rx、Ry、Rz分别为水平、垂直、光谱三个方向的梯度算子,且大小均为5*5*5,为卷积符号;
其中,水平梯度算子Rx(:,:,3)表达式如下,Rx的其他位置均为0:
垂直梯度算子Ry(:,:,3)表达式如下,Ry的其他位置均为0:
光谱方向的梯度算子Rz(3,3,:)表达式如下,Rz的其他位置均为0:
12.如权利要求11所述的角点检测系统,其特征在于,矩阵M由如下公式计算:
其中,
fxy=fx·fy,fyz=fy·fz,fxz=fx·fz;
ω(x,y,z)为高斯加权函数,σ为高斯函数的尺度因子,σ=1。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510621881.3A CN105139412B (zh) | 2015-09-25 | 2015-09-25 | 一种高光谱图像角点检测方法与系统 |
PCT/CN2016/090015 WO2017049994A1 (zh) | 2015-09-25 | 2016-07-14 | 一种高光谱图像角点检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510621881.3A CN105139412B (zh) | 2015-09-25 | 2015-09-25 | 一种高光谱图像角点检测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105139412A true CN105139412A (zh) | 2015-12-09 |
CN105139412B CN105139412B (zh) | 2018-04-24 |
Family
ID=54724744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510621881.3A Active CN105139412B (zh) | 2015-09-25 | 2015-09-25 | 一种高光谱图像角点检测方法与系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105139412B (zh) |
WO (1) | WO2017049994A1 (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106303501A (zh) * | 2016-08-23 | 2017-01-04 | 深圳市捷视飞通科技股份有限公司 | 基于图像稀疏特征匹配的立体图像重构方法及装置 |
CN106340010A (zh) * | 2016-08-22 | 2017-01-18 | 电子科技大学 | 一种基于二阶轮廓差分的角点检测方法 |
CN106529472A (zh) * | 2016-10-24 | 2017-03-22 | 深圳大学 | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 |
WO2017049994A1 (zh) * | 2015-09-25 | 2017-03-30 | 深圳大学 | 一种高光谱图像角点检测方法与系统 |
CN107230220A (zh) * | 2017-05-26 | 2017-10-03 | 深圳大学 | 一种新的时空Harris角点检测方法及装置 |
CN107742114A (zh) * | 2017-11-09 | 2018-02-27 | 深圳大学 | 高光谱图像特征检测方法及装置 |
CN108009550A (zh) * | 2017-11-09 | 2018-05-08 | 深圳大学 | 基于光谱曲线拟合的高光谱图像特征检测方法及装置 |
CN108492306A (zh) * | 2018-03-07 | 2018-09-04 | 鞍钢集团矿业有限公司 | 一种基于图像轮廓的x型角点提取方法 |
CN109118473A (zh) * | 2018-07-03 | 2019-01-01 | 深圳大学 | 基于神经网络的角点检测方法、存储介质与图像处理系统 |
CN109360264A (zh) * | 2018-08-30 | 2019-02-19 | 深圳大学 | 图像统一模型的建立方法与装置 |
CN111724425A (zh) * | 2020-05-28 | 2020-09-29 | 交通运输部东海航海保障中心上海航标处 | 航标图拼接方法、装置及终端设备 |
WO2020232959A1 (zh) * | 2019-05-22 | 2020-11-26 | 安徽大学 | 基于函数性主元分析的近红外光谱特征提取方法和系统 |
WO2021052240A1 (zh) * | 2019-09-20 | 2021-03-25 | 华中科技大学 | 基于图像特征自动选择谱线的激光探针分类方法及装置 |
CN112967241A (zh) * | 2021-02-26 | 2021-06-15 | 西安理工大学 | 一种基于局部梯度引导的高光谱图像异常检测方法 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960012B (zh) * | 2017-05-22 | 2022-04-15 | 中科创达软件股份有限公司 | 特征点检测方法、装置及电子设备 |
CN109191537A (zh) * | 2018-07-19 | 2019-01-11 | 成都智慧海派科技有限公司 | 一种视觉定位移动设备屏幕的方法 |
CN110188777B (zh) * | 2019-05-31 | 2023-08-25 | 东莞先知大数据有限公司 | 一种基于数据挖掘的多周期钢轨伤损数据对齐方法 |
CN110232390B (zh) * | 2019-06-13 | 2022-10-14 | 长安大学 | 一种变化光照下图像特征提取方法 |
CN110490913B (zh) * | 2019-07-22 | 2022-11-22 | 华中师范大学 | 基于角点与单线段编组的特征描述算子进行影像匹配方法 |
CN110728285B (zh) * | 2019-08-23 | 2022-06-24 | 北京正安维视科技股份有限公司 | 一种基于动态变频的快速角点检测方法 |
CN111047614B (zh) * | 2019-10-10 | 2023-09-29 | 南昌市微轲联信息技术有限公司 | 一种基于特征提取的复杂场景图像的目标角点提取方法 |
CN111311657B (zh) * | 2020-03-12 | 2023-04-25 | 广东电网有限责任公司广州供电局 | 一种基于改进角点主方向分配的红外图像同源配准方法 |
CN111949270A (zh) * | 2020-07-27 | 2020-11-17 | 中国建设银行股份有限公司 | 流程机器人的运行环境变化感知方法及装置 |
