摘要
图像匹配广泛应用于自动驾驶、卫星导航、军事防护及医学影像诊断等领域，是其他图像处理任务的基础和前提，也是当前影像应用技术研究的热点之一。然而，遥感影像在成像过程中由于硬件设备位移、光照强度分布不均、障碍物遮挡和非线性辐射等各种因素的干扰，会对图像匹配的精准度产生一定影响。为了应对这一问题，本文利用卷积神经网络的强大特征学习和提取能力，提取复杂图像的深层语义特征，达到对图像的畸变、光照对比度变化、非线性辐射等影响具有良好抵抗能力的目的，将其应用到遥感图像匹配领域以提高图像匹配的性能和效率。具体的研究内容如下： （1）本文首先通过对遥感影像匹配的研究背景和发展现状进行了全方面的综述，了解遥感影像匹配这一方向的科学背景，并在此基础上阐述了影像匹配的基本原理，对图像匹配常用的方法及匹配的策略和性能评价进行简要的介绍；除此之外，本文还概述了卷积神经网络的基础知识及网络组成结构、深度学习的优化方法和网络训练策略。 （2）针对传统算法较少利用图像深层上下文信息这一缺点，为了增强多源遥感影像之间的可匹配性，本文提出了一种基于“双筛选双约束”的匹配策略的神经网络模型，算法对RepVGG网络进行改进来进一步加深特征提取能力，通过改进的网络进行影像深层语义特征图的提取与描述，在特征图中筛选同时满足优先最大原则和精确极值原则的关键点，结合由粗到精的反向匹配约束和RANSAC约束的策略，增强多源影像间的可匹配性，显著提高了影像匹配精度和速度。 （3）针对多源遥感影像之间存在较为明显的非线性辐射差异等问题，现有深度学习方法忽略了特征关系学习对特征提取的影响，基于此本文提出一种了基于Siamese的融合特征关系匹配网络。算法整体匹配网络包含特征提取模块、融合特征关系学习模块和Siamese度量模块。特征提取模块对输入的遥感影像对进行深层特征的提取；融合特征关系模块在通道维度和空间维度上进行特征差异与特征积学习的基础上结合了自注意力机制融合特征关系来捕获局部上下文信息；Siamese度量模块针对融合特征关系模块的输出预测影像的匹配性能。
NETL