CN107742114A - 高光谱图像特征检测方法及装置 - Google Patents
高光谱图像特征检测方法及装置 Download PDFInfo
- Publication number
- CN107742114A CN107742114A CN201711096880.7A CN201711096880A CN107742114A CN 107742114 A CN107742114 A CN 107742114A CN 201711096880 A CN201711096880 A CN 201711096880A CN 107742114 A CN107742114 A CN 107742114A
- Authority
- CN
- China
- Prior art keywords
- point
- hyperspectral image
- lambda
- function
- points
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (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。
Description
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;
窗函数ω(x,y,λ)采用高斯加权函数,如下所示:
其中,σ为高斯函数的尺度因子;
其中,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λ方向移动的长度,l=1,m=1,r=1,即窗口大小为3*3*3。
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,fλ分别表示图像f(x,y,λ)在x,y,λ三个方向上的梯度,即
上式中,ω表示高斯加权函数ω(x,y,λ),为卷积符号,A、B、C、D、E、F分别对应矩阵M的各个元素,fx 2,fy 2,fλ 2分别表示多光谱图像在x、y、λ三个方向上梯度fx,fy,fλ的平方,fxfy表示fx与fy的乘积,fyfλ表示fy与fλ的乘积,fxfλ表示fx与fλ的乘积,A、B、C、D、E、F分别对应矩阵M的各个元素;
上式中,α为平滑因子,α=3,ε取一个较小常数10-4,该参数与高光谱图像的DN值有关,对相机参数敏感,上述关于fλ的等式决定检测的光谱域的极值点。
进一步地,所述特征点响应函数为:
R=det(M)-k(trace(M))3=(ABC+2DEF-BE2-AF2-CD2)-k(A+B+C)3;
其中,k=0.001,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,所述步骤S4具体为:比较高光谱图像f(x,y,λ)中的某点p0(x,y,λ)和其3×3×3的邻域上所有点的特征点响应值,如果点p0(x,y,λ)在其3×3×3的邻域中,有R(x,y,λ)最大,则点p0(x,y,λ)即为高光谱图像的特征点。
本发明还提供了一种高光谱图像特征检测装置,所述装置包括:
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,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;
特征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特征点响应函数;
特征点响应值计算模块,用于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;
特征点判断模块,用于在所述高光谱图像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时,判断出该点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;
窗函数ω(x,y,λ)采用高斯加权函数,如下所示:
其中,σ为高斯函数的尺度因子;
其中,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λ方向移动的长度,l=1,m=1,r=1,即窗口大小为3*3*3。
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,fλ分别表示图像f(x,y,λ)在x,y,λ三个方向上的梯度,即
上式中,ω表示高斯加权函数ω(x,y,λ),为卷积符号,A、B、C、D、E、F分别对应矩阵M的各个元素,fx 2,fy 2,fλ 2分别表示多光谱图像在x、y、λ三个方向上梯度fx,fy,fλ的平方,fxfy表示fx与fy的乘积,fyfλ表示fy与fλ的乘积,fxfλ表示fx与fλ的乘积,A、B、C、D、E、F分别对应矩阵M的各个元素;
上式中,α为平滑因子,α=3,ε取一个较小常数10-4,该参数与高光谱图像的DN值有关,对相机参数敏感,上述关于fλ的等式决定检测的光谱域的极值点。
进一步地,所述特征点响应函数为:
R=det(M)-k(trace(M))3=(ABC+2DEF-BE2-AF2-CD2)-k(A+B+C)3;
其中,k=0.001,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,所述特征点判断模块具体用于:比较高光谱图像f(x,y,λ)中的某点p0(x,y,λ)和其3×3×3的邻域上所有点的特征点响应值,如果点p0(x,y,λ)在其3×3×3的邻域中,有R(x,y,λ)最大,则点p0(x,y,λ)即为高光谱图像的特征点。
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特征检测方法及装置,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;根据加权相关性函数构造一个特征点响应函数;根据特征点响应函数计算高光谱图像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,该特征点为空间域上的角点,为光谱域上的极值点;本发明与现有技术相比,能够同时对高光谱图像进行空间域和光谱域上的特征点检测,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,从而大大提高了大尺度高分辨率的高光谱图像的分类准确率。
附图说明
图1是本发明实施例提供的一种高光谱图像特征检测方法的流程示意图;
图2是本发明实施例提供的一种高光谱图像特征检测装置的模块示意图。
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。
由于现有技术中存在无法对高光谱图像进行特征点检测,从而无法检测到既包括空间域信息又包含频谱域信息的特征点的技术问题。
为了解决上述技术问题,本发明提出一种高光谱图像特征检测方法,该检测方法为一种全新的三维检测算子,这种检测算子在空间域上检测角点,在频谱域上检测极值点(因为材料特性对光的吸收或反射会反应在其谱域的极值点上,吸收对应极小值点,反射对应极大值点),从而得到既包含空间域信息又包含频谱域信息的特征点。
请参阅图1,为本发明实施例提供的一种高光谱图像特征检测方法,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。
下面先介绍关于高光谱图像的相关性函数;
令F为高光谱图像,图像大小为M×N×L,则它可以表示为:
F=f(x,y,λ) (1)
式中,f(x,y,λ)表示高光谱图像的函数,(x,y,λ)表示3维坐标,x和y表示空域坐标,0<x<M,0<y<N,λ表示光谱域坐标,0<λ<L。
本发明是基于Harris二维图像检测方法改进的高光谱图像三维极值约束检测方法,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,λ)中的一个像素,其坐标为(x,y,λ),点p1为p0的邻域上的点,其坐标为(x+△x,y+△y,λ+△λ),则p0和p1相关性函数定义如下:
c(△x,△y,△λ)=[f(x,y,λ)-f(x+△x,y+△y,λ+△λ)]2 (2)
式中,f(x,y,λ)为点p0对应的高光谱图像的DN(Digital Number,遥感影像像元亮度)值,f(x+△x,y+△y,λ+△λ)为点p1对应的DN值。
下面介绍关于高光谱图像的加权相关性函数;
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;
具体地,点p0和p1加权相关性函数定义如下:
