[发明专利]基于残差网络和SIFT的多源高分辨率遥感图像自动配准方法

权利要求书

1.基于残差网络和SIFT的多源高分辨率遥感图像自动配准方法，其特征在于，包括以下步骤：

S1通过高分辨率遥感图像构建样本集,进行残差网络模型训练；

S2利用迁移学习对整个网络微调,得到适合高分辨率遥感图像配准的训练模型；

S3采用两种残差网络,将两种网络的最后一个卷积层的输出值作为残差网络特征；

S4对于每个特征点,从图像中提取以特征点为中心的图像块,利用微调的残差网络模型对图像块进行特征描述,获得特征描述符，基于融合特征的自动配准，获取配准图像；

所述步骤S4具体包括：

S41将原始图像进行图像分区,根据地理坐标分区策略得到分区图像块；所述步骤S41具体包括：对于大幅面高分辨率遥感图像，将待配准图像分割为n×n个图像块，每个图像块的大小为M×N个像元，并对其进行编号，记录其坐标，再利用映射关系，计算待配准图像块的地理坐标，最后得到分区图像块；

S42分别对分区图像块进行特征点提取；所述步骤S42具体包括：采用Sho_Tomasi算法提取分区的特征点P(x,y)；

S43计算并获得每个特征点的SIFT特征；所述步骤S43具体包括：采用SIFT算法对特征点进行特征描述，得到特征点的128维的特征描述符f_S；

S44以特征点为中心计算卷积神经网络特征；所述步骤S44具体包括：对每个特征点，提取以特征点为中心的64×64个像元的图像块，再利用微调的卷积神经网络模型对图像块进行特征描述，得到卷积神经网络的特征描述符f_C；

S45计算融合特征以及特征匹配，计算卷积网络特征和SIFT特征下候选关键点之间的余弦距离,得到两个特征的距离矩阵；

S46将两个距离矩阵转化为一个距离矩阵来表示候选关键点之间的相似度；所述步骤S46计算采用公式，其中，D(A，B)分别代表两个特征向量A,B之间的余弦距离，P^r与P^w分别代表参考图像和待配准图像的候选关键点，统计P^r与P^w的最近距离和第二近距离，并计算两者的距离比R；f^r和f^w分别为参考图像和待配准图像中候选关键点的特征描述符；

S47对错误匹配点进行移除，并均匀分布匹配点；所述步骤S47利用RANSAC算法以及最小二乘迭代法来移除错误匹配点，以保留正确的匹配点对，针对控制点的分布，以残差最小、匹配效果最好的特征点为中心，若它与其他特征点在图像上距离小于设定的距离阈值，则认为二者连通，以此移除分布过密、残差较大的控制点，得到最终均匀分布的匹配点对；

S48采用多项式校正模型对待配准图像进行变换和重采样，得到配准图像。

2.根据权利要求1所述的基于残差网络和SIFT的多源高分辨率遥感图像自动配准方法，其特征在于，所述高分辨率遥感图像样本集的构建包括采集和特征样本的图像变换。

3.根据权利要求1所述的基于残差网络和SIFT的多源高分辨率遥感图像自动配准方法，其特征在于，通过引入ImageNet数据库，对网络微调。