基于注意力和特征融合的光学遥感图像配准

针对部分基于深度学习的光学遥感图像配准模型配准精度较低、用时较长的问题,提出了一种结合了注意力块和残差网络的配准方法。首先使用随机颜色抖动增强数据,然后采用改进的双注意力块过滤图像中的无关信息和干扰信息,紧接着采用改进的残差网络提取过滤后图像的高、低维特征信息并进行融合。最后利用双向相关特征匹配得到两个匹配关系,并计算合成图像的匹配参数,再通过仿射变换完成图像配准。在四个数据集上的实验结果表明,平均配准精度提升了6.87%,而平均配准时间仅为1.23秒,提高了光学遥感图像配准的精度与效率。

融合上下文特征与密集网络的光学遥感图像配准

光学遥感图像的地理位置特征复杂多样,且多尺度特征空间信息丰富,在配准过程中难以充分提取图像特征,配准精度较低。针对上述问题,提出融合上下文特征与密集网络的配准模型,通过把位置信息嵌入注意力中加深对位置信息的关注,并集成多个不同内核的深度可分离卷积整合多个不同感受野来聚合丰富的多阶特征语义信息。首先采用融合后的密集网络对图像进行特征信息提取,接着使用双向皮尔逊相关匹配得到双向匹配关系,并通过回归得到的双向参数加权合成最终参数,最后通过仿射变换完成图像配准。实验结果表明,关键点正确估计的比例指标系数为0.05,0.03和0.01情况下,在Aerial-image数据集中分别高达83.9%,60.3%和15.3%,有效提高了光学遥感图像配准精度。