图1 极化SAR图像对的配准示意图
合成孔径雷达（SAR）全天时、全天候、高分辨率成像的特点使得它在环境监测、资源探测、战场感知等方面具有重要的战略意义。近年来，多时相、多波段、多成像模式下的SAR图像资源日益丰富。它们的融合处理对于遥感目标的检测、识别等任务具有重要意义。而SAR图像之间的配准则是上述融合处理的基础，需要具有良好的精度与速度。极化SAR图像对的配准示意图如图1所示。当前的配准算法主要是基于极化SAR图像的散射强度、极化特征等信息，结合相似性度量与参数迭代估计来实现。随着深度学习的发展，基于深度神经网络的极化SAR图像配准算法也逐渐增加，但是主要还是结合图像块的特征匹配与图像变换参数的迭代估计来实现。目前尚未提出基于深度卷积神经网络的端到端极化SAR图像一步配准算法。针对该问题，清华大学杨健教授团队结合深度卷积神经网络，提出了一种基于邻域一致性的端到端极化SAR图像仿射配准框架。该算法开拓了一种基于深度学习的极化SAR图像配准的新思路，具有较高的精度，较快的速度以及较好的泛化性能。
该工作拟发表在《雷达学报》2021年第1期“极化成像雷达目标精细解译与应用”专题“基于邻域一致性的极化SAR图像仿射配准”（朱庆涛，殷君君，曾亮，杨健），现已网络优先出版。
由于极化SAR图像对应的自然场景往往具有较高的局部空间连续性，因此显著点对的分布具有一定的集中性，将之称为邻域一致性。该文提出了基于邻域一致性的端到端极化SAR图像仿射配准框架，主要由特征提取、特征稀疏匹配、特征匹配过滤以及参数估计4个部分组成，如图2所示。首先，对输入图像对进行特征提取，得到密集的特征图。在此基础上，针对每个特征点保留k对相关度最高的特征点对。之后，将该4D稀疏特征匹配图输入4D稀疏卷积网络，基于邻域一致性进行特征匹配的过滤。最后，结合输出的匹配点对置信度，利用带权最小二乘法进行仿射参数回归，实现图像对的配准。训练过程采用弱监督学习的方式进行，对数据标注的要求较低。实验中，通过对升降轨、不同成像模式、不同极化方式、不同分辨率的极化SAR图像对进行配准测试，并与4种现有方法进行对比，验证了该方法具有较高的配准精度与较快的速度，且泛化性能较好。
图2 基于邻域一致性的配准算法框图
了解详细内容请点击最下面阅读原文或扫描下方原文二维码。↓↓↓