CN117853321A - 基于深度学习的遥感影像自动配准方法及装置 - Google Patents
基于深度学习的遥感影像自动配准方法及装置 Download PDFInfo
- Publication number
- CN117853321A CN117853321A CN202311709120.4A CN202311709120A CN117853321A CN 117853321 A CN117853321 A CN 117853321A CN 202311709120 A CN202311709120 A CN 202311709120A CN 117853321 A CN117853321 A CN 117853321A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- control point
- target
- image
- 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 93
- 238000013135 deep learning Methods 0.000 title claims abstract description 57
- 230000000903 blocking effect Effects 0.000 claims abstract description 52
- 238000000638 solvent extraction Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000003292 glue Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种基于深度学习的遥感影像自动配准方法及装置,涉及图像处理技术领域。所述方法包括:基于目标遥感影像与基准遥感影像,确定第一控制点;所述第一控制点是所述目标遥感影像与所述基准遥感影像进行特征匹配确定的;基于所述第一控制点,对所述基准遥感影像进行分块,得到所述基准遥感影像的分块结果;基于所述目标遥感影像的分块结果与所述基准遥感影像的分块结果,进行所述目标遥感影像与所述基准遥感影像的自动配准。本申请提供的基于深度学习的遥感影像自动配准方法及装置,可以提高配准精度。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种基于深度学习的遥感影像自动配准方法及装置。
背景技术
遥感影像实际应用中,由于多源遥感影像地理位置不一致,导致无法进行多源遥感影像的高效集成使用,因此在很多实际应用中,需要通过影像自动配准使多源遥感影像具有一致的地理位置。
然而目前的遥感影像自动配准方法还存在配准精度不足的问题,无法生成高精度的配准影像,降低了遥感影像的有效利用率。
发明内容
本申请提供一种基于深度学习的遥感影像自动配准方法及装置,用以解决现有技术中遥感影像的有效利用率较低的缺陷。
第一方面,本申请实施例提供一种基于深度学习的遥感影像自动配准方法,包括:
基于目标遥感影像与基准遥感影像,确定第一控制点;所述第一控制点是所述目标遥感影像与所述基准遥感影像进行特征匹配确定的;
基于所述第一控制点,对所述基准遥感影像进行分块,得到所述基准遥感影像的分块结果;
基于所述目标遥感影像的分块结果与所述基准遥感影像的分块结果,进行所述目标遥感影像与所述基准遥感影像的自动配准。
在一个实施例中,所述基于所述第一控制点,对所述基准遥感影像进行分块,包括:
根据所述第一控制点构建单应矩阵,确定几何约束模型;
基于所述几何约束模型,对所述基准遥感影像进行分块。
在一个实施例中,所述基于所述目标遥感影像的分块结果与所述基准遥感影像的分块结果,进行所述目标遥感影像与所述基准遥感影像的自动配准,包括:
基于深度学习算法,提取所述目标遥感影像的分块结果与所述基准遥感影像的分块结果对应的特征点;
基于深度神经网络,对所述目标遥感影像的分块结果与所述基准遥感影像的分块结果对应的特征点,进行第二特征匹配,得到第二控制点;
剔除所述第二控制点中的错误控制点,得到第三控制点;
基于所述第三控制点,进行所述目标遥感影像与所述基准遥感影像的自动配准。
在一个实施例中,所述基于所述第三控制点,进行所述目标遥感影像与所述基准遥感影像的自动配准,包括:
基于所述第三控制点,确定几何变换模型;
基于所述几何变换模型,对所述目标遥感影像进行几何校正,得到所述目标遥感影像与所述基准遥感影像的自动配准结果。
