[发明专利]一种基于回归校正网络的声呐图像配准方法及系统

说明书

本发明公开了一种基于回归校正网络的声呐图像配准方法及系统。本发明涉及的一种基于回归校正网络的声呐图像配准方法，包括步骤：S11.创建3D投影变换参数的回归网络，得到3D投影变换参数的预测模型；S12.创建3D投影变换的几何变换网络；S13.创建计算图像相似度的比较网络；S14.根据得到的预测模型的参数和所述几何变换网络生成配准图片，通过所述比较网络计算参考图像和配准图像的相似度，得到图像的配准。本发明将复杂的配准任务分解为可以单独学习的两个简单子任务，通过组合技术优化配准结果。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于回归校正网络的声呐图像配准方法及系统。

背景技术

声呐是英文缩写“SONAR”的音译，其中文全称为：声音导航与测距，“SoundNavigation And Ranging”是一种利用声波在水下的传播特性，通过电声转换和信息处理，完成水下探测和通讯任务的电子设备。它有主动式和被动式两种类型，属于声学定位的范畴。声呐是利用水中声波对水下目标进行探测、定位和通信的电子设备，是水声学中应用最广泛、最重要的一种装置。

图像配准是将传感器在不同位置获取的图像转换到同一坐标系下的技术。通过图像配准获取的信息可用于水下航行器感知周围环境，能有效提高水下航行器的自主感知能力。

声呐图像配准是为了计算在不同时间或视点获取的声呐图像对的最佳全局变换模型，主要用于变化探测和差异分析，是声呐海洋探测的基本技术手段。水下环境由于其能见度低、无光照、会对水下照明系统发生散射等特点，传统的光学传感器用于水下图像获取存在许多挑战。由于侧扫声呐不受这些光学因素影响，使用它进行水下图像获取越来越受到重视，侧扫声呐配准技术也相应发展起来。

然而侧面扫描声呐成像有多径问题，由船速和偏转引起的非线性问题，环境和设备噪声问题。侧面扫描声呐图像配准还存在收集成本高，对比度和分辨率低以及视点依赖性强等方方面面的困难。

为了解决上述问题，现有的声呐配准方法有基于sfit旋转平移不变性能的配准以及基于sift的改进的配准方法；基于傅里叶梅林变换的配准方法以及使用阈值分割和相位相关技术的组合方法，以处理声呐图像配准中的弱纹理和强噪声问题等。随着深度网络的发展，有人提出使用神经网络进行声呐图像块匹配，但并没有对目标进行旋转、平移、缩放等操作，且存在图像块大小的选择。为了提高声呐图像的配准精度，在深度学习在计算机视觉领域表现良好的影响下，提出了一种基于回归校正网络的侧扫声呐图像配准方法。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种基于回归校正网络的声呐图像配准方法及系统，将复杂的配准任务分解为可以单独学习的两个简单子任务，通过组合技术优化配准结果。

为了实现以上目的，本发明采用以下技术方案：

一种基于回归校正网络的声呐图像配准方法，包括步骤：

S1.创建3D投影变换参数的回归网络，得到3D投影变换参数的预测模型；

S2.创建3D投影变换的几何变换网络；

S3.创建计算图像相似度的比较网络；

S4.根据得到的预测模型的参数和所述几何变换网络生成配准图片，通过所述比较网络计算参考图像和配准图像的相似度，得到图像的配准。

进一步的，所述步骤S1具体为利用几何变换网络生成图像的训练集，将所述生成的图像训练集传输至所述回归网络中进行预训练，得到3D投影变换参数的预测模型。

进一步的，所述将生成的图像训练集传输至回归网络中进行预训练，产生回归网络的损失函数，表示为：