[发明专利]基于光谱曲线拟合的高光谱图像特征检测方法及装置

说明书

本发明适用于特征点检测技术领域，提供了一种基于光谱曲线拟合的高光谱图像特征检测方法及装置，包括：在光谱方向上对高光谱图像f(x,y,λ)进行拟合，得到新的高光谱图像φ(x,y,λ′)；构造关于新的该高光谱图像φ(x,y,λ′)中的某点p₀和其邻域上的点p₁的加权相关性函数；根据该加权相关性函数构造一个特征点响应函数；根据该特征点响应函数计算该高光谱图像φ(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；若该高光谱图像φ(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即为该高光谱图像φ(x,y,λ′)的特征点；本发明提供的方法可以在光谱方向上通过拟合的方法对整个高光谱图像进行数据压缩和降噪，提高了运行效率，并在此基础上实现了对高光谱图像进行特征点检测的目的。

技术领域

本发明属于特征点检测技术领域，尤其涉及一种基于光谱曲线拟合的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，现在二维图像的特征点检测算法研究已经非常成熟了。

与传统的灰度图像相比而言，高光谱图像除了包含空间信息外，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。但是，对于高光谱图像这种三维数据结构，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。并且，一方面，高光谱图像数据量一般都很大的，尤其是高光谱图像光谱方向的波段一般都很多的，这样会导致处理效率低；另一方面，光谱曲线容易受到噪声干扰而使得曲线有毛刺。

因此，需要一种能够对高光谱图像进行特征点检测的方法，并且，该方法能够解决高光谱图像数据处理效率低和噪声干扰的问题。

发明内容

本发明提供一种基于光谱曲线拟合的高光谱图像特征检测方法及装置，旨在提供一种在光谱方向上拟合的方法对整个高光谱图像进行数据压缩和降噪，并在此基础上对高光谱图像进行特征点检测的方法。

本发明提供了一种基于光谱曲线拟合的高光谱图像特征检测方法，所述方法包括：

步骤S1，在光谱方向上对高光谱图像f(x,y,λ)进行n阶拟合，得到新的高光谱图像φ(x,y,λ′)；

其中，x,y表示空间域坐标，λ表示光谱域坐标，其中，1≤λ≤L，1≤λ′≤n+1；λ表示拟合之前的波段索引值，λ′表示拟合之后的波段索引值，L表示拟合之前的最大波段数，n+1表示拟合之后的最大波段数；

步骤S2，构造关于新的所述高光谱图像φ(x,y,λ′)中的某点p₀和其邻域上的点p₁的加权相关性函数；

步骤S3，根据所述加权相关性函数构造一个特征点响应函数；

步骤S4，根据所述特征点响应函数计算所述高光谱图像φ(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S5，若所述高光谱图像φ(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φ(x,y,λ′)的特征点。

进一步地，所述步骤S1具体包括：