【技术实现步骤摘要】
本专利技术属于遥感图像特征点提取领域，尤其涉及一种结合深度学习和几何约束的sar影像角反射器点自动提取方法。
技术介绍
1、人工角反射器(corner reflector，cr)作为可靠的地面控制点可用于星载合成孔径雷达(synthetic aperture radar，sar)几何定标和几何校正的研究。随着传感器技术、空间技术等发展，星上自主信息处理的需求不断强烈，角反射器点的自动提取为星上智能化自主数据处理提供了基础，加速实现在轨高精度目标定位和信息提取。角反射器点的自动提取也为多星多模式星载sar系统的常态化、快速几何定标和周期性几何精度验证提供了良好的基础，促进星上遥感数据处理和星上通用遥感数据产品生成的飞速发展，对应急测绘、全球测图等具有重要的应用价值。
2、目前，国内外设计角反射器自动提取的研究较少。薛笑荣等人通过模拟sar影像，通过模板匹配的方法对角反射器点进行检测，但只能检测角反射器点对应的位置，无法确定检测精度。杨魁等人经过影像配准等预处理方法，从目视解译和统计分析角度出发，对角反射器点位置进行识别。裴亮等人通过目视解译并采用系统几何误差补偿的方法，来对sar影像角反射器点进行识别提取，提高提取精度。前人的研究对于角反射器点提取大多采取人工目视解译，sar影像存在噪声污染较大、局部地形畸变等特点，导致人工目视解译提取角反射器点会存在提取识别困难，效率低等问题。
3、针对人工识别角反射器具有识别困难、效率低等问题，本专利技术利用深度学习具有主动从数据集学习有效特征这一特点，有效提高sar影
4、综上，针对sar影像上角反射器点自动提取方式较少，提高提取精度的需求，本专利技术提出了一种结合深度学习和几何约束的sar影像角反射器点自动提取方法，实现sar影像角反射器点高精度高效率自动提取。
技术实现思路
1、针对上述技术问题，本专利技术的目的在于克服已有技术的不足之处，提出一种结合深度学习和几何约束的sar影像角反射器点自动提取方法。采用深度学习方法对sar影像角反射器点进行识别提取，制作不规则三角剖分数据集，构建几何约束模型，筛选正确角反射器点，质心拟合获得提取角反射器点精确位置，实现高效高精度的角反射器点自动提取。本专利技术成果可以应用于几何定标、几何校正等应用领域。
2、为实现上述目的，本专利技术提供一种结合深度学习和几何约束的sar影像角反射器点自动提取方法，包括以下步骤：
3、s1：深度学习目标识别网络模型搭建：配置模型参数信息；
4、s2：角反射器像点样本制作：采集角反射器点区域sar影像，制作角反射器数据集样本，进行样本标注；
5、s3：最佳模型训练：将s2制作的数据集样本采用s1搭建完成的深度学习网络进行多次角反射像点模型的训练，获得最佳训练模型；
6、s4：角反射器点提取：根据s3训练好的最佳权重文件信息，进行sar影像上角反射器像点的识别提取；
7、s5：角反射器点不规则三角剖分数据集制作：
8、(1)根据角反射器点实际地理信息，通过rpc模型，计算出影像内实际角反射器点的像点坐标，根据影像源文件中的影像幅宽信息，确定影像中包含实际角反射器点位信息；
9、(2)根据s4所识别出的影像角反射器像点坐标作为影像提取角反射器点的像点坐标信息；
10、(3)根据s5(1)中实际角反射器点像点坐标，进行不规则三角剖分数据集的制作，将像点作为顶点构建所有三角形，并包括每个三角形边长、角度和面积的几何信息；
11、(4)根据s5(3)中步骤，将s5(2)中提取出的角反射器点像点坐标，进行不规则三角剖分数据集的制作；
12、s6：角反射器点几何约束模型构建：根据同一幅影像角反射器像点间几何关系保持一致，由s5中计算的不规则三角剖分数据集中的几何信息，搭建几何约束关系，构建出几何约束模型；
13、s7：角反射器点数据筛选：根据s6建立的几何约束模型，对s4识别出来的角反射器点进行筛选，筛选几何约束后的正确角反射器点信息，并确定像点粗位置坐标；
14、s8：角反射器像点高精度拟合：基于质心法对s7步骤提取的正确角反射器像点粗位置进行拟合，确定精确坐标位置；
15、s9:精度验证：对比s8计算出的所有提取点角反射器像点坐标与实际角反射器像点坐标，计算均方根误差，评定精度。
16、进一步的，步骤s1深度学习目标识别网络模型搭建主要包括以下步骤：
17、搭建角反射器像点的深度学习目标识别网络，需要进行yolo环境的安装以及环境依赖配置：
