基于深度学习特征提取的遥感影像配准 |
| |
作者姓名: | 许东丽 胡忠正 |
| |
作者单位: | 中国地质大学(北京),北京 100083;中国资源卫星应用中心,北京 100094 |
| |
摘 要: | 传统的影像配准算法,如尺度不变特征变换(SIFT)、加速稳健特征(SURF)等,对遥感卫星影像配准存在提取特征点少、错误匹配多等缺点。文章使用数据驱动的随机特征选择卷积神经网络(RanSelCNN)方法,对Landsat-8卫星不同时相或同一时相具有重叠度的遥感影像进行配准,卷积层使用随机特征选择,增加特征提取的鲁棒性;训练时使用联合损失函数,同时对特征探测器和特征描述符进行优化,减少特征的错误匹配。结果表明:基于随机选择的深度神经网络的遥感影像配准能提取更多的特征点,有效降低错误匹配率。与传统的人工设计特征相比,该算法能明显提高卫星影像配准的精度。
|
关 键 词: | 数据驱动 深度神经网络 随机选择 特征提取 影像配准 卫星遥感 |
本文献已被 CNKI 万方数据 等数据库收录! |
|