Метод автоматического совмещения разнородных цифровых изображений дистанционного зондирования Земли

Автор: Борисов А.Н., Мясников В.В., Сергеев В.В.

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений, распознавание образов

Статья в выпуске: 6 т.48, 2024 года.

Бесплатный доступ

В работе предлагается метод автоматического совмещения разнородных цифровых изображений дистанционного зондирования Земли с использованием данных о съемке. Метод предназначен для совмещения цветных, полутоновых, мультиспектральных и радарных изображений и их комбинаций с возможным отличием в пространственном разрешении до четырех (опционально – шестнадцати) раз. Основными этапами предлагаемого метода являются: опциональный этап повышения разрешения (до четырех раз); опциональный этап снижения числа каналов цифровых снимков до предустановленных трех или одного; этап поиска особых точек и этап их описания и совмещения. Для получения универсального и устойчивого решения на последних этапах в работе сопоставлялись лучшие известные алгоритмы: SIFT, SAR-SIFT, RIFT и обучаемый RoMa. Экспериментальные исследования с использованием указанных типов космических изображений показали однозначное преимущество обучаемой нейросетевой модели RoMa, которая и была настроена/обучена на множестве разнородных снимков. Для дополнительного повышения точности совмещения мы использовали априорные данные о снимках в виде данных их геопривязки.

Еще

Цифровые изображения дистанционного зондирования Земли, автоматическое совмещение изображений, мультиспектральные изображения, радарные изображения

Короткий адрес: https://sciup.org/140310420

IDR: 140310420   |   DOI: 10.18287/2412-6179-CO-1604

Method of automatic coregistration of digital remote sensing images from different sources

In this paper, a method for the automatic alignment of diverse digital Earth remote sensing images using survey data is proposed. The method is designed to align color, grayscale, multispectral, and radar images, as well as their combinations, with potential differences in spatial resolution of up to four times (optionally – sixteen times). The main stages of the proposed method include: an optional upscaling (up to four times); an optional number of image channels reduction to three or one; keypoint detection, their description and alignment. To achieve a universal and robust solution in the latter stages, the best-known algorithms were compared: SIFT, SAR-SIFT, RIFT, and the trainable RoMa. Experimental studies using the indicated types of space images demonstrate a clear advantage of the trainable neural network model RoMa trained on a variety of heterogeneous images. For additional improvement of the alignment accuracy, we utilized a priori data about the images in the form of their georeferencing information.

Еще