【技术实现步骤摘要】
本专利技术属于遥感影像处理领域，尤其涉及一种基于域注意力的sar与光学异构遥感图像配准方法。
技术介绍
1、目前，随着众多遥感卫星和设施的发射，多传感器协同观测技术取得了重大进展。光学图像通过捕捉物体表面的反射特性，提供了高分辨率和视觉丰富的信息。sar图像能够反射来自地物的雷达信号，具有全天候观测和云层穿透能力，但其空间分辨率相对较低，将二者的优势互补结合起来具有重要的实用价值。光学和sar遥感图像的有效配准可以为后续遥感应用中的变化检测、图像融合、图像拼接等协同分析处理奠定可靠基础。由于光学和sar图像之间存在显著的辐射和几何差异，如何实现异构遥感影像高精度配准仍然是一个亟需解决的难点。
2、现有遥感图像配准方法包括传统方法和深度学习方法，其中传统方法可分为基于特征和基于区域的配准策略。其中，基于特征配准方法基于检测特征点和构造描述子进行影像间空间对齐，基于区域的配准通过浅层信息相似性寻找最优化转换模型，但基于特征和基于区域的传统配准方法易受到非线性辐射差异的影响，难以实现sar与光学异构遥感影像间的高精度配准。随着深度学习理论的发展，基于深度学习的图像配准方法发展迅速。相较于有监督学习，无监督学习无需待配准图像变化到参考图像坐标系下的变形场或变换矩阵作为标签，适应性强，能更好捕捉数据的隐藏结构，发展潜力更高。然而，由于遥感图像场景多样、成像范围广、噪声混合等因素，难以进行sar与光学影像间的无监督鲁棒配准。
技术实现思路
1、本专利技术的目的是克服现有技术中的不足
2、这种基于域注意力的sar与光学异构遥感图像配准方法，包括以下步骤：
3、s1、建立尚未配准的sar和光学异构遥感影像数据集，包括参考影像和待配准影像；
4、s2、考虑结构相似性约束的前提，对所述参考影像和待配准影像进行域间对抗，生成域迁移图像，提取特征；
5、s3、执行多尺度下的小波变换操作，削弱固有噪声，提取增强后特征；
6、s4、进行多层级特征融合得到预测位移值，计算变换参数，得到配准后影像。
7、s5、计算网络总损失，并进行优化。
8、作为优选，步骤s3具体为，对步骤s2中提出的特征，在不同尺度上利用二次小波变换分解生成低频分量fll、mll和高频分量fhh、mhh，将高频分量特征上采样，计算高频分量特征中每个像素的光谱相关性，将高频分量与低频分量滤除固有噪声后进行重建，得到增强后的特征。
9、作为优选，步骤s4中，通过密集残差网络进一步提取步骤s3得到的增强后特征，通过trans block提取全局特征fglobal，通过空洞空间卷积池化金字塔提取局部信息flocal，分别对全局特征和局部信息进行位移参数预测,并对图像进行由粗到细的两步化配准。
10、作为优选，步骤s4中，使用融合分组卷积的trans block捕捉局部特征，实现特征交互和全局建模，提取全局特征fglobal。
11、作为优选，步骤s4中，通过采用不同采样率的多个并行空洞卷积层捕获不同感受野的信息，每个采样率的特征都在独立的分支中处理，通过将不同的输出特征叠加融合这些分支的特征，最后通过1×1卷积进行降维处理，生成特征提取局部信息flocal。
12、作为优选，步骤s5中，通过空间损失和图像相似性损失的混合损失函数计算网络总损失，空间损失评估预测的匹配点位移和真实值之间的差，图像相似性损失用于衡量参考影像和配准后影像之间的对准程度。
13、本专利技术的有益效果是：
14、1)本专利技术针对性地提出了一种基于双重生成器的gan模型，通过域间对抗及结构相似性约束，实现模态迁移至同一公共子空间，同时保留关键的结构细节特征；在缩小模态差异的基础上,设计了一种多尺度遥感图像配准网络，利用小波变换滤除噪声，进行像素级光谱匹配，并增强特征的模态可识别性,由粗到细进行两步化配准，实现异构遥感影像的端到端配准，可以有效抵御非线性辐射差异的影响，对几何失真具有较强的鲁棒性，能够应对异构遥感影像的配准挑战。
15、2)本专利技术在进行域间对抗操作时，加入保持中间图像与原始图像之间的结构相似性，防止两个生成器生成的图像将趋向于收敛到一个极端状态导致所生成的图像之间变得几乎没有差别，缩小异构遥感影像之间的模态差异，并保留独有特征和可识别性。
本文档来自技高网...【技术保护点】
1.一种基于域注意力的SAR与光学异构遥感图像配准方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于域注意力的SAR与光学异构遥感图像配准方法，其特征在于，步骤S3具体为，对步骤S2中提出的特征，在不同尺度上利用二次小波变换分解生成低频分量FLL、MLL和高频分量FHH、MHH，将高频分量特征上采样，计算高频分量特征中每个像素的光谱相关性，将高频分量与低频分量滤除固有噪声后进行重建，得到增强后的特征。
3.根据权利要求1所述的基于域注意力的SAR与光学异构遥感图像配准方法，其特征在于，步骤S4中，通过密集残差网络进一步提取步骤S3得到的增强后特征，通过Trans Block提取全局特征Fglobal，通过空洞空间卷积池化金字塔提取局部信息Flocal，分别对全局特征和局部信息进行位移参数预测，并对图像进行由粗到细的两步化配准。
4.根据权利要求3所述的基于域注意力的SAR与光学异构遥感图像配准方法，其特征在于，步骤S4中，使用融合分组卷积的Trans Block捕捉局部特征，实现特征交互和全局建模，提取全局特征Fglobal。>
5.根据权利要求3所述的基于域注意力的SAR与光学异构遥感图像配准方法，其特征在于，步骤S4中，通过采用不同采样率的多个并行空洞卷积层捕获不同感受野的信息，每个采样率的特征都在独立的分支中处理，通过将不同的输出特征叠加融合这些分支的特征，最后通过1×1卷积进行降维处理，生成特征提取局部信息Flocal。
6.根据权利要求1所述的基于域注意力的SAR与光学异构遥感图像配准方法，其特征在于，步骤S5中，通过空间损失和图像相似性损失的混合损失函数计算网络总损失，空间损失评估预测的匹配点位移和真实值之间的差，图像相似性损失用于衡量参考影像和配准后影像之间的对准程度。
...【技术特征摘要】
1.一种基于域注意力的sar与光学异构遥感图像配准方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于域注意力的sar与光学异构遥感图像配准方法，其特征在于，步骤s3具体为，对步骤s2中提出的特征，在不同尺度上利用二次小波变换分解生成低频分量fll、mll和高频分量fhh、mhh，将高频分量特征上采样，计算高频分量特征中每个像素的光谱相关性，将高频分量与低频分量滤除固有噪声后进行重建，得到增强后的特征。
3.根据权利要求1所述的基于域注意力的sar与光学异构遥感图像配准方法，其特征在于，步骤s4中，通过密集残差网络进一步提取步骤s3得到的增强后特征，通过trans block提取全局特征fglobal，通过空洞空间卷积池化金字塔提取局部信息flocal，分别对全局特征和局部信息进行位移参数预测，并对图像进行由粗到细的两步化配准。
4....
【专利技术属性】
技术研发人员：孟祥超，叶鸿泽，张申甫，邵枫，杨刚，孙伟伟，
申请(专利权)人：宁波大学，
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。