SIFT与CRA结合的多源遥感影像自动匹配技术

"本文提出了一种基于SIFT算法和CRA相似度衡量的多源遥感影像匹配新方法，旨在解决从多源遥感图像中获取对应点的难题。首先，利用SIFT算子提取特征点并进行粗匹配，通过匹配结果估算出两张图像之间的大致变换关系和旋转角度。如果匹配图像之间存在大角度旋转，对匹配窗口中的图像进行旋补偿，然后使用CRA相似度测量来搜索对应的点。最后，通过二次多项式和RANSAC算法消除金字塔各层图像中的误匹配点，重复此过程直到原始图像级别，实现多源遥感影像的自动、可靠匹配。实验验证了该方法在SAR和光学遥感图像匹配中的有效性。关键词包括：多源遥感影像、图像匹配、SIFT、CRA、RANSAC。" 这篇摘要介绍了一种用于多源遥感图像匹配的新技术，其核心是结合SIFT（尺度不变特征变换）算法与CRA（可能相关性分析）相似度度量。SIFT算法是图像处理领域广泛使用的特征检测方法，它能从不同尺度和旋转角度下找出图像的不变特征点，即使在光照变化、缩放或轻微旋转等情况下也能保持稳定。在多源遥感图像匹配中，SIFT算法首先用于提取两幅图像的关键点，然后进行粗匹配，得到初步的对应关系。 接着，通过已匹配的关键点，可以估计出两幅图像之间的基本变换关系，如平移、缩放和旋转。特别是当存在较大的旋转角度时，为了提高匹配的准确性，需要对匹配窗口内的图像进行旋补偿操作，使图像对齐。旋补偿后，采用CRA相似度度量来进一步寻找精确的对应点，CRA方法考虑了点对间的相关性，有助于降低匹配的不确定性。 为了消除匹配过程中的误匹配点，该方法引入了RANSAC（随机样本一致性）算法。RANSAC是一种常用的鲁棒模型估计方法，它可以处理噪声数据，通过迭代选择一个最小化内点数的数据子集来拟合模型，从而剔除异常值。在此应用中，RANSAC用于从金字塔图像的各个层级中去除误匹配的关键点，确保最终匹配结果的可靠性。 这个基于SIFT和CRA的多源遥感影像匹配方法提供了一种有效的解决方案，特别是在存在较大旋转角度的情况下，能够实现准确、自动的匹配，且通过RANSAC算法进一步增强了匹配的稳健性。这种方法对于处理多种类型遥感图像（如SAR和光学图像）的匹配问题具有很高的实用价值。