基于深度学习的SAR图像精细配准方法
专利汇可以提供基于深度学习的SAR图像精细配准方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于 深度学习 的SAR图像精准配准方法，主要解决传统方法无法校正局部畸变和耗时的问题。其实现方案为：1)获取 训练数据 集；2)构建用于SAR图像精细配准的神经网络；3)构造用于SAR图像精细配准的神经网络的模型的损失函数；4)利用训练数据集对用于SAR图像精细配准的神经网络进行训练，得到训练好的网络模型；5)将待配准的SAR图像和作为参考的SAR图像输入到训练好的网络模型中，得到配准好的SAR图像。本发明能够校正SAR图像间的整体形变和局部畸变，提高了配准性能，加快了配准速度，可用于SAR图像融合和变化检测。，下面是基于深度学习的SAR图像精细配准方法专利的具体信息内容。
1.一种基于深度学习的SAR图像精细配准方法，其特征在于，包括如下：
(1)获取多幅从不同视角观测同一场景得到的有重叠区域的SAR图像，得到数据集Φ；
(2)构建用于SAR图像精细配准的神经网络：
(2a)构建用于校正图像间整体形变的子卷积神经网络，该子卷积神经网络依次由八个卷积层和一个全局平均池化层组成，其中前七个卷积层激活函数采用ReLU函数，第八层卷积层输出3个特征图，激活函数为线性函数，全局平均池化层对每个特征图中所有值进行平均，得到分别对应图像间几何形变的水平平移量、垂直平移量和旋转角度这三个输出值，根据这三个输出值采用二次线性插值法对待配准图像的进行全局校正；
(2b)构建用于校正SAR图像间局部形变的子残差神经网络，该子残差神经网络依次由激活函数是ReLU函数的八个卷积层和四个反卷积层组成，其中前三个反卷积层后的激活函数同是ReLU函数，第四个反卷积层后的激活函数是Tanh函数；根据该子残差神经网络输出1张特征图和参考图像对应像素值的偏移量u，采用二次线性插值法对经过子卷积神经网络校正后的图像进行局部畸变校正；
(2c)将步骤(2a)和(2b)构建的两个子神经网络依次连接，组合成SAR图像精细配准神经网络；
(2d)构建SAR图像精细配准的神经网络的损失函数Loss：
(2d1)构造子卷积神经网络的损失函数：lossglo＝||x-y||1+(1-SSIM(x,y))(2d2)构造子残差神经网络的损失函数：
(2d3)将(2d1)与(2d2)构造的损失函数相加，得到SAR图像精细配准的神经网络的损失函数：Loss＝lossglo+lossloc，
式中，x是子卷积神经网络得到的校正图像，y是参考图像，x1是残差神经网络得到的校正图像，||·||1表示1-范数,SSIM(·)是结构相似性函数, 和 分别表示沿水平和垂直方向的局部微分；
(3)利用(1)获得的数据集Φ对(2)构建的神经网络进行训练，得到配准好的图像：
(3a)设学习率参数为0.0001；
(3b)从数据集Φ随机抽取两张SAR图像，一张作待配准图像，一张作为参考图像，并将两张图像输入到用于SAR图像精细配准的神经网络中；
(3c)采用后向传播算法对(2)构建的SAR图像精细配准的神经网络的权值进行更新，以减少Loss函数值；
(3d)重复步骤3b)和3c),直至SAR图像精细配准的神经网络的损失函数Loss收敛，得到训练好的SAR图像精细配准的神经网络模型；
(3e)将参考图像和需要待配准的图像一同输入到训练好的神经网络模型中，得到配准好的SAR图像。
2.根据权利要求书1所述的方法，其特征在于，(2a)中由八个卷积层和一个全局平均池化层组成子卷积神经网络中的前七层卷积层输出特征图个数依次分别为32、64、128、256、
256、256、256，卷积核尺寸依次为7×7、5×5、3×3、3×3、3×3、3×3、3×3，步长均为2×2；
第8层卷积层的输出特征图个数为3，卷积核尺寸为3×3，步长为2×2。
3.根据权利要求书1所述的方法，其特征在于，(2b)中由八个卷积层和四个反卷积层组成子残差神经网络中的前四层卷积层输出特征图个数分别为32、64、128、256，卷积核尺寸依次为7×7、5×5、3×3、3×3，步长均为2×2，后四层卷积层输出特征图个数均为256，卷积核尺寸均为3×3，步长均为1×1；前三个反卷积层的输出特征图个数分别为256、128、64，卷积核尺寸依次为3×3、3×3、5×5，步长均为2×2，最后一个反卷积层的输出特征图个数为
1，卷积核尺寸为7×7，步长为2×2。
4.根据权利要求书1所述的方法，其特征在于，(2d1)的实现步骤如下：
(2d11)将待配准图像与参考图像y输入到子卷积神经网络，得到第一校正图像x，根据第一校正图像x和参考图像y的像素相似性，以1-范数作为像素相似性衡量标准构造||x-y||1函数，函数值越大，则像素相似性越差；
(2d12)根据第一校正图像x和参考图像y的结构相似性，选择结构相似性函数SSIM(·)作为结构相似性衡量标准构造(1-SSIM(x,y))函数，函数值越大，则结构相似性越差；
(2d13)将(2d11)与(2d12)中构造的函数相加，得到(2d1)的损失函数：
lossglo＝||x-y||1+(1-SSIM(x,y))。
5.根据权利要求书1所述的方法，其特征在于，(2d2)的实现步骤如下：
(2d21)将第一校正图像x输入到子残差神经网络，得到第二校正图像x1，根据第二校正图像x1和参考图像y的像素相似性，以1-范数作为像素相似性衡量标准构造||x1-y||1，函数值越大，则像素相似性越差；
(2d22)根据第二校正图像x1和参考图像y的结构相似性，选择结构相似性函数SSIM(·)作为结构相似性衡量标准构造(1-SSIM(x1,y))函数，函数值越大，则结构相似性越差；
(2d23)根据残差神经网络输出的偏移量需要具有空间平滑性，空间平滑性体现在水平梯度与垂直梯度上，故构造函数 作为空间平滑性的衡量标准，函数值越大，则空间平滑度越差；
(2d24)将(2d21)、(2d22)与(2d23)中构造的函数相加，得到(2d2)的损失函数：
基于深度学习的SAR图像精细配准方法
技术领域
背景技术
发明内容
具体实施方式
示图片总数。
2，激活函数是线性函数；全局平均池化层对每个特征图中所有值进行平均，得到三个输出值，分别对应图像间几何形变的水平平移量、垂直平移量和旋转角度，根据这三个输出值采用二次线性插值法对待配准图像的进行全局校正；
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 车载环视图像的特征点标定方法、装置和可读存储介质 | 2020-10-02 | 0 |
| 一种三维显示云渲染方法和系统 | 2021-03-01 | 1 |
| 一种基于驾驶员疲劳状态的主动限速方法 | 2021-04-04 | 0 |
| 一种水声定位与授时浮标及其工作方法 | 2021-10-15 | 2 |
| 一种基于RFID系统多项式估计的高速移动车辆速度预测方法 | 2022-04-11 | 0 |
| 六相逆变器供电的无轴承磁通切换电机驱动方法及系统 | 2020-10-03 | 0 |
| 一种跟踪路由处理方法和装置 | 2022-10-18 | 1 |
| 一种S=8编码方式的低功耗蓝牙维特比联合解调解码算法 | 2020-05-20 | 3 |
| 空调控制方法、装置和车辆 | 2022-01-11 | 2 |
| 数据拆分方法、装置、电子设备、及存储介质 | 2020-09-01 | 2 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