CN113129351B (zh) * | 2021-03-10 | 2023-08-11 | 西安理工大学 | 一种基于光场傅里叶视差分层的特征检测方法 |
CN114821044B (zh) * | 2022-05-31 | 2024-05-03 | 中煤科工机器人科技有限公司 | 一种基于梯度变换的方形指针式仪表示数识别方法 |
CN116977430A (zh) * | 2023-08-08 | 2023-10-31 | 江阴极动智能科技有限公司 | 避障方法及避障装置、电子设备、存储介质 |
CN117843175B (zh) * | 2024-01-09 | 2024-07-12 | 苏州丹诺智能科技有限公司 | 基于赫兹波辐照的赫兹波饮用水及其制备方法 |
CN117635507B (zh) * | 2024-01-26 | 2024-04-09 | 深圳市精森源科技有限公司 | 一种塑胶颗粒在线视觉检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800099A (zh) * | 2012-07-19 | 2012-11-28 | 北京市遥感信息研究所 | 多特征多级别的可见光与高光谱图像高精度配准方法 |
CN102800097A (zh) * | 2012-07-19 | 2012-11-28 | 中国科学院自动化研究所 | 多特征多级别的可见光与红外图像高精度配准方法 |
CN102819839A (zh) * | 2012-07-19 | 2012-12-12 | 北京市遥感信息研究所 | 多特征多级别的红外与高光谱图像的高精度配准方法 |
CN103824076A (zh) * | 2014-02-28 | 2014-05-28 | 苏州大学 | 一种图像尺度不变特征的检测提取方法和系统 |
CN104318548A (zh) * | 2014-10-10 | 2015-01-28 | 西安电子科技大学 | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 |
CN104700359A (zh) * | 2015-03-20 | 2015-06-10 | 南京大学 | 像平面不同极轴方向图像序列进行超分辨率重建的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139412B (zh) * | 2015-09-25 | 2018-04-24 | 深圳大学 | 一种高光谱图像角点检测方法与系统 |
-
2015
- 2015-09-25 CN CN201510621881.3A patent/CN105139412B/zh active Active
-
2016
- 2016-07-14 WO PCT/CN2016/090015 patent/WO2017049994A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800099A (zh) * | 2012-07-19 | 2012-11-28 | 北京市遥感信息研究所 | 多特征多级别的可见光与高光谱图像高精度配准方法 |
CN102800097A (zh) * | 2012-07-19 | 2012-11-28 | 中国科学院自动化研究所 | 多特征多级别的可见光与红外图像高精度配准方法 |
CN102819839A (zh) * | 2012-07-19 | 2012-12-12 | 北京市遥感信息研究所 | 多特征多级别的红外与高光谱图像的高精度配准方法 |
CN103824076A (zh) * | 2014-02-28 | 2014-05-28 | 苏州大学 | 一种图像尺度不变特征的检测提取方法和系统 |
CN104318548A (zh) * | 2014-10-10 | 2015-01-28 | 西安电子科技大学 | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 |
CN104700359A (zh) * | 2015-03-20 | 2015-06-10 | 南京大学 | 像平面不同极轴方向图像序列进行超分辨率重建的方法 |
Non-Patent Citations (4)
Title |
---|
CHRIS HARRIS等: "A combined corner and edge detector", 《4TH ALVEY VISION CONFERENCE》 * |
SMITH S M等: "SUSAN:A new approach to low level image processing", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
张勇等: "基于Harris 的角点匹配算法研究", 《计算机与现代化》 * |
李建福: "红外图像中人体目标检测、跟踪及其行为识别研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017049994A1 (zh) * | 2015-09-25 | 2017-03-30 | 深圳大学 | 一种高光谱图像角点检测方法与系统 |
CN106340010A (zh) * | 2016-08-22 | 2017-01-18 | 电子科技大学 | 一种基于二阶轮廓差分的角点检测方法 |
CN106340010B (zh) * | 2016-08-22 | 2019-02-15 | 电子科技大学 | 一种基于二阶轮廓差分的角点检测方法 |
CN106303501B (zh) * | 2016-08-23 | 2018-12-04 | 深圳市捷视飞通科技股份有限公司 | 基于图像稀疏特征匹配的立体图像重构方法及装置 |
CN106303501A (zh) * | 2016-08-23 | 2017-01-04 | 深圳市捷视飞通科技股份有限公司 | 基于图像稀疏特征匹配的立体图像重构方法及装置 |
CN106529472A (zh) * | 2016-10-24 | 2017-03-22 | 深圳大学 | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 |
CN106529472B (zh) * | 2016-10-24 | 2019-08-02 | 深圳大学 | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 |
CN107230220A (zh) * | 2017-05-26 | 2017-10-03 | 深圳大学 | 一种新的时空Harris角点检测方法及装置 |
CN107742114A (zh) * | 2017-11-09 | 2018-02-27 | 深圳大学 | 高光谱图像特征检测方法及装置 |
