為使圖像能夠參照變換模型實(shí)現(xiàn)自適應(yīng)變換,減少配準(zhǔn)時(shí)間,提出一種灰度投影二次定位優(yōu)化空間變換網(wǎng)絡(luò)的遙感圖像配準(zhǔn)方法。采用空間變換網(wǎng)絡(luò)模型提取圖像特征并進(jìn)行訓(xùn)練得到仿射變換系數(shù),使待配準(zhǔn)圖像能夠根據(jù)該仿射變換系數(shù)實(shí)現(xiàn)自適應(yīng)仿射變換。為了得到更精確的配準(zhǔn)效果,減少圖像的位移偏差,在空間變換網(wǎng)絡(luò)中添加灰度投影二次校準(zhǔn)模塊,最終實(shí)現(xiàn)待配準(zhǔn)圖像的精確配準(zhǔn)。實(shí)驗(yàn)表明,使用灰度二次校正的空間變換網(wǎng)絡(luò)在保持配準(zhǔn)精度的同時(shí)加快了配準(zhǔn)的速度,并具有較好的魯棒性。 

【文章來源】：中國科技論文. 2020,15(08)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

空間變換網(wǎng)絡(luò)結(jié)構(gòu)

本文所采用的訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)包含了2個(gè)卷積層、2個(gè)空間變換層及1個(gè)輸出層,整體網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。圖2中,STN1的作用是預(yù)校正圖像第1次卷積的結(jié)果,而STN2是包含了灰度模塊的空間變換網(wǎng)絡(luò)層,其作用是將圖像進(jìn)行灰度二次校正。在該網(wǎng)絡(luò)結(jié)構(gòu)中由本地化網(wǎng)絡(luò)負(fù)責(zé)樣本訓(xùn)練,得到θ。本地化網(wǎng)絡(luò)是空間變換網(wǎng)絡(luò)的重要部分,作為θ的訓(xùn)練單元,該網(wǎng)絡(luò)能夠通過迭代訓(xùn)練得到基礎(chǔ)仿射變換系數(shù),使得輸入的待配準(zhǔn)圖像能根據(jù)該系數(shù)自動進(jìn)行相應(yīng)的幾何變換。本文將具備自適應(yīng)變換能力的空間變換網(wǎng)絡(luò)作為單獨(dú)的網(wǎng)絡(luò)層,嵌入到卷積神經(jīng)網(wǎng)絡(luò)中以提高網(wǎng)絡(luò)整體的空間不變性[17]。

構(gòu)建空間變換網(wǎng)絡(luò)層過程中,將256像素×256像素的圖像作為U輸入到網(wǎng)絡(luò)中,第一層卷積的結(jié)果尺寸不變,在經(jīng)過第一個(gè)本地化網(wǎng)絡(luò)時(shí)進(jìn)行正向傳播,本地化網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示,Conv1卷積核大小設(shè)定為5×5，步長為2,padding大小為1，得到維度為128×128×32的特征圖。第一層池化層大小為2×2，步長為2，采樣得到維度為64×64×32的特征圖。Conv2卷積核大小為3×3，步長減少一半，padding不變，輸出維度為64×64×128的特征圖。Conv3卷積核大小設(shè)為5×5，步長為2，不添加padding，輸出維度為14×14×256的特征圖。最后一次最大池化采樣得到7×7×256的特征圖，再用2個(gè)具有4 096個(gè)節(jié)點(diǎn)的全連接層進(jìn)行輸出。本地化網(wǎng)絡(luò)設(shè)置參數(shù)見表1。

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)YOLOV3算法的遙感圖像油罐檢測[J]. 李昕,趙猛,董修武,程學(xué)珍.  中國科技論文. 2020(03)
[2]基于Faster R-CNN的高分二號遙感影像特定目標(biāo)識別[J]. 王井利,閻鑫.  中國科技論文. 2019(09)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的光學(xué)遙感圖像目標(biāo)檢測[J]. 盧藝帆,張松海.  中國科技論文. 2017(14)

碩士論文
[1]基于紅外圖像的電子穩(wěn)像算法研究[D]. 黃楠.西安電子科技大學(xué) 2018



本文編號：3427630