CN115018892A - 遥感影像的自动配准方法及装置 - Google Patents
遥感影像的自动配准方法及装置 Download PDFInfo
- Publication number
- CN115018892A CN115018892A CN202210900865.8A CN202210900865A CN115018892A CN 115018892 A CN115018892 A CN 115018892A CN 202210900865 A CN202210900865 A CN 202210900865A CN 115018892 A CN115018892 A CN 115018892A
- Authority
- CN
- China
- Prior art keywords
- image
- pairs
- remote sensing
- registration
- registered
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000009466 transformation Effects 0.000 claims abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种遥感影像的自动配准方法及装置,该方法包括:对不完全重叠的待配准遥感影像对进行预处理,得到对应的多个影像块对,并对所述多个影像块对进行仿射变换;构建影像配准深度神经网络模型并进行训练;将仿射变换后的多个影像块对输入训练后的影像配准深度神经网络模型,输出配准后的匹配特征点对;重新投影所述配准后的匹配特征点对至对应的原始待配准遥感影像对中,获得所述待配准遥感影像对的最终匹配结果。本发明可以实现遥感影像精确、高效的自动配准。
Description
技术领域
本发明涉及计算机视觉与遥感影像处理技术领域,尤其涉及一种遥感影像的自动配准方法及装置。
背景技术
影像配准是计算机视觉和遥感摄影测量领域的重要技术,是影像融合、影像镶嵌、目标检测、三维重建等应用的基础和前提。所谓影像配准,是指对于取自不同时间、不同传感器或不同视角的同一区域景物的两幅影像或者多幅影像进行匹配、叠加的过程。影像配准的精度将在极大程度上影响后期其他图像处理的结果。随着计算机软硬件设备的性能不断提升和图像处理技术的迅猛发展,人们对影像配准的精度和效率不断提出更高的要求。
影像配准的核心任务在于找出影像之间的最优特征空间和几何变换模型,使得由于几何误差造成畸变的原始影像与目标影像之间能够匹配起来。常用的影像匹配方法有基于变换域的匹配方法、基于影像灰度的匹配方法和基于特征的匹配方法。其中研究最多、使用最为广泛的是基于特征的影像匹配方法,该方法通过识别和提取影像中的特征,完成两幅影像之间的配准。在此过程中,要求算法提取的影像特征具有尺度不变性,也就是对于影像之间的平移、旋转、缩放等变换均保持不变性,对于拍摄角度和光照条件的差异也应具有一定的稳定性,但是广泛使用的SIFT(Scale Invariant Feature Transform,尺度不变特征变换)算法和SURF(加速鲁棒特征,Speeded Up Robust Features)算法提取的特征比较单一,且数量有限,无法满足遥感影像精确配准的需求。
对此,深度学习方法可以有效改善这一问题,该方法是一种含有多个隐藏层的机器学习方法,其利用深层次的神经网络模型对样本进行学习和训练,通过计算机学习到的知识自动识别和提取输入影像的多种特征,并可以通过一定的函数运算计算特征之间的匹配程度,从而实现影像的配准。由于深度学习的学习过程完全依靠深度神经网络模型(Deepneural network model)的自我学习能力提取目标特征,并通过不断最小化损失函数(Lossfunction)告知神经网络模型停止学习的时机。整个训练过程不需要人为干预,非常适合用来处理数据量级庞大、种类繁多且复杂的全景影像数据,且具有很强的泛化能力。
发明内容
为解决上述现有技术存在的技术问题,本发明的目的在于提供一种遥感影像的自动配准方法及装置,可以实现遥感影像精确、高效的自动配准。
为实现上述发明目的,本发明的技术方案是:
本发明提供一种遥感影像的自动配准方法,包括:
对不完全重叠的待配准遥感影像对进行预处理,得到对应的多个影像块对,并对所述多个影像块对进行仿射变换;
构建影像配准深度神经网络(Match-CNN)模型并进行训练;
将仿射变换后的多个影像块对输入训练后的影像配准深度神经网络模型,输出配准后的匹配特征点对;
重新投影所述配准后的匹配特征点对至对应的原始待配准遥感影像对中,获得所述待配准遥感影像对的最终匹配结果。
根据本发明的一个方面,所述预处理的过程包括:
对所述不完全重叠的待配准遥感影像对进行正射校正;
