论文部分内容阅读
大地震是一种破坏性极强的自然灾害。它具有破坏范围广、突发性强、造成损失严重等特点,对人民的生命财产安全造成了严重的威胁。而震后需要第一时间快速开展灾害评估活动。在遥感地震灾害评估中,多源遥感图像配准是一个重要的步骤。随着遥感技术的发展,不同的卫星传感器可以提供多光谱、多时间、多平台和多空间分辨率的遥感图像,多源遥感数据的配准一直是遥感图像处理研究领域的热点问题。而地震的发生使得震前和震后获取的遥感图像之间的存在一定程度的局部形变,增大了多源遥感数据配准的难度。传统的遥感图像配准方法难以满足震后灾情快速评估对震后遥感图像配准精度和效率的要求。针对这一问题,本论文从特征的角度出发,提出两种多源高分辨率卫星遥感图像自动配准方法,并利用两组国产高分辨率卫星遥感图像和三组震后高分辨率卫星遥感图像分别进行实验,验证本文方法在匹配点数量和分布、运行时间及配准精度上的优势。本文主要完成的工作及成果包括以下几点:1、针对传统方法存在的耗时长、精度低的问题,难以满足震后灾情快速评估对震后遥感图像配准要求,提出了一种基于Shi_Tomasi和尺度不变特征变换算法(SIFT)的多源高分辨率遥感图像快速自动配准方法(SSR)。该方法将Shi_Tomasi角检测算法与SIFT相结合,从利用地理坐标约束的图像分割策略得到的图像块中检测匹配点。然后,分别利用随机样本一致性(RANSAC)和控制点均匀化方法移除错误和冗余的匹配点。实验结果表明,与经典的SIFT方法(SIFT)和采用相同图像分割策略的SIFT方法(Patch-SIFT)相比,该方法具有配准精度高、运行时间短、匹配点多、分布均匀等优点。对于国产高分辨率遥感图像,运行时间分别提高了 3.24倍和2.01倍,配准精度提高了 0.26个像元和0.25个像元;对于震后高分辨率卫星遥感图像的配准优势更为显著,运行时间分别提高了 11.17倍和2.48倍,配准精度提高了 4.12个像元和0.87个像元,可以较好的满足震后灾情评估对遥感图像配准精度和效率的要求。2、为进一步提高配准特征的准确性,将卷积神经网络得到的特征运用于配准中,提出基于卷积神经网络(CNN)和SIFT的多源卫星遥感图像自动配准方法(CNN_SIFT)。首先根据高分辨卫星遥感图像构建配准样本集。然后在ImageNet数据库的基础上,结合样本集对CNN进行迁移学习和微调,以得到训练模型。最后将特征点图像输入CNN中提取特征描述符,并与SIFT特征描述符进行融合,利用融合特征完成图像配准。该方法采用CNN中的VGG16、ResNet50网络,利用得到的三种融合特征—SIFT+Fc6、SIFT+Fc7和SIFT+ResNet50进行对比试验。实验结果表明,该方法通过融合高维的CNN特征,在国产高分辨率卫星和震后高分辨率卫星遥感图像的配准中均得到了较优的结果。相比前文SSR方法、Patch-SIFT和SIFT,提高了配准精度,分别为0.11、0.67和2.30个像元。此外,如何提高该方法的效率是待进一步研究的工作之一。