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。

基于深度学习的SAR与光学影像配准方法综述

遥感影像配准在遥感数据后续应用中发挥着基础性的作用,光学影像作为应用最广泛的数据源与全天时全天候获取数据的合成孔径雷达(SAR)影像综合利用能够获取更丰富的信息,SAR与光学影像配准已成为前沿热点问题。鉴于深度学习方法在光学影像配准中取得的成功,其在SAR与光学影像配准上也得以发展,对基于深度学习的SAR与光学影像配准方法进行归类与总结,根据是否直接使用深度学习网络提取描述异源影像特征将其分为特征描述符学习和风格迁移2类方法,将现有研究从使用的网络模型、损失函数和数据集等方面进行总结,并简要介绍了适用于SAR与光学配准的公开数据集以及图像匹配评价指标。

基于VoxelMorph的可见光和红外遥感影像配准

由于可见光和红外的成像机理、成像波段不同,获取的遥感影像之间存在复杂的非线性辐射畸变,传统的配准方法难以实现两者的高精度配准.本文提出一种基于VoxelMorph的可见光和红外遥感影像配准方法,利用卷积神经网络对可见光和红外异源图像进行分步的精细化形变场计算,从而实现快速高精度配准.将可见光图像作为参考图像,利用U-Net网络计算待配准红外图像和参考(可见光)图像的形变场,实现全局对齐的仿射变换,然后通过空间转换网络进一步实现更高自由度变形.采用WHU-OPT-SAR数据集的实验结果表明,与基于尺度不变特征变换(SIFT)算法的传统配准方法相比,本文提出的基于VoxelMorph配准方法可以获得更好的配准效果,验证了基于VoxelMorph的配准方法在多源遥感影像领域的有效性.