其中,f(x,y,λ)为点p0对应的高光谱图像的DN值,f(x+△x,y+△y,λ+△λ)为点p1对应的DN值;
窗函数ω(x,y,λ)采用高斯加权函数,如下所示:
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λ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S2,根据所述加权相关性函数构造一个特征点响应函数;
具体地,实现过程如下:
将公式(3)中的表示为即:
式(5)中,f(u+△x,v+△y,p+△λ)为将图像f(u,v,p)平移(△x,△y,△λ)后得到;对f(u+△x,v+△y,p+△λ)进行泰勒级数展开,并取一阶近似,具体如下:
式中,fx,fy,fλ是图像f(x,y,λ)的各个点在x、y、λ三个方向上的梯度,即:
式(9)中α为平滑因子,这里选择3,为防止分母为0,所以ε取一个较小常数10-4,其阶数与高光谱图像的DN值有关,对相机参数敏感;该式(9)决定检测的光谱域的极值点。
因此,式(5)可近似为:
其中,
式中,fx 2,fy 2,fλ 2分别表示高光谱图像在x、y、λ三个方向的梯度fx,fy,fλ的平方,fxfy表示fx与fy的乘积,fyfλ表示fy与fλ的乘积,fxfλ表示fx与fλ的乘积,ω为式(4)中的高斯加权函数ω(x,y,λ),为卷积符号,A、B、C、D、E、F分别对应矩阵M的各个元素。
本申请给出的特征点判别方法不需要计算具体的特征值,而是计算一个特征点响应值R来判断特征点;具体地,特征点响应函数公式为:
R=det(M)-k(trace(M))3=(ABC+2DEF-BE2-AF2-CD2)-k(A+B+C)3 (12)
式中,k为经验常数,这里取值0.001;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 (13)
trace(M)=λ1+λ2+λ3=A+B+C (14)
其中,λ1、λ2、λ3分别为矩阵M的特征值;即实际上,虽然没有具体求矩阵M的特征值,但是特征值已经包含在det(M)和trace(M)中了。
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;
具体地,检测出来的所述特征点为空间域上的角点,为光谱域上的极值点。
具体地,所述步骤S4具体为:比较高光谱图像f(x,y,λ)中的某点p0(x,y,λ)和其3×3×3的邻域上所有点的特征点响应值,如果点p0(x,y,λ)在其3×3×3的邻域中,有R(x,y,λ)最大,则点p0(x,y,λ)即为高光谱图像的特征点。
本发明提供的一种高光谱图像特征检测方法,能够同时对高光谱图像进行空间域和光谱域上的特征点检测,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,其中,把光谱域的极值点作为特征点进行检测,很好的反应了高光谱图像的光谱信息,从而大大提高了大尺度高分辨率的高光谱图像的分类准确率;本申请提供的局部特征点检测方法可运用在高光谱图像分类识别、高光谱图像目标探测和物质分拣等方面;本申请已经在高光谱图像的分类实验中取得良好效果,为高光谱图像局部特征检测这一科学领域做出了一份贡献。
请参阅图2,为本发明实施例提供的一种高光谱图像特征检测装置,包括:
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,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;
特征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特征点响应函数;
特征点响应值计算模块3,用于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;
特征点判断模块4,用于在所述高光谱图像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时,判断出该点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。
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 (10)
1.一种高光谱图像特征检测方法,其特征在于,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。
2.如权利要求1所述的高光谱图像特征检测方法,其特征在于,所述加权相关性函数为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>c</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>;</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&omega;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&CircleTimes;</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>=</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mi>x</mi>
<mo>-</mo>
<mi>l</mi>
</mrow>
<mrow>
<mi>x</mi>
<mo>+</mo>
<mi>l</mi>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mi>y</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mrow>
<mi>y</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mi>&lambda;</mi>
<mo>-</mo>
<mi>r</mi>
</mrow>
<mrow>
<mi>&lambda;</mi>
<mo>+</mo>
<mi>r</mi>
</mrow>
</munderover>
<mi>&omega;</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>-</mo>
<mi>x</mi>
<mo>,</mo>
<mi>v</mi>
<mo>-</mo>
<mi>y</mi>
<mo>,</mo>
<mi>p</mi>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>v</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>p</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
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+Δx,y+Δy,λ+Δλ),f(x+Δx,y+Δy,λ+Δλ)为点p1对应的DN值;
窗函数ω(x,y,λ)采用高斯加权函数,如下所示:
<mrow>
<mi>&omega;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mn>3</mn>
</msup>
</msqrt>
</mfrac>
<msup>
<mi>e</mi>
<mfrac>
<mrow>
<mo>-</mo>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mi>&lambda;</mi>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</msup>
</mrow>
其中,σ为高斯函数的尺度因子;
其中,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λ方向移动的长度,l=1,m=1,r=1,即窗口大小为3*3*3。
3.如权利要求2所述的高光谱图像特征检测方法,其特征在于,所述加权相关性函数中表示为即:
<mrow>
<msup>
<mi>c</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>;</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>&Sigma;</mi>
