论文部分内容阅读
光学遥感图像的立体匹配是一个利用核线约束原理,对同一场景或地物在不同位置或不同视角进行成像,通过计算对应点在不同视角的图像中位置的偏差来获取目标立体信息的过程。由于其可以对目标高度信息的恢复和遥感图像的立体构建提供重要依据,遥感图像的立体匹配成为了近年来学者们研究的一个热点课题之一。本论文主要以高分辨率光学遥感图像的成像原理为基础,探究几种不同情况下的立体匹配方法,以得到可以用于图像立体构建的稠密的视差图。论文首先研究高分辨率遥感卫星立体成像的过程,并利用核线原理对图像进行约束,即通过核线与核点的共面关系来对图像进行几何变换,使变换后的左右图像仅在一个方向上存在视差。核线约束作为预处理为几种不同情况下的立体匹配方法奠定基础。针对无训练样本情况下的非监督立体匹配,本文通过将局部特征与区域进行结合的方式,在保证一定匹配精度的前提下实现稠密匹配。论文首先利用改进LSD算法提取高分辨率遥感图像中的边缘直线段特征,提取出可以很好地反映地物的边缘特征;随后将提取到的直线段通过一定的相似性测度函数进行匹配,最后用匹配的结果对区域匹配部分进行指导和约束,利用自适应模板窗口进行匹配,得到可以很好地体现边缘的稠密视差图。为了进一步降低立体匹配算法的复杂度,减少立体匹配的时间,本文提出了稀疏编码和字典学习立体匹配方法,通过引入少量训练样本,将稀疏表示原理用于立体匹配过程中。首先根据视差真值构建正负样本对,并给出用于立体匹配的字典更新学习模型,随后利用更新后得到的学习字典来对左右两张图像进行稀疏表示,通过稀疏表示系数来计算得到立体匹配代价立方体;最后通过半全局代价聚合以及左右一致性检查等后处理方法来提高匹配精度。此外,为了进一步提高立体匹配的匹配精度和算法的鲁棒性,发挥出现有的大量样本数据的优势,本文引入了深度神经网络的方法来实现遥感图像的立体匹配。首先利用深度残差网络对图像进行特征提取,随后利用金字塔池化模块对不同尺度的特征进行整合,最后利用3D CNN构成的多个堆叠的沙漏网络来进行代价聚合,从而得到立体匹配的视差图。实验结果表明,相较于目前主流的立体匹配算法,本文优化后的算法在匹配精度、速度和鲁棒性上分别获得相应的提升。