[发明专利]基于特征匹配和位置匹配的SAR图像与光学图像匹配方法

权利要求书

1.一种基于特征匹配和位置匹配的SAR图像与光学图像匹配方法，其特征在于，包括以下步骤：

S1：使用高斯差分算法对光学图像和SAR图像进行初步关键点检测；

S2：根据检测到的光学图像和SAR图像的关键点，提取周围的区域，重构为64×64像素的图像块；

S3：设计包含密集块和过渡层的深度卷积神经网络，并设计复合损失函数，通过对深度卷积神经网络的训练和运行，生成深度特征描述符；

S4：使用L2距离算法和深度特征描述符对光学图像和SAR图像进行特征匹配，并对匹配点距离误差进行评估；

S5：通过二维高斯函数投票算法实现SAR图像和光学图像的位置匹配。

2.根据权利要求1所述的基于特征匹配和位置匹配的SAR图像与光学图像匹配方法，其特征在于，所述S1中高斯差分算法的函数为：

其中，和分别表示两幅图像的高斯滤波；x、y分别是预测点的水平坐标和垂直坐标，σ₁、σ₂是预测点的方差，e是自然常数。

3.根据权利要求1所述的基于特征匹配和位置匹配的SAR图像与光学图像匹配方法，其特征在于，所述S1中，初步关键点检测的方法为：

在初步关键点检测中，需要检测图像中所有像素点的灰度值，如果像素的DOG值是所有相邻像素点的最大值或最小值，则将其视为关键点。

4.根据权利要求1所述的基于特征匹配和位置匹配的SAR图像与光学图像匹配方法，其特征在于，所述S3中生成特征描述符的具体方法为：通过设计的深度卷积神经网络和损失函数，对深度卷积神经网络进行训练，训练完成后，将图像送入训练好的深度卷积神经网络中，从而生成256位的特征描述符；

所述S2中重构的图像块作为S3中的深度卷积神经网络的训练数据。

5.根据权利要求1或4所述的基于特征匹配和位置匹配的SAR图像与光学图像匹配方法，其特征在于，所述S3中深度卷积神经网络由由三个密集块和两个过渡层组成，其中，密集块的函数公式为：

X_i＝H_i([X₀,X₁,…,X_i-1])

过渡层的函数公式为：

X_k＝W_k*[X_0”，X₁，…，X_k-1]

X_T＝W_T*[X_0”，X₁，…，X_k]

X_U＝W_U*[X_0’，X_T]

其中，X_i表示当前层的输出，Hi()表示批量归一化、ReLU、池化和卷积操作的复合函数，*为卷积运算符，X_k为第k层密集层的输出，X_T为第一个过渡层的输出，X₀经密集块分为两部分，表示为X₀＝[X_0′，X_0″]，其中X_0′为未进入密集层的部分；X₀是第0层神经网络特征的输出，X₁是第1层神经网络特征的输出，X_U为最终输出，W表示可训练的权重，X_i-1表示前一层的输出，X_k-1表示第k层的前一层的输出。