基于卷积神经网络和校正网络相结合的遥感图像配准方法研究

岳国华 邢晓利

(西安科技大学计算机科学与技术学院 陕西 西安 710054)

0 引 言

图像配准就是寻找一种空间变换关系，使得不同成像条件下能采集到的同一场景的图像像素点在空间上一一对应[1]。遥感图像的配准，最早应用在军事领域的导弹追踪和景象匹配的制导技术等方面[2]。随着传感器硬件设备的发展，遥感图像的配准在民用领域发挥了越来越大的作用。然而，由于遥感图像的成像条件复杂，目标特征不明显，像素分辨率较低等特点，传统的遥感图像配准算法特征提取过程复杂，计算量大，且检测的特征点容易出现误匹配的情况。

传统的图像配准的方法可分为两大类：基于灰度的配准方法；基于特征的配准方法[3]。基于灰度的配准方法将配准问题转化为优化问题，通过优化图像的灰度相似度来确定图像间的变换参数。常见的算法有最大互信息法、相关法和联合熵法[4]。基于灰度的配准方法容易实现，但不适用于灰度变化明显或存在形变的图像[5]。基于特征的配准方法通过提取图像中点、线、边缘等特征完成配准，能够在图像存在几何失真和畸变的情况下取得优异的配准性能，从而更有效地建立图像间的匹配关系[6]。常用算法有SURF算法、SIFT算法、HOG算法等，其中SIFT算法因其稳定的尺度旋转不变性，成为基于特征配准算法的代表性算法。

近年来，深度学习备受关注，并在计算机视觉、数据挖掘等诸多领域大获成功。Fan等[7]将深度学习引入遥感图像的场景分类中，利用预先训练的CNN来进行高分辨率遥感图像场景分类，取得了良好的分类效果。……