[发明专利]基于深度学习拟合一个类似RPC的定位模型

说明书

本发明实施例公开了一种基于深度学习拟合一个类似RPC的定位模型，其整体步骤为：获取深度学习训练样本，分别包括地面目标点空间信息和影像坐标信息；构建一个深度学习网络模型；拟合构造的深度学习模型；模型应用。本发明主要是针对RPC模型在斜视模式、非零多普勒频率条件下，拟合精度不够高，无法替代严密成像模型的问题，采用了一种基于深度学习拟合一个类似RPC的定位模型，有效的拓宽定位模型的适用范围和定位精度，为高分辨率卫星定位提供便利。

技术领域

本发明属于遥感科学领域，具体涉及采用深度学习拟合一个模型类似于星载SAR定位模型中RPC的定位模型方法。

背景技术

星载SAR几何定位模型描述的是像点位置和相应地面目标点之间的一种数学关系。一般分为严密成像模型和通用成像模型两类[1]。其中通用成像模型常见的是有理多项式系数(RPC)定位模型，它适用性强，不需要了解传感器的成像过程和系统特性等参数，因此已经成为使用最为广泛的成像模型。

在正侧视模式、零多普勒条件下RPC模型近似严格成像模型。但在斜视模式、非零多普勒频率条件下，多普勒中心频率伴随距离的变化很大，几何定位模型的精度将会受到影响[2]。为保证几何模型的通用性，研究一个不受影像成像视角模式的影响，能够根据地面目标点空间信息得到较准确的影像坐标信息的模型是一项很有价值的科研任务。

发明内容

为了解决斜视模式、非零多普勒条件的星载SAR影像情况下，由于多普勒中心频率随距离的变化极大，引起方位分辨率的变化导致RPC模型的拟合精度不高的问题，本发明提供一种使用深度学习技术构建一个类似RPC定位模型的拟合模型。该方法结合深度学习“黑盒子”的特性，不考虑传感器成像的物理意义以及映射关系的具象数学意义，通过训练网络并用地面目标空间信息拟合影像坐标信息。

为了解决以上技术问题，本发明采用的技术方案是利用深度学习的方法构建类似RPC定位模型的拟合模型，其整体步骤为：

步骤1：获取深度学习训练样本，分别包括地面目标点空间信息和影像坐标信息。

步骤2：构建深度学习网络模型

步骤3：拟合深度学习模型

步骤4：模型应用。在训练完网络后，给定若干组输入地面坐标信息，经过全连接网络，得到输出影像坐标信息。

所述步骤1进一步包括以下子步骤：

步骤S11：获取数据信息。利用现有的技术从影像中获得若干组面空间点的坐标信息以及对应的影像坐标信息。

步骤S12：构建向量多项式。基于物方地面目标点空间坐标(P,L,H)，利用矩阵的运算关系，构成多项式形式，以便理解数据在深度学习模型里拟合的含义：

Y_j＝X_i+W_i

其中Wi表示偏置项,Xi表示物方地面坐标(P,L,H)，Yj表示像元地面坐标(r,c)。

步骤S13：数据归一化。为增强模拟的拟合能力，对地面坐标和影像坐标归一化到-1和1之间。

步骤S14：将样本数据划分为训练数据和测试数据两个部分。

所述步骤2采用全连接层网络，设计了3层神经网络的深度学习拟合构架。网络由输入层、1层隐藏层、输出层构成。步骤S12中Xi作为网络的输入值，Yj作为网络的输出值。

优选地，步骤2中采用ReLU函数作为网络的激活函数来提升网络的收敛速度。

选用RMSE损失函数来作为模型的评价指标。

所述步骤3包括如下子步骤：