[发明专利]基于深度神经网络的SAR图像配准方法

摘要

本发明提出了一种基于深度神经网络的SAR图像配准方法，具体实现步骤如下：(1)获取训练样本；(2)设计并训练深度神经网络；(3)预测匹配关系；(4)剔除错误的匹配点；(5)求解几何变换参数；(6)配准图像。本发明采用基于深度神经网络的SAR图像配准方法，能够有效克服现有技术中人工设计特征提取算子复杂度高、计算量大、鲁棒性差等的缺点，有效地减少了计算量，而且深度神经网络可以提取图像的本质特征，有更好的鲁棒性，使得配准的精度更高。

主权项

1.一种基于深度神经网络的SAR图像配准方法，包括如下步骤：(1)获取训练样本：(1a)读入已配准的SAR图像；(1b)对已配准的SAR图像进行滑窗切块，得到7500对具有匹配标签的大小为28×28的图像块,将随机选取5000对图像块作为训练样本，剩余的2500对图像块作为测试样本；(2)设计并训练深度神经网络：(2a)设计含有一个输入层、两个隐藏层和一个输出层的深度神经网络，每层的节点数分别为1568、784、100、1；(2b)将训练样本输入到深度神经网络中；(2c)利用受限玻尔兹曼机RBM，对深度神经网络进行预训练，得到深度神经网络的初始权值和偏置值；(2d)利用反向传播BP算法，对深度神经网络进行有监督的微调，得到训练好的深度神经网络；(2e)将测试样本输入到训练好的深度神经网络中，测试训练好的深度神经网络的性能；(3)预测匹配关系：(3a)输入一幅参考图像I1和一幅待配准图像I2；(3b)在参考图像I1和待配准图像I2中，分别提取以Harris角点为中心，大小为28×28的图像块；(3c)利用训练好的深度神经网络提取图像块的本质特征，然后输出图像块中心点之间的匹配标签0或1，其中，1表示匹配，0表示不匹配；(4)剔除错误的匹配点：(4a)计算所有匹配标签为1的图像块之间的相关性，将相关性小于0.98的匹配标签置为0；(4b)按照以下步骤，剔除错误的匹配点；(4b1)利用单应矩阵模型的随机抽样一致性RANSAC方法，对匹配点进行筛选；(4b2)重复步骤(4b1)100次，记录每次得到的内点；(4b3)统计每个内点出现的频率，将频率低的内点的匹配标签置为0，剔除了错误的匹配点；(5)求解几何变换参数：(5a)采用最小二乘法，计算参考图像I1和待配准图像I2之间的变换矩阵T；(5b)按照如下所示的变换矩阵T与待配准图像I2的几何变换参数的关系式，计算待配准图像I2的几何变换参数，计算待配准图像I2的几何变换参数：其中，T表示参考图像I1和待配准图像I2之间的变换矩阵，s表示待配准图像I2的尺度放缩参数，θ表示待配准图像I2的旋转角度参数，tx表示待配准图像I2的水平平移参数，ty表示待配准图像I2的垂直平移参数；(6)配准图像：利用几何变换参数，对待配准图像I2进行几何变换，得到配准图像。