【技术实现步骤摘要】
本专利技术涉及遥感影像处理方法，具体涉及一种基于深度学习的异源遥感影像配准方法。
技术介绍
1、随着遥感技术的发展，可见光、红外、合成孔径雷达(sar)等多种类型传感器对地观测影像日益丰富。不同平台和传感器获取的异源影像之间具有一定互补性，为遥感信息的深入挖掘、大数据分析提供了海量的数据来源。不同来源的影像配准可以提供联合使用多个信息的能力，从而获得更大的数据量，更短的重新访问时间。因此近年来异源遥感影像配准引起了广泛的关注。
2、由于成像机理、波段、时相、视角等不同，异源影像在辐射特征、几何特征上都存在巨大差异，且部分遥感影像中存在稀疏纹理区域，如红外影像及雷达影像，影像纹理较少，结构重复度相似，边缘模糊，影像中的细节难以区分，使得异源影像在进行高精度的配准时存在困难。
技术实现思路
1、为解决上述现有技术中异源影像高精度配准效果不理想的问题，本专利技术通过构建异源遥感影像配准网络模型，对异源影像进行粗细两步配准，实现异源影像的高精度配准。
2、为实现上述目的，本专利技术提供一种基于深度学习的异源遥感影像配准方法，包括以下步骤：
3、s1获取多个异源遥感影像对作为训练样本集，每个异源遥感影像对包括参考影像a和待配准影像b，所述待配准影像b为参考影像a同一位置的不同来源影像；
4、s2构建异源遥感影像配准网络模型，所述异源遥感影像配准网络模型包括粗步配准模块、精细配准模块和空间变换模块；
5、s3利用获取的训练样本集对异源
6、s4获取待配准异源遥感影像对，所述待配准异源遥感影像对包括参考影像和待配准异源影像，将待配准异源遥感影像对输入训练好的异源遥感影像配准网络模型，得到完成配准的遥感影像。
7、步骤s1中所述待配准影像b的获取方法为：获取与参考影像a同一位置的不同来源的遥感影像，将获取的影像进行人工尺寸缩放和旋转变换，得到待配准影像b；对参考影像a和待配准影像b采用人工标记n个特征配准点，所述特征配准点均匀分布在影像上。
8、所述步骤s2中的粗步配准模块包括尺度校正网络和旋转校正网络；精细配准模块包括特征提取子模块、一级特征配准子模块、一级特征筛选子模块、二级特征配准子模块和二级特征筛选子模块；空间变换模块用于生成最终配准影像breg。
9、进一步，所述尺度校正网络用于对待配准影像b进行尺寸校正，包括多尺度特征提取单元、协同注意增强单元和尺度回归单元；所述多尺度特征提取单元用于提取输入参考影像a和待配准影像b的密集特征图，输出交叉尺度相关性最大的两个密集特征图，所述协同注意增强单元根据相关性最大的两个密集特征图得到协同注意增强相关图，所述尺度回归单元根据协同注意增强相关图计算输入异源影像对的预测尺寸比例，并根据尺寸比例对输入待配准影像b进行尺寸调整。
10、进一步，所述旋转校正网络用于对待配准影像b进行旋转度校正，包括特征提取单元、特征相关性单元和旋转分类器；所述特征提取单元采用卷积神经网络结构提取不同来源影像的初级特征图，并对得到的初级特征图进行归一化；所述特征相关性单元用于计算两个归一化后特征图的相关图；所述旋转分类器用于将得到的特征图相关图按照旋转角度类别进行分类，并根据旋转角度类别对输入的待配准影像b进行旋转角度校正。
11、进一步，所述细配准模块中的特征提取子模块包含两个特征提取网络分支，分别为特征提取网络r1和特征提取网络r2。
12、进一步，所述一级配准子模块和二级配准子模块均包括特征注意单元和配准单元；所述特征注意单元包括注意层和全连接神经网络层，所述注意层包括自注意层和交叉注意层。
13、所述步骤s3中对异源遥感影像配准网络模型进行训练的具体步骤包括：
14、s31将训练样本集中的参考影像a和待配准影像b输入粗步配准模块中进行初步几何校正，得到校正后的影像b校正；
15、s32将所述参考影像a和校正后的影像b校正输入细配准模块中进行精细配准，得到最终配准结果；
16、s33将得到的最终配准结果及参考影像a、校正后的影像b校正输入空间变换模块得到最终配准影像breg。
17、s34计算异源遥感影像配准网络模型的综合损失函数，根据综合损失函数更新异源遥感影像配准网络模型的参数；
18、s35获取新的训练样本影像集，重复s31～s34的步骤进行迭代训练，直至损失函数实现收敛，即得到训练好的异源遥感影像配准网络模型。
19、进一步，所述步骤s31中得到校正后的影像b校正的具体步骤为：
20、s311将参考影像a和待配准影像b输入尺度校正网络获取两幅影像之间的尺度比例大小；
21、s312根据获取的尺度比例大小对待配准影像b的尺度进行调整，消除待配准影像b与参考图像a间的尺度差异，得到影像b’；
22、s313将参考影像a和尺度校正后的影像b’输入旋转校正网络获取两幅影像之间的旋转差异大小；
23、s314根据获取的旋转差异大小对影像b’的角度进行调整，消除待配准影像b与参考图像a间的旋转差异，得到校正后的影像b校正。
24、进一步，所述步骤s32中进行精细配准得到最终配准结果的具体步骤为：
