唐固城 謝麗芳 劉 烜

(1. 浙江省測繪科學(xué)技術(shù)研究院, 浙江 杭州 310023;2. 浙江省國土勘測規(guī)劃有限公司, 浙江 杭州 310030)

0 引言

合成孔徑雷達(dá)干涉測量[1](synthetic aperture radar interferometry,InSAR)是一種主動式的微波遙感系統(tǒng),因擁有全天候、全天時,并能大面積獲取數(shù)據(jù)的特性,近年來已在地表變形監(jiān)測及數(shù)字高程模型(digital elevation model,DEM)等領(lǐng)域中得到充分應(yīng)用[2]。目前合成孔徑雷達(dá)(synthetic aperture radar,SAR)干涉處理技術(shù)已趨于成熟,主要流程主要包括影像配準(zhǔn)、干涉圖生成、去平地效應(yīng)、相位解纏以及地理編碼等步驟。而SAR復(fù)數(shù)影像配準(zhǔn)是合成孔徑雷達(dá)干涉技術(shù)的首要步驟之一,它的配準(zhǔn)精度是直接影響干涉圖的生成質(zhì)量以及最終成果精度與可靠性。研究表明,配準(zhǔn)誤差精度一般要求達(dá)到1/8以下像素才對后期干涉圖的質(zhì)量無明顯的影響[3]。

配準(zhǔn)是解決影像之間內(nèi)容不一致的問題,由于獲取兩張影像時的衛(wèi)星觀測狀態(tài)不一致導(dǎo)致相同影像坐標(biāo)對應(yīng)的地物目標(biāo)點(diǎn)有差異。雷達(dá)影像不同于光學(xué)影像,它受斑點(diǎn)噪聲的影響較光學(xué)影像嚴(yán)重而導(dǎo)致實(shí)現(xiàn)高精度的配準(zhǔn)較難;因InSAR影像數(shù)據(jù)為單視復(fù)數(shù),數(shù)據(jù)中除了幅度信息外,還包含有相位信息,重復(fù)軌道模式下獲取的影像相對位置隨著軌道位置的變化而變化,也導(dǎo)致配準(zhǔn)的工作難度加大。為了克服噪聲對配準(zhǔn)結(jié)果的影響,實(shí)現(xiàn)高精度的配準(zhǔn)結(jié)果,近年來許多國內(nèi)外學(xué)者針對SAR復(fù)數(shù)影像配準(zhǔn)這一領(lǐng)域相繼提出了相關(guān)方法,如黃其歡[4]等提出了方差因子檢驗(yàn)和Baarda數(shù)據(jù)探測法剔除粗差控制點(diǎn)方法,Sun[5]提出基于R-RANSAC算法的控制點(diǎn)選取配準(zhǔn)法,Fang[6]基于Voronoi圖的InSAR影像控制點(diǎn)配準(zhǔn)算法,陳華[7]提出了基于尺度不變特征變換(scale-invariant feature transform,SIFT)和隨機(jī)抽樣一致性(random sample consensus,RANSAC)配準(zhǔn)法,Chen[8]提出的基于SAR圖像幾何特征點(diǎn)信息的InSAR圖像配準(zhǔn)方法,Dellinger[9]提出一種基于類尺度不變特征變換的SAR復(fù)圖像配準(zhǔn)算法,李彥鋒[10]提出了基于端到端網(wǎng)絡(luò)的SAR圖像配準(zhǔn)方法,該方法通過分析單階段預(yù)訓(xùn)練網(wǎng)絡(luò)的優(yōu)勢進(jìn)一步改進(jìn)單階段深度學(xué)習(xí)方法;張嬌嬌[11]提出了基于改進(jìn)SIFT和深度學(xué)習(xí)的SAR圖像配準(zhǔn)方法等。由此可見;對于配準(zhǔn)方法的相關(guān)研究可歸結(jié)為主要圍繞控制點(diǎn)選取優(yōu)化、影像幾何關(guān)系特征及深度學(xué)習(xí)三個方面。本文以SAR影像振幅、相位、灰度值為核心信息,從控制點(diǎn)選取優(yōu)化、幾何影像特征及基于深度學(xué)習(xí)三方面總結(jié)配準(zhǔn)方法的優(yōu)缺點(diǎn),并對該領(lǐng)域未來研究方向進(jìn)行展望。

1 影像配準(zhǔn)基本原理

獲取的影像除了可以從同一傳感器上在不同的時間或者從不同的角度獲取,還來自不同的傳感器系統(tǒng)。由于獲取的雷達(dá)影像為復(fù)影像,可用公式表示為

(1)

雷達(dá)影像的配準(zhǔn)是將同一目標(biāo)地區(qū)的兩幅或多幅影像在空間位置上實(shí)現(xiàn)最佳套合。其原理是利用兩個信號相關(guān)函數(shù),通過某種相似度準(zhǔn)則來評價兩幅影像之間的相似度。其一般步驟如圖1所示。

