参数合成空间变换网络的遥感图像一致性配准

摘要

目的 遥感图像配准是对多组图像进行匹配和叠加的过程.该技术在地物检测、航空图像分类和卫星图像融合等方面发挥着重要作用,主要有传统方法和基于深度学习的方法.其中,传统遥感图像配准算法在进行配准时会耗费大量人力,并且运行时间过长.而基于深度学习的遥感图像配准算法虽然减少了人工成本,提高了模型自适应学习的能力,但是算法的配准精度和运行时间仍有待提高.针对基于深度学习的配准算法存在的问题,本文提出了参数合成的空间变换网络对遥感图像进行双向一致性配准.方法 通过增加空间变换网络的深度、合成网络内部的参数对空间变换模型进行改进,并将改进后的模型作为特征提取部分的骨干网络,有效地提高网络的鲁棒性.同时,将单向配准方法改为双向配准方法,进行双向的特征匹配和特征回归,保证配准方向的一致性.然后将回归得到的双向参数加权合成,提高模型的可靠性和准确性.结果 将本文实验结果与两种经典的传统方法SIFT(scale-invariant feature transform)、SURF(speeded up robust features)对比,同时与近3年提出的CNNGeo(con-volutional neural network architecture for geometric matching)、CNN-Registration(multi-temporal remote sensing image reg-istration)和RMNet(robust matching network)3种最新的方法对比,配准结果表明本文方法不仅在定性的视觉效果上较为优异,而且在定量的评估指标上也有不错的效果.在Aerial Image Dataset数据集上,本文使用"关键点正确评估比例"与以上5种方法对比,精度分别提高了36.2％、75.9％、53.6％、29.9％ 和1.7％;配准时间分别降低了9.24 s、7.16 s、48.29 s、1.06 s和4.06 s.结论 本文所提出的配准方法适用于时间差异变化(多时相)、视角差异(多视角)与拍摄传感器不同(多模态)的3种类型的遥感图像配准应用.在这3种类型的配准应用下,本文算法具有较高的配准精度和配准效率.