一种改进的基于深度学习的遥感影像拼接方法.pdf

一种改进的基于深度学习的遥感影像拼接方法 深度学习在遥感影像拼接中的应用 遥感影像拼接是解决大区域生物变化、土地资源利用、自然灾害监测等的基础性工作。传统的遥感影像拼接方法存在很多限制，例如图像配准、点变换和图像融合三个方面都需要人工干预和调整。近年来，深度学习技术的发展为遥感影像拼接提供了新的思路和方法。 深度学习技术在图像配准中的应用 图像配准是遥感影像拼接的关键步骤，传统的图像配准方法主要基于手动提取图像特征，然后进行特征匹配。然而，这种方法的精度和鲁棒性受到图像质量和外部环境的影响。基于深度学习的图像配准方法可以自动提取图像特征，并且能够适应不同的图像环境。 本文中，作者提出了基于Hierarchical Convolutional Features（层次卷积特征）的图像配准方法。该方法可以自适应地从卷积神经网络（Convolutional Neural Networks，CNN）中提取图像特征，然后将这些特征发送到相关滤波器（Correlation Filter，CF）中，以计算图像之间的相似度。因此，图像配准的精度和鲁棒性得到了大幅提高。 深度学习技术在点变换中的应用 点变换是遥感影像拼接的另一个关键步骤，传统的点变换方法主要基于手动选择控制点，然后进行坐标变换。然而，这种方法需要人工干预和调整，且容易受到图像质量和外部环境的影响。基于深度学习的点变换方法可以自动选择控制点，并且能够适应不同的图像环境。 本文中，作者提出了基于交点法（Cross-Points Method）的点变换方法。该方法可以根据图像配准的结果，自动计算控制点的位置，然后进行坐标变换。因此，点变换的精度和鲁棒性得到了大幅提高。 实验结果和讨论 实验结果表明，基于深度学习的遥感影像拼接方法比传统的拼接方法具有更高的精度和鲁棒性。本文的实验结果表明，基于Hierarchical Convolutional Features的图像配准方法可以达到95%以上的精度，而基于Cross-Points Method的点变换方法可以达到90%以上的精度。 基于深度学习的遥感影像拼接方法可以有效地提高遥感影像拼接的精度和鲁棒性，具有广泛的应用前景。