【技术实现步骤摘要】
本专利技术涉及遥感图像匹配，具体涉及一种基于轻量化深度卷积网络的光学和sar图像匹配方法。
技术介绍
1、随着遥感技术的发展，从遥感图像上获取所需信息已经成为一种非常重要的信息获取手段。遥感图像匹配是遥感图像处理中的基础任务，图像匹配是指在两幅或多幅图像之间建立空间对应关系的过程。合成孔径雷达（synthetic aperture radar ,sar）是一种利用微波对地目标进行观测的有源成像传感器，具有全天候、大规模、强穿透等特性，适合高分辨率对地观测应用。sar遥感图像可以作为光学遥感图像的有益补充。这两种图像的结合被广泛的应用于目标识别、图像分割和分类、变化检测、图像配准和图像融合等图像处理任务中，而图像匹配是这些应用的前提。然而，由于sar图像成像的几何模型和物理的辐射机制和光学图像的不同，导致sar图像和光学图像之间存在复杂几何畸变和较大非线性辐射差异。光学与sar图像之间复杂几何畸变、非线性辐射差异和散斑点噪声使得它们之间的图像匹配变得十分的困难。对于光学图像和sar图像匹配任务的难点在于如何从异构的图像中构建鲁棒性特征。<...
【技术保护点】
1.一种基于轻量化深度卷积网络的光学和SAR图像匹配方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于轻量化深度卷积网络的光学和SAR图像匹配方法，其特征在于，步骤S1中，对光学和SAR图像进行预处理并使用Fast算法进行特征点检测的具体方法为：
3.根据权利要求1所述的基于轻量化深度卷积网络的光学和SAR图像匹配方法，其特征在于，所述深度倒残差全卷积神经网络包括七个阶段，第一阶段为一个3×3卷积层，第二阶段为一个倒残差结构，第三阶段、第四阶段、第五阶段、第六阶段和第七阶段为多个倒残差结构堆叠而成，第三阶段、第四阶段、第五阶段、第六...
【技术特征摘要】
1.一种基于轻量化深度卷积网络的光学和sar图像匹配方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于轻量化深度卷积网络的光学和sar图像匹配方法，其特征在于，步骤s1中，对光学和sar图像进行预处理并使用fast算法进行特征点检测的具体方法为：
3.根据权利要求1所述的基于轻量化深度卷积网络的光学和sar图像匹配方法，其特征在于，所述深度倒残差全卷积神经网络包括七个阶段，第一阶段为一个3×3卷积层，第二阶段为一个倒残差结构，第三阶段、第四阶段、第五阶段、第六阶段和第七阶段为多个倒残差结构堆叠而成，第三阶段、第四阶段、第五阶段、第六阶段和第七阶段分别对倒残差结构自身堆叠2次、3次、4次、3次和3次。
4.根据权利要求1所述的基于轻量化深度卷积网络的光学和sar图像匹配方法，其特征在于，所述倒残差结构根据步长的不同分为两种结构形式；步长为2的倒残差结构分为三个阶段，第一阶段为一个1×1的卷积层对输入进行升维，后跟批归一化层bn和激活函数relu6，第二阶段为一个3×3的dw卷积层加上批归一化层bn和激活函数relu6，第三阶段为1×1的卷积层和线性层加上批归一化层bn；步长为1的倒残差结构分为四个阶段，第一阶段为一个1×1的卷积层对输入进行升维，后跟批归一化层bn和激活函数relu6，第二阶段为一个3×3的dw卷积层加上批归一化层bn和激活函数relu6，第三阶段为1×1的卷积层和线性层加上批归一化层bn，第四阶段将输入特征图和第三阶段输出的特征图在特征通道上进行拼接；所述的dw卷积层为一个卷积核负责一个通道，一个通道只被一个卷积核卷积，dw卷积层能大幅减少网络的模型参数使模型轻量化；根据倒残差结构生成特征图的计算公式如下：
5.根据权利要求1或4所述的基于轻量化深度卷积网络的光学和sar图像匹配方法，其特征在于，所述的密集特征纯化模块包含一个步长为1的倒残差结构、密集特征融合层和l2范数归一化；深度倒残差全卷积神经网络输出的密集特征图经过密集特征纯化模块中的倒残差结构后会输出3d张量的密集特征，记作，即；所述密集特征融合层为一个7×7的卷积层和一个批归一化层bn组成，用于将特征空间的3d张量的密集特征融合在一个3d张量中，，其中3d张量的尺寸为，...
【专利技术属性】
技术研发人员：何海清，余师寻，夏元平，周福阳，
申请(专利权)人：东华理工大学南昌校区，
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。