在一个实施例中,所述基于目标遥感影像与基准遥感影像,确定第一控制点,包括:
基于ORB算法,提取所述目标遥感影像的降采样图像与所述基准遥感影像的降采样图像对应的特征点;
基于ORB算法,对所述目标遥感影像的降采样图像与所述基准遥感影像的降采样图像对应的特征点,在相同地理坐标范围内进行第一特征匹配,得到初始控制点;
剔除所述初始控制点中的错误控制点,得到所述第一控制点。
在一个实施例中,所述方法还包括:
将初始遥感影像的位数进行转换,得到所述目标遥感影像。
在一个实施例中,所述方法还包括:
将第一遥感影像的位数进行转换,得到第二遥感影像;
对所述第二遥感影像进行重投影操作,得到所述基准遥感影像。
第二方面,本申请实施例提供一种基于深度学习的遥感影像自动配准装置,包括:
确定模块,用于基于目标遥感影像与基准遥感影像,确定第一控制点;所述第一控制点是所述目标遥感影像与所述基准遥感影像进行特征匹配确定的;
分块模块,用于基于所述第一控制点,对所述基准遥感影像进行分块,得到所述基准遥感影像的分块结果;
配准模块,用于基于所述目标遥感影像的分块结果与所述基准遥感影像的分块结果,进行所述目标遥感影像与所述基准遥感影像的自动配准。
第三方面,本申请还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面所述的方法。
第四方面,本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述的方法。
第五方面,本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现第一方面所述的方法。
本申请实施例提供的基于深度学习的遥感影像自动配准方法及装置,通过目标遥感影像与基准遥感影像,确定第一控制点,并基于第一控制点对基准遥感影像的进行分块,基于基准遥感影像的分块结果,进行目标遥感影像与基准遥感影像的自动配准,可以完成遥感影像的自动配准,生成高精度几何校正影像,尤其是针对特征点不明显、拍摄角度差异较大,以及内部几何变形较大的遥感影像,可以获得更高的自动配准精度,从而提高遥感影像的有效利用率。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,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是本申请提供的基于深度学习的遥感影像自动配准方法的流程示意图;
图2是本申请提供的基于深度学习的遥感影像自动配准方法的原理示意图;
图3是本申请提供的基于深度学习的遥感影像自动配准装置的结构示意图;
图4是本申请提供的电子设备的结构示意图。
具体实施方式
遥感影像自动配准可以包括自动匹配和几何校正两个主要步骤。目前,传统的遥感影像自动匹配包括基于区域的方法和基准特征的方法,基于区域的方法是在原始影像上和基准影像上分别提取待匹配区域,然后采用归一化相关系数和互信息等相似性度量方法进行自动匹配。基准特征的方法包括特征提取和特征描述两个步骤,常用特征匹配算法为尺度不变特征变换(Scale-invariant feature transform,SIFT)及其改进方法SURF、PCA-SIFT、Rank-SIFT和ORB等。以上方法在遥感影像配准中得到了广泛应用,但也存在一些不足。
对于基于区域的方法,常用的是模板匹配方法,该方法对尺度和旋转差异小的影像自动匹配成功率高、稳定性好,但只有像素级精度、对尺度和旋转差异较大的影像成功率较低。SIFT及其改进方法具有旋转和尺度不变性,且能达到子像素级精度,但对于高分辨率影像的特征不明显区域以及中低分辨率影像,自动匹配获得控制点较少,甚至无法获得控制点。
近年来,深度学习方法在图像处理中得到了广泛应用,在自然场景图像自动匹配中的应用也越来越多,目前也逐渐应用在遥感影像自动匹配中。与传统的特征点匹配方法类似,基于深度学习的自动匹配方法包括特征点提取、特征描述和特征匹配三个主要步骤。受制于显卡显存大小的限制,通常基于深度学习的方法只能处理小块影像,由于单景遥感影像数据量大,无法直接使用基于深度学习的方法,极大的影响了基于深度学习方法在大数量遥感影像的高效使用。
本申请针对传统配准方法的不足,以及深度学习方法在遥感影像配准中应用较少的不足,提出了一种基于深度学习的多源遥感影像自动配准方法,可以完成多源遥感影像的自动配准,生成高精度几何校正影像。