<mi>&omega;</mi>
</munder>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>v</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>p</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
而,
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>v</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>p</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&ap;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mo>&lsqb;</mo>
<mtable>
<mtr>
<mtd>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
</mtd>
<mtd>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
</mtd>
<mtd>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
</mtd>
</mtr>
</mtable>
<mo>&rsqb;</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>x</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>y</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
则,
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>c</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>;</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>&Sigma;</mi>
<mi>&omega;</mi>
</munder>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>v</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>p</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&ap;</mo>
<munder>
<mi>&Sigma;</mi>
<mi>&omega;</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mo>&lsqb;</mo>
<mtable>
<mtr>
<mtd>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
</mtd>
<mtd>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
</mtd>
<mtd>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
</mtd>
</mtr>
</mtable>
<mo>&rsqb;</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>x</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>y</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mo>&lsqb;</mo>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>x</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>y</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>&rsqb;</mo>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>x</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>y</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
<mn>2</mn>
</msup>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
<mn>2</mn>
</msup>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
<mn>2</mn>
</msup>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>A</mi>
</mtd>
<mtd>
<mi>D</mi>
</mtd>
<mtd>
<mi>E</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>D</mi>
</mtd>
<mtd>
<mi>B</mi>
</mtd>
<mtd>
<mi>F</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>E</mi>
</mtd>
<mtd>
<mi>F</mi>
</mtd>
<mtd>
<mi>C</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中,fx,fy,fλ分别表示图像f(x,y,λ)在x,y,λ三个方向上的梯度,即
<mrow>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>x</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>y</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>&alpha;</mi>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>&alpha;</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>+</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>&alpha;</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>-</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
</mrow>
上式中,ω表示高斯加权函数ω(x,y,λ),为卷积符号,A、B、C、D、E、F分别对应矩阵M的各个元素,fx 2,fy 2,fλ 2分别表示多光谱图像在x、y、λ三个方向上梯度fx,fy,fλ的平方,fxfy表示fx与fy的乘积,fyfλ表示fy与fλ的乘积,fxfλ表示fx与fλ的乘积,A、B、C、D、E、F分别对应矩阵M的各个元素;
上式中,α为平滑因子,α=3,ε取一个较小常数10-4,该参数与高光谱图像的DN值有关,对相机参数敏感,上述关于fλ的等式决定检测的光谱域的极值点。
4.如权利要求3所述的高光谱图像特征检测方法,其特征在于,所述特征点响应函数为:
R=det(M)-k(trace(M))3=(ABC+2DEF-BE2-AF2-CD2)-k(A+B+C)3;
其中,k=0.001,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4所述的高光谱图像特征检测方法,其特征在于,所述步骤S4具体为:比较高光谱图像f(x,y,λ)中的某点p0(x,y,λ)和其3×3×3的邻域上所有点的特征点响应值,如果点p0(x,y,λ)在其3×3×3的邻域中,有R(x,y,λ)最大,则点p0(x,y,λ)即为高光谱图像的特征点。
6.一种高光谱图像特征检测装置,其特征在于,所述装置包括:
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,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;
特征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特征点响应函数;
特征点响应值计算模块,用于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;
特征点判断模块,用于在所述高光谱图像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时,判断出该点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。
7.如权利要求6所述的高光谱图像特征检测装置,其特征在于,所述加权相关性函数为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>c</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>;</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&omega;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&CircleTimes;</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>=</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mi>x</mi>
<mo>-</mo>
<mi>l</mi>
</mrow>
<mrow>
<mi>x</mi>
<mo>+</mo>
<mi>l</mi>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mi>y</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mrow>
<mi>y</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mi>&lambda;</mi>
<mo>-</mo>
<mi>r</mi>
</mrow>
<mrow>
<mi>&lambda;</mi>
<mo>+</mo>
<mi>r</mi>
</mrow>
</munderover>
<mi>&omega;</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>-</mo>
<mi>x</mi>
<mo>,</mo>
<mi>v</mi>
<mo>-</mo>
<mi>y</mi>
<mo>,</mo>
<mi>p</mi>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>v</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>p</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
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+Δx,y+Δy,λ+Δλ),f(x+Δx,y+Δy,λ+Δλ)为点p1对应的DN值;
窗函数ω(x,y,λ)采用高斯加权函数,如下所示:
<mrow>
<mi>&omega;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mn>3</mn>
</msup>
</msqrt>
</mfrac>
<msup>
<mi>e</mi>
<mfrac>
<mrow>
<mo>-</mo>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mi>&lambda;</mi>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</msup>
</mrow>
其中,σ为高斯函数的尺度因子;
其中,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λ方向移动的长度,l=1,m=1,r=1,即窗口大小为3*3*3。
8.如权利要求7所述的高光谱图像特征检测装置,其特征在于,所述加权相关性函数中表示为即:
<mrow>
<msup>
<mi>c</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>;</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>&Sigma;</mi>
<mi>&omega;</mi>
</munder>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>v</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>p</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
而,
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>v</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>p</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&ap;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mo>&lsqb;</mo>
<mtable>
<mtr>
<mtd>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
</mtd>
<mtd>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
</mtd>
<mtd>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
</mtd>
</mtr>
</mtable>
<mo>&rsqb;</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>x</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>y</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
则,
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>c</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>;</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>&Sigma;</mi>
<mi>&omega;</mi>
</munder>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>v</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>p</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&ap;</mo>
<munder>
<mi>&Sigma;</mi>
<mi>&omega;</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mo>&lsqb;</mo>
<mtable>
<mtr>
<mtd>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
</mtd>
<mtd>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
</mtd>
<mtd>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
</mtd>
</mtr>
</mtable>
<mo>&rsqb;</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>x</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>y</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mo>&lsqb;</mo>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>x</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>y</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>&rsqb;</mo>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>x</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>y</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
<mn>2</mn>
</msup>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
<mn>2</mn>
</msup>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
<mn>2</mn>
</msup>
<mo>&CircleTimes;</mo>
<mi>&omega;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>A</mi>
</mtd>
<mtd>
<mi>D</mi>
</mtd>
<mtd>
<mi>E</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>D</mi>
</mtd>
<mtd>
<mi>B</mi>
</mtd>
<mtd>
<mi>F</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>E</mi>
</mtd>
<mtd>
<mi>F</mi>
</mtd>
<mtd>
<mi>C</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中,fx,fy,fλ分别表示图像f(x,y,λ)在x,y,λ三个方向上的梯度,即
<mrow>
<msub>
<mi>f</mi>
<mi>x</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>x</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>y</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mi>&lambda;</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>&alpha;</mi>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>&alpha;</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>+</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>&alpha;</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>-</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
</mrow>
上式中,ω表示高斯加权函数ω(x,y,λ),为卷积符号,A、B、C、D、E、F分别对应矩阵M的各个元素,fx 2,fy 2,fλ 2分别表示多光谱图像在x、y、λ三个方向上梯度fx,fy,fλ的平方,fxfy表示fx与fy的乘积,fyfλ表示fy与fλ的乘积,fxfλ表示fx与fλ的乘积,A、B、C、D、E、F分别对应矩阵M的各个元素;
上式中,α为平滑因子,α=3,ε取一个较小常数10-4,该参数与高光谱图像的DN值有关,对相机参数敏感,上述关于fλ的等式决定检测的光谱域的极值点。
9.如权利要求8所述的高光谱图像特征检测装置,其特征在于,所述特征点响应函数为:
R=det(M)-k(trace(M))3=(ABC+2DEF-BE2-AF2-CD2)-k(A+B+C)3;
其中,k=0.001,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。
10.如权利要求9所述的高光谱图像特征检测装置,其特征在于,所述特征点判断模块具体用于:比较高光谱图像f(x,y,λ)中的某点p0(x,y,λ)和其3×3×3的邻域上所有点的特征点响应值,如果点p0(x,y,λ)在其3×3×3的邻域中,有R(x,y,λ)最大,则点p0(x,y,λ)即为高光谱图像的特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711096880.7A CN107742114B (zh) | 2017-11-09 | 2017-11-09 | 高光谱图像特征检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711096880.7A CN107742114B (zh) | 2017-11-09 | 2017-11-09 | 高光谱图像特征检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107742114A true CN107742114A (zh) | 2018-02-27 |
CN107742114B CN107742114B (zh) | 2021-11-19 |
Family
ID=61234295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711096880.7A Active CN107742114B (zh) | 2017-11-09 | 2017-11-09 | 高光谱图像特征检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107742114B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108962251A (zh) * | 2018-06-26 | 2018-12-07 | 珠海金山网络游戏科技有限公司 | 一种游戏角色中文语音自动识别方法 |
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 |
CN111199251A (zh) * | 2019-12-27 | 2020-05-26 | 中国地质大学(北京) | 一种基于加权邻域的多尺度高光谱图像分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024155A (zh) * | 2010-12-06 | 2011-04-20 | 广州科易光电技术有限公司 | 基于边缘检测的多光谱图像快速匹配方法 |
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 |
US8432974B2 (en) * | 2009-07-10 | 2013-04-30 | The United States Of America As Represented By The Secretary Of The Navy | Method and system for compression of hyperspectral or multispectral imagery with a global optimal compression algorithm (GOCA) |
CN103310453A (zh) * | 2013-06-17 | 2013-09-18 | 北京理工大学 | 一种基于子图像角点特征的快速图像配准方法 |
