多光谱/多日期遥感图像鲁棒Delaunay三角匹配算法

本文主要探讨了一种针对多光谱/多日期遥感图像配准问题的创新算法，特别针对那些重叠区域小、图案相似或存在较大几何变换的场景。作者提出了一种双图匹配方法，其核心在于结合比例不变特征变换（Scale-Invariant Feature Transform, SIFT）和Delaunay三角剖分技术。 首先，对于传统的SIFT匹配，作者对梯度方向进行了规范化处理，目的是提高匹配的稳健性。通过优化所有对应点的尺度比例相似度，这种方法能够更好地抵抗图像尺度和旋转变化带来的影响。这一步骤旨在确保即使在图像之间存在显著的几何变形，也能找到相对应的关键点。 接下来，利用Delaunay三角剖分，一种空间填充图，有助于识别和剔除潜在的异常值或噪声点。Delaunay图的特性使得它能有效地检测那些在局部结构上与周围像素不一致的点，这些可能是由于光照变化、纹理差异或错误匹配导致的。通过比较不同Delaunay图结构的差异，算法能够有效挑选出候选的离群值。 然而，单纯依靠Delaunay图可能会误删掉一些真正的内点（Inliers）。因此，文章进一步探讨了一种双图策略，即同时使用Delaunay图及其对偶图（Delaunay dual graph），来恢复在匹配迭代过程中被错误剔除的内点，并排除剩余的离群值。这个过程涉及寻找Voronoi单元中的点，Voronoi单元是与每个顶点对应的区域，其中该顶点是最近邻。这样，作者可以将正确的匹配点精确地定位到残差集，从而提高配准的精度。 实验部分展示了这一算法在多光谱/多日期遥感图像上的优秀性能，包括高精度和良好的鲁棒性。无论图像的重叠程度如何，或者在图像内容变化较大的情况下，该方法都能有效地进行配准，这对于许多地球观测和地理信息系统应用具有重要意义。 这篇论文提出了一个综合运用几何特征匹配和图形结构分析的新型方法，不仅提高了遥感图像配准的精度，而且增强了算法对复杂场景的适应性，为多光谱/多日期遥感图像处理领域提供了有价值的新思路和技术支持。