The method of heterologous image matching based on depth learning firstly produces heterologous image block data set; image preprocessing; obtains image block feature map; obtains feature vector through feature map; fuses and normalizes feature map; trains image matching network; predicts matching probability; and effectively overcomes the existing methods. The over-fitting problem of heterogeneous image block matching in the technology greatly improves the performance of the network, improves the training efficiency of the network, and enhances the robustness of the network. The invention can be applied to the fields of heterologous image registration, image tracking, and multi view reconstruction.
【技术实现步骤摘要】
基于深度学习的异源图像匹配方法
本专利技术属于图像处理
,具体涉及基于深度学习的异源图像匹配方法。
技术介绍
由于同一目标的不同设备所获取的图像,不仅可以提供更丰富的信息,还可以克服单一数据源自身固有的缺陷,因此多源图像研究越来越受到人们的欢迎。在本文中,我们重点研究多源数据库的相似性匹配问题,并用可见光和近红外公开数据集验证算法的有效性,部分数据请参见图1。由于可见光和近红外交叉谱图像对在同一目标像素值之间的非线性关系,导致此类问题要比同源可见光图像匹配问题更加复杂。现阶段,基于深度学习的图像匹配问题大致分为两个方向。一种是使用深度卷积神经网络提取patch块的高级特征,再用全连接层对所提取的特征进行分类,判断图像块是否匹配。另一种是利用较浅卷集合提取图像块的轮廓边缘特征得到特征向量,最后通过计算特征向量之间的距离(如欧氏距离)来判断图像块是否匹配。XufengHan等人发表的论文“MatchNet:UnifyingFeatureandMetricLearningforPatch-BasedMatching”(ComputerVisionandPatternRecognition(CVPR),2015IEEEConferenceon.IEEE,2015:3279-3286.)提出了一种基于深度卷积神经网络的图像匹配方法。该方法先由两个共享参数的卷积神经网络分别提取一对图像块的特征,然后将两个特征级联,最后由全连接层对级联后的特征向量进行二分类,进而判断该patch对是否匹配。但由于卷积神经网络提取的特征向量丧失了图像大量的空间信息,导致最终的图像块 ...
【技术保护点】
1.基于深度学习的异源图像匹配方法,其特征在于,包括以下步骤:步骤1),采用VIS‑NIR数据集将所需匹配的异源图像制作数据集,得到一组训练集和八组测试集;步骤2),将所有需要匹配的异源图像进行预处理,得到预处理后的异源图像;步骤3),获取图像块特征图:将预处理后的每对异源图像中的图像块A和图像块B进行左右拼接,拼接后采用改进的VGG网络提取特征,得到输入图像的特征图;接着将所得的特征图左右均分,则分别得到与图像块A对应的特征图V和与图像块B对应的特征图N;步骤4),特征图融合:将步骤3)所得的特征图V和特征图N进行做差运算,并将做差后的特征图进行归一化处理,得到融合后的特征图;步骤5),训练图像匹配网络:用全连接层和交叉熵损失函数对步骤4)中所得的融合后的特征图进行二分类,得到匹配网络的权重;步骤6),预测匹配概率:将步骤5)中训练好的匹配网络权重载入到模型中,并依次读取所有测试集数据,得到softmax分类器输出的异源图像匹配和不匹配的预测值。
【技术特征摘要】
1.基于深度学习的异源图像匹配方法,其特征在于,包括以下步骤:步骤1),采用VIS-NIR数据集将所需匹配的异源图像制作数据集,得到一组训练集和八组测试集;步骤2),将所有需要匹配的异源图像进行预处理,得到预处理后的异源图像;步骤3),获取图像块特征图:将预处理后的每对异源图像中的图像块A和图像块B进行左右拼接,拼接后采用改进的VGG网络提取特征,得到输入图像的特征图;接着将所得的特征图左右均分,则分别得到与图像块A对应的特征图V和与图像块B对应的特征图N;步骤4),特征图融合:将步骤3)所得的特征图V和特征图N进行做差运算,并将做差后的特征图进行归一化处理,得到融合后的特征图;步骤5),训练图像匹配网络:用全连接层和交叉熵损失函数对步骤4)中所得的融合后的特征图进行二分类,得到匹配网络的权重;步骤6),预测匹配概率:将步骤5)中训练好的匹配网络权重载入到模型中,并依次读取所有测试集数据,得到softmax分类器输出的异源图像匹配和不匹配的预测值。2.根据权利要求1所述的基于深度学习的异源图像匹配方法,其特征在于,将步骤3)所得的特征图V和特征图N分别进行全局平均池化,得到与图像A对应的特征向量v和与图像B对应的特征向量n;同时,根据所得的特征向量v和特征向量n,使用对比损失函数来最大化不匹配图像块特征向量的平均欧式距离、以及最小化匹配图像块特征向量的平均欧氏距离。3.根据权利要求2所述的基于深度学习的异源图像匹配方法,其特征在于,所述的对比损失的计算过程,包括有如下步骤:(6a1):记特征图...
【专利技术属性】
技术研发人员:王爽,焦李成,方帅,权豆,王若静,梁雪峰,侯彪,刘飞航,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。