[发明专利]一种基于神经网络的多模态遥感影像旋转差异校正方法

说明书

本发明公开了一种基于神经网络的多模态遥感影像旋转差异校正方法。包括以下步骤：S1：获取一组具有相同目标场景的多模态遥感影像对，进行影像预处理；S2：针对每幅预处理后的影像，计算相位一致性特征值与方向角，并根据相位一致性特征值与方向角计算影像的旋转特征向量；S3：分别将两幅影像的旋转特征向量作为神经网络的输入，计算输出两幅影像的预测差异角；S4：基于预测差异角，完成多模态遥感影像旋转差异角的校正。本发明有效解决了在仅有简单影像数据信息的情况下，快速准确地预测多模态遥感影像间旋转差异角的技术问题，摆脱了辅助地理空间信息的限制。

技术领域

本发明涉及遥感图像处理技术领域，更具体的说是涉及多模态遥感影像匹配中针对旋转差异进行粗校准的预处理方法。

背景技术

多模态遥感影像匹配是遥感图像处理技术领域的重要研究任务，具有十分广阔的应用前景。实现遥感影像间的精确配准有助于将不同成像源、不同时相等的各类遥感影像数据的内在信息相互关联起来，从多个角度提高联合影像的可利用性。

然而，几何差异与非线性辐射畸变是制约遥感影像配准精度的关键难点，几何差异主要包括尺度差异与旋转差异。尺度不变特征变换(SIFT)及其改进算法通过尺度金字塔的构建与标记主方向等方法较好地实现了算法对同源影像间几何差异的鲁棒性，然而，由于多模态影像潜在的非线性辐射畸变与噪声，该算法仍然受到一定的局限；近年来，叶沅鑫等学者提出的定向相位一致性直方图(HOPC)算法与定向梯度通道特征(CFOG)算法则在配准过程中利用了相对准确的辅助几何地理信息分别对参考图像与目标图像进行几何校正，通过初始配准消除图像对之间明显的旋转和平移差异，但在实践中，图像的地理信息可能不够准确甚至无法使用，相关算法也将失去原有的作用；周微硕，安博文等人在论文《基于几何不变性和局部相似特征的异源遥感图像配准算法》(红外技术,2019,41(06):561-571)中公开了一种基于几何不变性与局部相似特征进行遥感影像匹配的方法，该方法利用了加速鲁棒特征算子对存在几何差异的异源遥感图像进行了预匹配，随后利用SURF(SpeededUp Robust Features,加速鲁棒特征)算法的特征方向生成原理获得已提取粗匹配点的特征方向矢量，并消除粗大误差，然后计算两幅图像之间的特征方向角度差，接着根据相应角度差，并结合双三次插值法对图像进行旋转校正，最后将待配准图像中的粗匹配点进行与图像校正一致的点坐标校正转换，虽然该方法在特征点的方向提取与生成上做出了较好的改进，在一定程度上实现了异源图像旋转差异的校正，但该方法中主方向的选取主要基于SURF算法，对于有较大辐射畸变的各类多模态遥感影像很难取得很好的表现，同时，该方法对初始粗匹配具有较高的依赖，因此仍然具有一定的局限性。

因此，如何提供一种无需利用任何辅助地理空间信息并能够对多模态遥感影像旋转差异进行较高精度校正的方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于神经网络的多模态遥感影像旋转差异校正方法，以解决背景技术存在的技术问题，拓展影像匹配算法的普适性。

为了实现上述目的，本发明采用如下技术方案：

一种基于神经网络的多模态遥感影像旋转差异校正方法，包括以下步骤：

S1：获取一组具有相同目标场景的多模态遥感影像对，进行影像预处理；

S2：针对每幅预处理后的影像，计算相位一致性特征值与方向角，并根据相位一致性特征值与方向角计算影像的旋转特征向量；

S3：分别将两幅影像的旋转特征向量作为神经网络的输入，计算输出两幅影像的预测差异角；

S4：基于预测差异角，完成多模态遥感影像旋转差异角的校正。

优选的，所述校正方法还包括：构建并训练神经网络，所述神经网络包括两个输入分支，步骤S2计算的两幅影像的旋转特征向量分别作为所述神经网络两个分支的输入。