[发明专利]基于级联网络的分步异源图像模板匹配方法

说明书

本发明公开了一种基于级联网络的分步异源图像模板匹配方法，主要解决现有技术对于大尺寸异源图像对难以平衡匹配速度和精度的问题。其实现方案为：根据开源数据集构建训练集和测试集；构建抑制网络，并制作该网络的训练数据，利用该数据训练抑制网络；构建粗粒度匹配网络，并根据训练集构建该网络的训练数据，利用该训练数据和训练好的抑制网络训练粗粒度匹配网络；构建细粒度匹配网络，并根据训练集制作该网络的训练数据，利用该训练数据训练细粒度匹配网络；将测试集图像输入到训练好的粗粒度匹配网络，再将输出结果输入到训练好的细粒度匹配网络得到匹配结果。本发明提高了异源图像匹配的精度，且有稳定的匹配速度，可用于飞行器的辅助制导。

技术领域

本发明属于图像处理技术领域，特别涉及一种异源图像的模板匹配方法，可用于飞行器的辅助制导。

背景技术

合成孔径雷达技术SAR在测绘、民用遥感和军事侦察等方面获得了广泛的应用，从遥感图像上获取信息已经成为了一种重要的手段。在实际应用中，不同的卫星和传感器可以获得多模态的遥感图像，其中可见光图像和SAR图像是最典型的两种。具体来说，由主动传感器获取的SAR图像反映了地球表面目标的电磁特性，提供了全天时、全天候和穿越云层查看的能力；被动传感器获得的光学图像反映了目标的无线电测量特性，他们能够反映同一地物不同的特征和属性信息。因此，SAR与光学图像的结合对于提供观测场景高度互补的信息具有重要意义，可以有效弥补单一模型的不足。异源图像的结合已经应用于图像融合、变化检测等诸多问题，有助于光学图像和SAR图像的同时处理。SAR图像处理中，模板匹配是一种找到小尺寸模板图像在大尺寸搜索图像中的准确位置的技术，该技术对于图像检索、身份识别、目标跟踪、导弹制导等问题都是至关重要的。

现有的异源图像匹配方法主要分为传统方法和基于深度学习的方法。其中：

传统方法包括两类：第一类是基于灰度的方法，它根据两幅图像的灰度信息寻找匹配点的位置，主要有互相关法NCC、互信息法MI和基于频域的快速傅里叶变换等方法。Liang等人利用蚁群优化算法搜索相似局部区域的相似性度量，提出了一种空间互信息法SMI。为了提高MI的计算效率，Patel等人提出了基于最大似然估计的MI。此类方法虽然易于实现，但对异源图像来说，同一区域的灰度信息可能存在较大的差异，因此匹配结果并不理想。

第二类是基于图像特征，手工设计局部图像的特征描述子，再对特征描述子进行相似性度量从而寻找匹配点的方法。众多研究人员在这类算法上开展工作，更多手工设计的特征描述子被开发出来，应用到异源图像的匹配中，其中尺度不变特征变换SIFT是使用最广泛的特征描述子。Ye等人提出了有向相位一致性描述子直方图HOPC，利用相位一致性作为梯度信息的代理，确保了两种模式的特征和描述符之间的共性。Xiang等人主张使用哈里斯尺度空间的模态特定梯度算子，以更好地处理巨大的辐射差异，同时仍允许跨模态检测可重复的特征。此类方法受噪声和灰度影像较小，稳定性强，但是由于此类方法依赖较小的支持区域，只适用于局部外观特征差异小的区域如平原、半城市化区域和农村等，在几何结构差异较大的地方适用性就差很多。而且对于高分辨率的异源图像来说，图像的信息量更大，地物的纹理信息和细节更加复杂，在实际获取图像的过程中诸多干扰因素的影响也导致手工设计的方法也难以获得有效的特征描述子。