CN105205811A - 一种烟田遥感图像匹配算法 - Google Patents

Abstract

本发明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。

Description

一种烟田遥感图像匹配算法

技术领域

本发明涉及数字图像处理领域，更具体地，涉及一种烟田遥感图像匹配算法。

背景技术

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。

发明内容

本发明提供一种烟田遥感图像匹配算法，该算法时间效率较高。

为了达到上述技术效果，本发明的技术方案如下：

一种烟田遥感图像匹配算法，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：

$\begin{array}{c}E(x,y)=\Σ\mathrm{\ω}{\[I(x_i+\mathrm{\Δ}x,y_i+\mathrm{\Δ}y)-I(x_i,y_i)\]}^2\\ =\Σ\mathrm{\ω}{\[\mathrm{\Δ}x\·I_x(x_i,y_i)+{\mathrm{\ΔyI}}_y(x_i,y_i)+o({\mathrm{\Δx}}^2+{\mathrm{\Δy}}^2)\]}^2\\ \≈\Σ\mathrm{\ω}\left({\begin{array}{cc}\[I_x(x_i,y_i)& I_y(x_i,y_i)\]\left[\begin{array}{c}\mathrm{\Δ}x\\ \mathrm{\Δ}y\end{array}\right]\end{array}}^2\right)\\ =\[\begin{array}{cc}\mathrm{\Δ}x& \mathrm{\Δ}y\end{array}\]\left[\begin{array}{cc}\Σ\mathrm{\ω}{\left(I_x\right(x_i,y_i\left)\right)}^2& \Σ\mathrm{\ω}\left(I_x\right(x_i,y_i)\·I_y(x_i,y_i\left)\right)\\ \Σ\mathrm{\ω}\left(I_x\right(x_i,y_i)\·I_y(x_i,y_i\left)\right)& \Σ\mathrm{\ω}{\left(I_y\right(x_i,y_i\left)\right)}^2\end{array}\right]\left[\begin{array}{c}\mathrm{\Δ}x\\ \mathrm{\Δ}y\end{array}\right]\\ =\[\begin{array}{cc}\mathrm{\Δ}x& \mathrm{\Δ}y\end{array}\]\left[\begin{array}{cc}{\tilde{I}}_x^2& {\tilde{I}}_x\·{\tilde{I}}_y\\ {\tilde{I}}_x\·{\tilde{I}}_y& {\tilde{I}}_y^2\end{array}\right]\left[\begin{array}{c}\mathrm{\Δ}x\\ \mathrm{\Δ}y\end{array}\right]\\ =\[\begin{array}{cc}\mathrm{\Δ}x& \mathrm{\Δ}y\end{array}\]M(x,y)\left[\begin{array}{c}\mathrm{\Δ}x\\ \mathrm{\Δ}y\end{array}\right]\end{array}$

式中I_x、I_y为图像I(x,y)的方向导数， ${\tilde{I}}_x^2=I_x^2\⊗\mathrm{\ω},{\tilde{I}}_y^2=I_y^2\⊗\mathrm{\ω},$ ${\tilde{I}}_x\·{\tilde{I}}_y=(I_x\·I_y)\⊗\mathrm{\ω},\mathrm{\ω}=\exp (-\frac{i^2+j^2}{2})$ 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。

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σ处的Hessian矩阵定矩阵 $H=\left[\begin{array}{cc}{L}_{xx}(x,\mathrm{\σ})& L_{xy}(x,\mathrm{\σ})\\ L_{xy}(x,\mathrm{\σ})& L_{yy}(x,\mathrm{\σ})\end{array}\right],$ 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。

与现有技术相比，本发明技术方案的有益效果是：

本发明算法是以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为本发明的流程图；

图2为匹配参考图；

图3为采用Harris匹配的实验结果图；

图4为采用本发明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发明的技术方案做进一步的说明。

实施例1

一种烟田遥感图像匹配算法，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：

$\begin{array}{c}E(x,y)=\Σ\mathrm{\ω}{\[I(x_i+\mathrm{\Δ}x,y_i+\mathrm{\Δ}y)-I(x_i,y_i)\]}^2\\ =\Σ\mathrm{\ω}{\[\mathrm{\Δ}x\·I_x(x_i,y_i)+{\mathrm{\ΔyI}}_y(x_i,y_i)+o({\mathrm{\Δx}}^2+{\mathrm{\Δy}}^2)\]}^2\\ \≈\Σ\mathrm{\ω}\left({\begin{array}{cc}\[I_x(x_i,y_i)& I_y(x_i,y_i)\]\left[\begin{array}{c}\mathrm{\Δ}x\\ \mathrm{\Δ}y\end{array}\right]\end{array}}^2\right)\\ =\[\begin{array}{cc}\mathrm{\Δ}x& \mathrm{\Δ}y\end{array}\]\left[\begin{array}{cc}\Σ\mathrm{\ω}{\left(I_x\right(x_i,y_i\left)\right)}^2& \Σ\mathrm{\ω}\left(I_x\right(x_i,y_i)\·I_y(x_i,y_i\left)\right)\\ \Σ\mathrm{\ω}\left(I_x\right(x_i,y_i)\·I_y(x_i,y_i\left)\right)& \Σ\mathrm{\ω}{\left(I_y\right(x_i,y_i\left)\right)}^2\end{array}\right]\left[\begin{array}{c}\mathrm{\Δ}x\\ \mathrm{\Δ}y\end{array}\right]\\ =\[\begin{array}{cc}\mathrm{\Δ}x& \mathrm{\Δ}y\end{array}\]\left[\begin{array}{cc}{\tilde{I}}_x^2& {\tilde{I}}_x\·{\tilde{I}}_y\\ {\tilde{I}}_x\·{\tilde{I}}_y& {\tilde{I}}_y^2\end{array}\right]\left[\begin{array}{c}\mathrm{\Δ}x\\ \mathrm{\Δ}y\end{array}\right]\\ =\[\begin{array}{cc}\mathrm{\Δ}x& \mathrm{\Δ}y\end{array}\]M(x,y)\left[\begin{array}{c}\mathrm{\Δ}x\\ \mathrm{\Δ}y\end{array}\right]\end{array}$

式中I_x、I_y为图像I(x,y)的方向导数， ${\tilde{I}}_x^2=I_x^2\⊗\mathrm{\ω},{\tilde{I}}_y^2=I_y^2\⊗\mathrm{\ω},$ ${\tilde{I}}_x\·{\tilde{I}}_y=(I_x\·I_y)\⊗\mathrm{\ω},\mathrm{\ω}=\exp (-\frac{i^2+j^2}{2})$ 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。

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 $H=\left[\begin{array}{cc}{L}_{xx}(x,\mathrm{\σ})& L_{xy}(x,\mathrm{\σ})\\ L_{xy}(x,\mathrm{\σ})& L_{yy}(x,\mathrm{\σ})\end{array}\right],$ 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。

本发明算法是以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。

利用本发明算随机对5幅烟田图像与参考图像进行匹配，与传统的算法实验结果对比如图2-4所示，并与传统的算法进行比较匹配时间，如表1所示：

表1匹配时间对比表

图像编号	Harri算法(时间/s)	本发明算法(时间/s)
			1	11.2	7.4
2	17.5	11.3
			3	39.6	31
4	40	26.5
			5	24.6	17.3

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (3)

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：

$\begin{array}{c}E(x,y)=\Σ\mathrm{\ω}{\[I(x_i+\mathrm{\Δ}x,y_i+\mathrm{\Δ}y)-I(x_i,y_i)\]}^2\\ =\Σ\mathrm{\ω}{\[\mathrm{\Δ}x\·I_x(x_i,y_i)+{\mathrm{\ΔyI}}_y(x_i,y_i)+o({\mathrm{\Δx}}^2+{\mathrm{\Δy}}^2)\]}^2\\ \≈\Σ\mathrm{\ω}\left({\begin{array}{cc}\[I_x(x_i,y_i)& I_y(x_i,y_i)\]\left[\begin{array}{c}\mathrm{\Δ}x\\ \mathrm{\Δ}y\end{array}\right]\end{array}}^2\right)\\ =\[\begin{array}{cc}\mathrm{\Δ}x& \mathrm{\Δ}y\end{array}\]\left[\begin{array}{cc}\Σ\mathrm{\ω}{\left(I_x\right(x_i,y_i\left)\right)}^2& \Σ\mathrm{\ω}\left(I_x\right(x_i,y_i)\·I_y(x_i,y_i\left)\right)\\ \Σ\mathrm{\ω}\left(I_x\right(x_i,y_i)\·I_y(x_i,y_i\left)\right)& \Σ\mathrm{\ω}{\left(I_y\right(x_i,y_i\left)\right)}^2\end{array}\right]\left[\begin{array}{c}\mathrm{\Δ}x\\ \mathrm{\Δ}y\end{array}\right]\\ =\[\begin{array}{cc}\mathrm{\Δ}x& \mathrm{\Δ}y\end{array}\]\left[\begin{array}{cc}{\tilde{I}}_x^2& {\tilde{I}}_x\·{\tilde{I}}_y\\ {\tilde{I}}_x\·{\tilde{I}}_y& {\tilde{I}}_y^2\end{array}\right]\left[\begin{array}{c}\mathrm{\Δ}x\\ \mathrm{\Δ}y\end{array}\right]\\ =\[\begin{array}{cc}\mathrm{\Δ}x& \mathrm{\Δ}y\end{array}\]M(x,y)\left[\begin{array}{c}\mathrm{\Δ}x\\ \mathrm{\Δ}y\end{array}\right]\end{array}$

式中I_x、I_y为图像I(x,y)的方向导数， ${\tilde{I}}_x^2=I_x^2\⊗\mathrm{\ω},{\tilde{I}}_y^2=I_y^2\⊗\mathrm{\ω},$ ${\tilde{I}}_x\·{\tilde{I}}_y=(I_x\·I_y)\⊗\mathrm{\ω},\mathrm{\ω}=\exp (-\frac{i^2+j^2}{2})$ 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 $H=\left[\begin{array}{cc}{L}_{xx}(x,\mathrm{\σ})& L_{xy}(x,\mathrm{\σ})\\ L_{xy}(x,\mathrm{\σ})& L_{yy}(x,\mathrm{\σ})\end{array}\right],$ 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。