月面影像的特征点选择和提取方法

摘要

本发明涉及一种月面影像的特征点选择和提取方法，用于实现全月面自动三维重建。该方法根据月坑的特点，选择了五类特征点，分别是：大面积阴影区域中心、大面积高亮区域中心、阴影中心、亮度中心、阴影中心和亮度中心的连线中心；并从月面影像中提取出此五类特征点。其步骤是：将影像各像素亮度与设定的阴影、高亮亮度阈值进行比较，提取大面积阴影区域中心和大面积高亮区域中心。对月面影像扫描，提取列、行方向上亮度同为极小值或极大值的像素点，即为阴影中心或亮度中心。根据太阳光入射方向对阴影中心和亮度中心进行配对，提取它们的连线中心。优点是：该方法巧妙地利用了月面的自然特点，计算简单快速，提取的特征点密度高。

说明书

技术领域

本发明属于计算机视觉和地理信息系统的技术领域，涉及图像的特征点提取，特别是涉 及三维模型重建过程中，对航(卫)片进行特征点选择和提取的方法。

背景技术

“嫦娥一号”卫星的发射成功，引起了国际政治、军事和学术界的高度关注，它的任务之 一就是获取月面的三维影像图。

特征点提取是同名像点匹配的前提和基础，而同名像点匹配则是实现由影像自动构建月 面三维影像图的关键，特征点提取的数量、稳定性和准确性直接影响同名像点匹配率，并进 一步决定自动构建的月面三维影像图的分辨率和精度。这是因为生成三维影像图需要得到不 同影像上的同名像点，并根据立体视觉原理计算每个像素点的三维坐标，传统方法需要较多 的人工干预，并且要利用激光高度计的探测数据来补充和融合。如果能够自动从二维影像中 提取到足够密度的特征点，并对CCD立体相机所拍摄的正视、前视和后视三幅不同角度影像 的特征点进行匹配，得到同名像点，进而计算出该点的三维坐标，那么就可以避免大量的人 工干预，提高月面三维影像图的成图速度和质量。由此可见，提取月面影像特征点应具备尽 可能高的密度，并同时满足较高的准确性。目前特征点的提取通常是针对不同的图像特征和 不同的应用背景，采用各种提取算子。Moravec算子、Forstner算子作为传统的特征点提取算 子，原理直观、算法简单、计算方便，但是对于复杂的图像，提取的质量不高。Harris算子 算法简单、定位准确，不受图像旋转、灰度变化的影响，但是抗缩放、抗仿射变形功能较弱。 SIFT算子不受图像尺度和旋转的影响，对光线变化、噪声、仿射变形都具有鲁棒性。SUNSAN 算子对角点的检测比对边缘检测的效果好，适用于基于角点匹配的图像配准。但上述这些常 用的方法不能完全适应月面的影像特征，且无法满足月面三维影像图自动构建对特征点的数 量、稳定性和准确性的需求。

发明内容

本发明的目的是解决月球三维影像图自动构建过程中，从月面二维影像中提取什么样的 特征和怎样提取的问题，提出一种月面影像的特征点选择和提取方法。

本发明月面影像的特征点选择和提取方法实现方案如下：

1.根据月表月坑的特点，设计了五类特征点：分别为大面积阴影区域中心、大面积高亮 区域中心、阴影中心、亮度中心、阴影中心和亮度中心的连线中心。

2.上述五类特征点的选择和提取方法包括以下步骤：

步骤一：分别确定阴影和高亮亮度阈值，根据月面影像各像素亮度与阈值的大小关系， 计算大面积阴影区域中心和大面积高亮区域中心位置，并计算表征特征大小的参数——半 径。其中，中心位置(x，y)以及它们的特征半径(radius)由下式确定：

$\left(\begin{array}{c}x=\underset{i=0}{\overset{n-1}{\Sigma }}{c}_i\times \mathrm{weight}\left[\mathrm{lum}\right[i\left]\right]/\underset{i=0}{\overset{n-1}{\Sigma }}\mathrm{weight}\left[\mathrm{lum}\right[i\left]\right]\\ y=\underset{i=0}{\overset{n-1}{\Sigma }}{r}_i\times \mathrm{weight}\left[\mathrm{lum}\right[i\left]\right]/\underset{i=0}{\overset{n-1}{\Sigma }}\mathrm{weight}\left[\mathrm{lum}\right[i\left]\right]\\ \mathrm{radius}=\sqrt{n/\pi }\end{array}\right)$

式中，n为大面积阴影或大面积高亮区域内的像素点数，(c_i，r_i)为第i个阴影点或高亮 点的像素坐标，lum[i]为第i个阴影点或高亮点的亮度，weight[lum]是灰度为lum的像素点 的权值。

