论文部分内容阅读
遥感成像技术广泛应用于目标定位、地质勘测和检测地球表面环境变化等领域,图像匹配是遥感成像技术中的研究热点之一。由于遥感成像过程中存在光照分布不均、硬件设备位移和障碍物遮挡等因素,会影响图像匹配的精度和速度。深度学习中的卷积神经网络具有强大的特征提取能力和学习能力,对噪声、形变和光照变化等具有较好的鲁棒性,可以提高图像匹配的准确率。因此,采用深度学习的方法对遥感图像进行匹配具有较重要的研究和实际应用意义。本文首先介绍了遥感图像匹配的研究背景和发展现状,阐述了图像匹配的基本概念、常用方法及匹配策略与性能评价;概述了深度学习和卷积神经网络的基本概念、卷积神经网络的优化方法和主要训练策略,以及深度学习中常用的数据增强方法。然后,研究了基于深度学习的遥感图像匹配方法,具体内容如下:(1)对基于RF-Net(Receptive Fields Network)和SIFT(Scale Invariant Feature Transform)算法网络框架的遥感图像匹配方法进行了研究。该方法将传统的SIFT匹配算法融入深度学习网络框架,利用卷积神经网络提取出的特征图构建尺度空间和高斯差分空间,并从中获取特征点信息,最后生成描述子用于遥感图像的匹配。实验结果表明,基于深度学习的匹配方法优于传统的SIFT方法;基于RF-Net的匹配方法优于基于RF-Net和SIFT的匹配方法。(2)提出了一种基于RF-Net和DSS(Deeply Supervised Salient Object Detection with Short Connection)网络框架的遥感图像匹配方法。该方法在关键点检测模块的主干网络中,引入深度监督的短接结构(short-connection),将高层特征转移至浅层侧边输出,生成信息较为丰富的响应图,用于提取关键点信息,并引入L2-Net(L2 Distance Network)的描述子提取网络,得到128维特征向量用以描述关键点。实验结果表明,该方法的关键点检测性能稍弱于基于RF-Net的匹配方法,但是匹配准确率略高于后者。(3)提出了一种基于RF-Net和PSPNet(Pyramid Scene Parsing Network)双通道网络框架的遥感图像匹配方法。该方法针对RF-Net中存在的网络较浅和缺乏高层语义信息的问题,引入PSPNet,构建双通道的网络框架,聚合不同区域的上下文信息,并融合感受野递增的浅层网络,生成描述子用于遥感图像的匹配。实验结果表明,该方法的匹配准确率稍弱于RF-Net,但在抗仿射变化的性能方面有较大提升。(4)提出了一种基于RF-Net和ResNet(Residual Network)双通道网络框架的遥感图像匹配方法。该方法的两个通道由RF-Net和Res Net组成,分别生成感受野递增的浅层特征和表征能力更强的高层特征,通过特征融合,在保证感受野大小的前提下,得到包含有丰富信息的响应图,生成描述子用于遥感图像的匹配。实验结果表明,该方法在遥感图像的关键点检测和匹配准确率方面具有更优的性能。最后,对全文进行了总结与展望。