[发明专利]一种基于卷积神经网络的多时相遥感影像匹配方法及系统

说明书

本发明涉及一种基于卷积神经网络的多时相遥感影像匹配方法及系统，包括对输入的参考影像和待匹配影像采用固定大小进行分块；采用特征点检测算子在所得的影像块内提取特征点；以提取的特征点为中心，提取固定大小的图像块，并将这些图像块输入预训练的卷积神经网络中，使用神经网络中的多个卷积层来提取图像特征，获得多尺度卷积特征；基于多尺度卷积特征，利用最邻近加权距离度量特征之间的相似性，利用最邻近距离与次邻近距离比值获得初始匹配点对；采用RANSAC算法和特征点之间的几何约束性对剔除错误匹配对，获得最终匹配结果。本发明在遥感数据训练样本缺失的情况下，能够提高多时相遥感影像匹配配准的精度，具有较强的适应性。

技术领域

本发明属于遥感影像处理技术领域，涉及一种基于卷积神经网络的多时相遥感影像匹配方法及系统。

背景技术

多时相遥感影像匹配被广泛的应用于军事和民用领域，例如遥感影像配准、影像融合、以及城市变化检测等。由于气候条件、光照以及地表覆盖类型的变化，不同时间获取的影像可能包含不同的内容，这些影像内容的变化给多时相影像匹配带来了极大困难。

一般说来，影像匹配方法可以分为基于区域的方法和基于特征的方法。基于区域的方法直接利用影像灰度值进行匹配，而多时相的遥感影像灰度差异大，相反，基于特征的方法利用更高级的特征，如点、线、区域等，来对影像进行匹配，因而基于特征的方法更适合于解决多时相遥感影像匹配的问题。基于特征的方法中，SIFT方法最为经典，这得益于其对影像旋转和尺度变化的鲁棒性，大多数的方法都是在SIFT方法上直接或者间接进行改进。然而，在多时相的遥感影像中，影像灰度差异带来的匹配难题远远超过了由影像几何形变带来的问题，此时，再利用SIFT方法匹配时，会得到很多错误的特征点，甚至会因为其匹配结果差而影响匹配结果的后续利用。

近几年来，不少学者提出了基于深度学习的匹配方法。这类方法是基于深度网络的，不需要手工去设计这些特征描述子，可以根据训练样本来直接度量影像块之间的相似性，然而，这些方法几乎都是用于自然影像的匹配，对于多时相的遥感影像匹配问题还未涉及。因而，如何利用深度学习的方法来解决多时相影像匹配的问题是一个积极的尝试。

发明内容

针对现有技术的不足，本发明提供一种基于卷积神经网络的多时相遥感影像匹配方法及系统，有效地克服传统遥感影像配准方法的不足，提高了遥感影像匹配的精度，具有较强的适应性。

为实现上述目的，本发明的技术方案提供一种基于卷积神经网络的多时相遥感影像匹配方法，包括以下步骤：

步骤a，进行多时相遥感影像匹配时，对输入的参考影像和待匹配影像采用固定大小进行分块；

步骤b，采用特征点检测算子在步骤a划分所得的影像块内提取特征点；

步骤c，以步骤b提取的特征点为中心，提取固定大小的图像块，并将这些图像块输入预训练的卷积神经网络中，使用神经网络中的多个卷积层来提取图像特征，获得多尺度卷积特征；

步骤d，基于多尺度卷积特征，利用最邻近加权距离度量特征之间的相似性，利用最邻近距离与次邻近距离比值获得初始匹配点对；

步骤e，采用RANSAC算法和特征点之间的几何约束性对步骤d所得匹配结果剔除错误匹配对，获得最终匹配结果。