灰度二次校正改进空间变换网络的遥感图像配准

发布时间：2021-10-10 04:18

　　为使图像能够参照变换模型实现自适应变换,减少配准时间,提出一种灰度投影二次定位优化空间变换网络的遥感图像配准方法。采用空间变换网络模型提取图像特征并进行训练得到仿射变换系数,使待配准图像能够根据该仿射变换系数实现自适应仿射变换。为了得到更精确的配准效果,减少图像的位移偏差,在空间变换网络中添加灰度投影二次校准模块,最终实现待配准图像的精确配准。实验表明,使用灰度二次校正的空间变换网络在保持配准精度的同时加快了配准的速度,并具有较好的鲁棒性。 

【文章来源】：中国科技论文. 2020,15(08)北大核心

【文章页数】：7 页

【部分图文】：

空间变换网络结构

本文所采用的训练网络结构包含了2个卷积层、2个空间变换层及1个输出层,整体网络结构如图2所示。图2中,STN1的作用是预校正图像第1次卷积的结果,而STN2是包含了灰度模块的空间变换网络层,其作用是将图像进行灰度二次校正。在该网络结构中由本地化网络负责样本训练,得到θ。本地化网络是空间变换网络的重要部分,作为θ的训练单元,该网络能够通过迭代训练得到基础仿射变换系数,使得输入的待配准图像能根据该系数自动进行相应的几何变换。本文将具备自适应变换能力的空间变换网络作为单独的网络层,嵌入到卷积神经网络中以提高网络整体的空间不变性[17]。

构建空间变换网络层过程中,将256像素×256像素的图像作为U输入到网络中,第一层卷积的结果尺寸不变,在经过第一个本地化网络时进行正向传播,本地化网络结构如图3所示,Conv1卷积核大小设定为5×5，步长为2,padding大小为1，得到维度为128×128×32的特征图。第一层池化层大小为2×2，步长为2，采样得到维度为64×64×32的特征图。Conv2卷积核大小为3×3，步长减少一半，padding不变，输出维度为64×64×128的特征图。Conv3卷积核大小设为5×5，步长为2，不添加padding，输出维度为14×14×256的特征图。最后一次最大池化采样得到7×7×256的特征图，再用2个具有4 096个节点的全连接层进行输出。本地化网络设置参数见表1。

【参考文献】：
期刊论文
[1]基于改进YOLOV3算法的遥感图像油罐检测[J]. 李昕,赵猛,董修武,程学珍.  中国科技论文. 2020(03)
[2]基于Faster R-CNN的高分二号遥感影像特定目标识别[J]. 王井利,阎鑫.  中国科技论文. 2019(09)
[3]基于卷积神经网络的光学遥感图像目标检测[J]. 卢艺帆,张松海.  中国科技论文. 2017(14)

硕士论文
[1]基于红外图像的电子稳像算法研究[D]. 黄楠.西安电子科技大学 2018



本文编号：3427630