·510 智能系统学报 第6卷 这2个点已经匹配上， 为了使样本点选择与主从图像对之间的配准精 度无关，本文提出了一种基于ST特征匹配的样本 4基于SFT特征匹配的相对校正策 点选择算法.分别对主图像和从图像提取SFT特 略新方法 征，然后利用得到的SIFT特征进行特征匹配.对于 4.1基于SFT特征匹配的相对辐射校正策略与算 能够匹配的点，认为它们是实际场景中的同一点.通 法流程 过SFT特征描述得到匹配点的坐标之后，将这些匹 结合SIFT特征的不变性，可以利用目标上点的 配，点作为样本点，然后将样本点的灰度值输出，用于 SFT特征来进行样本点的选择.首先将不同时相图 估计线性参数.算法流程如表2所示. 像上目标的SFT特征进行匹配，取匹配点作为样本 表2基于SIFT特征匹配的样本点选择 Table 2 Algorithm of sample selection based on SIFT fea- 点.然后利用样本点的灰度值进行线性回归，估计线 ture matching 性参数.最后对从图像进行线性变换从而得到校正 结果.算法的流程如表1所示. 算法2：基于ST特征匹配的样本点选择 表1基于SFT特征匹配的相对辐射校正算法 Table 1 Relative radiometric correction method based on 输入：主图像refimg,从图像souimg SIFT feature matching 输出：样本点灰度值(，y:),其中￥：与y:分别表示主图像与 从图像上样本点的灰度值 算法1：基于ST特征匹配的相对辐射校正算法 初始化：匹配数组matched(N)为0，N为SIFT_ref中元素个 数，阈值T 输人：主图像refimg,从图像souimg 1)对refimg和souimg分别进行SlFT特征提取，得到特征向 输出：校正结果resultimg 量集ref与ou; 1)样本点选择 2): ①对refimg与souimg进行SlFT特征提取 For ref中的每一个特征向量ref(i) ②进行ST特征匹配，获得样本点坐标 计算f()与sou中每一个特征向量sou()的距离 ③利用样本点坐标，得到样本点灰度值 dist(i) 2)线性关系的参数估计 查找dist(ij》的最小值dist(i,') 利用1)中得到的样本点灰度值，通过最小二乘回归得 if dist(i,j)<T 到线性系数a、b ef()与ou(')匹配成功； End if 3)基于线性变换的校正结果求解 End for 对从图像按照y'(i,)=[y(i,)-b]/a进行线性变换， 3)获得匹配点坐标refimg(r,r)与souimg(is,js),将它们作 得到校正结果resultimg 为样本点，输出其灰度值(y:) 4.2算法流程的技术实现 4.2.2线性关系的参数估计 4.2.1样本点选择 本文通过最小二乘回归法611来估计线性回 在常规线性相对辐射校正方法中，由于其假设 归系数，该方法操作简单，实用性强.样本点灰度值 主从图像对已经进行了几何配准，所以在选择样本 数据集A表示为A1（1,y1),A2（x2,y2),…,A,（xn, 点的过程中，使用了像素点的位置信息和亮度信息. yn),x:与y:分别代表主图像与从图像上样本点的 比如，图像回归法(image regression,R)[91将主从图 灰度值，满足线性回归关系： 像对上所有的像素都作为样本点.伪不变特征法 y=ax+b,i=1,2,…,n. (pseudo-invariant feature,PF)[4s]选择样本点的 式中：y:代表从图像上第i个样本点灰度值的计算 评价标准是： 值.由最小二乘回归分析法可以得到 PIF={y(i,)/x(i,j)≤T,y(i,j)≥T2. 式中：x(i,)与y(i,)分别代表主图像与从图像上 2(4,-)(-刃 像元灰度值，T和T2为阈值.这些方法在主从图像 (4) 对未进行精确配准时，选择的样本点将不符合要求， ∑(x-)2 导致常规线性校正方法不适用于未配准主从图像对 b =y-ax. (5) 之间的相对辐射校正 式中：x:和y:分别表示主图像与从图像上样本点的