【技术实现步骤摘要】
一种基于尺度分离度量学习的四分支多源图像块匹配方法
[0001]本专利技术属于图像处理
,具体是一种基于尺度分离度量学习的四分支多源图像块匹配方法。
技术介绍
[0002]图像匹配旨在将待匹配图像和基准图像中表征同一物理位置的像素点一一对应,是多源信息融合与协同分析的前提,也是多模态三维重建和变化检测的基础,在军事勘探和安防等领域中有着广泛应用。由于不同传感器间成像机理不同,多源图像具有很强的外观差异,例如:可见光图像可提供较多场景的细节信息,但受光照影响大。红外图像能够反应目标的热特性,对场景亮度变化特征不敏感,能够透过雾、霾、烟等,但分辨率低。这些显著差异使得多源图像匹配具有极大的挑战性。
[0003]传统基于人工设计描述子的方法严重依赖于人类先验知识,容易忽略数据中隐藏的模式信息。由于深度神经网络具有强大的特征表示和学习能力,近年来基于深度学习的图像配准方法取得了很大的进展。
[0004]根据网络输出,现有方法可以分为两类:描述符学习方法和度量学习方法。描述符学习方法使用卷积神经网络从图像中提取高级特征,根据特征距离对图像进行匹配,若匹配距离小于预先选择的阈值时则判定为正确匹配对。该方法能够根据图像特性自动学习特征提取器,无需人工设计特征,更加灵活,自适应性较强。例如:Tian等人在文献“L2
‑
net:Deep learning of discriminative patch descriptor in euclidean space,IEEE conference o ...
【技术保护点】
【技术特征摘要】
1.一种基于尺度分离度量学习的四分支多源图像块匹配方法,其特征在于包括多模态特征提取模块、尺度分离度量学习模块和多尺度特征融合和预测模块;步骤如下:步骤1:将通道数和分辨率大小为C
×
H
×
W的不同模态图像块对T1、T2分别输入多模态特征提取模块中的孪生子网络和伪孪生子网络中学习图像的共有特征和私有特征;其中孪生子网络表示两个共享参数且结构相同的分支,伪孪生子网络表示两个不共享参数且结构相同的分支;然后将提取的四个具有高级语义信息的特征图沿通道维度堆叠,得到特征向量F,通道数和分辨率大小为512
×
H/4
×
W/4。步骤2:将特征向量F输入到尺度分离度量学习模块通过3
×
3,5
×
5,7
×
7,9
×
9的卷积核进行拆分,得到四组不同尺度特征图(F0,F1,F2,F3),每组特征图通道数变为原来的1/4,分辨率不变;然后每个尺度特征依次执行坐标注意力CA和通道注意力SE,对每组坐标和通道级相关性进行编码并沿通道维度堆叠,得到特征向量F
ssml
作为输出,大小为512
×
H/4
×
W/4;步骤3:将尺度分离度量学习模块学习的特征向量F
ssml
输入到多尺度特征融合和预测模块依次经过坐标注意力和1
×
1卷积,得到的特征图通过残差的方式与其本身相加来产生最终融合的特征描述子,大小为8
×
H/4
×
W/4;最后使用三个大小分别为512,128,2的全连接层预测网络最终的匹配结果。2.根据权利要求1所述的基于尺度分离度量学习的四分支多源图像块匹配方法...
【专利技术属性】
技术研发人员:张秀伟,张艳宁,孙怡,何厚军,李艳平,尹翰林,
申请(专利权)人:西北工业大学,
类型:发明
国别省市:
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。