一种基于深度学习和多子图匹配的遥感图像匹配方法组成比例

本发明专利技术涉及遥感图像处理领域，提出了一种基于深度学习和多子图匹配的遥感图像匹配方法，包括：提供用于生成遥感图像的子图的神经网络；将待匹配遥感图像和参考图像输入所述神经网络中生成子图；对所述子图进行特征的提取以获得子图的特征点的分布图；对所述特征点进行特征匹配，以选取最优特征对集合；以及将所述最优特征对集合取并集，并且映射回待匹配遥感图像。通过多子图的图像匹配替代现有技术中遥感图像整体的图像匹配，以及通过深度学习的方式生成遥感图像子图的方法，能够提取遥感图像的有效语义信息，从而过滤掉遥感图像中语义不明的信息点，实现对遥感图像的冗余信息的过滤，提升了遥感图像匹配的精度和效率。

【技术实现步骤摘要】
一种基于深度学习和多子图匹配的遥感图像匹配方法
本专利技术总的来说涉及遥感图像处理领域，具体而言涉及一种基于深度学习和多子图匹配的遥感图像匹配方法。
技术介绍
图像匹配的任务是寻找两幅或多幅图像中像素点间的对应关系。目前针对遥感图像做匹配的方法主要有两类，一类是基于区域的匹配方法，一类是基于特征的匹配方法。这两类方法中，基于特征的匹配方法计算量小，鲁棒性好，且对图像形变不敏感。由于遥感图像的成像会受到噪声、季节变化、光照变化等因素的影响，因此基于特征的匹配方法是更为合适也更为常用的方法。基于特征的图像匹配方法主要包括三个步骤：特征提取、特征描述和特征匹配。特征选取具有如下要求：在图像匹配的过程中，应依据实际待匹配图像的特性来决定特征的选取。所选取的特征应显著、易于提取、且在参考图像和模板图像上都有足够的分布。在特征选取中，常用的特征主要包括三类：点特征，包括拐点和角点；线特征，包括边缘曲线和直线段；以及面特征，包括小面元、闭合区域。以SIFT(Scale-invariantfeaturetransform)方法为例，它通过建立高本文档来自技高网...

【技术保护点】
1.一种基于深度学习和多子图匹配的遥感图像匹配方法，其特征在于包括下列步骤：/n提供用于生成遥感图像的子图的神经网络；/n将待匹配遥感图像和参考图像输入所述神经网络中生成子图；/n对所述子图进行特征的提取以获得子图的特征点的分布图；/n对所述特征点进行特征匹配，以选取最优特征对集合；以及/n将所述最优特征对集合取并集，并且映射回待匹配遥感图像。/n

【技术特征摘要】
1.一种基于深度学习和多子图匹配的遥感图像匹配方法，其特征在于包括下列步骤：
提供用于生成遥感图像的子图的神经网络；
将待匹配遥感图像和参考图像输入所述神经网络中生成子图；
对所述子图进行特征的提取以获得子图的特征点的分布图；
对所述特征点进行特征匹配，以选取最优特征对集合；以及
将所述最优特征对集合取并集，并且映射回待匹配遥感图像。


2.根据权利要求1所述的基于深度学习和多子图匹配的遥感图像匹配方法，其中提供用于生成遥感图像的子图的神经网络包括下列步骤：
选取所述神经网络的训练内容，包括：
选取遥感图像中的地物类别；
将所述地物类别编号，其中所述编号作为地物编号标签；
生成所述地物类别与地物编号标签的映射关系；以及
选取遥感图像打上地物编号标签作为神经网络的训练内容；
构建语义分割神经网络；以及
使用所述训练内容对语义分割神经网络进行训练，以获得用于生成遥感图像的子图的神经网络。


3.根据权利要求2所述的基于深度学习和多子图匹配的遥感图像匹配方法，其中：
所述地物类别包括建筑物、水域、道路、耕地和植被；
所述地物编号标签的集合表示为：T{0，1，2，3，4…}；以及
所述地物类别与地物编号标签的映射关系表示为：{建筑物：0，水域：1，道路：2，耕地：3，植被：4，…}。


4.根据权利要求3所述的基于深度学习和多子图匹配的遥感图像匹配方法，其中所述子图还包括：建筑物分布图、水域分...

【专利技术属性】
技术研发人员：王雨菡，李华旺，
申请(专利权)人：中国科学院微小卫星创新研究院，上海微小卫星工程中心，
类型：发明
国别省市：上海;31