[发明专利]一种基于融合局部特征的卷积神经网络遥感目标匹配方法

说明书

本发明提出了一种基于融合局部特征的卷积神经网络遥感目标匹配方法，与基于整体图像的CNN特征相比，在区域级别提取的CNN特征在识别部分匹配图像之间的小的类似区域时具有更高的鲁棒性和灵活性，通过潜在的匹配区域对生成步骤，可以准确地匹配图像之间的匹配区域对，这使得从这些区域提取的CNN特征对于部分重复图像匹配更具鲁棒性，这是因为基于粗分区中的区域建议模型高效地匹配图像之间的局部特征，以选择少量排名靠前的候选图像，这可以大大缩小部分重复图像目标检测范围；由于充分利用了SIFT特征的良好鲁棒性和CNN特征的高分辨能力，本方案可以实现较为精确的匹配。

技术领域

本发明涉及遥感影像目标匹配技术领域，尤其涉及一种基于融合局部特征的卷积神经网络遥感目标匹配方法。

背景技术

传统的基于图像特征提取的方法需要大量的特征实验来寻找特定领域的特征，不仅工作量和复杂度都非常高，而且对于复杂多变的环境和条件缺乏鲁棒性。

近年来随着深度学习发展，其中卷积神经网络依靠其局部特征提取、参数共享、全局池化等特点在图像模式识别领域取得了较为突出的成绩。一方面，卷积神经网络不需要人为的特征工程实验，而会根据海量数据和标注自行进行有效特征提取；另一方面，在训练数据充足的条件下，模型具有较好的泛化能力，具有较强的鲁棒性。因此。基于卷积神经网络解决遥感影像地物识别分类问题成为遥感图像处理领域的一个研究热点。

使用卷积神经网络进行高分辨率遥感影像目标匹配，往往需要大量的样本进行训练。在训练数据集有限的情况下，模型学习到的特征泛化能力差。但是，一方面，在遥感图像分类时不一定能获得大量的训练样本；另一方面，收集和标注大量的训练样本也耗费大量的人力物力。训练耗时，占用磁盘空间大。同时，传统的卷积神经网络算法本身提取的底层卷积特征是不具有旋转不变性的，这就需要对大量数据进行一定程度的旋转，让神经网络学习到不同的角度，增强模型的泛化能力。这就增加了数据训练的工作量。

因此，随着各种深度神经网络在计算智能领域的日益普及，基于内容的图像匹配和检索的研究重点已经从诸如尺度不变特征变换(SIFT)等手工制作的局部特征转移到卷积衍生的特征。然而，现有的基于图像的CNN特征，直接从整幅图像中提取，不适合高分辨率遥感影像目标匹配小的区域。而基于区域的CNN特征对各种图像修改(如重新缩放、遮挡和添加噪声)的鲁棒性有限，这些都会影响部分重复图像匹配的性能。

在现有技术中，提出了申请公布号为CN109035315A的“融合SIFT特征和CNN特征的遥感图像配准方法及系统”，仅充分利用了SIFT特征的良好鲁棒性和CNN特征的高分辨能力，实现较为精确的匹配，无法解决上述其他技术问题。

发明内容

有鉴于此，本发明提出了一种基于融合局部特征的卷积神经网络遥感目标匹配方法，采用最大长度痕迹生成树算法对图像进行粗分区，并基于粗分区中的区域建议模型高效地匹配图像之间的局部特征，以选择少量排名靠前的候选图像，这可以大大缩小部分重复图像目标检测范围，节省计算资源，同时通过多尺度卷积特征进行比对，可有效减少对训练样本的需求。

本发明的技术方案是这样实现的：本发明提供了一种基于融合局部特征的卷积神经网络遥感目标匹配方法，包括以下步骤：

S1、获取参考影像和待匹配影像；

S2、对参考影像和待匹配影像进行预处理；

S3、最大长度痕迹生成树算法对预处理后的参考影像和待匹配影像分别进行区域划分，得到参考影像和待匹配影像的多个划片图像；

S4、分割算法分割划片图像，得到参考影像和待匹配影像的多个候选区；

S5、通过CNN的区域选择算法，生成各个候选区中的区域建议，并基于相似度对参考影像和待匹配影像的候选区分别进行整合；

S6、采用局部特征的匹配检测算子，在步骤S5合并后的各候选区内提取SIFT特征；