[发明专利]一种大尺度不变性的深空小天体图像匹配的方法

权利要求书

1.一种大尺度不变性的深空小天体图像匹配方法，所述方法包括：

仿真生成不同轨道绕飞小天体时拍摄的图像，建立训练数据集和测试数据集；然后建立深空尺度估计网络模型，使用训练数据集对网络模型进行训练，通过测试数据集获得输入的测试图像之间的尺度分布；

所述深空尺度估计网络模型包括：全局注意力密集ASPP模块和相关感知分布预测模块；所述全局注意力密集ASPP模块，用于对输入图像的特征图进行处理获取相关特征图；所述相关感知分布预测模块基于Transformer结构的下采样模块建立，用于对相关特征图进行处理得到尺度分布；

最后，将尺度分布转换为尺度因子，根据尺度因子对输入图像进行缩放将图像特征调整到相同尺度级别，实现大尺度变化下的图像匹配；

所述获取相关特征图的过程具体包括：

首先，对输入的不同轨道绕飞小天体时拍摄的图像，包括高轨道拍摄图像A和低轨道拍摄图像B，分别通过VGG特征提取器获取特征图，并分别将对应的特征图F输入全局注意力密集ASPP模块；

然后，通过广义相加模型对特征图进行处理：分别通过通道注意力门和空间注意力门进行细化，表达式为：

其中，F′和F″分别为通道细化和空间细化的特征图，M_c(F)为通过通道注意力门后得到通道模块的注意力特征图、M_s(F′)为通过空间注意力门后得到空间模块的注意力特征图，为元素级别乘法；

最后，将细化的特征图F″送入致密空洞空间卷积池化金字塔ASPP模块，通过密集的连接对特征图的多尺度信息进行编码，分别获得图像A、图像B的自相关特征图地图以及图像A和图像B的互相关特征图地图，并将图像A和图像B的自相关特征图地图以及互相关特征图地图在通道维度上进行拼接；

所述对相关特征图进行处理得到尺度分布，包括：

首先，将拼接后的相关图C_cat输入相关感知分布预测模块；

然后，通过Transformer结构的下采样模块对C_cat的高度和宽度进行下采样处理；

之后，将处理后的相关图前馈到平均池化层进行池化操作；

最后，将池化后的相关图扁平化，并通过一组全连接层处理以获得尺度分布。

2.根据权利要求1所述的大尺度不变性的深空小天体图像匹配的方法，其特征在于，所述方法中，使用训练数据集对网络模型进行训练时包括以下步骤：

1)仿真生成不同轨道绕飞小天体时拍摄的图像，建立训练数据集和测试数据集；

2)建立深空尺度估计网络模型：所述深空尺度估计网络还包括预训练模型，用于对输入图像进行特征图提取；

建立基于全局注意力机制的空洞空间卷积池化金字塔ASPP模块，并基于空洞空间卷积池化金字塔ASPP模块和广义相加模型建立全局注意力密集ASPP模块；基于Transformer结构的下采样模块、平均池层和全连接层建立相关感知分布预测模块；基于预训练模型、全局注意力密集ASPP模块和相关感知分布预测模块建立深空尺度估计网络模型；

3)设置损失函数，使用训练数据集对深空尺度估计网络模型进行训练，得到训练好的网络模型。

3.根据权利要求2所述的大尺度不变性的深空小天体图像匹配的方法，其特征在于，所述步骤1)使用Blender仿真引擎生成小天体图像数据集，具体包括：在Blender仿真引擎中添加小天体模型，将其质心作为世界坐标系原点，在小天体附近放置四个光源，将相机放置在不同轨道高度，环绕拍摄多张图像，其中相机z轴始终指向小天体质心。

4.根据权利要求3所述的大尺度不变性的深空小天体图像匹配的方法，其特征在于，所述致密空洞空间卷积池化金字塔ASPP模块包括一个级联的空洞卷积层。

5.根据权利要求3所述的大尺度不变性的深空小天体图像匹配的方法，其特征在于，所述相关感知分布预测模块包括：堆叠的变换器下采样模块、平均池层和一组全连接层。