[发明专利]遥感影像特征匹配方法、装置、存储介质及计算机设备

权利要求书

1.一种遥感影像特征匹配方法，其特征在于，包括：

步骤一，选定卫星影像下的待采集区域，分别采集2个时相下该区域的卫星影像，得到双时相遥感影像；

步骤二，分别提取双时相遥感影像中的特征点(x,y)，每个特征点有对应的特征点提取置信度即特征点得分score以及特征点描述子d，其中时相1中的特征点集表示为M，时相2中的特征点集表示为N；

步骤三，对上述步骤二中提取到的M以及N的特征点集求并集得到MN，作为双时相影像特征点的真实值，求MN与N的差作为时相1中没有对应匹配点的点集I，求MN与M的差作为时相2中没有对应匹配点的点集J；

步骤四，将步骤二中提取的特征点坐标(x,y)，特征点得分score以及特征点描述子d进行编码融合生成新的特征x_i；

步骤五，将步骤四生成的特征x_i输入到图神经网络结构中，经过自我注意力以及交叉注意力交替更新L次后，得到最终用于匹配的匹配描述向量如下所示：

其中W表示图神经网络过程中的权重，b表示偏置向，M代表时相1中的特征点集，N代表时相2中的特征点集，i代表时相1中的任一特征点，j代表时相2中的任一特征点，代表时相1中的任一特征点经编码融合后产生的新的特征点，代表时相2中的任一特征点经编码融合后产生的新的特征，f_i^M表示时相1的影像经图神经网络后产生的匹配描述向量，f_j^N表示时相2的影像经图神经网络后产生的新的匹配描述向量，L代表自我注意力以及交叉注意力更新的层；

步骤六，根据步骤五输出的用于匹配的匹配描述向量，采用内积运算计算匹配矩阵S如下:

其中S_i，j表示两个时相中任一两个匹配点在匹配矩阵S中的具体值；

步骤七，采用Sinkhorn算法计算最优匹配结果P，实现特征点匹配过程；

步骤八，整个过程中采用负对数似然函数作为损失函数，进行特征匹配训练，

将时相1以及时相2特征点集的并集作为真值，最终设计的损失函数如下所示：

其中MN表示匹配的真值，M表示时相1中的特征点集，N表示时相2中的特征点集，I，J表示时相1和时相2影像中没有对应匹配点的点集。

2.根据权利要求1所述的匹配方法，其特征在于，所述步骤一中还包括对采集的2个时相的影像进行影像配准处理，获得严格配准的双时相影像若干对。

3.根据权利要求1所述的匹配方法，其特征在于，所述步骤四中，所述编码融合后的新的特征x_i经编码融合公式计算得到：

x_i＝d_i+MLP_enc(p_i)

其中d_i为任一特征点的特征描述向量，p_i为任一特征点的位置坐标(x,y)及对应的特征点得分score得到，MLP为一个多层感知机构成的编码器，x_i为编码融合后产生的新的特征。

4.根据权利要求1所述的匹配方法，其特征在于，所述步骤二中特征点以及描述子提取时采用传统的sift特征，或采用深度学习superpoint特征。