基于卷积神经网络的多源遥感图像配准

摘要

针对多源遥感图像中噪声多,背景或者局部环境光照造成局部辐射失真容易引起误配的问题,提出了一种基于卷积神经网络(convolutional neural networks,CNN)特征的图像配准算法.利用自建遥感影像集对预训练好的改进的GoogleNet模型进行迁移学习,然后用GoogleNet生成鲁棒性强的深度卷积特征描述算子,用于特征匹配,并使用几何相似性的误匹配点去除算法(geometrical similar outlier removal method,GSM)取代迭代次数无上限的ransac算法(random sample consensus,RANSAC)来剔除误匹配点,实现多源遥感图像配准.多组对比实验表明,提出算法参数估计值的均方根误差(root-mean-square error,RMSE)较小,正确匹配点对较多,对多源遥感图像的配准效果更好.