18、(1)搭建pytorch、cudn框架，下载yolov5s代码，安装opencv、requirements等必要依赖库；
19、(2)修改yolov5s深度学习模型数据的配置文件：修改配置文件中数据集信息，添加训练集测试集等数据路径位置，设置模型检测类别数量和角反射器类别名称。
20、进一步的，步骤s2角反射器像点样本制作主要包括以下步骤：
21、(1)利用cvat工具，对影像中实际角反射器像点进行标注，并制作样本数据集；
22、(2)数据增强：将s2数据集样本按不同比例划分为训练集、测试集、验证集，利用python代码将训练集样本进行平移，旋转和缩放等操作，增加训练样本数据量，将增加的样本进行手动标注。
23、进一步的，步骤s3最佳模型训练主要包括以下步骤：
24、(1)修改train脚本文件，设置模型权重参数为原始yolov5s权重，按照s2划分好的样本数据集，将样本数据集路径添加到数据参数位置，并设置迭代次数、输入图像参数等参数信息，开始进行模型训练；
25、(2)根据不同比例数据集进行多次训练，对比模型训练结果，选择最佳模型权重best.py。
26、进一步的，步骤s4角反射器点提取主要包括以下步骤：
27、(1)修改detect脚本文件，设置权重参数为s3训练得到的最佳模型权重文件best.py，输入待检测影像数据路径信息；
28、(2)设定输出目标中心点坐标信息txt文件(包括目标点序号，坐标信息等)，对影像进行角反射器点识别提取。
29、进一步的，步骤s5角反射器点不规则三角剖分数据集制作主要包括以下步骤：
30、(1)根据角反射器点实际地理信息，通过rpc模型反算，计算出影像内实际角反射器点的像点坐标，根据影像源文件中的影像幅宽信息，确定影像中包含实际角反射器点位信息；
31、1)根据角反射器点实际地理信息，通过rpc模型，计算出角反射器点的像点坐标；具体步骤如下：
32、a.将平面坐本文档来自技高网...
【技术保护点】
1.一种结合深度学习和几何约束的SAR影像角反射器点自动提取方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种结合深度学习和几何约束的SAR影像角反射器点自动提取方法，其特征在于，所述的步骤S1包括以下步骤：
3.根据权利要求1所述的一种结合深度学习和几何约束的SAR影像角反射器点自动提取方法，其特征在于，所述的步骤S2包括以下步骤：
4.根据权利要求1所述的一种结合深度学习和几何约束的SAR影像角反射器点自动提取方法，其特征在于，所述的步骤S3包括以下步骤：
5.根据权利要求1所述的一种结合深度学习和几何约束的SAR影像角反射器点自动提取方法，其特征在于，所述的步骤S4包括以下步骤：
6.根据权利要求1所述的一种结合深度学习和几何约束的SAR影像角反射器点自动提取方法，其特征在于，所述的步骤S5包括以下步骤：
7.根据权利要求1所述的一种结合深度学习和几何约束的SAR影像角反射器点自动提取方法，其特征在于，所述的步骤S6包括以下步骤：
8.根据权利要求1所述的一种结合深度学习和几何约
9.根据权利要求1所述的一种结合深度学习和几何约束的SAR影像角反射器点自动提取方法，其特征在于，所述的步骤S8包括以下步骤：
10.根据权利要求1所述的一种结合深度学习和几何约束的SAR影像角反射器点自动提取方法，其特征在于，所述的步骤S9包括以下步骤：
...【技术特征摘要】
1.一种结合深度学习和几何约束的sar影像角反射器点自动提取方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种结合深度学习和几何约束的sar影像角反射器点自动提取方法，其特征在于，所述的步骤s1包括以下步骤：
3.根据权利要求1所述的一种结合深度学习和几何约束的sar影像角反射器点自动提取方法，其特征在于，所述的步骤s2包括以下步骤：
4.根据权利要求1所述的一种结合深度学习和几何约束的sar影像角反射器点自动提取方法，其特征在于，所述的步骤s3包括以下步骤：
5.根据权利要求1所述的一种结合深度学习和几何约束的sar影像角反射器点自动提取方法，其特征在于，所述的步骤s4包括以下步骤：
6.根据权利...
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。