[发明专利]一种新的基于深度学习的遥感影像配准方法

权利要求书

1.一种新的基于深度学习的遥感影像配准方法，其主要步骤是：

步骤1：以特征点为中心，提取小块区域。以每个特征点i为中心，根据检测到的特征点所在的尺度参数δ_i在相应的尺度图像上截取一个高和宽分别为65×65像素的矩形区域，然后对该区域进行旋转θ_i角度得到最终的小块p_i；

步骤2：以自动化方式构造大量的合适的多源遥感影像训练样本；首先选择同一地区两景不同时相、不同传感器的遥感影像，其中一景作为参考影像，另一景作为待配准影像；将参考影像切成800×800像素的影像块，对每一个影像块作为参考影像块R_i，根据影像的地理坐标从待配准图像中裁剪对应的影像块S_i，利用SIFT尺度不变特征算子从两幅影像块R_i,S_i上分别提取特征点集，用sift描述子对特征点进行粗匹配，然后根据两幅影像间的几何变换模型作为约束条件，进一步进行精匹配。最后，从精匹配的点对中，随机选择100对匹配点，对每对匹配点中的每个特征点，提取一个小区块，将这两个小区域作为正样本；提取小区块具体的方法是，以每个特征点i为中心，根据检测到的特征点所在的尺度参数δ_i在相应的尺度图像上截取一个高和宽分别为65×65像素的矩形区域，根据特征点的主方向角度θ_i对该区域进行旋转θ_i角度得到最终的小块p_i；从错误匹配的点对中，随机选择100对错误匹配点，对每对错误匹配的点对中的每个特征点提取一个小区块，将这两个小区块作为负样本；提取小区块的具体方法如上；

按照上述方法，从多景不同的多源光学遥感影像对中选择样本，直到正负样本数量总和达到23万对；

步骤3：训练卷积神经网络；利用步骤1所生成的遥感样本，随机选择80％数量的样本作为训练集，20％数量的样本作为测试集，选择三元组损失函数为目标函数，其表达式如下：

其中，a_i为参考样本，p_i为与参考样本a_i匹配的影像块，即正样本；n_i为与参考样本a_i非匹配的影像块，即负样本；u是一个阈值，其值为1；理论上，只要是与参考样本a_i非匹配的样本均可以作为负样本p_i，在实际选择的策略中，我们从与参考样本a_i形成的负样本中选择与参考样本a_i距离最近的负样本作为最终计算的负样本；优化方法选择为随机梯度下降算法，学习率初始值为0.01，学习率衰减方式为指数式衰减，学习率衰减乘性因子为0.99；训练的轮数为200轮。