基于空间约束和结构特征的光学与SAR影像配准.docx

随着航空航天技术的快速发展，人类获取地表信息的手段越来越丰富，其中，多模态遥感影像由于具有互补性强的特性，已成为重要的信息获取方式。光学影像以其高解析度成为获取地表细节信息的理想选择，而合成孔径雷达（SAR）影像则能穿透云层，实现全天候观测。两者结合能够充分发挥各自优势，但同时，它们在成像机制、几何形变和辐射特性上的差异，为影像配准带来了不小的挑战。 传统的影像配准方法大致可分为基于特征和基于区域两大类。基于特征的方法通过选取影像中具有代表性的点、线、面等特征进行匹配，实现影像间的几何变换。然而，在光学与SAR影像配准的过程中，SIFT（尺度不变特征变换）等特征提取方法虽然能保持尺度和旋转不变性，但其对于复杂的成像机制差异表现并不理想。基于区域的方法，则是通过计算影像间的相似性测度，如互信息、归一化互相关等，来寻找匹配点。这种方法对非线性辐射差异非常敏感，且效果往往有限。 近年来，结构特征描述符如HOPC（高阶不变性特征描述符）和CFOG（紧凑的 Fourier 描述符）在多模态影像配准中显示出优势，它们能够较好地捕捉影像间的共性特征，提高配准精度。但是，这类方法在计算上非常耗费资源，不利于实现实时的影像配准。深度学习方法如孪生网络、多任务学习等在处理多源遥感影像配准问题时显示出潜力，尤其是HardNet等算法，在特征提取和匹配方面表现出色。不过，深度学习方法的通病是需要大量的训练样本，而目前在光学与SAR影像配准领域的训练数据还相当匮乏，这在一定程度上限制了深度学习方法的应用。 本文提出了一种基于空间约束和结构特征的光学与SAR影像配准方法，该方法包括以下步骤： 进行特征点提取。本文采用分块的Harris算子来提取均匀分布的特征点。Harris算子是一种角点检测算子，它能够检测出影像中的角点位置，而分块处理能够提高处理速度，确保特征点的均匀分布。 实施局部几何纠正。本方法利用遥感影像的姿态参数和数字高程模型（DEM）数据进行局部校正，消除影像之间的旋转和尺度差异。通过姿态参数和DEM数据，可以建立精确的几何约束，从而为后续的匹配区域预测提供可靠的基础。 第三步是构建几何结构特征描述符，并在频率域内建立快速匹配相似性测度。这种方法能够在频率域中快速计算影像间的相似性，通过模板匹配策略识别出同名点。频率域分析能够在一定程度上避免复杂的几何校正，简化了匹配过程。 最后是进行粗差剔除和几何纠正。本步骤通过剔除异常匹配点来消除误差，然后根据几何校正模型对影像进行最后的几何校正，以实现精确的自动配准。校正后的光学与SAR影像在几何形态上达到高度一致，从而为后续的地表信息提取和分析提供准确的基础。 本文提出的方法具有较强的实用性，克服了传统方法在配准效率和准确性上的不足。空间几何约束和结构特征的合理利用，降低了光学与SAR影像配准的难度。该方法不仅提高了配准效率，也保证了配准精度，对于未来的遥感影像应用领域具有重要的研究和应用价值。