25、s321将所述参考影像a和校正后的影像b校正分别输入特征提取子模块进行特征提取，分别得到两组多级特征图，每组多级特征图包括低级特征图和高级特征图；
26、s322获取位置编码，将低级特征图添加位置编码输入一级配准子模块中进行一级特征配准，得到一级特征配准点对；
27、s323将得到一级特征配准点对输入一级特征筛选子模块进行特征配准点筛选，得到一级筛选特征配准点对；
28、s324将得到的一级筛选特征配准点对和高级特征图输入二级配准子模块中进行二级特征配准，得到二级特征配准点对；
29、s325将得到二级特征配准点对输入二级特征筛选子模块进行特征配准点筛选，得到最终配准结果。
30、更进一步，所述步骤s321中使用特征提取子模块进行特征提取的具体过程为：将参考影像a输入特征提取网络r1进行特征提取，得到低级特征图和高级特征图将校正后的影像b校正输入特征提取网络r2进行特征提取，得到低级特征图和高级特征图
31、更进一步，所述步骤s322中进行一级特征配准得到一级特征配准点对的具体步骤为：
32、s3221获取位置编码，将低级特征图和分别进行降维处理得到两组一维特征向量形式，并分别添加位置编码；
33、s3222将上述添加位置编码的两组一维特征向量分别输入特征注意单元，得到与位置编码和上下文相关的粗级特征映射图和
34、s3223将得到的粗级特征映射图和输入配准单元中进行一级特征配准，得到一级特征配准点对。
35、进一步，所述步骤s3223本文档来自技高网...
【技术保护点】
1.一种基于深度学习的异源遥感影像配准方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的异源遥感影像配准方法，其特征在于，步骤S2中，所述粗步配准模块包括尺度校正网络和旋转校正网络；所述精细配准模块包括特征提取子模块、一级特征配准子模块、一级特征筛选子模块、二级特征配准子模块和二级特征筛选子模块；所述空间变换模块生成最终配准影像；
3.根据权利要求2所述的基于深度学习的异源遥感影像配准方法，其特征在于，步骤S3中对异源遥感影像配准网络模型进行训练的具体步骤包括：
4.根据权利要求3所述的基于深度学习的异源遥感影像配准方法，其特征在于，所述步骤S31中得到得到校正后的影像B校正的具体步骤为：
5.根据权利要求3所述的基于深度学习的异源遥感影像配准方法，其特征在于，所述步骤S32中进行精细配准得到最终配准结果的具体步骤为：
6.根据权利要求3所述的基于深度学习的异源遥感影像配准方法，其特征在于，所述步骤S33中将得到的最终配准结果与参考影像A、校正后的影像B校正输入空间变换模块得到最终配准影像Breg的
7.根据权利要求3所述的基于深度学习的异源遥感影像配准方法，其特征在于，所述步骤S34中综合损失函数包括粗步配准损失函数和精细配准损失函数；所述粗步配准损失函数包括双重一致性损失函数和交叉熵损失函数；所述精细配准损失函数包括一级配准损失函数和二级配准损失函数；
8.根据权利要求5所述的基于深度学习的异源遥感影像配准方法，其特征在于，所述步骤S321中进行特征提取的具体过程为：将参考影像A输入特征提取网络R1进行特征提取，得到低级特征图和高级特征图将校正后的影像B校正输入特征提取网络R2进行特征提取，得到低级特征图和高级特征图
9.根据权利要求8所述的基于深度学习的异源遥感影像配准方法，其特征在于，步骤S322中进行一级特征配准得到一级特征配准点对的具体步骤为：
10.根据权利要求9所述的基于深度学习的异源遥感影像配准方法，其特征在于，步骤S324中进行二级特征配准得到二级特征配准点对的具体步骤为：
...【技术特征摘要】
1.一种基于深度学习的异源遥感影像配准方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的异源遥感影像配准方法，其特征在于，步骤s2中，所述粗步配准模块包括尺度校正网络和旋转校正网络；所述精细配准模块包括特征提取子模块、一级特征配准子模块、一级特征筛选子模块、二级特征配准子模块和二级特征筛选子模块；所述空间变换模块生成最终配准影像；
3.根据权利要求2所述的基于深度学习的异源遥感影像配准方法，其特征在于，步骤s3中对异源遥感影像配准网络模型进行训练的具体步骤包括：
4.根据权利要求3所述的基于深度学习的异源遥感影像配准方法，其特征在于，所述步骤s31中得到得到校正后的影像b校正的具体步骤为：
5.根据权利要求3所述的基于深度学习的异源遥感影像配准方法，其特征在于，所述步骤s32中进行精细配准得到最终配准结果的具体步骤为：
6.根据权利要求3所述的基于深度学习的异源遥感影像配准方法，其特征在于，所述步骤s33中将得到的最终配准结果与参考影像a、校正后的影像b校正输入空间变换模块得到最终配准影像breg的具体过程为...
【专利技术属性】
技术研发人员：舒位恒，高小花，万珍会，程梦琦，邹圣兵，
申请(专利权)人：北京数慧时空信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。