改进SIFT的多光谱图像配准方法：Delaunay图匹配

本文档探讨了一种针对多光谱/多日期遥感图像注册的新型双图匹配方法。在处理低重叠区域、相似模式或大变换的遥感图像时，传统方法可能面临挑战。作者首先对尺度不变特征变换(SIFT)进行了改良，通过规范化梯度方向并最大化对应点之间尺度比例的相似性，提高了特征匹配的鲁棒性。这一步旨在增强SIFT在遥感图像中的稳健性和准确性，尤其是在纹理和形状变化较大的情况下。 接下来，文章引入了Delaunay三角剖分（DT）的概念，用于剔除异常点。Delaunay图的构建有助于检测并排除那些由于光照、纹理或其他因素导致的不准确匹配。候选异常点是通过比较不同图像中对应点的Delaunay图形的差异来确定的，这种方法能够有效地处理图像间的局部几何变换和噪声干扰。 SIFT算法在此过程中扮演了关键角色，提取输入遥感图像的关键点，并根据主方向分配128维特征向量。原始SIFT的主方向（如红外图像、反红外图像和可见光图像的主方向）通过标准化处理（如图1所示）后，增强了特征描述符的一致性。通过这种方式，即使在复杂背景下，匹配过程也能更好地捕捉到关键点之间的相似性。 这篇论文提出了一种结合SIFT改进和Delaunay三角剖分的图像匹配策略，旨在提高多光谱/多日期遥感图像的精确注册能力，特别适用于场景变化大或重叠区域有限的情况。这种方法对于地理信息系统、环境监测和气候变化研究等领域具有重要意义，因为它能有效处理遥感数据的复杂性和多样性。