强化位置感知的光学与SAR图像一体化配准方法

图像配准是光学与SAR图像信息融合的基础。现有典型的配准方法大多依赖于特征点检测与匹配来实现，对不同场景区域的适用性较差，容易出现误匹配点多或有效同名点不足以致配准失效的情况。针对该问题，本文提出了一种强化位置感知的光学与SAR图像一体化配准方法，利用深度网络直接回归图像间的几何变换关系，在不依赖特征点检测与匹配的情况下，实现端到端的高精度配准。具体地，首先在骨干网络中利用融合坐标注意力的特征提取模块，捕获输入图像对中具有位置敏感性的细粒度特征；其次，融合骨干网络输出的多尺度特征，兼顾浅层特征的定位信息与高层特征的语义信息；最后提出联合位置偏差与图像相似性的损失函数优化配准结果。基于高分辨率光学与SAR图像配准公开数据集OS-Dataset的实验结果表明，与现有典型的OS-SIFT、RIFT2、DHN及DLKFM四种算法相比，所提方法对于城市、农田、河流、重复纹理及弱纹理等不同场景区域均具有良好的稳健性，在配准的目视效果以及定量的精度指标上均优于现有算法。其中平均角点误差小于3个像素的百分比与四种算法中精度最高的DLKFM相比提高了25%以上；配准速度与四种算法中最快的DHN基本相当，...