[发明专利]一种基于VGG16网络模型的影像特征匹配方法

说明书

本发明属于遥感影像技术领域，具体涉及一种基于VGG16网络模型的影像特征匹配方法，通过将待匹配影像对中的设定大小且带有特征点的影像块输入至训练好的改进VGG16网络模型中，进行特征描述，根据特征描述的影像块，进行特征点匹配，改进VGG16网络模型的改进点在于使用的全连接层为1。因改进VGG16网络模型是将现有技术的VGG16网络模型的3个全连接层改化为1个全连接层，即输入影像经过第五层卷积+最大值池化处理后，直接利用1个全连接层用以判断影像特征点是否正确匹配，进而网络模型网络层数以及参数量减少，网络训练效率也得到提高，并且提高了利用改进VGG16网络模型进行特征块描述的速度，进而提高了从改进VGG16网络模型训练到待匹配影像对的影像特征匹配的效率。

技术领域

本发明属于遥感影像技术领域，具体涉及一种基于VGG16网络模型的影像特征匹配方法。

背景技术

所谓特征匹配，就是指将从影像中提取的特征作为共轭实体，而将所提特征属性或描述参数(实际上是特征的特征，也可以认为是影像的特征)作为匹配实体，通过计算匹配实体之间的相似性测度以实现共轭实体配准的影像匹配方法。

由于不同遥感器的成像机理不同，对成像波段的感应能力也表现出较大的差异，所得到的影像在灰度信息方面的关联性较低，传统的影像匹配算法难以适应解决多源影像匹配问题的需求。传统的特征提取与匹配算法主要关注点在于影像的几何特征和空间邻域关系，提取的特征较为表面，描述符的构建依赖于影像的特性，无法突破影像间特征的本质差异。

卷积神经网络由若干卷积层(Convolutional Layer)、激活函数层(ActivationLayer)、池化层(Pooling Layer)、全连接层(Fully Connected Layer)构成，VGG网络于2014年提出，该网络对网络模型的深度和性能之间的关系进行了研究分析，证明了增加网络层次的深度能够提高网络模型表现性能。VGG系列网络在图像分类工作中的良好表现，验证了网络层次在一定程度上的加深，会提高模型的性能，同时在不同数据集上的实验也证明了网络本身的可迁移性。VGG网络组成模块主要包含3×3的小型卷积核模块和2×2的最大池化层模块，并通过模块之间的有机组合成功的构建了不同深度的卷积神经网络。根据卷积层和全连接层数量的不同，VGG主要包含VGG16和VGG19两种结构，而现有的VGG16网络模型复杂度高，相应的需确定的参数量多，使得训练效率低，进而使得从模型训练到影像特征匹配的整个过程所利用的时间长，导致整个过程效率低。

发明内容

本发明的目的在于提供一种基于VGG16网络模型的影像特征匹配方法，用以解决基于现有技术中VGG16网络模型进行影像匹配时，因模型复杂度高，导致影像匹配过程效率低的问题。

为解决上述技术问题，本发明提供了一种基于VGG16网络模型的影像特征匹配方法，包括如下步骤：

1)获取带有特征点信息的待匹配影像对；

2)对待匹配影像对中的两幅影像分别进行处理；所述处理为：将影像裁切为N个设定大小且带有特征点的影像块，N＞1，并将所有影像块输入至训练好的改进VGG16网络模型中，得到各个影像块的特征描述；所述改进VGG16网络模型的改进点在于使用的全连接层为1层；

3)根据待匹配影像对中所有影像块的特征描述，进行待匹配影像对的影像块匹配；所述影像块匹配的手段为：对于其中一幅影像中的一个影像块，记为待匹配影像块，将待匹配影像块与另一幅影像中的所有影像块均进行相似性比较，选出最相似的影像块，并与所述待匹配影像块形成影像块对；

4)根据影像块对，得到影像块对中相互匹配的正确匹配点。