[发明专利]融合SIFT特征和CNN特征的遥感图像配准方法及系统

权利要求书

1.一种融合SIFT特征和CNN特征的遥感图像配准方法，其特征在于，包括以下步骤：

步骤a，分别对输入的参考影像和待配准影像进行特征点提取；

步骤b，采用SIFT方式对特征点的邻域区域进行特征表达，获得SIFT特征；

步骤c，将特征点的邻域区域作为卷积神经网络CNN的输入端，使用预先训练完成的CNN模型对输入的特征点的邻域区域进行高层特征表达，获取CNN特征；

其中，预先训练CNN模型时，采用迁移学习的策略对CNN模型参数进行优化；

步骤d，将SIFT特征和CNN特征进行融合，并根据相似性度量函数计算特征之间的相似性，获得参考影像和待配准影像之间的初始匹配对；

步骤e，根据特征点之间的几何一致性关系剔除误匹配对，根据正确匹配点对估算参考影像和待配准影像之间的几何变换参数；

步骤f，根据估算的几何变换参数对待配准影像进行几何变换，并进行重采样，获得配准影像。

2.根据权利要求1所述融合SIFT特征和CNN特征的遥感图像配准方法，其特征在于：预先训练CNN模型时，采用迁移学习的策略对CNN模型参数进行优化，包括将经自然图像训练过的网络模型作为初始模型，采用遥感样本数据集进行训练优化。

3.根据权利要求2所述的融合SIFT特征和CNN特征的遥感图像配准方法，其特征在于：构建遥感样本数据集的实现方式为如下，

设从待配准影像中选取N幅影像{I₁,I₂,...,I_N}，并对每一幅影像进行k次变换{T₁,T₂,...,T_k}，获得相应变换后的影像

当使用经典点特征检测算子，从影像I_i中提取m个特征点{x_i1,x_i2,...,x_im},i＝1,...,N，根据上述变换关系，则从变换后的影像中获得相应特征点构成的同名特征点对为

以特征点为中心，选取特征点的邻域区域，则获得对应的同名图像块实现构建遥感样本数据集。

4.根据权利要求1所述的融合SIFT特征和CNN特征的遥感图像配准方法，其特征在于：步骤c中，卷积神经网络采用VGG16模型，选取第6层和第7层的全连接层输出结果作为特征表达结果，分别记为CNN特征f_c6和f_c7。

5.根据权利要求1或2或3或4所述的融合SIFT特征和CNN特征的遥感图像配准方法，其特征在于：步骤d中，将SIFT特征和CNN特征进行融合前进行归一化。

6.一种融合SIFT特征和CNN特征的遥感图像配准系统，其特征在于，包括以下单元：

第一单元，用于分别对输入的参考影像和待配准影像进行特征点提取；

第二单元，采用SIFT方式对特征点的邻域区域进行特征表达，获得SIFT特征；

第三单元，将特征点的邻域区域作为卷积神经网络CNN的输入端，使用预先训练完成的CNN模型对输入的特征点的邻域区域进行高层特征表达，获取CNN特征；

其中，预先训练CNN模型时，采用迁移学习的策略对CNN模型参数进行优化；

第四单元，将SIFT特征和CNN特征进行融合，并根据相似性度量函数计算特征之间的相似性，获得参考影像和待配准影像之间的初始匹配对；

第五单元，根据特征点之间的几何一致性关系剔除误匹配对，根据正确匹配点对估算参考影像和待配准影像之间的几何变换参数；

第六单元，根据估算的几何变换参数对待配准影像进行几何变换，并进行重采样，获得配准影像。

7.根据权利要求6所述融合SIFT特征和CNN特征的遥感图像配准系统，其特征在于：预先训练CNN模型时，采用迁移学习的策略对CNN模型参数进行优化，包括将经自然图像训练过的网络模型作为初始模型，采用遥感样本数据集进行训练优化。