根据所述待配准遥感影像的图幅范围,对校正后的待配准遥感影像对进行拆分重投影,获得对应的多个影像块对。
根据本发明的一个方面,所述仿射变换的过程包括:
对所述多个影像块对进行缩放变换,模拟载荷在拍摄方向前后移动造成的影像畸变;
对所述多个影像块对进行倾斜变换,模拟载荷的成像光轴与成像平面之间的不同夹角条件对影像造成的仿射失真情况;
对所述多个影像块对进行旋转变换,模拟载荷绕成像光轴运动时产生的畸变。
根据本发明的一个方面,所述影像配准深度神经网络模型依次包括:特征提取模块、特征匹配模块和粗差剔除模块,
所述特征提取模块为两组并行的VGG-16网络模型,将该网络模型最后的三层全连接网络删除,并采用用于一次32倍上采样操作的网络;
所述特征匹配模块由三层全连接网络和一层损失函数组成,所述损失函数用于度量所述影像块对中两个影像块之间的相似度概率。
根据本发明的一个方面,所述将仿射变换后的多个影像块对输入训练后的影像配准深度神经网络模型,输出配准后的匹配特征点对,包括:
将仿射变换后的多个影像块对输入训练后的特征提取模块中,提取出对应的特征图像,并保证所述特征图像与输入的图像大小一致;
将所述特征图像输入训练后的特征匹配模块中,利用所述全连接网络学习所述特征图像之间的相似度,对所述损失函数不断进行优化,获得所述多个影像块对对应的匹配特征点对;
利用训练后的粗差剔除模块采用随机采样一致算法(Random Sample Consensus,RANSAC)剔除错误的匹配特征点对,输出配准后的匹配特征点对。
根据本发明的一个方面,所述损失函数为交叉熵函数。
根据本发明的一个方面,采用UBC公开数据集对所述影像配准深度神经网络模型进行训练。
本发明还提供一种利用上述遥感影像的自动配准方法的遥感影像的自动配准装置,包括:
影像处理单元,用于对不完全重叠的待配准遥感影像对进行预处理,得到对应的多个影像块对,并对所述多个影像块对进行仿射变换;
模型构建与训练单元,用于构建影像配准深度神经网络模型并进行训练;
配准单元,用于将仿射变换后的多个影像块对输入训练后的影像配准深度神经网络模型,输出配准后的匹配特征点对;以及
结果生成单元,用于重新投影所述配准后的匹配特征点对至对应的原始待配准遥感影像对中,获得所述待配准遥感影像对的最终匹配结果。
根据本发明的另一个方面,所述影像配准深度神经网络模型依次包括:特征提取模块、特征匹配模块和粗差剔除模块。
根据本发明的另一个方面,所述配准单元包括:
特征提取子单元,用于利用所述训练后的特征提取模块提取仿射变换后的多个影像块对中的特征,获得对应的特征图像,并保证所述特征图像与输入的图像大小一致;
特征匹配子单元,用于利用所述训练后的特征匹配模块根据所述特征图像获得所述多个影像块对对应的匹配特征点对;以及
粗差剔除子单元,用于利用所述训练后的粗差剔除模块采用随机采样一致算法剔除错误的匹配特征点对,输出配准后的匹配特征点对。
本发明与现有技术相比,具有如下优点:
根据本发明的方案,结合遥感影像的投影和畸变特征,利用构建的遥感影像配准深度神经网络Match-CNN模型对校正、拆分重投影和仿射变换后的待配准影像进行配准,再将得到的遥感影像之间的同名点对(匹配特征点对)重新投影至原始的遥感影像,从而实现遥感影像之间的精确配准。本发明不需要人工提炼待配准影像的特征或设定匹配准则,真正实现了深度学习方法对遥感影像的自动配准,可以有效解决传统方法的影像配准精度和效率低下的难题。
根据本发明的一个方案,构建Match-CNN模型时,对VGG-16网络进行改进,提升了网络的运行效率,并行加速计算大大提升了配准的效率。
根据本发明的一个方案,该方法具有很好的通用性,可扩展至其他大范围拍摄且具有几何畸变的影像配准任务,如全景影像的自动配准等。未来的影像配准任务,会向不同传感器数据以及不同分辨率数据之间的配准发展,深度学习方法将发挥更大的作用。本发明将为未来利用深度学习方法进行多源异构影像数据的配准提供一种新的尝试和思路。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性表示本发明实施例提供的一种遥感影像的自动配准方法的实现流程图;
图2示意性表示本发明实施例提供的模拟影像仿射变换的结果示意图。
具体实施方式
此说明书实施方式的描述应与相应的附图相结合,附图应作为完整的说明书的一部分。在附图中,实施例的形状或是厚度可扩大,并以简化或是方便标示。再者,附图中各结构的部分将以分别描述进行说明,值得注意的是,图中未示出或未通过文字进行说明的元件,为所属技术领域中的普通技术人员所知的形式。
此处实施例的描述,有关方向和方位的任何参考,均仅是为了便于描述,而不能理解为对本发明保护范围的任何限制。以下对于优选实施方式的说明会涉及到特征的组合,这些特征可能独立存在或者组合存在,本发明并不特别地限定于优选的实施方式。本发明的范围由权利要求书所界定。
