申请/专利权人：宁波大学

申请日：2022-09-01

公开（公告）日：2023-08-25

公开（公告）号：CN115564808B

主分类号：G06T7/30

分类号：G06T7/30

优先权：

专利状态码：有效-授权

法律状态：2023.08.25#授权;2023.01.20#实质审查的生效;2023.01.03#公开

摘要：本发明涉及一种基于公共空‑谱子空间的多分辨率高光谱SAR影像配准方法，包括步骤：搭建深度公共空‑谱子空间提取网络，将网络映射于多分辨率高光谱SAR图像对，获取公共空‑谱子空间图像对；采用Harris算法提取角点；采用SIFT对角点构建描述符，并进行角点匹配；采用GMS方法进行误差点剔除；采用正确匹配点计算仿射矩阵，并映射于高光谱图像实现图像配准。本发明的有益效果是：利用了深度学习的非线性映射机制，并结合Harris角点检测的有效性、SIFT描述符的稳定性配准高光谱数据与SAR数据，克服了空间与光谱差异的问题，极大地提高了多分辨率高光谱SAR影像配准精度，为后续应用提供可靠的支持，实用性强。

主权项：1.一种基于公共空-谱子空间的多分辨率高光谱SAR影像配准方法，其特征在于，包括以下步骤：S1、搭建深度公共空-谱子空间提取网络，并对网络进行训练，将网络映射于多分辨率高光谱SAR图像对，获取公共空-谱子空间图像对；步骤S1具体为：首先提取输入数据的PCA特征，深度公共空-谱子空间提取网络中提取输入数据的PCA特征的数学表达为Fin＝σfPCAimage，1其中Fin为卷积特征，σ·与f·分别为ReLU激活函数和卷积运算，image为遥感数据，image＝[HS，SAR]，HS为高光谱图像，SAR为合成孔径雷达图像；PCA·，1为计算数据的第一主成分运算；提取输入数据的PCA特征后，进行残差密集特征提取和总体损失的计算；在深度公共空-谱子空间提取网络中残差密集模块设计如下：Fr1＝σfFin Fr4＝fcatFin，Fr1，Fr2 其中Fr1，Fr2，Fr3和Fr4分别表示残差密集模块每层的卷积特征，cat·表示特征叠加运算，为特征相加运算，Ffinal为最终获取的卷积特征；设计了多分辨率高光谱SAR图像对的公共空-谱子空间的子空间一致损失函数和梯度幅度一致损失函数，得到最终的损失函数如下：lossoverall＝loss1+loss2其中lossoverall为总体损失，loss1，loss2分别表示子空间一致损失、梯度幅度一致损失；子空间一致损失函数为 其中G∈[1，2，…，g]为样本数量，||·||1为l1范数，loss1为子空间一致损失；FHfinal为高光谱最终的特征层，计算方式为将高光谱图像作为网络输入获取最终的高光谱特征，并采用权值共享获取最终的SAR特征FHfinal＝ΛHS其中HS为高光谱数据；FMfinal为通过网络映射运算得到的SAR最终的特征层，计算方式为FMfinal＝ΓSAR，Θ其中Γ·表示网络映射运算，Θ表示高光谱作为输入获取最终高光谱特征过程中所生成的网络模型；计算梯度幅度一致损失的具体方法为，先计算图像梯度幅度 其中Gra表示图像梯度，I表示输入图像，x和y分别表示图像的水平和垂直方向，⊙表示卷积算子，Πx和∏y分别表示在x和y方向上的滤波运算，为偏导运算符；采用高光谱和SAR第一主成分图像，公共子空间图像对作为输入，得到 其中分别表示HS，SAR，FHfinal，FMfinal的梯度，则高光谱与SAR第一主成分图像的平均梯度为 将其作为参考梯度，得到子空间与Graref的损失分别为 最终得到梯度幅度一致损失loss2＝lossg1+lossg2；S2、采用Harris算法提取公共空-谱子空间图像对的角点；S3、在公共空-谱子空间图像对中采用SIFT对角点构建描述符，并进行角点匹配；S4、采用GMS方法进行误差点剔除；S5、采用正确匹配点计算仿射矩阵，并映射于高光谱图像实现图像配准。

全文数据：

权利要求：

百度查询： 宁波大学 基于公共空-谱子空间的多分辨率高光谱/SAR影像配准方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD