[发明专利]光学卫星影像特征匹配深度学习训练样本集自动构建方法

说明书

本发明属于遥感信息处理技术领域，提供光学卫星影像特征匹配深度学习训练样本集自动构建方法，对卫星成像过程进行全链路模拟，利用参考影像、数字高程模型得到模拟影像和对应的内外方位元素；利用基于灰度或者基于特征的方法在参考影像和模拟影像上进行特征提取，得到若干特征点；设置一个合理的搜索范围，然后验证其是否为同名点；逐一计算参考影像上的特征点，完成正样本集的构建；随机在参考影像和模拟影像上选取一定数量的特征点，构成负样本集的构建。本发明实现了无需手动标注的光学卫星影像特征匹配深度学习训练样本集自动构建方法，大大提高了样本集构建的效率、可靠性，降低了成本和专业门槛。

技术领域

本发明属于遥感信息处理技术领域，具体涉及光学卫星影像特征匹配深度学习训练样本集自动构建方法。

背景技术

光学遥感卫星影像的特征匹配是进行影像配准、区域网平差连接点提取的重要前提。由于不同卫星影像在成像方式、地面分辨率、时相、光照条件等方面存在较大差异，卫星影像特征匹配的难度较大，传统的基于灰度或者基于特征的匹配方法在实践中存在正确率低、成功率低以及可靠性差等问题。目前基于深度学习的影像特征匹配方法展示出较大的发展潜力，较大程度上解决了传统方法存在的问题(文献：范大昭,董杨,张永生.卫星影像匹配的深度卷积神经网络方法[J].测绘学报,2018,47(6):844G853.DOI:10.11947j.AGCS.2018.20170627)。文献(K.Li,G.Wan,G.Cheng,L.Meng,J.Han ObjectDetection in Optical Remote Sensing Images:A Survey and A New Benchmark.ISPRSJournal of Photogrammetry and Remote Sensing,159:296-307,2020)提出了一个大规模、公开可用的光学遥感影像目标检测训练样本集：DIOR，该样本集的标注依靠人工手动标注的方式。文献(范大昭,董杨,张永生.卫星影像匹配的深度卷积神经网络方法[J].测绘学报,2018,47(6):844G853.DOI:10.11947j.AGCS.2018.20170627)提出的两通道深度卷积神经网络模型及其优化网络模型,能够较好地进行卫影像匹配模式的学习，但是没有提出训练样本集的构建方法，制约了其实用性和普适性。

由此可见，基于深度学习的遥感影像匹配方法依赖海量的训练样本，样本标注成为制约模型性能的重要因素。与计算机视觉中场景分类、目标识别等不同，遥感影像特征匹配的样本标注难度大、专业性强、精度和可靠性要求高，无法像计算机视觉中采用在线众筹的方式进行，必须依靠专业影像判读人员，由此导致成本高、效率低，且样本库难以做到开源共享。

发明内容

本发明的目的是为了解决在利用深度学习方法进行光学卫星影像特征匹配时训练样本集构建效率低、成本高、通用性差的技术问题。

为解决上述技术问题，本发明提出光学卫星影像特征匹配深度学习训练样本集自动构建方法，具体的技术方案如下：

步骤1、对卫星成像过程进行全链路模拟，利用参考影像、数字高程模型得到模拟影像和对应的内外方位元素；

步骤2、利用基于灰度或者基于特征的方法在参考影像和模拟影像上进行特征提取，得到若干特征点；

步骤3、参考影像上的特征点坐标为(x₁,y₁)，根据影像内外方位元素构建严格成像模型，计算其在模拟影像上的坐标(x₂,y₂)；

步骤4、假定严格成像模型的像方投影误差中误差为δ，在模拟影像上以(x₂,y₂)为圆心、δ为半径搜索特征点，对于落入其中的特征点，利用常规匹配方法验证其是否为同名点，如果为同名点，则构成一对特征匹配训练正样本；

步骤5、逐一计算参考影像上的特征点，完成正样本集的构建；