[发明专利]一种新的基于深度学习的遥感影像配准方法

说明书

基于深度学习的遥感影像配准方法，提出了利用自动化的方式生成大量的遥感训练样本集，然后利用这些生成的遥感训练样本集训练一个卷积神经网络，最后能对每个特征点生成一个特征描述向量，该描述向量具有不变性、独特性、稳健性和独立性，能使特征点匹配过程中生成更多更准确的对应点，能估计出更加精确的几何变换模型，大大提高了遥感影像间的几何配准精度。

技术领域

本发明涉及一种新的遥感影像配准方法，利用深度学习技术自动生成特征点的描述子，准确地找出匹配点，能够高效、精确地实现多源遥感影像的配准。该技术是遥感影像融合、镶嵌和变化监测等应用的可靠保障。

技术背景

近年来，随着空间技术和信息技术的不断发展，我国发射了一系列高分遥感卫星，其被广泛地应用到农业、林业、土地利用等各行各业。而高效综合利用多种遥感影像数据的一个重要预处理步骤就是能够实现精确的配准。基于特征的遥感影像配准方法对灰度非线性变换比较敏感，尤其是特征描述子匹配，经常会出现误匹配、漏匹配的情况，致使最后的配准精度大大降低，甚至失败。

自2013年深度学习技术兴起以来，其在计算机视觉、图像处理领域得到了广泛的应用，尤其是卷积神经网络的应用更为广泛。卷积神经网络，通过大量样本的训练，能够自动学习到特征，实现端到端的学习；相比之下，传统手工设计特征方法则需要大量的实践经验精细地设计一些算子来学习特征。

基于深度学习的遥感影像配准的基本流程：

第一步：用特征提取算子在参考影像R和待配准影像S上提取特征点集R_i和S_i；

第二步：以每个特征点i为中心，提取出一小块区域p_i；

第三步：将每个区域p_i输入到卷积神经网络，得到一个特征向量v_i；

第四步：对于参考影像上每个特征点i，从待配准影像上找出与其特征向量L₂距离最小和次小的两个特征点m,n，然后计算这两个距离的比值，如果这个比值超过一定的阈值μ，则认为参考影像上特征点i与待配准影像上L₂距离最近的点是对应点对，否则认为参考影像上的这个特征点i在待配准影像上没有对应点；

第五步：根据图像间的变形，选择合适的几何变换模型T，然后利用这些对应点拟合模型的变换参数θ；

第六步：根据拟合得到的变换模型T，对待配准影像S进行校正。

基于深度学习的遥感影像配准方法最关键的技术是如何构造大量的合适的遥感样本数据，以及使用什么样的训练策略，使得卷积神经网络能够对每个特征点学习到一个合适的特征描述子，使该描述子具有不变性、独特性、稳健性和独立性。描述子的好坏，会直接影响生成的对应点的数量和质量，进而影响最终拟合的几何变换模型的准确性。

发明内容

本发明的目的是对每个特征点，选择合适的小区域块，作为卷积神经网络的输入，使其能经过卷积神经网络编码得出一个特征向量，该向量能很好地满足以下四个条件：

1.不变性，对同名特征点对的描述应具有一致性；

2.独特性，对不同的特征点对应该具有不同的描述子；

3.稳健性，对几何变形具有不变性；

4.独立性，描述子向量中每个元素的功能应相互独立的。

根据参考图像上每个特征点的特征向量，找出与其对应的同名点，然后利用这些同名点拟合两幅图像间的几何变换模型，最后实现两幅影像间的高精度配准。

具体实施步骤：