一种遥感图像配准方法、设备及存储介质技术

本发明专利技术涉及一种遥感图像配准方法、设备及存储介质，该方法包括以下步骤：步骤S1、对给定的两幅待配准的遥感图像I1和I2进行特征检测和描述，并依据特征描述子的相似性构建得到初始匹配集S；步骤S2、基于每对匹配相应的邻域元素一致性约束以及邻域元素相对位置一致性约束，建立非刚性匹配的目标函数，通过阈值剔除错误匹配，迭代优化后保留正确匹配对应的最优内点集其中，首次迭代时，损失函数仅考虑邻域元素一致性约束；步骤S3、对保留的最优内点集进行变换估计，输出配准后的遥感图像。与现有技术相比，本发明专利技术具有鲁棒性强的优点。本发明专利技术具有鲁棒性强的优点。本发明专利技术具有鲁棒性强的优点。

【技术实现步骤摘要】
Matching,”International Journal of Computer Vision,vol.127,no.5,pp.512
–
531,Sep.2018)为代表的基于非参数模型的方法。
[0011]尽管上述方法在许多领域取得了不错的效果，但当待配准的图像对遭遇复杂的非刚性形变时，依赖于参数模型的方法性能大幅下降。此外，遥感图像所具有的特性，如噪声、低内点比率、重复结构等，也同样使得基于非参数模型的方法遭遇重大挑战。
[0012]因此，亟需一种能够适用于遥感图像配准的具有较强鲁棒能力的方法。

技术实现思路

[0013]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供了一种适用于遥感图像配准、鲁棒性高的遥感图像配准方法、设备及存储介质。
[0014]本专利技术的目的可以通过以下技术方案来实现：
[0015]根据本专利技术的第一方面，提供了一种遥感图像配准方法，该方法包括以下步骤：
[0016]步骤S1、对给定的两幅待配准的遥感图像I1和I2进行特征检测和描述，并依据特征描述子的相似性构建得到初始匹配集S；
[0017]步骤S2、基于邻域元素一致性约束以及邻域元素相对位置一致性约束，建立非刚性匹配的目标函数，通过阈值剔除错误匹配，迭代优化后保留正确匹配对应的最优内点集其中，首次迭代时，损失函数仅考虑邻域元素一致性约束；
[0018]步骤S3、对保留的最优内点集进行变换估计，输出配准后的遥感图像。
[0019]优选地，所述步骤S1具体为：
>[0020]采用手工特征描述子或基于深度学习的特征描述子分别对给定的两幅遥感图像I1和I2进行特征检测和描述，进而根据相似性度量来构造得到初始匹配集其中x
i
和y
i
分别为两个对应特征点的空间坐标，N为初始匹配的个数。
[0021]优选地，所述步骤S2包括以下子步骤：
[0022]步骤S2.1、分别构造特征点x
i
及其对应点y
i
在欧式空间中的k近邻和并采用Jaccard距离对和进行差异性度量，表征为每对匹配相应的邻域元素一致性约束；
[0023]步骤S2.2、分别构建特征点x
i
及其对应点y
i
由各自k近邻所构成的有序序列σ(x
i
)和σ(y
i
)，以及关于特征点x
i
和其对应点y
i
的重叠有序序列和并基于Levenshtein距离对重叠有序序列和进行差异性度量，表征为邻域元素相对位置一致性约束；
[0024]步骤S2.3、建立非刚性匹配的目标函数，通过阈值剔除错误匹配，迭代优化后保留正确匹配对应的最优内点集其中，首次迭代的损失函数仅考虑邻域元素一致性约束，后续迭代的损失函数综合考虑邻域元素一致性约束和邻域元素相对位置一致性约束。
[0025]优选地，所述步骤S2.1具体为：
[0026]1)分别构造特征点x
i
及其对应点y
i
在欧式空间中的k近邻和表达式为：
[0027][0028][0029]其中，|
·
|为计算集合的元素个数；
[0030]2)采用Jaccard距离对于和进行差异性度量，表达式为：
[0031][0032]其中，记为n
i
，满足0≤n
i
≤k；记为2k
‑
n
i
；
[0033]3)对差异性度量进行修正，表达式为：
[0034][0035]其中，a是一个常数，满足0＜a＜1，用来控制衰减的程度。
[0036]优选地，所述步骤S2.2具体为：
[0037]1)定义特征点x
i
和其对应点y
i
由各自k近邻所构成的有序序列σ(x
i
)和σ(y
i
)，以及关于特征点x
i
和其对应点y
i
的重叠有序序列和
[0038][0039][0040]2)基于Levenshtein距离，计算和的差异性度量：
[0041][0042]其中，定义为：
[0043][0044]其中，是扣除第一个元素之后剩下的有序序列，表示
从0开始的第n个元素；
[0045]3)归一化和的差异性度量
[0046]优选地，所述步骤S2.3具体为：
[0047]构建待优化的目标函数
[0048][0049]其中，为潜在的内点集，S为初始匹配集；C为损失函数，表达式为：
[0050][0051]式中，损失函数C包括两项，第一项为违背一致性约束匹配的惩罚项，第二项为用于抑制外点的正则化项；λ＞0，用于控制这两项的平衡；
[0052]采用N
×
1的二值向量p＝[p1,p2,
…
,p
n
]来指明每个匹配的正确性，将损失函数C转化为：
[0053][0054]其中，p
i
∈{0,1}，p
i
＝0表明匹配(x
i
,y
i
)是一个错误匹配，p
i
＝1表明匹配(x
i
,y
i
)是一个正确匹配；
[0055]每个匹配的正确性判断p
i
表达式为：
[0056][0057]最优内点集
[0058][0059]首次迭代的损失函数只考虑使用邻域元素一致性约束，满足：
[0060][0061]式中，为采用Jaccard距离对和的差异性度量；
[0062]后续迭代的损失函数综合考虑邻域元素一致性约束和邻域元素相对位置一致性约束，满足：
[0063][0064]式中，为基于Levenshtein距离对重叠有序序列和进行的差异性度量。
[0065]优选地，所述后续迭代过程满足：利用上一步迭代去除错误匹配后保留下来的匹配集构建下一次迭代时的每个特征点邻域。
[0066]优选地，所述步骤S3具体为：
[0067]采用薄板样条TPS对最优内点集进行变换估计，将两幅遥感图像映射到同一坐标系，实现图像配准和信息融合。
[0068]根据本专利技术的第二方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现任一项所述的方法。
[0069]根据本专利技术的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现任一项所述的方法。
[0070]与现有技术相比，本专利技术具有以下优点：
[0071]1)本专利技术遥感图像存在的局部非刚性畸变，利用特征点局部邻域元素及其相对位置一致性进行建模，该模型不依赖于任何特定的模型，能够适用于遥感图像中的多种潜在变换；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感图像配准方法，其特征在于，该方法包括以下步骤：步骤S1、对给定的两幅待配准的遥感图像I1和I2进行特征检测和描述，并依据特征描述子的相似性构建得到初始匹配集S；步骤S2、基于邻域元素一致性约束以及邻域元素相对位置一致性约束，建立非刚性匹配的目标函数，通过阈值剔除错误匹配，迭代优化后保留正确匹配对应的最优内点集其中，首次迭代时，损失函数仅考虑邻域元素一致性约束；步骤S3、对保留的最优内点集进行变换估计，输出配准后的遥感图像。2.根据权利要求1所述的一种遥感图像配准方法，其特征在于，所述步骤S1具体为：采用手工特征描述子或基于深度学习的特征描述子分别对给定的两幅遥感图像I1和I2进行特征检测和描述，进而根据相似性度量来构造得到初始匹配集其中x
i
和y
i
分别为两个对应特征点的空间坐标，N为初始匹配的个数。3.根据权利要求1所述的一种遥感图像配准方法，其特征在于，所述步骤S2包括以下子步骤：步骤S2.1、分别构造特征点x
i
及其对应点y
i
在欧式空间中的k近邻种并采用Jaccard距离对和进行差异性度量，表征为每对匹配相应的邻域元素一致性约束；步骤S2.2、分别构建特征点x
i
及其对应点y
i
由各自k近邻所构成的有序序列σ(x
i
)和σ(y
i
)，以及关于特征点x
i
和其对应点y
i
的重叠有序序列和并基于Levenshtein距离对重叠有序序列和进行差异性度量，表征为邻域元素相对位置一致性约束；步骤S2.3、建立非刚性匹配的目标函数，通过阈值剔除错误匹配，迭代优化后保留正确匹配对应的最优内点集其中，首次迭代的损失函数仅考虑邻域元素一致性约束，后续迭代的损失函数综合考虑邻域元素一致性约束和邻域元素相对位置一致性约束。4.根据权利要求3所述的一种遥感图像配准方法，其特征在于，所述步骤S2.1具体为：1)分别构造特征点x
i
及其对应点y
i
在欧式空间中的k近邻和表达式为：表达式为：其中，|
·
|为计算集合的元素个数；2)采用Jaccard距离对于和进行差异性度量，表达式为：其中，记为n
i
，满足0≤n
i
≤k；记为2k
‑
n
i
；3)对差异性度量进行修正，表达式为：
其中，a是一个常数，满足0＜a＜1，用来控制衰...

【专利技术属性】
技术研发人员：赵生捷，刘翼章，张林，
申请(专利权)人：同济大学，
类型：发明
国别省市：