cnn-matching项目包含“基于深度学习特征的异构遥感图像匹配方法”的源代码以及相关数据集。

5星

浏览量: 0

大小:None

文件类型：None

简介：
针对深度遥感影像在成像方式、时间相位以及分辨率等诸多因素导致匹配困难的问题，本文概述了一种全新的深度学习特征匹配方法，并利用CNN功能进行图像匹配。该方法旨在克服传统匹配算法在面对影像差异时的局限性。实验结果表明，所提出的算法展现出卓越的适应性和稳健性，在匹配点的数量、分布、效率以及整体适应性方面均显著优于其他现有的算法。此外，该存储库包含了以下文件的实现： “基于深度学习特征的异源遥感影像匹配算法”（中文版），该算法的核心思想和代码均建立在特征提取的基础上。最终的匹配结果包括：谷歌地球图像之间的匹配结果（分别对应2009年和2018年数据）、无人机光学图像与红外热像的精确匹配，以及SAR图像（GF-3）与光学卫星（ZY-3）图像之间的有效匹配，最后是卫星图与地图的精准对齐。为了方便用户使用，建议采用Python 3.7或更高版本进行运行。

全部评论 (0)

还没有任何评论哟~

客服

CNN-Matching: 异构遥感图像匹配方法的深度学习特征及源代码与数据集 - 源代码学习

优质

本项目介绍了一种名为CNN-Matching的深度学习模型，用于异构遥感图像间的精确配准。该项目提供了模型的源代码、预训练权重以及相关测试数据集，方便用户进行学习和研究。针对深度遥感影像在成像方式、时间相位及分辨率等方面的差异导致难以匹配的问题，提出了一种新的基于CNN的特征匹配方法。实验结果表明，该算法具有较强的适应性和鲁棒性，在点的数量与分布、效率以及适应性等方面均优于其他现有技术。此存储库包含以下文件实现：一种基于深度学习特征的异源遥感影像匹配算法（中文标题）。其中主要思想和代码都来源于相关研究。具体到匹配结果，包括但不限于： - 谷歌地球图像之间的匹配实验（2009年与2018年的数据对比） - 无人机光学图像与红外热像的匹配 - SAR图象(GF-3)与光学卫星(ZY-3)图像间的配准 - 卫星影像和地图间的一致性检验建议使用Python 3.7+版本进行代码运行。

基于深度卷积特征的遥感图像配准代码

优质

本代码采用深度卷积神经网络提取遥感图像的高级特征，实现高精度图像配准，适用于多源、多尺度影像匹配任务。利用深度卷积特征进行遥感图像配准的实现源代码可以参考论文《Multi-Temporal Remote Sensing Image Registration Using Deep Convolutional Feature》。该研究提出了一种基于深度学习的方法，用于处理多时间序列遥感影像注册问题，并详细介绍了如何通过提取深度卷积特征来提高配准精度和鲁棒性。

基于Harris及SIFT特征的遥感图像匹配算法

优质

本研究提出了一种结合Harris角点检测与SIFT描述子的遥感图像匹配算法，有效提升了不同条件下目标识别精度和稳定性。图像匹配是遥感图像处理及分析的重要环节之一。传统的基于角点的灰度关联匹配算法由于不具备旋转不变性，需要人工干预进行粗略匹配，无法实现自动化操作。SIFT（尺度不变特征变换）算法可以解决图像在旋转和缩放方面的挑战，但对于高分辨率的遥感图像而言，该算法会因几何特征更加清晰、纹理信息更为丰富而消耗大量内存，并且运算速度较慢的问题尤为突出。为了克服这些问题，提出了一种结合哈里斯角与SIFT描述符的新方法。实验结果显示，相较于传统的SIFT算法，新算法显著减少了计算时间，在保持了SIFT描述子的旋转不变性和适应浅灰度相关匹配的同时，依然无法完全解决全自动高分辨率图像匹配的问题。

