基于空间约束和结构特征的光学与SAR影像配准.docx

【光学与SAR影像配准概述】 随着航空航天技术的进步，多模态遥感影像成为获取地表信息的重要手段。光学影像解析性强，但易受环境因素影响，而SAR影像则具备全天候观测能力，两者互补性强。然而，由于成像机制的不同（光学影像依赖光照，SAR影像不受光照影响但存在斑点噪声），导致两者之间存在几何形变和辐射差异，使得配准过程极具挑战性。 【传统配准方法】 影像配准方法主要分为基于特征和基于区域两种。基于特征的方法通过检测和匹配影像间的点、线、面特征，实现几何变换。SIFT特征虽具有尺度和旋转不变性，但在光学与SAR影像间配准时表现不佳。基于区域的方法如模板匹配，利用相似性测度（如互信息、归一化互相关）寻找匹配点，但这类方法对非线性辐射差异敏感，效果有限。 【结构特征描述符与深度学习方法】 结构特征描述符，如HOPC和CFOG，能较好反映多模态影像间的共性，提高配准精度，但计算量大，不易实现实时匹配。近年来，深度学习方法在多源遥感影像配准中崭露头角，如孪生网络、多任务学习的深度学习方法和HardNet等。然而，这些方法需要大量训练数据，目前光学与SAR影像配准的训练样本不足，限制了其应用。 【本文方法】 本文提出的空间几何约束和结构特征配准方法包括以下步骤： 1. 特征点提取：使用分块的Harris算子提取均匀分布的特征点。 2. 局部几何纠正：利用姿态参数（如RPC）和DEM进行局部校正，消除旋转和尺度差异，为匹配区域预测提供几何约束。 3. 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，采用模板匹配策略识别同名点。 4. 粗差剔除和几何纠正：最后通过剔除异常匹配点并进行几何校正，完成光学与SAR影像的自动配准。 这种方法旨在克服传统方法的局限性，提高配准效率和准确性，同时利用空间约束降低配准难度，适应光学与SAR影像的特性差异。