[发明专利]融合SIFT特征和CNN特征的遥感图像配准方法及系统在审
| 申请号： | 201810987940.2 | 申请日： | 2018-08-28 |
| 公开（公告）号： | CN109035315A | 公开（公告）日： | 2018-12-18 |
| 发明（设计）人： | 邵振峰;李从敏;杨珂;周维勋 | 申请（专利权）人： | 武汉大学 |
| 主分类号： | G06T7/33 | 分类号： | G06T7/33;G06K9/46;G06K9/62;G06N3/04 |
| 代理公司： | 武汉科皓知识产权代理事务所(特殊普通合伙) 42222 | 代理人： | 严彦 |
| 地址： | 430072 湖*** | 国省代码： | 湖北;42 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供一种融合SIFT特征和CNN特征的遥感图像配准方法及系统，包括对输入的参考影像和待配准影像进行特征点提取，采用SIFT方式对特征点的邻域区域进行特征表达，获得SIFT特征；将特征点的邻域区域作为卷积神经网络CNN的输入端，使用预先采用迁移学习策略训练完成的CNN模型进行高层特征表达，获取CNN特征；将SIFT特征和CNN特征进行融合，计算相似性，估算参考影像和待配准影像之间几何变换参数，对待配准影像进行几何变换并重采样，获得配准影像。本发明结合传统特征提取的底层特征和基于卷积神经网络提取的高级特征，联合特征能更准确地表达遥感影像内容，极大提高了遥感影像配准精度，具有较强的适应性。 | ||
| 搜索关键词： | 配准 影像 卷积神经网络 参考影像 遥感图像 遥感影像 特征点 邻域 融合 几何变换参数 特征点提取 传统特征 底层特征 高层特征 高级特征 几何变换 特征表达 学习策略 输入端 采样 估算 迁移 联合 | ||
【主权项】：
1.一种融合SIFT特征和CNN特征的遥感图像配准方法，其特征在于，包括以下步骤：步骤a，分别对输入的参考影像和待配准影像进行特征点提取；步骤b，采用SIFT方式对特征点的邻域区域进行特征表达，获得SIFT特征；步骤c，将特征点的邻域区域作为卷积神经网络CNN的输入端，使用预先训练完成的CNN模型对输入的特征点的邻域区域进行高层特征表达，获取CNN特征；其中，预先训练CNN模型时，采用迁移学习的策略对CNN模型参数进行优化；步骤d，将SIFT特征和CNN特征进行融合，并根据相似性度量函数计算特征之间的相似性，获得参考影像和待配准影像之间的初始匹配对；步骤e，根据特征点之间的几何一致性关系剔除误匹配对，根据正确匹配点对估算参考影像和待配准影像之间的几何变换参数；步骤f，根据估算的几何变换参数对待配准影像进行几何变换，并进行重采样，获得配准影像。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于武汉大学，未经武汉大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810987940.2/，转载请声明来源钻瓜专利网。
