一种基于融合特征的多源遥感图像配准算法

摘要：

为了提高多源遥感图像配准精度,提出融合传统位置尺度和主方向的尺度不变特征变换(position scale ori-entation scale-invariant feature transform,PSO-SIFT)特征和卷积神经网络(convolutional neural networks,CNN)特征的遥感图像配准算法.利用自建数据集对预训练好的CNN网络进行迁移学习,采用迁移学习后的网络提取图像高级特征,使用PSO-SIFT提取图像低级特征,将高、低级特征加权组合成鲁棒性更强的融合特征描述子用于特征匹配,以实现遥感图像配准.仿真结果表明,相比于快速采样统计尺度不变特征变换(fast sample consensus-SIFT,FSC-SIFT)、合成孔径雷达尺度不变特征变换(synthetic aperture radar-SIFT,SAR-SIFT)、PSO-SIFT和Alexnet-fc6算法,提出算法参数估计值的均方根误差较小,正确匹配点个数较高,对遥感图像的匹配效果较好.

关键词：尺度不变特征变换、卷积神经网络、特征融合、遥感图像配准

所属期刊栏目：25

分类号：TP751.1(遥感技术)

资助基金：陕西省重点研发计划项目2018KW-050

在线出版日期：2020-11-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：7-14