改进的GSSAC算法：遥感影像配准中误匹配点高效检测

本文研究了一种新的误匹配点检测方法——分组排序采样一致性（Group Sorted Sample Consensus, GSSAC），该方法针对遥感影像配准中的关键问题。遥感影像配准是地理信息系统和遥感数据分析中的基础步骤，但光照变化、成像角度偏差以及几何变形等因素会导致配准过程中产生误匹配点，这些误匹配点会降低配准的精度和稳定性。传统的随机抽样一致性算法（Random Sample Consensus, RANSAC）在处理不均匀分布的匹配点时存在不足，因为它对异常值（即误匹配点）的处理不够稳定且精确。 GSSAC方法创新性地通过以下步骤改进了误匹配点检测：首先，它将匹配点按照某种策略（可能是基于误差大小或空间分布）进行分组，确保每个组内的匹配点具有相似的特性。接着，对每个组内的匹配点进行排序，这样有助于识别可能的异常值，因为误匹配点通常会在一组中的误差较大。然后，从每个组中选择一定数量的匹配点，形成估计模型参数所需的子集，这一步骤有助于减少误匹配点对模型参数估计的影响。 通过这种方法，GSSAC能够更稳定地排除误匹配点，提高配准的准确性。实验结果显示，相比于RANSAC，GSSAC在处理各种复杂场景下的遥感影像配准任务时，能提供更高精度的误匹配点检测结果。研究者们，单小军、唐娉和郑柯，分别作为助理研究员、研究员和高级研究员，他们的工作集中在图像自动配准和遥感图像处理领域，他们的研究成果对于提升遥感数据处理的效率和准确性具有重要意义。 GSSAC的提出，不仅为遥感影像配准技术的发展提供了新思路，也为其他依赖于准确配准的应用，如城市规划、环境监测和灾害响应等，提供了强有力的支撑。本文的研究成果被发表在国际期刊上，并得到了国家“863”计划的支持，体现了其学术价值和实用价值。