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1是本申请实施例提供的基于深度学习的遥感影像自动配准方法的流程示意图。参照图1,本申请实施例提供一种基于深度学习的遥感影像自动配准方法,其执行主体可以为电子设备,例如,可以为一个控制器,该方法可以包括:
步骤110、基于目标遥感影像与基准遥感影像,确定第一控制点;第一控制点是目标遥感影像与基准遥感影像进行特征匹配确定的;
步骤120、基于第一控制点,对基准遥感影像进行分块,得到基准遥感影像的分块结果;
步骤130、基于目标遥感影像的分块结果与基准遥感影像的分块结果,进行目标遥感影像与基准遥感影像的自动配准。
在步骤110中,控制器可以获取待配准遥感影像作为目标遥感影像,并获取具有高几何精度的基准遥感影像。基准遥感影像是图像配准中的参考。基于获取的目标遥感影像与基准遥感影像,控制器可以确定第一控制点。其中,第一控制点可以是目标遥感影像与基准遥感影像进行特征匹配确定的。
在步骤120中,控制器可以基于实际需要对目标遥感影像进行分块处理,得到目标遥感影像的分块结果。并基于第一控制点建立几何约束,从而对基准遥感影像进行分块,得到基准遥感影像的分块结果。
在步骤130中,控制器可以基于目标遥感影像的分块结果与基准遥感影像的分块结果,及基于目标遥感影像块和基准遥感影像块,对于对应分块的目标遥感影像与基准遥感影像提取特征点,并基于提取的特征点,进行目标遥感影像与基准遥感影像的自动配准。
本申请实施例提供的基于深度学习的遥感影像自动配准方法,通过目标遥感影像与基准遥感影像,确定第一控制点,并基于第一控制点对基准遥感影像的进行分块,基于基准遥感影像的分块结果,进行目标遥感影像与基准遥感影像的自动配准,可以完成遥感影像的自动配准,生成高精度几何校正影像,尤其是针对特征点不明显、拍摄角度差异较大,以及内部几何变形较大的遥感影像,可以获得更高的自动配准精度,从而提高遥感影像的有效利用率。
在一个实施例中,基于第一控制点,对基准遥感影像进行分块,包括:
根据所述第一控制点构建单应矩阵,确定几何约束模型;
基于所述几何约束模型,对所述基准遥感影像进行分块。
深度学习方法无法处理较大的影像,一般都需要进行分块处理。分块处理时涉及的困难是如何根据原始影像块的位置确定其在基准影像上的对应位置,一般只能通过相同地理坐标确定,但实际应用中,部分待配准的遥感影像与基准影像之间存在较大的几何误差,因此通过相同地理坐标确定对应的基准影像块会存在差异,导致算法无法正确运行。
因此,本申请基于影像第一特征匹配获得一定数量的控制点,然后利用这些控制点构建几何约束进行第二特征匹配。
按照深度学习算法对输入影像的要求,控制器可以首先对目标遥感影像进行分块处理,分块大小可以为M×M,M取值可以为1024。
控制器可以根据第一控制点构建单应矩阵作为几何约束模型。对于每块目标遥感影像,根据建构的几何约束模型,控制器自动计算并获取对应的基准遥感影像块。为了保证目标遥感影像块均在匹配范围内,基准遥感影像块大小可以大于原始影像块。
本申请实施例提供的基于深度学习的遥感影像自动配准方法,通过第一控制点构建单应矩阵作为几何约束模型,然后基于几何约束模型进行影像分块,可以比较准确的确定目标遥感影像块对应的基准遥感影像块,可以获得影像覆盖范围一致的目标遥感影像块和基准遥感影像块,从而极大提高深度学习方法的自动匹配精度和效率。
在一个实施例中,基于目标遥感影像的分块结果与基准遥感影像的分块结果,进行目标遥感影像与基准遥感影像的自动配准,包括:
基于深度学习算法,提取目标遥感影像的分块结果与基准遥感影像的分块结果对应的特征点;
基于深度神经网络,对目标遥感影像的分块结果与基准遥感影像的分块结果对应的特征点,进行第二特征匹配,得到第二控制点;
剔除第二控制点中的错误控制点,得到第三控制点;
基于第三控制点,进行目标遥感影像与基准遥感影像的自动配准。
SuperPoint是一种基于深度学习的自监督特征点提取算法,用于完成特征点检测和特征描述。它与SIFT等传统方法相比,具有更好的鲁棒性和检测率。
对应图2中的精匹配步骤,对于每对待匹配的目标遥感影像块和基准遥感影像块,控制器可以分别使用SuperPoint方法进行特征点提取和特征描述。SuperPoint内置了预先训练好的模型,在实际使用中,可以根据遥感影像分辨率、成像方式不同,选择合适的样本进行模型训练,从而进一步提高特征点提取精度。
