遥感提取特征点课案.doc

遥感影像特征点提取 基于Moravec算子的特征点提取 Moravec算子的原理及算法公式 该算子是通过逐像元量测与其邻元的灰度差，搜索相邻像元之间具有高反差的点，具体方法有以下几种。 计算各像元的有利值，如图所示，在5×5的窗口内沿着图示四个方向分别计算相邻像元间灰度差之平方和V1，V2，V3，及V4，取其中最小值作为该像元的有利值： 其中： 式中， 代表像元的灰度值，为以像元计的窗口大小，如图所示，为像元在整块影像中位置序号。 给定一个阈值，确定待定点的有利点。如果有利值大于给定的阈值，则将该像元作为候选点。阈值一般为经验值。 抑制局部非最大。在一定大小窗口内（例如5×5，7×7，,9×9像元等），将上一步所选的候选点与其周围的候选点比较，若该像元的有利非窗口中最大值，则去掉；否则，该像元被确定为特征点，这一步的目的在于避免纹理丰富的区域产生束点，用于抑制局部非最大的窗口大小取决于所需的有利点密度。 综上所述，Moravec算子是在四个主要方向上选择具有最大—最小灰度方差的点作为特征点。 基于MATLAB的算法编程 clear all;close all;clc img=double(imread(1001.jpg)); [h w]=size(img); imshow(img,[]) imgn=zeros(h,w); n=4; for y=1+n:h-n for x=1+n:w-n sq=img(y-n:y+n,x-n:x+n); V=zeros(1,4); for i=2:2*n+1 %垂直，水平，对角，反对角四个方向领域灰度差的平方和 V(1)=V(1)+(sq(i,n+1)-sq(i-1,n+1))^2; V(2)=V(2)+(sq(n+1,i)-sq(n+1,i-1))^2; V(3)=V(3)+(sq(i,i)-sq(i-1,i-1))^2; V(4)=V(4)+(sq(i,(2*n+1)-(i-1))-sq(i-1,(2*n+1)-(i-2)))^2; end pix=min(V); %四个方向中选最小值 imgn(y,x)=pix; end end T=mean(imgn(:)); %设阈值，小于均值置零 ind=find(imgnT); imgn(ind)=0; for y=1+n:h-n %选局部最大且非零值作为特征点 for x=1+n:w-n sq=imgn(y-n:y+n,x-n:x+n); if max(sq(:))==imgn(y,x) imgn(y,x)~=0 img(y,x)=255; end end end figure; imshow(img,[]); 运行结果 1001特征点 1002特征点 二、Harris角点检测算子 1、算法公式 Harris算子用高斯函数代替二值窗口函数，对离中心点越近的像素赋予越大的权重，以减少噪声影响。 Moravec算子只考虑了每隔45度方向，Harris算子用Taylor展开去近似任意方向。将图像窗口平移[u,v]产生灰度变化E(u,v)。 由 得 于是对于局部微小的移动量[u,v]，可以近似得到下面的表达： 其中M是2×2的矩阵，可由图像的导数求得： 式中， 为x方向的差分， 为y方向的差分， 为高斯函数。 Harris采用了一种新的角点判断方法。通过M的两个特征值的大小对图像点进行分类。 但是解特征向量需要比较多的计算量，且两个特征值的和等于矩阵M的迹，两个特征值的积等于矩阵M的行列式。所以用下式来判定角点质量。（K常取0.04—0.06） （4）Harris算法总结 1：对每一像素点计算相关矩阵M 2：计算每像素点的Harris角点响应。 3：在w×w范围内寻找极大值点，若Harris角点响应大于阀值，则视为角点。 Harris算子对灰度的平移是不变的，因为只有差分，对旋转也有不变性，但是对尺度很敏感，在一个尺度下是角点，在另一个尺度下可能就不是了。 二 MATLAB代码 clear; Image = imread(1001.jpg); % 读取图像 Image = im2uint8(rgb2gray(Image)); dx = [-1 0 1;-1 0 1;-1 0