利用动态上采样滤波深度网络进行多角度遥感影像超分辨率重建

近年来,基于深度学习的超分辨率重建技术已经广泛应用于多时相高光谱影像、高分影像超分辨率重建等领域。多角度遥感影像之间具有丰富的互补信息,可用于超分辨率重建。针对高分辨率多角度遥感影像提出了一种基于动态上采样滤波网络的超分辨率重建方法。该方法的网络结构为端到端双路网络,其中一个分支网络通过动态上采样滤波模块来实现分辨率提升,另一个分支网络用来学习影像中的高频信息,将两个分支网络输出的结果相加即可得到最终的超分辨率重建影像。为了验证该方法的有效性,利用WorldView-2美国亚特兰大地区和巴西里约热内卢地区多角度遥感影像数据分别进行了2倍、3倍、4倍超分辨率重建模拟实验和真实实验,并进行了多组对比实验。实验结果表明,所提方法可以在顾及多角度影像角度维信息的同时有效提升目标影像空间分辨率,并且较好地保持了影像的细节信息。

多尺度、多角度异源遥感影像配准方法研究

针对具有显著尺度和角度差异的异源遥感影像配准中存在的问题,引入具有角度不变性和同一尺度的空间辅助圆,克服角度和尺度偏差;选取对异源影像的光谱差异具有高鲁棒性的归一化互信息测度,基于空间辅助圆提取统计特征进行区域配准。该方法还将同名特征点的搜索范围限制在辅助圆内,在保证算法搜索效率的同时提高了配准的精度。选取具有较大尺度和角度偏差的异源遥感影像进行实验,通过与基于空间辅助面的配准方法相比较,证明基于空间辅助圆的归一化互信息配准方法对角度和光谱偏差具有较高的鲁棒性,配准模型的精度小于一个像素。