基于局部特征的遥感图像检索优化方案

随着可获取遥感图像空间分辨率的提高，可以观察到的细节信息更加丰富，如图3-27所示。与全局特征相比，局部特征提供了一种图像特征点附近局部区域形状和纹理结构特性描述的方式，还可以有效处理有遮挡或者复杂背景的情况，因而得到人们日益广泛的关注，已被成功应用于图像匹配、三维重建、变化检测、目标检测、图像分类等视觉任务。

(www.xing528.com)

图3-27　不同分辨率的遥感图像[41]

关于图像局部特征的研究可以追溯到1977年Mravec提出的角点特征(即兴趣点)，Mravec通过灰度自相关函数考虑一个像素与其邻域像素的相似性，但是Mravec角点检测不具备旋转不变性且对噪声敏感。1988年Harris提出角点特征算法，用微分算子构造了具有结构信息的2×2 Harris矩阵，具有更高的检测率，且满足旋转和灰度变化不变性，至今在某些应用中仍被使用。20世纪90年代Lindeberg提出的信号的尺度空间理论，通过构建高斯尺度空间，分析图像中各个局部特征的尺度，奠定了局部不变特征方法的理论基础。Micolajczyk和Schmid将Harris角点检测算子与高斯尺度空间相结合，提出Harris-Laplacian检测算子，实现了满足尺度不变性的角点检测。1999年尺度不变特征变换(SIFT)算法的提出，在局部特征研究中具有里程碑意义，SIFT特征在图像旋转、尺度变换、仿射变换和视角变化条件下都有很好的不变性。2006年Bay等(2006)在SIFT基础上进一步提出快速算法(speeded up robust features，SUFT)。另一个具有影响力的局部特征研究是Matas提出的最大稳定极值区域特征(maximally stable extremal regions，MSERs)检测算法，借助分水岭算法思想实现图像中灰度稳定局部区域的检测，满足仿射不变性。事实上，正是局部特征描述子的不变性(旋转、尺度、平移、仿射、光照等)，推进了其在计算机视觉领域应用的成功。