面向多源遥感影像配准的深度神经网络模型与方法研究

Multi-source remote sensing image registration is an important procedure for many multi-source remote sensing image processing applications, and the registration accuracy will have a strong impact on the following procedures. This project aims at researching the detection and matching of features in multi-source remote sensing image registration, many (more than three) multi-source remote sensing images registration. By establishing the models and approaches of deep neural networks (DNN), it utilizes the learning and representation abilities of DNN to learn and analyze the features of multi-source remote sensing images, which provides robust approaches for multi-source remote sensing image registration. With the proposed multi-source remote sensing image registration techniques, this project will establish the multi-objective optimization models of many multi-source remote sensing images registration, and it can solve the balance problem between the local similarity and global error, which provides the support for many following remote sensing image processing applications. This project has high theoretic meaning and realistic value for multi-source remote sensing image registration and other applications.

多源遥感图像配准是大量多源遥感图像处理应用中不可或缺的组成部分，配准精度会对后续处理产生重要的影响。本课题针对多源遥感图像配准中的特征提取和匹配、多幅（三幅以上）多源遥感图像联合配准的难题，建立基于深度神经网络的模型和方法。利用深度神经网络的学习和表示能力，学习和分析多源遥感图像的成像特点和地物特性，求解多源遥感图像特征匹配中的关键问题，为复杂场景下多源遥感图像配准提供稳健的方法。面向多幅多源遥感图像配准问题，利用本课题研究的多源遥感图像配准方法，建立多幅多源遥感图像联合配准的多目标模型，在一定程度上解决多幅图联合配准时局部相似性和全局误差的平衡难题，为后续的多幅多源遥感图像处理提供有效支持。本课题的研究对多源遥感图像配准和其他相关多源遥感图像处理领域有重要的理论意义和应用价值。

本课题严格按照研究计划进行，主要研究成果包括：多源遥感图像配准中的特征提取和匹配、多幅（三幅以上）多源遥感图像联合配准的难题，学习和分析多源遥感图像的成像特点和地物特性，通过研究面向遥感图像配准的深度学习模型和特征匹配算法，基于深度神经网络的方法可以为缓解海量、高维的遥感图像配准中的特征差异大和传感器众多的难题提供有效的途径。针对雷达影像配准中的特征匹配、相似性度量等难题，利用计算智能方法的学习与优化能力，提出了高效的雷达影像特征匹配和配准方法，解决了成像差异导致特征匹配正确率低的难题，显著提高了特征匹配正确率和多源雷达影像配准精度，实现了像素级的配准。同时，还将所提的高效优化算法和相关建模方法应用于其他的优化问题，如图像分割、变化检测、目标检测等问题，都取得了不错的效果。本课题共计发表论文20篇，其中15篇发表在《IEEE Transactions on Geoscience and Remote Sensing》、《Remote Sensing》、《IEEE Geoscience and Remote Sensing Letters》等一区、二区权威期刊上，申请国家发明专利5项，其中2项已授权，培养博士3人、硕士研究生5人，圆满完成了预期研究目标圆满完成了预期研究目标。