LightGlue基于深度神经网络,用来匹配图像中的局部特征,与传统采用特征距离进行匹配的方法相比,LightGlue可以获得更多正确的控制点和更少的错误控制点,尤其是两幅图像成像角度、图像内容差异较大时优势更明显。
对于每对待匹配的原始影像块和基准影像块,特征点提取完成后,控制器可以使用LightGlue方法进行特征点匹配(即第二特征匹配),生成大量高精度的控制点(第二控制点)。LightGlue方法也同样内置了预先训练好的模型,在实际使用中,可以根据遥感影像分辨率、成像方式不同,选择合适的样本进行模型训练,从而进一步提高自动匹配。
控制器基于LightGlue方法进行第二特征匹配得到第二控制点后,可以采用RANSAC方法删除错误控制点,得到第三控制点。控制器可以基于第三控制点,进行目标遥感影像与基准遥感影像的自动配准。
本申请实施例提供的基于深度学习的遥感影像自动配准方法,通过深度学习方法对原始影像块和基准影像块进行第二特征匹配,得到第二控制点,并基于第二控制点进行目标遥感影像与基准遥感影像的自动配准。该方法将传统的特征点提取方法与深度学习方法相结合,提出了从粗匹配到精匹配的自动匹配策略,克服了不同方法的缺点,可以获得由粗到精,由少到多的控制点,从而进一步提高自动匹配精度。
在一个实施例中,基于第三控制点,进行目标遥感影像与基准遥感影像的自动配准,包括:
基于第三控制点,确定几何变换模型;
基于几何变换模型,对目标遥感影像进行几何校正,得到目标遥感影像与所述基准遥感影像的自动配准结果。
控制器可以基于获取的第三控制点,确定几何变换模型。具体的,在自动匹配完成后,控制器可以根据影像大小、分辨率和内部几何变形情况,基于第三控制点构建几何变换模型(如多项式模型或者三角网模型),然后基于几何变换模型对目标遥感影像进行几何校正(对应图2中的几何校正步骤),从而得到目标遥感影像与基准遥感影像的自动配准结果。
本申请实施例提供的基于深度学习的遥感影像自动配准方法,通过几何变换模型对目标遥感影像进行几何校正,从而得到目标遥感影像与基准遥感影像的自动配准结果,可以完成遥感影像的高精度自动配准,生成高精度校正影像,从而提高遥感影像的有效利用率。
在一个实施例中,基于目标遥感影像与基准遥感影像,确定第一控制点,包括:
基于ORB算法,提取目标遥感影像的降采样图像与基准遥感影像的降采样图像对应的特征点;
基于ORB算法,对目标遥感影像的降采样图像与基准遥感影像的降采样图像对应的特征点,在相同地理坐标范围内进行第一特征匹配,得到初始控制点;
剔除初始控制点中的错误控制点,得到第一控制点。
第一特征匹配方法可以基于传统的特征点匹配方法,在降采样影像上进行自动匹配。
对应图2中的粗匹配步骤,控制器可以根据影像尺寸以及该传感器影像的几何误差分析情况,确定降采样率,然后分别对目标遥感影像与基准遥感影像进行降采样。采样率确定一般根据几何误差分析情况确定,保证降采样后目标遥感影像与基准遥感影像的几何误差比较小,同时还要考虑影像大小,确保降采样后影像宽度和高度均不小于256。
ORB算法是基于FAST算法提取特征点,并基于BRIEF算法构建特征点的描述子,在它们原有的基础上进行修正,实现特征点的尺度不变性与旋转不变性,自动匹配速度快,但获得的控制点数量没有SIFT算法多。
由于第一特征匹配只是为了获得少量控制点构建几何约束模型,因此本申请可以采用ORB算法分别在降采样后的目标遥感影像与基准遥感影像上进行特征点提取和特征描述。
ORB算法一般采用汉明距离进行特征匹配,特征匹配在全图进行,容易产生错误控制点。本申请中,可以利用相同地理坐标作为几何约束,对于目标遥感影像上的每个待匹配特征点,只在基准遥感影像上相同地理坐标局部范围内自动进行第一特征匹配,得到初始控制点,从而极大的提高自动匹配的成功率,减少错误控制点的产生。
自动匹配完成后,控制器可以使用RANSAC方法进行错误控制点检测,剔除初始控制点中的错误控制点,得到第一控制点;并可以根据相同地理坐标自动计算降采样前影像上的控制点坐标。
本申请实施例提供的基于深度学习的遥感影像自动配准方法,通过在降采样影像上对相同地理坐标范围内的特征点进行第一特征匹配,一方面可以提高自动匹配速度;另外一方面,可以极大减小几何误差对自动匹配的影响,提高自动匹配精度。
在一个实施例中,基于深度学习的遥感影像自动配准方法还包括:
将初始遥感影像的位数进行转换,得到目标遥感影像。
为了满足自动匹配算法对数据格式的要求,控制器可以使用2%线性拉伸算法,将非8位初始遥感影像转换为8位目标遥感影像(对应图2中的预处理步骤)。
