一种基于双通道深度网络的多时相卫星遥感影像匹配研究

一种基于双通道深度网络的多时相卫星遥感影像匹卫星遥感影像，实现高精度的图像匹配，本一种基于双通道深度网络的方法。该方法将多时相卫星遥感影小块，并通过监督学习的方法训练双通道深度网络，学习影像换模型，实现影像配准。实验结果表明，该方法能够有效地提相卫星遥感影像；双通道深度网络；图像匹配；影像像具有极高的时空分辨率和丰富的信息量，在环农业资源管理、城市规划等领域有重要的应用价值。但是，由像采集误差、大气干扰、地形变化等因素的影响，多时相卫星遥感影像往往存在不同程度的图像失配问题，导致影像的应用效果降低。何实现多时相卫星遥感影像的高精度图像匹配成为当前研究的像匹配方法主要基于特征点匹配或者区域匹配，但是这些多时相卫星遥感影像中受到噪声、缩放、旋转等变换的影响，导精度较低。为了解决这些问题，近年来出现了基于深度学习的图方法，通过学习影像的细节信息，提高了图像匹配的精度和鲁棒一种基于双通道深度网络的多时相卫星遥感影像匹配方该方法对多时相卫星遥感影像进行预处理，将其分割成小块，并通练深度网络，学习影像均一化转换模型，实现影像配准。本文的实安排如下：首先介绍多时相卫星遥感影像匹配的研究现详细阐述本文提出的基于双通道深度网络的多时相卫星遥感影法，然后给出本文的实验结果与分析，最后总结全文并提出进相卫星遥感影像匹配的研究现状像匹配是卫星遥感影像处理的重要环节之一，是卫星遥感图像的定量化、时序、空间分析和监测的基础，也是了解现象变化的重要途径。因此，多时相卫星遥感影像匹配的研究一直像匹配方法主要包括特征点匹配和区域匹配两种。特征点主要基于特征点的区域描述子描述图像的特点，因此具有较高的准和鲁棒性，但是对于多时相卫星遥感影像中受到噪声、缩放、旋转换的影响，容易失配，匹配精度较低。区域匹配主要基于区域之间似性进行匹配，可以通过遮挡和形变来实现匹配，但是多时相卫星影像中由于光照、大气干扰、地形变化等原因，相邻区域之间的相度学习的发展为多时相卫星遥感影像匹配提供了新的思学习通过卷积神经网络来学习图像的细节信息，可以有效地提emese度网络的多时相卫星遥感影像匹配方法一种基于双通道深度网络的多时相卫星遥感影像匹配方法，该方法主要包括预处理、双通道深度网络训练和影像配准三个步骤。。像的切割：多时相卫星遥感影像往往比较大，不进行匹配，因此本文将影像切割成小块进行匹配。影像切割的化转换：影像均一化转换是指将不同的多时相卫星遥感影化为具有相似的表示形式，通过学习影像之间的相似性实现影像配本文采用双通道深度网络进行影像均一化转换。将每个影像分别输两个通道，通过训练网络学习影像之间的相似性，提高了匹配的精通道卷积神经网络进行多时相卫星遥感影像匹配，将两影像作为网络的输入，学习影像之间的相似性。网络的结构如于的特征信息，池化层用于降低影像维度，全连接层用于输出图是指将两幅影像进行对齐，使得它们重叠和对齐。影像配括两种方式：基于特征点的配准和基于全局变换的配准。由于点的配准在多时相卫星遥感影像中容易失配，因此本文采用基换的影像配准方式，将学习到的影像均一化转换模型应用于影分析RD果比较方法匹配精度SIFT77.5%SURF2.3%本文方法92.4%一种基于双通道深度网络的多时相卫星遥感影像匹配方预处理、双通道深度网络训练和影像配准三个步骤，实现了对星遥感影像的高精度匹配。实验结果表明，该方法能够有效地。可以重点探究如何