由于多模态遥感图像在光谱成份上存在巨大的差异,传统图像配准算法在该类图像的配准中正确率非常低。针对这一难题,提出了一种利用风格迁移和特征点的图像配准算法。首先,利用卷积神经网络对基准图像的风格特征以及待配准图像的内容特...由于多模态遥感图像在光谱成份上存在巨大的差异,传统图像配准算法在该类图像的配准中正确率非常低。针对这一难题,提出了一种利用风格迁移和特征点的图像配准算法。首先,利用卷积神经网络对基准图像的风格特征以及待配准图像的内容特征进行抽取并重新组合,得到一幅与基准图像差异性较小的生成图像;其次,通过图像分割的方法分离出待配准图像中没有明显纹理信息的部分,清除生成图像中多余的纹理;最后,使用加速鲁棒性特征(speed up robust features,SURF)算法提取特征点,进行图像配准。实验结果表明,与传统图像配准算法相比,该方法有效提高了多模态遥感图像配准的正确率和鲁棒性。展开更多
文摘由于多模态遥感图像在光谱成份上存在巨大的差异,传统图像配准算法在该类图像的配准中正确率非常低。针对这一难题,提出了一种利用风格迁移和特征点的图像配准算法。首先,利用卷积神经网络对基准图像的风格特征以及待配准图像的内容特征进行抽取并重新组合,得到一幅与基准图像差异性较小的生成图像;其次,通过图像分割的方法分离出待配准图像中没有明显纹理信息的部分,清除生成图像中多余的纹理;最后,使用加速鲁棒性特征(speed up robust features,SURF)算法提取特征点,进行图像配准。实验结果表明,与传统图像配准算法相比,该方法有效提高了多模态遥感图像配准的正确率和鲁棒性。
