申请/专利权人：上海应用技术大学;上海牛甲机电科技有限公司

申请日：2021-03-22

公开（公告）日：2024-05-17

公开（公告）号：CN113012208B

主分类号：G06T7/38

分类号：G06T7/38;G06T7/33;G06N3/045;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2021.07.09#实质审查的生效;2021.06.22#公开

摘要：本发明提供了一种多视角遥感图像配准方法及系统，包括：根据原始遥感图像生成模拟多视角遥感图像配准的数据集；通过数据集和基于采样点的损失函数对深度神经网络模型进行训练生成深度学习模型，深度学习模型包括密集配准网络和稀疏配准网络；通过密集配准网络提取参考图像和待配准图像的多尺度特征，对多尺度特征进行匹配生成多尺度特征匹配图，根据将多尺度特征匹配图生成密集图像配准参数；通稀疏配准网络进行稀疏特征提取，并进行特征匹配生成稀疏匹配参数；将密集图像配准参数和稀疏图像配准参数进行融合生成目标配准参数；根据目标配准参数对待配准图像进行重采样，生成配准后图像。本发明能够实现复杂场景下多视角遥感图像高精度配准。

主权项：1.一种多视角遥感图像配准方法，其特征在于，包括如下步骤：步骤S1：根据原始遥感图像生成模拟多视角遥感图像配准的数据集；所述数据集的每一数据包括一参考图像，一待配准图像、由待配准图像向参考图像变换的参数、待配准图像的采样点坐标以及配准后图像的采样点坐标；步骤S2：通过所述数据集和基于所述采样点的损失函数对深度神经网络模型进行训练和测试生成深度学习模型，所述深度学习模型包括密集配准网络和稀疏配准网络；步骤S3：通过所述密集配准网络提取参考图像和待配准图像的多尺度特征，对所述多尺度特征进行匹配生成多尺度特征匹配图，根据将所述多尺度特征匹配图生成密集图像配准参数；步骤S4：通过所述稀疏配准网络进行稀疏特征提取，并进行特征匹配生成稀疏匹配参数；步骤S5：参数融合，将所述密集图像配准参数和所述稀疏图像配准参数进行融合生成目标配准参数；步骤S6：重采样，根据所述目标配准参数对待配准图像进行重采样，生成配准后图像；所述步骤S1包括如下步骤：步骤S101：在原始遥感图像I中随机选定一个大小为256像素×256像素且中心坐标为p的像素区域PA1；步骤S102：对像素区域PA1的四个顶点进行幅度为[-x,x]随机扰动，得到新的像素区域PB且计算由像素区域PA1的四个顶点到像素区域PB的四个顶点的单应性变换矩阵HAB；步骤S103：将单应性变换矩阵HAB的逆矩阵HBA应用于一原始遥感图像I上得到图像I’，再在图像I’上的p点选定一个大小为256像素×256像素的像素区域PA2；步骤S104：将所述像素区域PA1作为参考图像，所述像素区域PA2作为待配准图像，HAB作为由待配准图像向参考图像变换的参数；步骤S105：在待配准图像中随机均匀的选择15组采样点坐标S，将变换矩阵HAB应用于采样点坐标S上得到一组新的采样点坐标S’，S作为配准图像的采样点坐标，S’作为配准后图像的采样点坐标；所述密集配准网络包括多尺度密集特征提取网络、邻域一致性网络以及参数预测网络；所述步骤S3包括如下步骤：步骤S301：采用多尺度密集特征提取网络分别对参考图像和待配准图像进行特征提取，得到两组多尺度特征图；步骤S302：采用双向相关运算对相同尺度的两幅特征图进行特征匹配生成一组多尺度特征匹配图；步骤S303：采用邻域一致性网络对多尺度特征匹配图进行外点剔除，得到一组特征匹配图；步骤S304：将融合后的特征匹配图输入参数预测网络，得到密集图像配准参数；所述稀疏配准网络包括稀疏特征提取网络、图神经网络以及参数预测层；所述步骤S4包括如下步骤：步骤S401：采用稀疏特征提取网络分别对参考图像和待配准图像进行特征提取，得到两组特征点；步骤S402：采用图神经网络对两组特征点进行特征匹配，得到匹配参数；步骤S403：所述参数预测层根据所述匹配参数计算得到稀疏图像配准参数。

全文数据：

权利要求：

百度查询： 上海应用技术大学;上海牛甲机电科技有限公司 多视角遥感图像配准方法及系统

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