【技术实现步骤摘要】
一种基于多泛化知识积累的小样本图像匹配方法
[0001]本专利技术属于图像处理
，具体涉及一种基于多泛化知识积累的小样本图像匹配方法。
技术介绍
[0002]随着遥感技术的飞速发展，传感器类型日趋丰富，海量异源遥感图像由此获取。异源图像配准技术能够通过图像匹配算法建立异源图像间的空间位置对应关系，并基于得到的对应关系对图像进行变换来实现不同图像位置信息的对齐，为综合利用不同传感器获取的丰富遥感图像开展相关实际应用奠定了坚实基础。图像匹配算法作为图像配准中的核心步骤，其匹配精度会直接影响图像配准的准确性。
[0003]目前，随着深度学习的快速发展，将深度学习应用于异源遥感图像匹配的方法受到了广泛关注，而实际上在遥感图像匹配任务的应用场景中，部分场景数据获取难度大，因此如何解决数据小样本问题十分关键。
[0004]然而，现有技术未针对该实际问题进行研究，一方面，现有图像匹配技术应用于特定场景小样本情况时，都是直接利用小样本数据进行网络学习，或经过已有其他场景的大量数据训练匹配网络，再基于特定场景的小样本数据...
【技术保护点】
【技术特征摘要】
1.一种基于多泛化知识积累的小样本图像匹配方法，其特征在于，包括：获取待匹配的第一光学图像和第一SAR图像；对所述第一光学图像和第一SAR图像进行预处理，得到多个第一光学图像切片和多个第一SAR图像切片；将所述多个第一光学图像切片输入匹配模型的第一分支、将所述多个第一SAR图像切片输入匹配模型的第二分支，分别得到第一特征向量e
o
和第二特征向量e
s
；其中，所述匹配模型为：基于Few Shot小样本子任务、跨场景子任务、所述小样本子任务的第一支撑集、第一查询集以及所述跨场景子任务的第二支撑集、第二查询集训练得到的双分支网络；根据所述第一特征向量e
o
与所述第二特征向量e
s
间的相似性，得到所述光学图像与所述SAR图像的匹配结果。2.根据权利要求1所述的基于多泛化知识积累的小样本图像匹配方法，其特征在于，所述匹配模型按照如下步骤训练获得：从数据集中获取不同场景下的多个光学
‑
SAR图像对，每个所述光学
‑
SAR图像对包括第二光学图像及其对应的第二SAR图像；对各个光学
‑
SAR图像对进行预处理，形成所述不同场景下的训练数据集合P＝{p1,p2,...,p
N
}，其中，p
n
表示第n个场景的训练数据，n＝1,2，
……
，N，每个场景的训练数据包括该场景的多个第二光学图像切片及其对应的多个第二SAR图像切片；构建待训练的双分支网络并进行参数初始化；所述待训练的双分支网络包括第一分支和第二分支，其中，所述第一分支与所述第二分支均包括七层卷积层；将所述不同场景中的任意一个场景作为特定场景、其余场景作为辅助场景，基于所述特定场景的训练数据与所述辅助场景的训练数据，分别构建第i个小样本子任务的数据集合以及第i个跨场景子任务的数据集合；基于所述第i个小样本子任务的数据集合与所述第i个跨场景子任务的数据集合，交替对所述待训练的双分支网络进行训练，直至所述双分支网络的精度达到预设条件后，将训练完成的双分支网络确定为匹配模型。3.根据权利要求2所述的基于多泛化知识积累的小样本图像匹配方法，其特征在于，对各个光学
‑
SAR图像对进行预处理，形成所述不同场景下的训练数据集合P＝{p1,p2,...,p
N
}的步骤，包括：针对每个所述光学
‑
SAR图像对，利用SIFT算法提取第二光学图像中的特征点后，以每个特征点为中心，裁剪得到多个第二光学图像切片，并在所述第二光学图像对应的第二SAR图像的同样位置裁剪得到多个第二SAR图像切片，形成所述不同场景下的训练数据集合P＝{p1,p2,...,p
N
}，其中，p
n
表示第n个场景的训练数据。4.根据权利要求2所述的基于多泛化知识积累的小样本图像匹配方法，其特征在于，将所述不同场景中的任意一个场景作为特定场景、其余场景作为辅助场景，基于所述特定场景的训练数据与所述辅助场景的训练数据，分别构建第i个小样本子任务的数据集合以及第i个跨场景子任务的数据集合的步骤，包括：将所述不同场景中的任意一个场景作为特定场景、其余场景作为辅助场景；获取任意一个辅助场景下第一数据量的训练数据，形成第一支撑集并获取该辅
助场景下第二数据量的训练数据，形成第一查询集构成第i个小样本子任务的数据集合其中，所述第一数据量小...
【专利技术属性】
技术研发人员：杜兰，李雨，宋佳伦，郭昱辰，周宇，
申请(专利权)人：西安电子科技大学，
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。