摘要: 特征匹配是高分辨率光学卫星数据高精度联合处理的重要前提.然而,随着卫星大数据时代的到来,同一地区积累了海量的多时相、多成像视角、辐射差异大的高分辨率光学卫星影像,从而为高精度的特征匹配带来了挑战.本文专门以高分辨率光学卫星影像特征匹配中... 展开 特征匹配是高分辨率光学卫星数据高精度联合处理的重要前提.然而,随着卫星大数据时代的到来,同一地区积累了海量的多时相、多成像视角、辐射差异大的高分辨率光学卫星影像,从而为高精度的特征匹配带来了挑战.本文专门以高分辨率光学卫星影像特征匹配中的困难条件为切入点,包括地物季节性变化、宽基线立体观测、明显辐射差异、薄云遮挡等,深入对比和分析传统特征匹配算法SIFT、AKAZE、ORB和深度学习特征匹配算法SuperPoints-SuperGlueFusing在这些困难条件下高分辨率光学卫星像对的匹配效果,并结合粗差剔除策略,深入挖掘各种算法的潜能.此外,为了验证Super Points-Super Glue Fusing算法的泛化能力,本文采用近景影像和室内影像作为训练集,而采用高分辨率卫星影像作为测试集.试验结果表明,传统算法在困难条件下的匹配稳定性和鲁棒性较差,并存在困难条件应用不足的缺陷,而深度学习特征匹配算法SuperPoints-SuperGlueFusing在高分辨率光学卫星影像上表现优秀,泛化能力强,平均准确匹配点数量是其它算法的490％以上,平均匹配准确率在地物季节性变化、宽基线、明显辐射差异的条件下达到90.74％、96.93％、92.38％,准确匹配点分布均匀,平均相对定向精度在地物季节性变化、宽基线、明显辐射差异的条件下分别为0.45、0.25、0.41个像素,能满足实际卫星应用的高精度要求. 收起