步骤二：对月面影像分别进行行扫描和列扫描，提取列方向和行方向上亮度同为极小值 的像素点，即为阴影中心；提取列方向和行方向上亮度同为极大值的像素点，即为亮度中心； 然后计算表征特征大小的参数——半径和表征特征变化程度的参数——梯度。

表征阴影中心或亮度中心P的特征参数半径(radius)的计算分为两步：首先以阴影中心 或亮度中心P在行方向和列方向上的特征长度较小者作为初始半径radius，然后以P为圆 心，radius为半径，建立圆形窗口，根据离圆心距离依次求得AverageLum[i]，i表示离圆心 的距离，AverageLum[i]表示距离圆心为i所有像素点的平均亮度，i＝radius，...，1，0，如果 AverageLum[i]＜AverageLum[i-1]，则radius减1，依次类推，得到最终radius。

特征参数梯度diff计算公式如下：

diff＝(AverageLum[0]-AverageLum[radius])/radius

步骤三：根据太阳光入射方向对阴影中心和亮度中心进行配对，提取成对的阴影中心和 亮度中心的连线中心，并计算表征特征大小的参数——半径以及表征特征变化程度的参数 ——梯度。

连线中心的确立是根据太阳星历数据，计算太阳光线的入射方向，确定成对的阴影中心 和亮度中心，且成对的阴影中心和亮度中心具有唯一性。其中连线中心特征参数半径 (radius)以及梯度(diff)由其对应的阴影中心和亮度中心的参数决定：

radius＝radius_s+radius_b

diff＝(diff_s+diff_b)/2

其中，radius_s是阴影中心的半径，radius_b是高亮中心的半径；diff_s是阴影中心的 梯度，diff_b是高亮中心的梯度。

本发明月面影像的特征点选择和提取方法的优点：

1.因为巧妙地利用月面的自然特点，选择了五类特征点，从而摆脱了构建月球三维影像 图时传统方法需要大量人工干预的弊端，自动化程度高；

2.设计的五类月面影像特征点的提取算法简单快速，提取效率高；

3.根据设计的五类月面影像特征点提取算法，提取到的特征点密度高，是月球三维影像 图自动构建技术实现的基础。

附图说明

图1根据月面影像的特征点选择和提取方法得到的大面积阴影区域中心(方框)和大面 积高亮区域中心(三角形)示意图；

图2根据月面影像的特征点选择和提取方法得到的阴影中心和亮度中心的连线中心(方 框)示意图。

图3根据月面影像的特征点选择和提取方法得到的阴影中心(方框)和亮度中心(三角 形)示意图；

具体实施方式

现结合附图和实施例对本发明月面影像的特征点选择和提取方法做进一步详细描述。实 施例中以“嫦娥一号”卫星拍摄的第168轨影像的特征点提取为例。本发明月面影像特征点选 择和提取方法，是根据月表各种月坑在太阳光照射下影像所具有的特点，设计并选择五类特 征点，分别是：大面积阴影区域中心、大面积高亮区域中心、阴影中心、亮度中心、相关阴 影中心和亮度中心的连线中心；并设计了五类特征点的提取算法，能够快速地从月面二维影 像中提取大量的特征点，图1、图2、图3分别是从第168轨影像提取出的不同种类特征点的 示意图，由于影像尺寸很大，只截取了部分影像。本发明月面影像的特征点选择和提取方法 详细描述如下：

1.月面大量的撞击坑在太阳光照射下形成了一些大面积的阴影区和高亮区，它们特征明 显，定位精度高，唯一性和一致性好，所以选择大面积阴影区域和大面积高亮区域中心作为 特征点。

2.阴影中心和亮度中心是图像局部区域亮度极值点：当该点为亮度极大值点时称为亮度中 心，为亮度极小值点时称为阴影中心，这两类特征是由于月面高低起伏的地形受太阳光照射 不均而形成的，它们在影像中大量存在，定位精度较高，一致性较好，可以弥补大面积阴影 区域和大面积高亮区域中心分布稀疏的缺点，因此选择阴影中心和亮度中心作为特征点。

3.很多阴影中心和亮度中心是成对出现的，它们的连线中心隐含的信息比阴影中心和亮度 中心更多，在特定的区域内，按照一定的条件可以筛选出具有唯一性的连线中心，因此选择 阴影中心和亮度中心的连线中心作为一类特征点。

4.大面积阴影区域中心的提取方法为：

1)设大面积阴影区域亮度阈值为MASS_SILL，亮度权值因子为f。

2)取影像上一点P，其坐标为(c，r)，亮度为I(c，r)。如果I(c，r)＞MASS_SILL，则P 点不属于阴影区域，算法回到步骤2)继续检测相邻点；否则，将该点入栈，进入步骤3)。

3)判断栈是否为空。当栈非空时栈顶元素出栈，作为当前检测点，进入步骤4)；栈为空时 进入步骤5)。

4)若当前检测点已经插入大面积阴影区域队列，则返回步骤3)；否则将当前检测点插入大 面积阴影区域队列，然后检查当前检测点周围是否有未经检测的点且该点满足 I≤MASS_SILL，有则将该点入栈，并返回步骤3)。

