[发明专利]基于双变换网络的深度学习SAR图像配准方法

权利要求书

1.一种基于双变换网络的深度学习SAR图像配准方法，其特征在于，包括如下步骤：

(1)生成数据集：

1a)使用SIFT方法分别在参考图像R获取m个关键点和在待配准图像S上获取n个关键点1≤i≤m，1≤j≤n，并将这两者做初步配准，得到从待配准图像坐标系变换到参考图像坐标系的初始变换矩阵和从参考图像坐标系变换到待配准图像坐标系的初始变换矩阵

1b)分别以和这些关键点为中心，按照64×64的大小对参考图像R和待配准图像S截图，删除不能够截图的点，剩下能进行截图的a个参考图像点和b个待配准图像点，得到参考图像集合和待配准图像集合1≤C≤a，1≤D≤b；

1c)对和分别进行t次包括0°-20°的仿射变换及灰度变换，该与其变换后结果组合得到参考图像集合该以及变换后结果组合得到待配准图像集合再对和分别进行v次角度随机在0°-20°范围的仿射变换，该与其变换后的结果组合得到用于验证的参考图像集合样本集合该与其变换后的结果组成用于验证的待配准图像集合其中150≤t≤250；40≤v≤100；

(2)选用现有的深度图像分类网络，并设置分类头的类别数目，构建双变换网络的两个分支：

2a)将参考图像上的关键点作为类别，在参考图像到待配准图像分支上取与参考图像集合中含有图片的个数相同的类别数目，将这些类别输入至深度图像分类网络的分类器，构成双变换网络的第一分支“R-S”；

2b)将待配准图像上的关键点作为类别，在待配准图像到参考图像分支上取与待配准图像集合中含有图片个数相同的类别数目，将这些类别输入至深度图像分类网络的分类器，构成双变换网络的第二分支“S-R”；

(3)对网络的两个分支进行训练，获得双变换网络：

3a)将参考图像集合作为训练集，将仿射变换后的参考图像集合作为验证集，采用梯度下降法对第一分支R-S进行训练，并在每次把训练数据集的全部样本训练完一遍后，使用验证集进行一次验证，当准确率达到目标及目标以上时，保存训练好的模型，得到训练好的双变换网络第一分支；

3b)将待配准图像集合作为训练集，将仿射变换后的待配准图像集合作为验证集,采用梯度下降法对第二分支S-R进行训练，并在每次把训练数据集的全部样本训练完一遍后，使用验证集进行一次验证，当准确率达到目标及目标以上时保存训练好的模型，得到训练好的双变换网络第二分支；

3c)将训练好的第一分支与训练好的第二分支进行并联，构成双变换网络；

(4)利用训练好的双变换网络，进行初步匹配：

4a)利用1a)中从待配准图像坐标系变换到参考图像坐标系的初始变换矩阵把待配准图像上的关键点变换到参考图像上，并删除不能截图的点生成点集合以中的点为中心截图制作测试图像集输入到训练好的双变换网络第一分支进行图片分类，若分为同类，则代表测试集图片对应的在待配准图像上面的点与作为类别的参考图像上面的点是匹配的点，并将其对应图像块相似度低于阈值的点删除，完成R-S支路的初步配准；

4b)利用1a)中从参考图像坐标系变换到待配准图像坐标系的初始变换矩阵把参考图像上的关键点变换到待配准图像上，并删除不能截图的点生成点集合以中的点为中心截图制作测试图像集输入到训练好的双变换网络第二分支进行图片分类，若分为同类，则代表测试集图片对应的在参考图像上面的点与作为类别的待配准图像上面的点是匹配的点，并将其对应图像块相似度低于阈值的点删除，完成S-R支路的初步配准；

(5)精细匹配：

5a)在完成初步配准R-S支路的训练集点旁边重新选点截图，对4a)得到的初步配准进行更新，得到点对集合中的R-S分支训练集上的点；

5b)在完成初步配准的S-R支路的训练集点的旁边重新选点截图，对4b)得到的初步配准进行更新，得到点对集合中的S-R分支训练集上的点；

5c)选取两条支路都认可的点对，并根据5a)和5b)中更新匹配的结果对其进行更新，得到最终的配准结果。