本申请实施例提供的基于深度学习的遥感影像自动配准方法,通过对初始遥感影像进行位数转换,得到目标遥感影像,可以保证目标遥感影像与基准遥感影像的格式统一,便于对两者进行自动配准。
在一个实施例中,基于深度学习的遥感影像自动配准方法还包括:
将第一遥感影像的位数进行转换,得到第二遥感影像;
对第二遥感影像进行重投影操作,得到基准遥感影像。
控制器可以使用2%线性拉伸算法,将非8位第一遥感影像转换为8位第二遥感影像,然后对第二遥感影像进行重投影操作,得到基准遥感影像(对应图2中的预处理步骤)。这样可以使基准遥感影像与目标遥感影像具有相同的投影和分辨率。
本申请实施例提供的基于深度学习的遥感影像自动配准方法,通过对第一遥感影像进行位数转换和重投影得到基准遥感影像,可以保证目标遥感影像与基准遥感影像的格式统一,极大减少两幅影像之间的尺度差异,便于对两者进行自动配准。
下面对本申请提供的基于深度学习的遥感影像自动配准装置进行描述,下文描述的基于深度学习的遥感影像自动配准装置与上文描述的基于深度学习的遥感影像自动配准方法可相互对应参照。
图3是本申请实施例提供的基于深度学习的遥感影像自动配准装置的结构示意图。参照图3,本申请实施例提供的基于深度学习的遥感影像自动配准装置,可以包括:
确定模块310,用于基于目标遥感影像与基准遥感影像,确定第一控制点;所述第一控制点是所述目标遥感影像与所述基准遥感影像进行特征匹配确定的;
分块模块320,用于基于所述第一控制点,对所述基准遥感影像进行分块,得到所述基准遥感影像的分块结果;
配准模块330,用于基于所述目标遥感影像的分块结果与所述基准遥感影像的分块结果,进行所述目标遥感影像与所述基准遥感影像的自动配准。
本申请实施例提供的基于深度学习的遥感影像自动配准装置,通过目标遥感影像与基准遥感影像,确定第一控制点,并基于第一控制点对基准遥感影像的进行分块,基于基准遥感影像的分块结果,进行目标遥感影像与基准遥感影像的自动配准,可以完成遥感影像的自动配准,生成高精度几何校正影像,尤其是针对特征点不明显、拍摄角度差异较大,以及内部几何变形较大的遥感影像,可以获得更高的自动配准精度,从而提高遥感影像的有效利用率。
具体地,本申请实施例提供的上述基于深度学习的遥感影像自动配准装置,能够实现上述执行主体为控制器的方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行基于深度学习的遥感影像自动配准方法,例如包括:
基于目标遥感影像与基准遥感影像,确定第一控制点;所述第一控制点是所述目标遥感影像与所述基准遥感影像进行特征匹配确定的;
基于所述第一控制点,对所述基准遥感影像进行分块,得到所述基准遥感影像的分块结果;
基于所述目标遥感影像的分块结果与所述基准遥感影像的分块结果,进行所述目标遥感影像与所述基准遥感影像的自动配准。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于深度学习的遥感影像自动配准方法的步骤,例如包括:
基于目标遥感影像与基准遥感影像,确定第一控制点;所述第一控制点是所述目标遥感影像与所述基准遥感影像进行特征匹配确定的;
基于所述第一控制点,对所述基准遥感影像进行分块,得到所述基准遥感影像的分块结果;
基于所述目标遥感影像的分块结果与所述基准遥感影像的分块结果,进行所述目标遥感影像与所述基准遥感影像的自动配准。
又一方面,本申请还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于深度学习的遥感影像自动配准方法的步骤,例如包括:
基于目标遥感影像与基准遥感影像,确定第一控制点;所述第一控制点是所述目标遥感影像与所述基准遥感影像进行特征匹配确定的;
基于所述第一控制点,对所述基准遥感影像进行分块,得到所述基准遥感影像的分块结果;
基于所述目标遥感影像的分块结果与所述基准遥感影像的分块结果,进行所述目标遥感影像与所述基准遥感影像的自动配准。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
另外需要说明的是:本申请实施例中术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。
