(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210844306.X (22)申请日 2022.07.19 (65)同一申请的已公布的文献号 申请公布号 CN 114998630 A (43)申请公布日 2022.09.02 (73)专利权人 北京科技大 学 地址 100083 北京市海淀区学院路3 0号 (72)发明人 刘红敏　毕海旭　王星　樊彬　 曾慧　 (74)专利代理 机构 北京市广友专利事务所有限 责任公司 1 1237 专利代理师 张仲波　付忠林 (51)Int.Cl. G06V 10/75(2022.01) G06V 10/25(2022.01)G06V 10/80(2022.01) 审查员 胡丽丽 (54)发明名称 一种从粗到精的地对空图像 配准方法 (57)摘要 本发明公开了一种从粗到精的地对空图像 配准方法， 包括： S1， 获取待配准的 图像对； S2， 采 用模板匹配的方法对图像对进行配准， 得到初步 配准结果； S3， 基于初步配准结果在目标图像中 裁剪出感兴趣区域， 采用深度学习的方法对源图 像和裁剪 出的感兴趣区域提取特征点并匹配， 得 到特征点匹配结果； S4， 基于 特征点匹配结果， 采 用基于随机抽样一致RANSAC的方法对图像对进 行尺度对齐， 然后对完成尺度对齐的图像对再次 执行S3， 得到新的特征点匹配结果； S5， 重复执行 S4预设次数， 得到最终的配准结果。 本发明的方 法能够针对卫星影像和机载图像， 实现不同视角 下立体结构图像间的像素级配准， 具有通用性。 权利要求书2页 说明书6页 附图1页 CN 114998630 B 2022.11.04 CN 114998630 B 1.一种从粗到精的地对空图像 配准方法， 其特 征在于， 包括： S1， 获取待配准的图像对； 其中， 所述图像对 包括源图像和目标图像； S2， 采用模板匹配的方法对所述图像对进行配准， 得到初步配准结果； S3， 基于初步配准结果在目标图像中裁剪出感兴趣区域， 采用深度学习的方法对源图 像和裁剪出的感兴趣区域 提取特征点并匹配， 得到特 征点匹配结果； S4， 基于特征点匹配结果， 采用基于RANSAC （RANdom  SAmple Consensus， 随机抽样一 致） 的方法对 所述图像对进 行尺度对齐， 然后对完成尺度对齐的图像对 再次执行S 3， 得到新 的特征点匹配结果； S5， 重复执 行S4预设次数， 得到最终的配准结果； 所述源图像为 卫星图， 所述目标图像为无 人机鸟瞰图； 所述源图像和目标图像中包 含不同视角下立体结构建筑物的图像信息； 所述采用模板匹配的方法对所述图像对进行配准， 包括： 将源图像 和目标图像 输入到QATM （Quality ‑Aware Template Matching， 质量感知 模板匹配方法） 模型中， 对图像对中立体结构建筑物的图像信息进行提取并进行相似度度 量， 最终输出 在 上感兴趣区域， 区域框记为 ， 分别代表框选区域的位 置坐标以及高度和宽度； 所述基于初步配准结果在目标图像中裁 剪出感兴趣区域， 包括： 对于输入的目标图像 ， 利用初步配准得到的区域框信息进行裁剪， 以坐标 为 起始点， 为高度和宽度建立裁 剪框区域， 得到最终的框 选区域 ； 所述采用深度学习的方法对 源图像和裁 剪出的感兴趣区域 提取特征点并匹配， 包括： 将 和 输入到Superpoint （Self ‑Supervised  Interest  Point Detection  and  Description， 自监督的兴趣点检测和描述） 模型中进行特征提取， 分别得到两幅图像的特 征点信息和描述符信息； 分别将提取到的特征点信息和描述符信息输入到Superglue （Learning  Feature Matching With Graph Neural Networks, 使用图神经网络 学习特征 匹配） 网络中， 得到两幅图的特征点匹配关系矩阵P， 将 中的所有点坐标加上 来映 射回原图； 其中， P代 表了两幅图像 和 的匹配概 率； 基于特征点匹配结果， 采用基于RANSAC的方法对所述图像对进行尺度对齐， 包括： 基于特征点匹配关系矩阵P， 使用RANSAC  + 单应估计的方法估计最优单应模型 ； 然 后使用 对 做单应变换得到 ， 以完成 和 的尺度对齐； 所述使用 对 做单应变换得到 ， 包括： 首先对源图像的目标区域添加对称填充以扩大采样区域， 然后使用估计得到的最优单 应模型 对其做单应 变换， 并裁 剪掉黑色缺失部分； 所述重复执 行S4预设次数， 得到最终的配准结果， 包括： 对 和 重新提取特征点并匹配， 迭代执行S4预设次数， 最终得到 在 上的变换集合 ， 选取 作为 到 的高精度 配准结果； 其中， 表示第N次迭代得到权　利　要　求　书 1/2 页 2 CN 114998630 B 2的 的单应变换结果， N表示 最大迭代次数。权　利　要　求　书 2/2 页 3 CN 114998630 B 3