异源遥感影像特征匹配的深度学习算法

针对异源遥感影像的成像模式、时相、分辨率等不同导致匹配困难的问题,提出了一种基于深度学习特征的匹配方法CMM-Net.首先,利用卷积神经网络提取异源遥感影像的高维特征图,根据同时满足通道最大和局部最大两种条件选取关键点,并在特征图上提取相应位置的512维描述符.在匹配阶段,完成快速最近邻搜索特征匹配后,为解决误匹配点多的问题,提出了动态自适应欧氏距离阈值和RANSAC共同约束的提纯算法,保证误匹配有效剔除的同时,最大限度保留正确匹配点.利用多组异源遥感影像对算法进行了测试,并与多种异源影像匹配算法进行了比较,结果表明本文算法能够提取出异源影像的尺度不变相似特征,具有较强的适应性和稳健性.     

异源多分辨率卫星影像匹配算法研究

以异源多分辨率遥感卫星影像为研究对象，对影像特征提取、特征描述、特征匹配及匹配提纯算法进行了较为深入的研究；并将不同的特征提取与匹配算法进行组合，通过试验对比得出了各种算法的适用性。在此基础上，设计了一套面向异源多分辨率卫星影像的匹配流程。     

改进的SIFT双向匹配算法在异源影像匹配中的应用

针对不同传感器、不同时相、不同分辨率的异源遥感影像匹配困难的问题,引入尺度不变特征(Scale Invariant Feature Transform,SIFT)算法;针对传统SIFT匹配算法的不足,利用SIFT特征向量匹配对的唯一性约束改进传统SIFT算法的匹配策略,采用双向匹配以达到在匹配过程中准确寻找匹配点对的目的,提高影像匹配的正确率,实验证明,该方法适用于异源影像匹配。     

一种新的异源高分辨率光学卫星遥感影像自动匹配算法

提出一种新的异源高分辨率光学卫星遥感影像自动匹配方法.首先利用高分辨率光学遥感影像有理多项式模型(RFM)正解模型,通过迭代计算其反解模型,并将RFM反解模型与投影轨迹法结合提取特征点对应异源影像核线,通过核线检查与对比分析确定同名点搜索范围.然后在搜索范围内利用最小欧式距离准则提取初始同名点,最后采用RANSAC算法和多项式拟合迭代法剔除误匹配点以获取最终的匹配结果.试验结果表明,相对于传统的SIFT算法,本文方法通过对异源影像特征点构建核线几何约束和灰度分析进行匹配,可获取更好的匹配效率和精度.     

异源高分辨率遥感影像的三维重建

针对在实际应用中难以获得同源高分辨率遥感影像,利用同源高分辨率影像实现高精度、自动化的三维重建仍存在一定困难的现状,该文提出一种利用异源高分辨率遥感影像进行三维重建的方法。采用尺度不变特征变换算法对影像进行匹配以获取同名点,并使用随机抽样一致性算法剔除低精度匹配点;然后利用获取的同名点构建Delaunay三角网;接着根据有理函数反解模型和投影射线联合定位算法解算各个同名点的三维坐标;最后基于Delaunay三角网内插技术求取地物点的高程值,并基于OpenGL技术实现三维显示。试验结果表明,利用该方法可以实现异源高分辨率遥感影像的三维重建,精度上能够满足生产需求。     

一种异源高分辨率卫星遥感影像近似核线生成算法

提出了一种实用的基于有理函数模型(RFM)的核线生成算法,研究并实现在该算法下异源高分辨率卫星遥感影像像对近似核线生成方法。该方法利用高分辨率卫星遥感影像正解模型迭代计算RFM反解模型,结合核线投影轨迹法,提取像对之间近似核线对。实验表明,本文算法具有可适性和通用性,为异源高分辨率卫星遥感影像数据的自动匹配处理提供了可靠保证。     

一种基于邻域投票的异源光学影像SIFT匹配误差剔除方法

异源遥感影像匹配是高分影像处理中的重要环节与关键问题,但目前异源高分影像匹配精度有待提高。本文提出了一种基于邻域投票的异源光学影像SIFT匹配误差剔除方法,首先利用尺度不变性特征变换（SIFT）对特征点进行提取,随后基于邻域投票对匹配特征点进行二次约束,最后区分出待剔除误差大的匹配点,进而确定精确匹配点。为了评价本文方法的精度,分别对建筑物、道路、水体进行匹配研究,试验证实该方法可以提高上述3种地类的匹配精度,相比传统的SIFT方法平均提高了66%,同时有效地保持了结果的尺度不变性。     

一种基于组合特征的异源遥感影像配准方法

为实现大差异光学影像的高精度配准,充分利用各类特征检测算法的优势,提出一种基于多类型特征组合的异源遥感影像配准方法。在对获取的影像特征进行描述的基础上,通过影像分块均匀性分析和RANSAC整体一致性分析筛选高精度可靠的组合特征,构建和解算综合参数模型以实现影像的预配准和重采样。再利用最小二乘方法优化特征点匹配结果,使用小面元的方法进行影像的精配准和重采样。实验结果表明在异源光学遥感影像的亮度、分辨率差异较大时,可得到高精度的配准结果。     

一种高分辨率光学卫星遥感影像直线匹配算法

高分辨率光学卫星遥感影像直线自动匹配算法的具体流程包括:进行影像尺度调整,对影像进行边缘提取,采用Hough变换提取直线;同时基于直线几何特征和灰度特征提取同名直线,利用Hough变换模型,将线转换为参数空间中的点,并建立转换模型;最后采用RANSAC算法剔除错误同名直线,以获取最终的匹配结果。实验结果表明,本文提出的算法能显著提高影像同名直线提取的数量和精度,特别是对异源影像具有抗噪能力强、鲁棒性好等特点。