本申请实施例中术语“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请实施例中的“基于A确定B”表示确定B时要考虑A这个因素。并不限于“只基于A就可以确定出B”,还应包括:“基于A和C确定B”、“基于A、C和E确定B”、基于“A确定C,基于C进一步确定B”等。另外还可以包括将A作为确定B的条件,例如,“当A满足第一条件时,使用第一方法确定B”;再例如,“当A满足第二条件时,确定B”等;再例如,“当A满足第三条件时,基于第一参数确定B”等。当然也可以是将A作为确定B的因素的条件,例如,“当A满足第一条件时,使用第一方法确定C,并进一步基于C确定B”等。
本申请实施例中术语“多个”是指两个或两个以上,其它量词与之类似。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于深度学习的遥感影像自动配准方法,其特征在于,包括:
基于目标遥感影像与基准遥感影像,确定第一控制点;所述第一控制点是所述目标遥感影像与所述基准遥感影像进行特征匹配确定的;
基于所述第一控制点,对所述基准遥感影像进行分块,得到所述基准遥感影像的分块结果;
基于所述目标遥感影像的分块结果与所述基准遥感影像的分块结果,进行所述目标遥感影像与所述基准遥感影像的自动配准。
2.根据权利要求1所述的基于深度学习的遥感影像自动配准方法,其特征在于,所述基于所述第一控制点,对所述基准遥感影像进行分块,包括:
根据所述第一控制点构建单应矩阵,确定几何约束模型;
基于所述几何约束模型,对所述基准遥感影像进行分块。
3.根据权利要求1所述的基于深度学习的遥感影像自动配准方法,其特征在于,所述基于所述目标遥感影像的分块结果与所述基准遥感影像的分块结果,进行所述目标遥感影像与所述基准遥感影像的自动配准,包括:
基于深度学习算法,提取所述目标遥感影像的分块结果与所述基准遥感影像的分块结果对应的特征点;
基于深度神经网络,对所述目标遥感影像的分块结果与所述基准遥感影像的分块结果对应的特征点,进行第二特征匹配,得到第二控制点;
剔除所述第二控制点中的错误控制点,得到第三控制点;
基于所述第三控制点,进行所述目标遥感影像与所述基准遥感影像的自动配准。
4.根据权利要求3所述的基于深度学习的遥感影像自动配准方法,其特征在于,所述基于所述第三控制点,进行所述目标遥感影像与所述基准遥感影像的自动配准,包括:
基于所述第三控制点,确定几何变换模型;
基于所述几何变换模型,对所述目标遥感影像进行几何校正,得到所述目标遥感影像与所述基准遥感影像的自动配准结果。
5.根据权利要求1所述的基于深度学习的遥感影像自动配准方法,其特征在于,所述基于目标遥感影像与基准遥感影像,确定第一控制点,包括:
基于ORB算法,提取所述目标遥感影像的降采样图像与所述基准遥感影像的降采样图像对应的特征点;
基于ORB算法,对所述目标遥感影像的降采样图像与所述基准遥感影像的降采样图像对应的特征点,在相同地理坐标范围内进行第一特征匹配,得到初始控制点;
剔除所述初始控制点中的错误控制点,得到所述第一控制点。
6.根据权利要求1所述的基于深度学习的遥感影像自动配准方法,其特征在于,所述方法还包括:
将初始遥感影像的位数进行转换,得到所述目标遥感影像。
7.根据权利要求1所述的基于深度学习的遥感影像自动配准方法,其特征在于,所述方法还包括:
将第一遥感影像的位数进行转换,得到第二遥感影像;
对所述第二遥感影像进行重投影操作,得到所述基准遥感影像。
8.一种基于深度学习的遥感影像自动配准装置,其特征在于,包括:
确定模块,用于基于目标遥感影像与基准遥感影像,确定第一控制点;所述第一控制点是所述目标遥感影像与所述基准遥感影像进行特征匹配确定的;
分块模块,用于基于所述第一控制点,对所述基准遥感影像进行分块,得到所述基准遥感影像的分块结果;
配准模块,用于基于所述目标遥感影像的分块结果与所述基准遥感影像的分块结果,进行所述目标遥感影像与所述基准遥感影像的自动配准。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述基于深度学习的遥感影像自动配准方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于深度学习的遥感影像自动配准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311709120.4A CN117853321A (zh) | 2023-12-13 | 2023-12-13 | 基于深度学习的遥感影像自动配准方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311709120.4A CN117853321A (zh) | 2023-12-13 | 2023-12-13 | 基于深度学习的遥感影像自动配准方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117853321A true CN117853321A (zh) | 2024-04-09 |