CN108009550B (zh) * | 2017-11-09 | 2021-01-22 | 深圳大学 | 基于光谱曲线拟合的高光谱图像特征检测方法及装置 |
CN107742114B (zh) * | 2017-11-09 | 2021-11-19 | 深圳大学 | 高光谱图像特征检测方法及装置 |
CN108009550A (zh) * | 2017-11-09 | 2018-05-08 | 深圳大学 | 基于光谱曲线拟合的高光谱图像特征检测方法及装置 |
CN108492306A (zh) * | 2018-03-07 | 2018-09-04 | 鞍钢集团矿业有限公司 | 一种基于图像轮廓的x型角点提取方法 |
CN109118473A (zh) * | 2018-07-03 | 2019-01-01 | 深圳大学 | 基于神经网络的角点检测方法、存储介质与图像处理系统 |
CN109360264A (zh) * | 2018-08-30 | 2019-02-19 | 深圳大学 | 图像统一模型的建立方法与装置 |
CN109360264B (zh) * | 2018-08-30 | 2023-05-26 | 深圳大学 | 图像统一模型的建立方法与装置 |
WO2020232959A1 (zh) * | 2019-05-22 | 2020-11-26 | 安徽大学 | 基于函数性主元分析的近红外光谱特征提取方法和系统 |
WO2021052240A1 (zh) * | 2019-09-20 | 2021-03-25 | 华中科技大学 | 基于图像特征自动选择谱线的激光探针分类方法及装置 |
CN111724425A (zh) * | 2020-05-28 | 2020-09-29 | 交通运输部东海航海保障中心上海航标处 | 航标图拼接方法、装置及终端设备 |
CN111724425B (zh) * | 2020-05-28 | 2023-11-10 | 交通运输部东海航海保障中心上海航标处 | 航标图拼接方法、装置及终端设备 |
CN112967241A (zh) * | 2021-02-26 | 2021-06-15 | 西安理工大学 | 一种基于局部梯度引导的高光谱图像异常检测方法 |
CN112967241B (zh) * | 2021-02-26 | 2023-09-12 | 西安理工大学 | 一种基于局部梯度引导的高光谱图像异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105139412B (zh) | 2018-04-24 |
WO2017049994A1 (zh) | 2017-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139412A (zh) | 一种高光谱图像角点检测方法与系统 | |
US11244197B2 (en) | Fast and robust multimodal remote sensing image matching method and system | |
CN107093205B (zh) | 一种基于无人机图像的三维空间建筑物窗户检测重建方法 | |
CN103310194B (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
CN105069811B (zh) | 一种多时相遥感图像变化检测方法 | |
Cui et al. | MAP-Net: SAR and optical image matching via image-based convolutional network with attention mechanism and spatial pyramid aggregated pooling | |
Liu et al. | A contrario comparison of local descriptors for change detection in very high spatial resolution satellite images of urban areas | |
CN103177468A (zh) | 一种基于无标记的三维运动物体增强现实注册方法 | |
CN106250895A (zh) | 一种光学遥感图像感兴趣区域检测方法 | |
CN107767400A (zh) | 基于层次化显著性分析的遥感图像序列动目标检测方法 | |
CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
CN106570887A (zh) | 结合LBP特征自适应Mean Shift目标跟踪方法 | |
CN102855621A (zh) | 一种基于显著区域分析的红外与可见光遥感图像配准方法 | |
CN104732546A (zh) | 区域相似性和局部空间约束的非刚性sar图像配准方法 | |
Chen et al. | Identification of autonomous landing sign for unmanned aerial vehicle based on faster regions with convolutional neural network | |
CN106203261A (zh) | 基于svm和surf的无人车野外水体检测与跟踪方法 | |
CN101957993A (zh) | 自适应红外小目标检测方法 | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
CN103854290A (zh) | 一种结合骨架特征点和分布场描述子的扩展目标跟踪方法 | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 | |
Yuan et al. | Weakly supervised road network extraction for remote sensing image based scribble annotation and adversarial learning | |
CN102509293A (zh) | 异源图像的一致性特征检测方法 | |
Zhang et al. | Optical and SAR image dense registration using a robust deep optical flow framework | |
Li et al. | Cross-Modal feature description for remote sensing image matching | |
CN106407975B (zh) | 基于空间-光谱结构约束的多尺度分层目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |