高光谱图像特征检测方法及装置制造方法及图纸

本发明专利技术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；本发明专利技术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。

High spectral image feature detection method and device

\u672c\u53d1\u660e\u9002\u7528\u4e8e\u7279\u5f81\u70b9\u68c0\u6d4b\u6280\u672f\u9886\u57df\uff0c\u63d0\u4f9b\u4e86\u4e00\u79cd\u9ad8\u5149\u8c31\u56fe\u50cf\u7279\u5f81\u68c0\u6d4b\u65b9\u6cd5\uff0c\u6240\u8ff0\u65b9\u6cd5\u5305\u62ec\uff1a\u6784\u9020\u5173\u4e8e\u9ad8\u5149\u8c31\u56fe\u50cff(x,y,\u03bb)\u4e2d\u7684\u67d0\u70b9p0\u548c\u5176\u90bb\u57df\u4e0a\u7684\u70b9p1\u7684\u52a0\u6743\u76f8\u5173\u6027\u51fd\u6570\uff1b\u5176\u4e2d\uff0cx,y\u8868\u793a\u7a7a\u95f4\u57df\u5750\u6807\uff0c\u03bb\u8868\u793a\u5149\u8c31\u57df\u5750\u6807\uff1b\u6839\u636e\u6240\u8ff0\u52a0\u6743\u76f8\u5173\u6027\u51fd\u6570\u6784\u9020\u4e00\u4e2a\u7279\u5f81\u70b9\u54cd\u5e94\u51fd\u6570\uff1b\u6839\u636e\u6240\u8ff0\u7279\u5f81\u70b9\u54cd\u5e94\u51fd\u6570\u8ba1\u7b97\u6240\u8ff0\u9ad8\u5149\u8c31\u56fe\u50cff(x,y,\u03bb)\u4e2d\u7684\u67d0\u70b9p0\u7684\u7279\u5f81\u70b9\u54cd\u5e94\u503c\u548c\u5176\u90bb\u57df\u4e0a\u6240\u6709\u70b9\u7684\u7279\u5f81\u70b9\u54cd\u5e94\u503c\uff1b\u82e5\u6240\u8ff0\u9ad8\u5149\u8c31\u56fe\u50cff(x,y,\u03bb)\u4e2d\u7684\u67d0\u70b9p0\u7684\u7279\u5f81\u70b9\u54cd\u5e94\u503c\u5927\u4e8e\u5176\u90bb\u57df\u4e0a\u6240\u6709\u70b9\u7684\u7279\u5f81\u70b9\u54cd\u5e94\u503c\uff0c\u5219\u8be5\u70b9p0\u5373\u4e3a\u6240\u8ff0\u9ad8\u5149\u8c31\u56fe\u50cff(x,y,\u03bb)\u7684\u7279\u5f81\u70b9\uff1b\u5176\u4e2d\uff0c\u6240\u8ff0\u7279\u5f81\u70b9\u4e3a\u7a7a\u95f4\u57df\u4e0a\u7684\u89d2\u70b9\uff0c\u4e3a\u5149\u8c31\u57df The method of the invention enables the detected feature points not only to reflect the spatial information of hyperspectral images, but also to reflect spectral information, so as to improve the classification accuracy of hyperspectral images.

【技术实现步骤摘要】
高光谱图像特征检测方法及装置
本专利技术属于特征点检测
，尤其涉及一种高光谱图像特征检测方法及装置。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术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，fx2,fy2,fλ2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-CD2trace(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。本专利技术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，fx2,fy2,fλ2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-CD2trace(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p本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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：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：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：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，fx2,fy2,fλ2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-CD2trace(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...

【专利技术属性】
技术研发人员：李岩山，徐健杰，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44