CN105139412A (zh) * | 2015-09-25 | 2015-12-09 | 深圳大学 | 一种高光谱图像角点检测方法与系统 |
-
2017
- 2017-11-09 CN CN201711096880.7A patent/CN107742114B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8432974B2 (en) * | 2009-07-10 | 2013-04-30 | The United States Of America As Represented By The Secretary Of The Navy | Method and system for compression of hyperspectral or multispectral imagery with a global optimal compression algorithm (GOCA) |
CN102024155A (zh) * | 2010-12-06 | 2011-04-20 | 广州科易光电技术有限公司 | 基于边缘检测的多光谱图像快速匹配方法 |
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 |
CN103310453A (zh) * | 2013-06-17 | 2013-09-18 | 北京理工大学 | 一种基于子图像角点特征的快速图像配准方法 |
CN105139412A (zh) * | 2015-09-25 | 2015-12-09 | 深圳大学 | 一种高光谱图像角点检测方法与系统 |
Non-Patent Citations (6)
Title |
---|
SHUJIN SUN等: "《SPECTRAL–SPATIAL CLASSIFICATION OF HYPERSPECTRAL IMAGES WITH GAUSSIAN PROCESS》", 《2016 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM 》 * |
YANSHAN LI等: "A New Framework of Hyperspectral Image Classification Based on Spatial Spectral Interest Point", 《2016 IEEE 13TH INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING》 * |
吴田军等: "高分辨率遥感土地覆盖分类技术的应用研究", 《地球信息科学学报》 * |
岳江等: "一种基于空间一致性降元的高光谱图像非监督分类", 《光谱学与光谱分析》 * |
贾有良: "基于多时相遥感影像变化检测并联合GSI系统的地形图更新方法研究", 《测绘科学》 * |
贾银江等: "基于优化SIFT算法的无人机遥感作物影像拼接", 《农业工程学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108962251A (zh) * | 2018-06-26 | 2018-12-07 | 珠海金山网络游戏科技有限公司 | 一种游戏角色中文语音自动识别方法 |
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 |
CN111199251A (zh) * | 2019-12-27 | 2020-05-26 | 中国地质大学(北京) | 一种基于加权邻域的多尺度高光谱图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107742114B (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A detection and recognition system of pointer meters in substations based on computer vision | |
Xia et al. | Infrared small target detection based on multiscale local contrast measure using local energy factor | |
CN105139412B (zh) | 一种高光谱图像角点检测方法与系统 | |
Dai et al. | Infrared small target and background separation via column-wise weighted robust principal component analysis | |
WO2023077404A1 (zh) | 缺陷检测方法、装置和系统 | |
EP1862941B1 (en) | Method and apparatus for identifying properties of an object detected by a video surveillance camera | |
US9338352B2 (en) | Image stabilization systems and methods | |
US8649560B2 (en) | Method and interface of recognizing user's dynamic organ gesture and electric-using apparatus using the interface | |
CN107742114B (zh) | 高光谱图像特征检测方法及装置 | |
Wang et al. | A sparse representation-based method for infrared dim target detection under sea–sky background | |
WO2007145235A1 (ja) | 異常領域検出装置および異常領域検出方法 | |
CN108596952B (zh) | 基于候选区域筛选的快速深度学习遥感图像目标检测方法 | |
CN110427997B (zh) | 面向复杂遥感影像背景的改进cva变化检测方法 | |
US8649559B2 (en) | Method and interface of recognizing user's dynamic organ gesture and electric-using apparatus using the interface | |
Qiu et al. | Adaptive scale patch-based contrast measure for dim and small infrared target detection | |
CN112001362A (zh) | 一种图像分析方法、图像分析装置及图像分析系统 | |
Tang et al. | Multiharmonic postnonlinear mixing model for hyperspectral nonlinear unmixing | |
CN108009550B (zh) | 基于光谱曲线拟合的高光谱图像特征检测方法及装置 | |
CN103337080A (zh) | 基于梯度方向Hausdorff 距离的红外图像和可见光图像配准技术 | |
Wu et al. | Multispectral Image Matching Method Based on Histogram of Maximum Gradient and Edge Orientation | |
JP2006244119A (ja) | テクスチャ画像の検索装置、検索方法、検索プログラム及びそのプログラムを記録した記録媒体 | |
Mu et al. | Finding autofocus region in low contrast surveillance images using CNN-based saliency algorithm | |
CN115063473A (zh) | 物体高度的检测方法、装置、计算机设备、存储介质 | |
CN110751189B (zh) | 一种基于感知对比度和特征选择的椭圆检测方法 | |
Lu et al. | A novel multi-sensor image matching algorithm based on adaptive multiscale structure orientation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |