基于卷积神经网络的遥感图像配准在灾害勘测中的应用研究
发布时间：2021-11-09 00:27
遥感图像配准技术因其实用性强、应用范围广等特点已经成为目前的研究热门。遥感图像配准技术的发展在灾害勘测方面有着广泛应用。为了获取更有效、更全面的灾后遥感信息,在遥感图像配准阶段,本文提出了一种结合空间变换网络和灰度投影的遥感图像配准的方法,以及一种结合卷积神经网络和区域约束移动最小二乘法的遥感图像配准方法。主要研究如下:1.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,提出一种结合空间变换网络和灰度投影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,达到初配准目的。为了得到更精确的配准效果,采用灰度投影算法进行二次校准,最后实现待配准图像的精确配准。2.为了使移动最小二乘法在实现图像配准时图像局部不会因整体形变而产生变换,本文通过VGG16卷积神经网络模型提取特征,训练得到关键特征点。将特征点预匹配得到控制点和目标点,采用区域边界约束的方法对区域内的图像使用移动最小二乘法计算最佳变换模型,最后进行逐点仿射变换从而完成配准。实验证明,本文提出的方法在配准过程中保持了配准精度的同时加快了配准的速度...
【文章来源】：上海应用技术大学上海市
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
不同遥感图像配准方法的分类与应用Fig2.1Remotesensingimageregistrationclassificationandapplication图像配准应用于很多不同的领域，如医学图像配准[34]、多源图像信息分析[35]、目标识别[36]、资源定位[37]等
第8页上海应用技术大学硕士学位论文图像融合[38]、图像拼接[39]等相关研究领域中的必需环节。2.1.2图像配准方法图像配准方法按照成像特点、转化形式、形变类型等方面大致分为四个类型：基于图像区域的配准方法[40-42]、基于图像特征的配准方法[43-44]、基于混合模型的配准方法和基于物理模型的配准方法[45-47]，如图2.2所示。本小节主要对前两种图像配准的方法和理论进行介绍。图2.2图像配准方法Fig2.2Imageregistrationmethod从图中可以看出，目前研究比较深入的是基于区域和基于特征的图像配准方法，而基于混合模型和基于物理模型的研究中尚未成熟，方法和思路较少。基于区域的图像配准方法包括图像域和频域；基于特征的配准方法包括点特征、线特征、面特征和虚拟特征等。(1)基于区域的图像配准方法基于区域的图像配准方法以整幅图像的灰度信息为依据，建立待配准图像和基准参考图像之间的相似性度量，利用搜索算法，寻找出最优相似度量，再计算变换模型参数。算法思路如图2.3所示：
上海应用技术大学硕士学位论文第9页图2.3基于图像区域的配准方法流程图Fig2.3Flowchartoftheregistrationmethodbasedonimagearea基于区域的配准方法也称之为直接配准法，通过衡量两幅图像某一区域的相似性来构建变换模型，经过不停的迭代搜索来求解一个最优变换解。是在图像配准领域中最早发展起来的一种图像配准技。基于区域的配准又主要包含基于图像域和基于频域两类处理方法，其中比较经典算法有最大互信息法、傅里叶变换相位相关法等。①最大互信息法[48]：最大互信息法以信息熵来衡量两幅图像的匹配程度。它通过查找最大的互信息，得到两幅图像的最佳匹配模型。主要步骤是先计算两幅图像的信息熵以及联合熵，再根据边缘概率密度和联合概率密度求解两幅图像之间的互信息。②基于傅里叶变换相位相关法[49]：该方法依据傅里叶变换的平移、旋转和缩放性质来计算图像间的变换参数，将空间变换计算公式转变为极坐标下的傅里叶变换公式。最后通过两幅图像功率谱的反傅里叶变换所对应的峰值位置得到校正图像的平移参数。虽然基于区域的配准方法实现较简单，但配准速度比较慢，配准实时性较差。对于非线性变换、光照变换的图像配准效果不明显，鲁棒性较差。(2)基于特征的配准方法基于图像特征的配准方法是通过检测显著且稳定的匹配特征来估计图像之间的几何变换。该方法通过特征提取，选取到多个具有代表特性的特征点。将这些特征点通过优化算法进行筛选，得到精确的特征点对。将特征点进行匹配并计算几何变换模型，最后进行坐标变换和插值得到配准结果。基于图像特征的配准方法流程如图2.4所示：
【参考文献】：
期刊论文
[1]Multi-source Remote Sensing Image Registration Based on Contourlet Transform and Multiple Feature Fusion[J]. Huan Liu,Gen-Fu Xiao,Yun-Lan Tan,Chun-Juan Ouyang. International Journal of Automation and Computing. 2019(05)
[2]改进的Harris算法在海洋遥感图像处理中的应用[J]. 刘军泉,刘晓华,黄小仙. 现代电子技术. 2019(18)
[3]卷积神经网络特征在遥感图像配准中的应用[J]. 叶发茂,罗威,苏燕飞,赵旭青,肖慧,闵卫东. 国土资源遥感. 2019(02)
[4]基于T分布混合模型的多光谱人脸图像配准[J]. 李巍,董明利,吕乃光,娄小平. 光学学报. 2019(07)
[5]基于闭合区域特征的光学和SAR遥感图像配准[J]. 党欣,马洪兵. 电子设计工程. 2019(04)
[6]使用线约束运动最小二乘法的视差图像拼接[J]. 樊逸清,李海晟,楚东东. 中国图象图形学报. 2019(01)
[7]基于超像素重建的多尺度B样条医学图像配准[J]. 刘晨,张龙波,王雷,卢海涛. 智能计算机与应用. 2019(01)
[8]近色背景果实识别的多源图像配准[J]. 马正华,吕小俊,徐黎明,王艺洁,吕继东. 计算机工程与设计. 2018(11)
[9]结合SIFT和Delaunay三角网的遥感图像配准算法[J]. 祁曦,陈志云. 计算机系统应用. 2018(10)
[10]结合深度学习的非下采样剪切波遥感图像融合[J]. 陈清江,李毅,柴昱洲. 应用光学. 2018(05)
博士论文
[1]多模式遥感数据地震应急关键技术研究[D]. 李强.中国地震局工程力学研究所 2018
硕士论文
[1]基于卷积神经网络和SIFT的多源遥感图像配准研究[D]. 苏燕飞.南昌大学 2018
[2]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：3484291
【文章来源】：上海应用技术大学上海市
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
不同遥感图像配准方法的分类与应用Fig2.1Remotesensingimageregistrationclassificationandapplication图像配准应用于很多不同的领域，如医学图像配准[34]、多源图像信息分析[35]、目标识别[36]、资源定位[37]等
第8页上海应用技术大学硕士学位论文图像融合[38]、图像拼接[39]等相关研究领域中的必需环节。2.1.2图像配准方法图像配准方法按照成像特点、转化形式、形变类型等方面大致分为四个类型：基于图像区域的配准方法[40-42]、基于图像特征的配准方法[43-44]、基于混合模型的配准方法和基于物理模型的配准方法[45-47]，如图2.2所示。本小节主要对前两种图像配准的方法和理论进行介绍。图2.2图像配准方法Fig2.2Imageregistrationmethod从图中可以看出，目前研究比较深入的是基于区域和基于特征的图像配准方法，而基于混合模型和基于物理模型的研究中尚未成熟，方法和思路较少。基于区域的图像配准方法包括图像域和频域；基于特征的配准方法包括点特征、线特征、面特征和虚拟特征等。(1)基于区域的图像配准方法基于区域的图像配准方法以整幅图像的灰度信息为依据，建立待配准图像和基准参考图像之间的相似性度量，利用搜索算法，寻找出最优相似度量，再计算变换模型参数。算法思路如图2.3所示：
上海应用技术大学硕士学位论文第9页图2.3基于图像区域的配准方法流程图Fig2.3Flowchartoftheregistrationmethodbasedonimagearea基于区域的配准方法也称之为直接配准法，通过衡量两幅图像某一区域的相似性来构建变换模型，经过不停的迭代搜索来求解一个最优变换解。是在图像配准领域中最早发展起来的一种图像配准技。基于区域的配准又主要包含基于图像域和基于频域两类处理方法，其中比较经典算法有最大互信息法、傅里叶变换相位相关法等。①最大互信息法[48]：最大互信息法以信息熵来衡量两幅图像的匹配程度。它通过查找最大的互信息，得到两幅图像的最佳匹配模型。主要步骤是先计算两幅图像的信息熵以及联合熵，再根据边缘概率密度和联合概率密度求解两幅图像之间的互信息。②基于傅里叶变换相位相关法[49]：该方法依据傅里叶变换的平移、旋转和缩放性质来计算图像间的变换参数，将空间变换计算公式转变为极坐标下的傅里叶变换公式。最后通过两幅图像功率谱的反傅里叶变换所对应的峰值位置得到校正图像的平移参数。虽然基于区域的配准方法实现较简单，但配准速度比较慢，配准实时性较差。对于非线性变换、光照变换的图像配准效果不明显，鲁棒性较差。(2)基于特征的配准方法基于图像特征的配准方法是通过检测显著且稳定的匹配特征来估计图像之间的几何变换。该方法通过特征提取，选取到多个具有代表特性的特征点。将这些特征点通过优化算法进行筛选，得到精确的特征点对。将特征点进行匹配并计算几何变换模型，最后进行坐标变换和插值得到配准结果。基于图像特征的配准方法流程如图2.4所示：
【参考文献】：
期刊论文
[1]Multi-source Remote Sensing Image Registration Based on Contourlet Transform and Multiple Feature Fusion[J]. Huan Liu,Gen-Fu Xiao,Yun-Lan Tan,Chun-Juan Ouyang. International Journal of Automation and Computing. 2019(05)
[2]改进的Harris算法在海洋遥感图像处理中的应用[J]. 刘军泉,刘晓华,黄小仙. 现代电子技术. 2019(18)
[3]卷积神经网络特征在遥感图像配准中的应用[J]. 叶发茂,罗威,苏燕飞,赵旭青,肖慧,闵卫东. 国土资源遥感. 2019(02)
[4]基于T分布混合模型的多光谱人脸图像配准[J]. 李巍,董明利,吕乃光,娄小平. 光学学报. 2019(07)
[5]基于闭合区域特征的光学和SAR遥感图像配准[J]. 党欣,马洪兵. 电子设计工程. 2019(04)
[6]使用线约束运动最小二乘法的视差图像拼接[J]. 樊逸清,李海晟,楚东东. 中国图象图形学报. 2019(01)
[7]基于超像素重建的多尺度B样条医学图像配准[J]. 刘晨,张龙波,王雷,卢海涛. 智能计算机与应用. 2019(01)
[8]近色背景果实识别的多源图像配准[J]. 马正华,吕小俊,徐黎明,王艺洁,吕继东. 计算机工程与设计. 2018(11)
[9]结合SIFT和Delaunay三角网的遥感图像配准算法[J]. 祁曦,陈志云. 计算机系统应用. 2018(10)
[10]结合深度学习的非下采样剪切波遥感图像融合[J]. 陈清江,李毅,柴昱洲. 应用光学. 2018(05)
博士论文
[1]多模式遥感数据地震应急关键技术研究[D]. 李强.中国地震局工程力学研究所 2018
硕士论文
[1]基于卷积神经网络和SIFT的多源遥感图像配准研究[D]. 苏燕飞.南昌大学 2018
[2]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：3484291
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3484291.html