根据本发明的构思,针对遥感影像的配准需求,本发明实施例的遥感影像的自动配准方法及配准装置,结合遥感影像的投影和畸变特征,对待配准影像进行校正、拆分和重投影,自主设计遥感影像配准的Match-CNN深度神经网络模型,将拆分和重投影后的影像块输入Match-CNN模型进行训练,经过影像特征提取、特征匹配和粗差剔除,得到遥感影像之间的同名点对(匹配特征点对),之后将这些同名点对重新投影至原始的遥感影像,从而实现遥感影像之间的精确配准。
参见图1,本发明实施例提供的一种遥感影像的自动配准方法,包括以下步骤:
步骤100,对不完全重叠的待配准遥感影像对进行预处理,得到对应的多个影像块对,并对所述多个影像块对进行仿射变换。
在一个实施例中,步骤100中所述预处理的具体实施过程包括:
对所述不完全重叠的待配准遥感影像对进行正射校正。具体的,对待配准遥感影像(对)进行正射校正,可以消除遥感影像在采集过程中,由传感器造成的几何畸变可能带来的配准误差,保证影像块与原始遥感影像之间的精确对应。
根据所述待配准遥感影像的图幅范围,对校正后的待配准遥感影像对进行拆分重投影,获得对应的多个影像块对。具体的,拆分重投影的实质是对遥感影像进行重新投影,也就是将地球表面的点重新投影至多张平面。该多张平面即为所述多个影像块(对)。
在一个实施例中,步骤100中所述仿射变换的具体实施过程包括:
对所述多个影像块对进行缩放变换,模拟载荷在拍摄方向前后移动造成的影像畸变。具体参见图2(b),为将原始遥感影像块缩小1/4后得到的示例结果(缩放倍数可根据实际情况进行调整)。
对所述多个影像块对进行倾斜变换,模拟载荷的成像光轴与成像平面之间的不同夹角条件对影像造成的仿射失真情况。示例性的,这里的不同夹角条件可参见图2(a)的θ,此处以相机代替卫星传感器(载荷)进行简单示意。具体的,倾斜变换的实质是对影像分别在X方向和Y方向上的缩放进行模拟,具体可分别参见图2(c)和图2(d)。
对所述多个影像块对进行旋转变换,模拟载荷绕成像光轴运动时产生的畸变。具体参见图2(e)。
本发明实施例在将得到的多个影像块对输入影像配准深度神经网络模型之前,对影像块对进行缩放、倾斜和旋转变换,分别模拟获得如上所述对影像造成的畸变结果和仿射失真情况,可以为后续遥感影像的配准提供依据,并提高配准的准确度和精度。
步骤200,构建影像配准深度神经网络模型并进行训练。
在一个实施例中,步骤200中构建并训练的影像配准深度神经网络Match-CNN模型依次包括:特征提取模块、特征匹配模块和粗差剔除模块。具体的,所述特征提取模块为两组并行的VGG-16网络模型,将该网络模型最后的三层全连接网络删除以提升网络的运行效率,并采用用于一次32倍上采样操作的网络,以保证输出的特征图像与输入的图像大小一致。所述特征匹配模块由三层全连接网络和一层损失函数组成,所述损失函数用于度量所述影像块对中两个影像块之间的相似度概率。
在一个实施例中,步骤200中采用UBC公开数据集对所述影像配准深度神经网络模型进行训练。
步骤300,将仿射变换后的多个影像块对输入训练后的影像配准深度神经网络模型,输出配准后的匹配特征点对。
在一个实施例中,步骤300中将仿射变换后的多个影像块对输入训练后的影像配准深度神经网络Match-CNN模型,输出配准后的匹配特征点对的具体实施过程包括:
步骤301,将仿射变换后的多个影像块对输入训练后的Match-CNN模型的特征提取模块中,提取出对应的特征图像,并保证所述特征图像与输入的图像大小一致。
步骤302,将所述特征图像输入训练后的Match-CNN模型的特征匹配模块中,利用所述全连接网络学习所述特征图像之间的相似度,对所述损失函数不断进行优化,获得所述多个影像块对对应的匹配特征点对。从而获得两组影像块特征点之间的匹配。
步骤303,利用训练后的Match-CNN模型的粗差剔除模块采用随机采样一致算法剔除错误的匹配特征点对,输出配准后的匹配特征点对。具体的,RANSAC算法的思想在于在一个数据集中随机选取两点,则两点可以确定一条直线,在这条直线的两侧设定一个误差阈值,将位于该误差阈值的范围之内的点称为内点,该误差阈值的范围之外的点称为外点。根据新得到的内点集合拟合出一条新的直线,再以该直线为基准线重新判断内点,如此不断迭代,直到某一次获得的内点数量为最大值时,此时的直线即为最佳拟合直线。
具体的,所述损失函数为交叉熵函数(Cross-Entropy Loss)。
步骤400,重新投影所述配准后的匹配特征点对至对应的原始待配准遥感影像对中,获得所述待配准遥感影像对的最终匹配结果。也就是实现了遥感影像之间的自动配准。
本发明实施例还提供了一种利用上述遥感影像的自动配准方法的装置,包括:影像处理单元、模型构建与训练单元、配准单元和结果生成单元。其中,影像处理单元用于对不完全重叠的待配准遥感影像对进行预处理,得到对应的多个影像块对,并对所述多个影像块对进行仿射变换。模型构建与训练单元用于构建影像配准深度神经网络模型并进行训练。配准单元用于将仿射变换后的多个影像块对输入训练后的影像配准深度神经网络模型,输出配准后的匹配特征点对。结果生成单元用于重新投影所述配准后的匹配特征点对至对应的原始待配准遥感影像对中,获得所述待配准遥感影像对的最终匹配结果。
在一个实施例中,模型构建与训练单元构建并训练的影像配准深度神经网络模型依次包括:特征提取模块、特征匹配模块和粗差剔除模块。
在一个实施例中,配准单元包括:特征提取子单元、特征匹配子单元和粗差剔除子单元。其中,特征提取子单元用于利用所述训练后的特征提取模块提取仿射变换后的多个影像块对中的特征,获得对应的特征图像,并保证所述特征图像与输入的图像大小一致。特征匹配子单元用于利用所述训练后的特征匹配模块根据所述特征图像获得所述多个影像块对对应的匹配特征点对。粗差剔除子单元用于利用所述训练后的粗差剔除模块采用随机采样一致算法剔除错误的匹配特征点对,输出配准后的匹配特征点对。
本发明实施例提供的遥感影像的自动配准方法及装置,属于计算机视觉和遥感摄影测量领域的图像处理技术,是影像融合、影像镶嵌、目标检测、三维重建等一系列图像处理操作的基础,实现了基于深度学习方法的遥感影像特征的自动提取和精准匹配,适用于各种场景和各种拍摄设备获取的遥感影像的配准,包括全景影像的配准。
对于本发明的方法所涉及的上述各个步骤的序号并不意味着方法执行顺序的先后,各步骤的执行顺序应以其功能和内在逻辑确定,而不应对本发明的实施方式的实施过程构成任何限定。
以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (10)
1.一种遥感影像的自动配准方法,包括:
对不完全重叠的待配准遥感影像对进行预处理,得到对应的多个影像块对,并对所述多个影像块对进行仿射变换;
构建影像配准深度神经网络模型并进行训练;
将仿射变换后的多个影像块对输入训练后的影像配准深度神经网络模型,输出配准后的匹配特征点对;
重新投影所述配准后的匹配特征点对至对应的原始待配准遥感影像对中,获得所述待配准遥感影像对的最终匹配结果。
2.根据权利要求1所述的方法,其特征在于,所述预处理的过程包括:
对所述不完全重叠的待配准遥感影像对进行正射校正;
根据所述待配准遥感影像的图幅范围,对校正后的待配准遥感影像对进行拆分重投影,获得对应的多个影像块对。
3.根据权利要求1所述的方法,其特征在于,所述仿射变换的过程包括:
对所述多个影像块对进行缩放变换,模拟载荷在拍摄方向前后移动造成的影像畸变;
对所述多个影像块对进行倾斜变换,模拟载荷的成像光轴与成像平面之间的不同夹角条件对影像造成的仿射失真情况;
对所述多个影像块对进行旋转变换,模拟载荷绕成像光轴运动时产生的畸变。
4.根据权利要求1所述的方法,其特征在于,所述影像配准深度神经网络模型依次包括:特征提取模块、特征匹配模块和粗差剔除模块,
所述特征提取模块为两组并行的VGG-16网络模型,将该网络模型最后的三层全连接网络删除,并采用用于一次32倍上采样操作的网络;
所述特征匹配模块由三层全连接网络和一层损失函数组成,所述损失函数用于度量所述影像块对中两个影像块之间的相似度概率。
5.根据权利要求4所述的方法,其特征在于,所述将仿射变换后的多个影像块对输入训练后的影像配准深度神经网络模型,输出配准后的匹配特征点对,包括:
将仿射变换后的多个影像块对输入训练后的特征提取模块中,提取出对应的特征图像,并保证所述特征图像与输入的图像大小一致;
将所述特征图像输入训练后的特征匹配模块中,利用所述全连接网络学习所述特征图像之间的相似度,对所述损失函数不断进行优化,获得所述多个影像块对对应的匹配特征点对;
利用训练后的粗差剔除模块采用随机采样一致算法剔除错误的匹配特征点对,输出配准后的匹配特征点对。
6.根据权利要求4或5所述的方法,其特征在于,所述损失函数为交叉熵函数。
7.根据权利要求1所述的方法,其特征在于,采用UBC公开数据集对所述影像配准深度神经网络模型进行训练。
8.一种利用权利要求1-7中任一项所述的遥感影像的自动配准方法的遥感影像的自动配准装置,其特征在于,包括:
影像处理单元,用于对不完全重叠的待配准遥感影像对进行预处理,得到对应的多个影像块对,并对所述多个影像块对进行仿射变换;
模型构建与训练单元,用于构建影像配准深度神经网络模型并进行训练;
配准单元,用于将仿射变换后的多个影像块对输入训练后的影像配准深度神经网络模型,输出配准后的匹配特征点对;以及
结果生成单元,用于重新投影所述配准后的匹配特征点对至对应的原始待配准遥感影像对中,获得所述待配准遥感影像对的最终匹配结果。
9.根据权利要求8所述的装置,其特征在于,所述影像配准深度神经网络模型依次包括:特征提取模块、特征匹配模块和粗差剔除模块。
10.根据权利要求9所述的装置,其特征在于,所述配准单元包括:
