论文部分内容阅读
图像配准是将在不同时间、不同传感器、不同视角及不同成像条件下获取的图像进行匹配和叠加的过程,是其他图像处理技术的基础。本文的工作主要从基于特征的角度出发,提出了几种各具特色的图像配准方法,并通过实验分析说明了这几种方法的正确性。本文的主要完成工作如下:1.基于SAR-SIF和MI(Manual Information)的图像配准方法,该方法以提高SAR(合成孔径雷达,Synthetic Aperture Radar)图像的配准精度为目的,以SIFT方法为理论基础,采用指数平均加权滤波核对图像进行处理,建立SAR-Harris尺度空间,在SAR-Harris尺度空间中提取特征点,使用RANSAC(Random Sample Consensus,随机抽样一致性)匹配方法对图像进行粗匹配,再利用互信息的优化策略对图像配准参数进行优化以达精确匹配。2.基于MRF(马尔科夫模型,Markov random field)图像分割的SAR-SIFT图像配准方法。基于图像分割的配准方法是一种提高图像配准效率的方法,该方法将两幅图像分别进行分割处理,利用显著性检测选取图像分割后特征清晰、明显的图像块并映射到原图作为待配准图和参考图,再利用SAR-SIFT方法对图像块进行处理,获得特征点,用于图像的匹配处理。保证配准精度的同时提高图像配准的效率。3.基于深度学习策略的图像配准方法,利用已有的基于特征提取的方法如SIFT和SAR-SIFT对参考图和待配准图的部分区域进行处理,获取正确的匹配点对,将点对的邻域信息作为该点对的表达,组成向量作为训练样本,输入深度网络进行训练,得到网络参数。对参考图和待配准图使用SIFT和SAR-SIFT方法快速提取特征点,并将提取的特征点组成数据集,输入到已训练的深度学习网络,该网络的输出结果即是初始匹配点对,经过再次筛选可得正确的匹配点对,进而可求得最终的配准参数。本文做了大量的仿真实验,验证了上述方法的有效性与准确性。