基于相关系数的遥感影像匹配方法

优质

本研究提出了一种创新性的基于相关系数的遥感影像匹配技术，旨在提高不同时间或传感器获取的图像之间的精确配准能力。该方法通过优化特征点选择和利用高级统计量来增强算法在处理大范围地形变化及光照条件下的一致性和鲁棒性，从而实现高效且准确的影像对齐与融合。基于相关系数的影像匹配可以通过C++中的MFC实现。这种方法在遥感领域具有广泛的应用价值，能够有效地提高图像配准的精度与速度。通过计算两幅或多幅影像之间的相似度来确定它们的空间位置关系是该方法的核心思想之一。具体来说，在进行影像匹配时，可以利用相关系数对不同视角或时间点获取到的同一地物区域内的遥感数据进行分析和处理，进而实现精确的地表特征定位与识别。

基于相关系数的遥感影像匹配方法

优质

本研究提出了一种基于相关系数的遥感影像匹配技术，旨在提高不同传感器获取图像间的特征点对准精度和效率，适用于多源遥感数据融合与分析。基于相关系数的影像匹配技术可以通过C++中的MFC框架实现遥感影像匹配。

基于多尺度特征的遥感影像密集匹配技术

优质

本研究提出了一种利用多尺度特征进行高效、精确的遥感影像密集匹配的技术方法，适用于大范围、高分辨率图像数据处理。本段落提出了一种利用多尺度特征的无人飞艇遥感平台获取的序列航拍图像生成密集匹配视差图的方法。首先运用尺度不变特征变换（SIFT）算法从两幅相邻图像中提取关键点，通过欧氏距离进行初步匹配，并缩小搜索范围以提高效率。随后采用随机抽样一致性（RANSAC）算法估计基础矩阵，利用对极几何约束关系剔除误匹配，实现精确匹配，从而提升系统的稳定性和精度。最后应用区域生长算法生成密集的关键点匹配结果并构建相应的视差图像。实验表明该方法在保持稳健性的同时能够降低时间复杂度，并获得大规模的密集匹配点集，最终呈现出良好的视觉效果。

基于深度学习CNN与PyTorch框架的遥感图像滑坡识别源码及配套资源（含数据集、训练模型和项目文档）.zip

优质

本资源提供基于深度学习CNN技术的Python代码，用于识别遥感图像中的滑坡现象。采用PyTorch框架，并包含所需的数据集、预训练模型以及详细的项目文档。基于深度学习CNN网络及Pytorch框架实现的遥感图像滑坡识别项目包括源码、数据集、训练好的模型以及详细的项目说明文档。该项目使用ResNet预训练权重进行初始化，用户需要将该文件放置在model_data文件夹下。 landslide_train.txt 文件每行记录了图片相对路径及其标注框坐标和类别（本例中滑坡的唯一类别用0表示）。通过运行train.py脚本来启动模型训练。每次迭代生成的新权重会被自动保存到logs文件夹内，这些就是训练过程中产生的模型。理论上来说，经过更多次迭代后得到的模型性能会更优。在开始训练前，请确保将数据集中的所有图片复制至项目目录下的LandSlide_Detection_Faster-RCNN/LandSlideDataSet/images 文件夹，并且预训练权重文件已放置到model_data文件夹内。

遥感图像数据集（用于深度学习的图像检测），含图片及XML标签

优质

本数据集专为深度学习中的图像目标检测设计，包含大量遥感影像及其对应的XML格式标注文件，助力模型训练与性能优化。一个用于遥感图像目标检测的开放数据集包括：飞机数据集，包含446幅图像中的4993架飞机；游乐场数据集，包含189张图片中的191个游乐场；天桥数据集，包含176幅图片中的180座天桥；油箱数据集，包含165张图片中的1586个油箱。该数据集中每一张图像都与标签一一对应，并且存储在不同的文件夹中。

CNN-Matching_CNN图像匹配_MatchingCNN_cnn-matching

优质

CNN-Matching是一种基于卷积神经网络（CNN）的图像匹配算法，旨在通过学习特征表示来实现高效准确的图像配准与识别。这是一篇关于基于深度学习的图相匹配的文章，通过深度学习的方法进行图像匹配训练。

基于特征的图像匹配算法集合

优质

本算法集提供多种基于特征的高效图像匹配方法，适用于不同场景下的精准与快速匹配需求。该压缩包包含几个基于特征的图像匹配算法，部分可以直接运行，另一些则需要稍作调整。特别值得一提的是，里面还包含了六个额外的压缩文件。这些资源非常有价值，绝对物超所值。