特征提取子单元,用于利用所述训练后的特征提取模块提取仿射变换后的多个影像块对中的特征,获得对应的特征图像,并保证所述特征图像与输入的图像大小一致;
特征匹配子单元,用于利用所述训练后的特征匹配模块根据所述特征图像获得所述多个影像块对对应的匹配特征点对;以及
粗差剔除子单元,用于利用所述训练后的粗差剔除模块采用随机采样一致算法剔除错误的匹配特征点对,输出配准后的匹配特征点对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210900865.8A CN115018892A (zh) | 2022-07-28 | 2022-07-28 | 遥感影像的自动配准方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210900865.8A CN115018892A (zh) | 2022-07-28 | 2022-07-28 | 遥感影像的自动配准方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115018892A true CN115018892A (zh) | 2022-09-06 |
Family
ID=83065995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210900865.8A Pending CN115018892A (zh) | 2022-07-28 | 2022-07-28 | 遥感影像的自动配准方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018892A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020620A (zh) * | 2012-12-14 | 2013-04-03 | 武汉大学 | 基于cpu和gpu协同处理的遥感影像正射校正方法 |
CN109767460A (zh) * | 2018-12-27 | 2019-05-17 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN109784223A (zh) * | 2018-12-28 | 2019-05-21 | 珠海大横琴科技发展有限公司 | 一种基于卷积神经网络的多时相遥感影像匹配方法及系统 |
CN111932546A (zh) * | 2020-08-20 | 2020-11-13 | 展讯通信(上海)有限公司 | 图像分割模型训练方法、图像分割方法、装置、设备及介质 |
CN112085772A (zh) * | 2020-08-24 | 2020-12-15 | 南京邮电大学 | 一种遥感图像配准方法及装置 |
CN113592923A (zh) * | 2021-06-30 | 2021-11-02 | 国网浙江省电力有限公司营销服务中心 | 一种基于深度局部特征匹配的批图像配准方法 |
CN113989339A (zh) * | 2021-10-08 | 2022-01-28 | 西安中科西光航天科技有限公司 | 一种卫星遥感图像配准方法 |
CN114359722A (zh) * | 2021-12-24 | 2022-04-15 | 北京卫星信息工程研究所 | 特殊地貌分布范围识别方法、装置及设备 |
-
2022
- 2022-07-28 CN CN202210900865.8A patent/CN115018892A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020620A (zh) * | 2012-12-14 | 2013-04-03 | 武汉大学 | 基于cpu和gpu协同处理的遥感影像正射校正方法 |
CN109767460A (zh) * | 2018-12-27 | 2019-05-17 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN109784223A (zh) * | 2018-12-28 | 2019-05-21 | 珠海大横琴科技发展有限公司 | 一种基于卷积神经网络的多时相遥感影像匹配方法及系统 |
CN111932546A (zh) * | 2020-08-20 | 2020-11-13 | 展讯通信(上海)有限公司 | 图像分割模型训练方法、图像分割方法、装置、设备及介质 |
CN112085772A (zh) * | 2020-08-24 | 2020-12-15 | 南京邮电大学 | 一种遥感图像配准方法及装置 |
CN113592923A (zh) * | 2021-06-30 | 2021-11-02 | 国网浙江省电力有限公司营销服务中心 | 一种基于深度局部特征匹配的批图像配准方法 |
