遥感图像配准技术作为图像处理领域中的重要环节,在无人机、人造卫星、航天器等遥感系统平台中有着广泛的应用。由于遥感图像配准难度较大,在一定程度上限制了其应用和发展。为满足各领域对遥感图像高精度的要求,本文提出了一种基于深度残差网络多层特征融合的遥感图像配准方法,以及一种基于空间变换与密集卷积融合的遥感图像配准方法。1.本文提出了一种基于深度残差网络多层特征融合的遥感图像配准方法。利用深度残差网络Res Net50提取遥感图像的特征,并将多个卷积层的特征进行加权融合,以增强特征点的鲁棒性。通过随机采样一致性算法剔除误匹配点,提高特征点的匹配精度,并根据计算出的变换模型完成遥感图像配准。2.本文提出了一种基于空间变换与密集卷积融合的遥感图像配准方法。使用引入空间变换结构的STN-Dense Net模型进行特征提取,增强图像变形区域的特征提取效果。采用改进的网格运动统计算法对该模型提取的特征进行匹配,并通过基于单应性矩阵的方法来剔除误匹配点对,提高匹配精度,从而实现遥感图像的准确配准。实验证明,本文方法能有效提高正确匹配点的数量,具有较高的配准精度和较强的鲁棒性。能够为无人机系统提供准确的遥感图像配准结果,在城市规划、灾害监测、农田防护等实际应用中具有良好的表现。