5)从大面积阴影区域队列(队列长度为n)中依次取出各像素，根据下式计算大面积阴影 区域的中心(x，y)及表征区域特征大小的参数半径radius。

$\left(\begin{array}{c}x=\underset{i=0}{\overset{n-1}{\Sigma }}{c}_i\times \mathrm{weight}\left[\mathrm{lum}\right[i\left]\right]/\underset{i=0}{\overset{n-1}{\Sigma }}\mathrm{weight}\left[\mathrm{lum}\right[i\left]\right]\\ y=\underset{i=0}{\overset{n-1}{\Sigma }}{r}_i\times \mathrm{weight}\left[\mathrm{lum}\right[i\left]\right]/\underset{i=0}{\overset{n-1}{\Sigma }}\mathrm{weight}\left[\mathrm{lum}\right[i\left]\right]\\ \mathrm{radius}=\sqrt{n/\pi }\end{array}\right)$

式中，n为大面积阴影区域内的像素点数，(c_i，r_i)为第i个阴影点的像素坐标， lum[i]为第i个阴影点的亮度，weight[lum]是灰度为lum的像素点的权值，由式 weight[lum]＝f^{(MASS_SILL-lum)}确定；本实施例中大面积阴影区域亮度阈值为

MASS_SILL＝32，亮度权值因子为f＝1.5。

1.大面积高亮区域中心的提取方法与大面积阴影区域中心的提取方法类似，不同之处在于 检测点亮度大于大面积高亮区域亮度阈值HIGH_SILL被认为该点属于一个大面积高亮区域； 本实施例中大面积亮度区域亮度阈值为HIGH_SILL＝110，亮度权值因子为f＝1.5。

2.阴影中心的提取方法为：

1)对图像行扫描，在行方向上构造亮度坡(在行或列连续范围内亮度单调上升或下降像素 点构成的区间)，找出坡向上升的坡，取其左端点为极小值点，取该点左、右两个坡的坡长中 较小者的一个作为表征行方向上该极小值特征长度大小的参数len1。

2)对图像列扫描，用与上一步相同的方法找出亮度为极小值的像素点及其特征长度len2。

3)找出列方向上和行方向上亮度同为极小值的像素点，即为阴影中心。

4)计算阴影中心的特征属性参数，主要包括表征特征点大小的参数radius和表征特征点坡 度的参数diff。取len1、len2较小者为参数radius的值。但是这时只考察了该阴影中心的 四个方向，参数radius的值并不准确，必须进一步确定：阴影中心记为点P，第一步以点P 为中心，建立半径为(2×radius+1)的圆形窗口，依次求出和点P距离为i(0≤i≤radius)的 点亮度平均值AverageLum[i]；第二步按照i从大到小的顺序，依次比较AverageLum[i]和 AverageLum[i-1]，点P为阴影中心，所以上述亮度平均值满足 AverageLum[i]＞AverageLum[i-1]，如果不满足则radius减1。确定radius之后，表征特征 点坡度的参数diff可由式diff＝AverageLum[0]-AverageLum[radius]求得。

3.亮度中心的提取方法与阴影中心的提取方法类似，不同之处在于亮度中心为行方向和 列方向上的亮度极大值点。

4.阴影中心和亮度中心的连线中心的提取方法为：

1)找出与阴影中心可能成对的亮度中心。设定一个范围阈值R，在以阴影中心为圆心， 半径为R的圆内寻找亮度中心。

2)在上一步骤找到的亮度中心中，根据光线方向确定一个与阴影中心成对的亮度中心。 设阴影中心坐标为(i_s，j_s)，亮度中心坐标为(i_b，j_b)，太阳光入射向量为(dx，d_y，0)，设 d_i＝i_s-i_b，d_j＝j_s-j_b，若满足条件cosa＝(d_i×d_x+d_j×d_y)/r≥cos(π/6)，则 可以认为阴影中心与该候选亮度中心为一对。若存在多个候选亮度中心满足上述条件，鉴于 成对的阴影中心和亮度中心具有唯一性，为避免误配，应该放弃提取这对阴影中心和亮度中 心的连线中心。

3)计算特征属性参数。连线的特征参数由和它相关的阴影中心和亮度中心确定，其中坐 标(i，j)中i＝(i_s+i_b)/2，j＝(j_s+j_b)/2，表征范围的参数radius＝radius_s+radius_b，表征坡度的 参数diff＝(diff_s+diff_b)/2。

上述案例实现的月面影像的特征点选择和提取方法测试环境为：CPU PIV 2.8G，1G内 存，120G硬盘，操作系统Windows XP，显示器分辨率1024×768，GEFORCE6200(128M显 存)显卡。图像大小为512×32554，提取各类特征点数目为120,536个。