CN113989339A (zh) * | 2021-10-08 | 2022-01-28 | 西安中科西光航天科技有限公司 | 一种卫星遥感图像配准方法 |
CN114359722A (zh) * | 2021-12-24 | 2022-04-15 | 北京卫星信息工程研究所 | 特殊地貌分布范围识别方法、装置及设备 |
Non-Patent Citations (7)
Title |
---|
XUFENG HAN等: ""MatchNet:Unifying Feature and Metric Learning for Patch-Based Matching", 《CVF》 * |
兰红等: "面向全景拼接的图像配准技术研究及应用", 《计算机工程与科学》 * |
焦李成等: "《简明人工智能》", 30 September 2019 * |
王李娟等: "《设施作物遥感监测原理与方法》", 31 October 2017 * |
裴亮等: "基于改进的全卷积神经网络的资源三号遥感影像云检测", 《激光与光电子学进展》 * |
邹同元等: "《星地一体化遥感数据处理技术》", 31 August 2020 * |
陈文波等: "《鄱阳湖区土地利用格局特征与安全格局构建研究》", 31 August 2007 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111063021B (zh) | 一种空间运动目标的三维重建模型建立方法及装置 | |
KR20180026400A (ko) | 3-차원 공간 모델링 | |
CN112926475B (zh) | 一种人体三维关键点提取方法 | |
CN111553845B (zh) | 一种基于优化的三维重建的快速图像拼接方法 | |
Toriya et al. | SAR2OPT: Image alignment between multi-modal images using generative adversarial networks | |
JP6482130B2 (ja) | 幾何検証装置、プログラム及び方法 | |
CN115082617A (zh) | 基于多视图优化的管道三维重建方法、装置及存储介质 | |
CN111325828A (zh) | 一种基于三目相机的三维人脸采集方法及装置 | |
JP6558803B2 (ja) | 幾何検証装置及びプログラム | |
CN113781532A (zh) | Sar卫星图像与光学图像自动匹配检索方法 | |
CN116503567B (zh) | 基于ai大数据的智慧建模管理系统 | |
CN116704123A (zh) | 一种结合图像主体提取技术的三维重建方法 | |
CN116563104A (zh) | 一种基于粒子群算法的图像配准方法及图像拼接方法 | |
CN115018892A (zh) | 遥感影像的自动配准方法及装置 | |
CN113610969B (zh) | 一种三维人体模型生成方法、装置、电子设备及存储介质 | |
Shin et al. | LoGSRN: Deep super resolution network for digital elevation model | |
CN110135474A (zh) | 一种基于深度学习的倾斜航空影像匹配方法和系统 | |
CN113283423B (zh) | 基于生成网络的自然场景扭曲文本图像矫正方法及系统 | |
CN112380966B (zh) | 基于特征点重投影的单眼虹膜匹配方法 | |
CN115456870A (zh) | 基于外参估计的多图像拼接方法 | |
CN111986246B (zh) | 基于图像处理的三维模型重建方法、装置和存储介质 | |
Amamra et al. | Crime scene reconstruction with RGB-D sensors | |
CN111508063A (zh) | 一种基于图像的三维重建方法及系统 | |
Zhou et al. | Research on unsupervised learning-based image stitching | |
Tang et al. | MU-NET: A multiscale unsupervised network for remote sensing image registration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220906 |
|
RJ01 | Rejection of invention patent application after publication |