[發(fā)明專利]光學(xué)衛(wèi)星影像特征匹配深度學(xué)習(xí)訓(xùn)練樣本集自動(dòng)構(gòu)建方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010789212.8
• 申請(qǐng)日: 2020-08-07
• 公開(kāi)（公告）號(hào): CN111950433B
• 公開(kāi)（公告）日: 2023-09-12
• 發(fā)明（設(shè)計(jì)）人: 薛武;王鵬;夏魯瑞;鐘靈毓;倪蕾;張旭;李森
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍戰(zhàn)略支援部隊(duì)航天工程大學(xué)
• 主分類(lèi)號(hào): G06V20/13
• 分類(lèi)號(hào): G06V20/13;G06V10/44;G06V10/75
• 代理公司: 中國(guó)兵器工業(yè)集團(tuán)公司專利中心 11011
• 代理人: 劉瑞東

本發(fā)明屬于遙感信息處理技術(shù)領(lǐng)域，提供光學(xué)衛(wèi)星影像特征匹配深度學(xué)習(xí)訓(xùn)練樣本集自動(dòng)構(gòu)建方法，對(duì)衛(wèi)星成像過(guò)程進(jìn)行全鏈路模擬，利用參考影像、數(shù)字高程模型得到模擬影像和對(duì)應(yīng)的內(nèi)外方位元素；利用基于灰度或者基于特征的方法在參考影像和模擬影像上進(jìn)行特征提取，得到若干特征點(diǎn)；設(shè)置一個(gè)合理的搜索范圍，然后驗(yàn)證其是否為同名點(diǎn)；逐一計(jì)算參考影像上的特征點(diǎn)，完成正樣本集的構(gòu)建；隨機(jī)在參考影像和模擬影像上選取一定數(shù)量的特征點(diǎn)，構(gòu)成負(fù)樣本集的構(gòu)建。本發(fā)明實(shí)現(xiàn)了無(wú)需手動(dòng)標(biāo)注的光學(xué)衛(wèi)星影像特征匹配深度學(xué)習(xí)訓(xùn)練樣本集自動(dòng)構(gòu)建方法，大大提高了樣本集構(gòu)建的效率、可靠性，降低了成本和專業(yè)門(mén)檻。

技術(shù)領(lǐng)域

本發(fā)明屬于遙感信息處理技術(shù)領(lǐng)域，具體涉及光學(xué)衛(wèi)星影像特征匹配深度學(xué)習(xí)訓(xùn)練樣本集自動(dòng)構(gòu)建方法。

背景技術(shù)

光學(xué)遙感衛(wèi)星影像的特征匹配是進(jìn)行影像配準(zhǔn)、區(qū)域網(wǎng)平差連接點(diǎn)提取的重要前提。由于不同衛(wèi)星影像在成像方式、地面分辨率、時(shí)相、光照條件等方面存在較大差異，衛(wèi)星影像特征匹配的難度較大，傳統(tǒng)的基于灰度或者基于特征的匹配方法在實(shí)踐中存在正確率低、成功率低以及可靠性差等問(wèn)題。目前基于深度學(xué)習(xí)的影像特征匹配方法展示出較大的發(fā)展?jié)摿Γ^大程度上解決了傳統(tǒng)方法存在的問(wèn)題(文獻(xiàn)：范大昭,董楊,張永生.衛(wèi)星影像匹配的深度卷積神經(jīng)網(wǎng)絡(luò)方法[J].測(cè)繪學(xué)報(bào),2018,47(6):844G853.DOI:10.11947j.AGCS.2018.20170627)。文獻(xiàn)(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)提出了一個(gè)大規(guī)模、公開(kāi)可用的光學(xué)遙感影像目標(biāo)檢測(cè)訓(xùn)練樣本集：DIOR，該樣本集的標(biāo)注依靠人工手動(dòng)標(biāo)注的方式。文獻(xiàn)(范大昭,董楊,張永生.衛(wèi)星影像匹配的深度卷積神經(jīng)網(wǎng)絡(luò)方法[J].測(cè)繪學(xué)報(bào),2018,47(6):844G853.DOI:10.11947j.AGCS.2018.20170627)提出的兩通道深度卷積神經(jīng)網(wǎng)絡(luò)模型及其優(yōu)化網(wǎng)絡(luò)模型,能夠較好地進(jìn)行衛(wèi)影像匹配模式的學(xué)習(xí)，但是沒(méi)有提出訓(xùn)練樣本集的構(gòu)建方法，制約了其實(shí)用性和普適性。

由此可見(jiàn)，基于深度學(xué)習(xí)的遙感影像匹配方法依賴海量的訓(xùn)練樣本，樣本標(biāo)注成為制約模型性能的重要因素。與計(jì)算機(jī)視覺(jué)中場(chǎng)景分類(lèi)、目標(biāo)識(shí)別等不同，遙感影像特征匹配的樣本標(biāo)注難度大、專業(yè)性強(qiáng)、精度和可靠性要求高，無(wú)法像計(jì)算機(jī)視覺(jué)中采用在線眾籌的方式進(jìn)行，必須依靠專業(yè)影像判讀人員，由此導(dǎo)致成本高、效率低，且樣本庫(kù)難以做到開(kāi)源共享。

發(fā)明內(nèi)容

本發(fā)明的目的是為了解決在利用深度學(xué)習(xí)方法進(jìn)行光學(xué)衛(wèi)星影像特征匹配時(shí)訓(xùn)練樣本集構(gòu)建效率低、成本高、通用性差的技術(shù)問(wèn)題。

為解決上述技術(shù)問(wèn)題，本發(fā)明提出光學(xué)衛(wèi)星影像特征匹配深度學(xué)習(xí)訓(xùn)練樣本集自動(dòng)構(gòu)建方法，具體的技術(shù)方案如下：

步驟1、對(duì)衛(wèi)星成像過(guò)程進(jìn)行全鏈路模擬，利用參考影像、數(shù)字高程模型得到模擬影像和對(duì)應(yīng)的內(nèi)外方位元素；

步驟2、利用基于灰度或者基于特征的方法在參考影像和模擬影像上進(jìn)行特征提取，得到若干特征點(diǎn)；

步驟3、參考影像上的特征點(diǎn)坐標(biāo)為(x₁,y₁)，根據(jù)影像內(nèi)外方位元素構(gòu)建嚴(yán)格成像模型，計(jì)算其在模擬影像上的坐標(biāo)(x₂,y₂)；

步驟4、假定嚴(yán)格成像模型的像方投影誤差中誤差為δ，在模擬影像上以(x₂,y₂)為圓心、δ為半徑搜索特征點(diǎn)，對(duì)于落入其中的特征點(diǎn)，利用常規(guī)匹配方法驗(yàn)證其是否為同名點(diǎn)，如果為同名點(diǎn)，則構(gòu)成一對(duì)特征匹配訓(xùn)練正樣本；

步驟5、逐一計(jì)算參考影像上的特征點(diǎn)，完成正樣本集的構(gòu)建；