[发明专利]基于注意力机制的极化SAR图像配准方法

权利要求书

1.一种基于注意力机制的极化SAR图像配准方法，其特征在于，包括：

对同一场景下两幅不同的极化SAR图像分别进行极化白化滤波，得到各自滤波后的图像，其中，两幅极化SAR图像均为C3数据，滤波后的图像包括极化SAR图像的边缘和纹理信息；

对两幅滤波后的图像执行自适应阈值约束、形态学腐蚀和非极大值抑制操作，确定所述两幅极化SAR图像中特征显著的关键点；

分别将所述两幅极化SAR图像中各关键点周围设定尺寸的数据块，输入训练好的孪生注意力网络的两条分支进行深度特征提取，得到各关键点的深度特征描述符，所述训练好的孪生注意力网络能够使匹配的关键点的深度特征描述符趋于一致；

利用暴力匹配方法和随机抽样一致算法，对所述两幅极化SAR图像中各关键点的深度特征描述符进行匹配，得到从一幅极化SAR图像到另一幅极化SAR图像的透视变换矩阵；

利用所述透视变换矩阵，将所述一幅极化SAR图像变换为与所述另一幅极化SAR图像坐标一致的配准后图像。

2.根据权利要求1所述的方法，其特征在于，所述对同一场景下两幅不同的极化SAR图像分别进行极化白化滤波，得到各自滤波后的图像，包括：

对于任意一幅极化SAR图像，通过组合极化协方差矩阵中的元素，使图像的标准差s和均值m的比值最小，得到滤波后的图像。

3.根据权利要求1所述的方法，其特征在于，所述对两幅滤波后的图像执行自适应阈值约束、形态学腐蚀和非极大值抑制操作，确定所述两幅滤波后的图像中特征显著的关键点，包括：

计算任一幅滤波后的图像的自适应阈值；

利用所述自适应阈值，对所述滤波后的图像进行形态学腐蚀处理；

对腐蚀后的图像进行非极大值抑制，得到所述滤波后的图像中特征显著的关键点，作为对应的极化SAR图像中特征显著的关键点。

4.根据权利要求1所述的方法，其特征在于，所述孪生注意力网络包括两条结构相同的支路，每条支路包括第一卷积模块、第一混合注意力模块、第二卷积模块、第二混合注意力模块和第三卷积模块，每个混合注意力模块包括顺序连接的通道注意力模块和空间注意力模块；

所述分别将所述两幅极化SAR图像中各关键点周围设定尺寸的数据块，输入训练好的孪生注意力网络的两条分支进行深度特征提取，得到各关键点的深度特征描述符，包括：

以任一极化SAR图像中任一关键点为中心，提取周围设定尺寸的数据块并输入所述孪生注意力网络的任一分支，在所述分支中：

通过第一卷积模块，对所述数据块进行特征提取，得到第一特征图；

通过第一混合注意力模块，在通道和空间维度上对所述第一特征图进行特征聚合和注意力加权，得到浅层特征图；

通过第二卷积模块，对所述浅层特征图提取特征并缩减尺寸，得到第二特征图；

通过第二混合注意力模块，在通道和空间维度上对所述第二特征图进行特征聚合和注意力加权，得到深度特征图；

通过第三卷积模块，对所述深度特征图提取特征并缩减尺寸，得到深度特征描述符。

5.根据权利要求4所述的方法，其特征在于，所述通道注意力模块包括全局平均池化层和2个1×1的卷积层；

所述通过第一混合注意力模块，在通道和空间维度上对所述第一特征图进行特征聚合和注意力加权，得到浅层特征图，包括：

将所述第一特征图输入所述全局平均池化层，进行空间维度的压缩，得到一维特征向量；

将所述一维特征向量输入顺序连接的所述2个1×1的卷积层，学习各通道的注意力权重，其中，各通道的注意力权重随各通道特征显著性的增大而增大；

根据各通道的注意力权重，对所述第一特征图在通道维度上进行加权，得到第三特征图。