[发明专利]基于自监督自学习特征点的遥感影像特征匹配方法

权利要求书

1.一种基于自监督自学习特征点的遥感影像特征匹配方法，其特征在于：其方法如下：

A、采集得到三维数据库，三维数据库中的三维数据为遥感影像数据；从三维数据库中选取数据配准的三维数据组成遥感影像对，每个遥感影像对包括两个三维数据，由此形成若干个遥感影像对，对遥感影像对进行进行ID编号；对所有遥感影像对进行数据预处理作业，数据预处理作业包括影像对同时剪切、旋转镜像、影像清晰对比度调节、影像高斯模糊；

B、将所有遥感影像对进行分割分类成训练集和测试集，训练集中的遥感影像对与测试集中的遥感影像对数量比为8～9:1；构建特征点提取网络并对训练集中的三维数据进行特征点提取训练，训练完成得到特征点模型m1，特征点提取网络结构为基于语义分割的encoder-decoder结构，encoder-decoder结构包括encoder部分和decoder部分；

C、从训练集中随机选取两个遥感影像对，采用特征点提取网络基于特征点模型m1对随机选取两个遥感影像对中的第一个遥感影像对进行特征点提取训练，得到遥感影像对的特征点label1；构建孪生特征点提取网络，通过孪生特征点提取网络以随机选取两个遥感影像对为训练数据、特征点label1为真值进行特征点训练，训练得到特征点模型m2；

D、从训练集中随机选取两个遥感影像对，采用特征点提取网络基于特征点模型m2对随机选取两个遥感影像对中的第一个遥感影像对进行特征点提取训练，得到遥感影像对的特征点label2；通过孪生特征点提取网络以随机选取两个遥感影像对为训练数据、特征点label2为真值进行特征点训练，训练得到特征点模型m3；……，从训练集中随机选取两个遥感影像对，采用特征点提取网络基于特征点模型mk对随机选取两个遥感影像对中的第一个遥感影像对进行特征点提取训练，得到遥感影像对的特征点labelk；通过孪生特征点提取网络以随机选取两个遥感影像对为训练数据、特征点labelk为真值进行特征点训练，训练得到特征点模型mn，n＝k+1；孪生特征点提取网络结构为基于语义分割的孪生encoder-decoder结构，孪生encoder-decoder结构包括孪生encoder部分和合并decoder部分；

E、采用特征点提取网络基于特征点模型mn对测试集或训练集中的任一个遥感影像对进行特征点提取训练，得到遥感影像对的特征点labeln；构建特征匹配网络，通过特征匹配网络以特征点labeln为真值对测试集或/和训练集中的遥感影像对进行特征点匹配训练，匹配时采用匹配关系来约束特征点描述子，训练完成生成遥感图像匹配模型s1；特征匹配网络结构采用encoder-decoder网络匹配结构，encoder-decoder网络匹配结构包括两个encoder单元和两个decoder单元。

2.按照权利要求1所述的基于自监督自学习特征点的遥感影像特征匹配方法，其特征在于：还包括如下方法：

F、基于生成遥感图像匹配模型s1对测试集中的遥感影像对进行特征点匹配测试。

3.按照权利要求1所述的基于自监督自学习特征点的遥感影像特征匹配方法，其特征在于：在步骤B中，encoder部分采用VGG类型的全卷积网络，encoder部分包括八个卷积层与四个最大池化层，decoder部分包括softmax特征点函数采样模型与reshape特征点采样模型。

4.按照权利要求1所述的基于自监督自学习特征点的遥感影像特征匹配方法，其特征在于：在步骤D中，孪生encoder部分包括采用两个权重共享的encoder单元，encoder单元采用VGG类型的全卷积网络，encoder单元包括八个卷积层与四个最大池化层；合并decoder部分对两个encoder单元进行数据合并，合并decoder部分包括softmax特征点函数采样模型与reshape特征点采样模型。