Family
ID=90533592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311709120.4A Pending CN117853321A (zh) | 2023-12-13 | 2023-12-13 | 基于深度学习的遥感影像自动配准方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117853321A (zh) |
-
2023
- 2023-12-13 CN CN202311709120.4A patent/CN117853321A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583445B (zh) | 文字图像校正处理方法、装置、设备及存储介质 | |
CN106981077A (zh) | 基于dce和lss的红外图像和可见光图像配准方法 | |
JP6055435B2 (ja) | 被写体認識装置、被写体認識方法及び被写体認識プログラム | |
CN112396643A (zh) | 一种尺度不变特征与几何特征融合的多模态高分影像配准方法 | |
CN111797744B (zh) | 一种基于共现滤波算法的多模态遥感图像匹配方法 | |
CN111507908A (zh) | 图像矫正处理方法、装置、存储介质及计算机设备 | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
CN113592923A (zh) | 一种基于深度局部特征匹配的批图像配准方法 | |
CN112529827A (zh) | 遥感图像融合模型的训练方法及装置 | |
CN113793370A (zh) | 三维点云配准方法、装置、电子设备及可读介质 | |
CN116091998A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN112991408B (zh) | 大场景高分辨率遥感图像自适应区域多特征配准方法及系统 | |
CN114612412A (zh) | 三维点云数据的处理方法及其用途、电子设备、存储介质 | |
Roth et al. | Wide-baseline image matching with projective view synthesis and calibrated geometric verification | |
CN117522817A (zh) | 一种基于人工智能算法的医学图像处理方法及系统 | |
CN114998630B (zh) | 一种从粗到精的地对空图像配准方法 | |
CN115239776B (zh) | 点云的配准方法、装置、设备和介质 | |
CN117853321A (zh) | 基于深度学习的遥感影像自动配准方法及装置 | |
CN115588033A (zh) | 基于结构提取的合成孔径雷达与光学图像配准系统及方法 | |
Arevalo et al. | Improving piecewise linear registration of high-resolution satellite images through mesh optimization | |
CN112785529A (zh) | 模板图像匹配矫正方法 | |
CN114078245A (zh) | 一种图像处理方法及图像处理装置 | |
CN111540016A (zh) | 基于图像特征匹配的位姿计算方法、装置、计算机设备及存储介质 | |
CN111369425A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN111242992B (zh) | 一种图像配准方法 |
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 |