[发明专利]一种基于神经网络的静止轨道谱段间图像配准方法

摘要

本发明公开了一种基于神经网络的静止轨道谱段间图像配准方法，该方法步骤包括：对面阵相机采集的同一场景的多谱段遥感图像进行标注，并按比例划分训练集和测试集；采用卡尔曼滤波算法对原始图像对进行降噪；采用SIFT算法提取训练集和测试集的图像特征构建特征数据库；设计网络结构，确定网络初始参数，以谱段间图像特征点为输入训练网模型络，确定最优网络参数；改变网络结构重复训练获取最优网络模型；最后采用测试集进行验证，若配准精度不满足要求，扩大数据集重复训练直到满足要求为止。本发明采用网络模型精确表征不同波段图像特征点之间的非线性关系，克服了传统配准方法中同一特征点在不同波段图像中变化大，不稳定的难题。

主权项

1.一种基于神经网络的静止轨道谱段间图像配准方法，其特征在于步骤如下：步骤一、通过在轨面阵相机采集多谱段遥感图像，并对同一场景不同波段的图像对进行标注，并按比例划分为训练集和测试集；步骤二、对已标注的训练集和测试集，采用卡尔曼滤波算法对原始图像对进行滤波降噪；步骤三、采用SIFT特征提取算法提取标注图像对的特征点，构建训练集和测试集的图像特征点数据库；步骤四、构建配准卷积神经网络模型，设置网络初始参数，以构建的图像特征点数据库为输入对配准卷积网络模型进行训练，确定网络参数和该模型下的图像配准精度；步骤五、在步骤四构建的卷积网络模型基础上，调整卷积层数或每一层的神经元个数，重新开始步骤四的训练，当图像配准精度达到最高时，保留此时的卷积神经网络模型的结构及参数，作为最终的训练结果；步骤六、采用测试集对训练所得的卷积神经网络模型进行测试，得到配准精度，若配准精度满足要求，则所述的卷积神经网络模型能够应用到实际的谱段间遥感图像配准中，若不满足，则说明训练集不能满足网络要求，需要扩大训练集，重新开始训练，直至满足精度要求为止。