圖1 影像配準(zhǔn)步驟

控制點(diǎn)選取核心在兩幅及以上影像之間準(zhǔn)確選取具有相同性質(zhì)的同名點(diǎn),以它作為配準(zhǔn)的基礎(chǔ),不同的傳感器及不同時段獲取影像的幾何、物理等特性也不盡相同,因而匹配的方法也有差異[12]。確定了影像之間的同名點(diǎn)后,需要對影響對之間的位置進(jìn)行幾何變換,一般采用的模型為多項(xiàng)式,已知一組同名點(diǎn),輔影像坐標(biāo)為(x,y),主影像相對應(yīng)坐標(biāo)為(x′,y′),其多項(xiàng)式可表示為

(2)

式中,n為多項(xiàng)式階數(shù);aij、bij為待定系數(shù),一般采用最小二乘法求解各項(xiàng)系數(shù)。

當(dāng)影像完成相對糾正后,需要對輔影像進(jìn)行灰度重采樣,得到經(jīng)配準(zhǔn)后的新影像,一般采用雙線性內(nèi)插法或三次樣條內(nèi)插法。

綜合而言,配準(zhǔn)影像對之間的關(guān)鍵點(diǎn)可歸納為兩個方面,一是根據(jù)干涉成像的衛(wèi)星觀測幾何特征推算斜距投影坐標(biāo)下影像對之間的幾何變換特性[13];另一是基于InSAR影像的特征信息,利用適宜的方法快速而準(zhǔn)確地選取控制點(diǎn)。

2 控制點(diǎn)選取優(yōu)化方法

控制點(diǎn)的選取對于影像的正確配準(zhǔn)有著至關(guān)重要的作用,相干性系數(shù)法是經(jīng)典的配準(zhǔn)方法之一,它充分利用了影像中包含的相位及振幅信息在主影像中以待匹配的點(diǎn)為中心取一定大小窗口,在輔影像中一定范圍內(nèi)搜索,計算窗口內(nèi)的相干系數(shù)值,最大即為最佳匹配點(diǎn)。由于相干性系數(shù)[14]難以準(zhǔn)確獲取,Gbariel[15]等提出了基于信噪比的最大干涉頻譜法,該方法充分利用了影像的相位信息,當(dāng)影像之間的干涉圖質(zhì)量達(dá)到最佳即為最佳的配準(zhǔn)。而平均波動函數(shù)法[16]是以同名點(diǎn)領(lǐng)域內(nèi)相位差變化的一致性作為判斷準(zhǔn)則。此外還有相關(guān)系數(shù)法[17],最小二乘匹配法[18],這些方法都在于準(zhǔn)確尋找出合適的控制點(diǎn),它們的特點(diǎn)如表1所示。

表1 傳統(tǒng)配準(zhǔn)法

2.1 基于傳統(tǒng)方法改進(jìn)

在單點(diǎn)匹配的傳統(tǒng)方法中,部分匹配測度是在一個相對較小區(qū)域內(nèi)計算的估計值,也未充分利用影像中所包含的強(qiáng)度信息,對于傳統(tǒng)單點(diǎn)匹配方法存在的不足,不少學(xué)者提出了多級配準(zhǔn)[19]方法。盧麗君[20]利用相關(guān)系數(shù)與最大干涉頻譜相結(jié)合的多級配準(zhǔn)算法,并針對較大范圍影像數(shù)據(jù)處理引入了并行處理方案,利用三峽地區(qū)實(shí)驗(yàn)結(jié)果表明經(jīng)過粗、精配準(zhǔn)后,中誤差由0.517 8降為0.058 1。該方法較傳統(tǒng)的單點(diǎn)匹配在一定程度上提高了計算的效率及精度因素。汪魯才[21]基于最大頻譜法中引入相關(guān)匹配函數(shù)法,利用相關(guān)匹配實(shí)現(xiàn)粗配準(zhǔn),并對控制點(diǎn)值進(jìn)行內(nèi)插,再利用最大頻譜圖像配準(zhǔn)實(shí)現(xiàn)亞像素精配準(zhǔn),通過喀什地區(qū)實(shí)驗(yàn)結(jié)果表明隨著相關(guān)系數(shù)值越大,相關(guān)精配準(zhǔn)與最大頻譜精配準(zhǔn)處理結(jié)果中像素點(diǎn)數(shù)也在減少。該方法較最大干涉頻譜法有較高的計算效率。張宗營[22]利用相關(guān)系數(shù)法與重采樣相結(jié)合的多級配準(zhǔn)策略,并利用西藏那曲市實(shí)驗(yàn)結(jié)果表明,控制點(diǎn)對應(yīng)關(guān)系數(shù)均值從粗配準(zhǔn)的0.49提高到0.7,影像試驗(yàn)表明了多級配準(zhǔn)方法在精度及可靠性方面的優(yōu)勢。Suo[23]提出一種基于最小二乘法(LS)的聯(lián)合配準(zhǔn)法,該方法利用具有小空間和時間基線的圖像對求解估計影像偏移,采用Delaunay三角剖分方法進(jìn)行連接,根據(jù)基于最小二乘法估計的圖像位移對所有輔圖像進(jìn)行重采樣。

傳統(tǒng)配準(zhǔn)方法對于InSAR觀測時軌道不平行影像配準(zhǔn)結(jié)果無法達(dá)到最優(yōu),Nicolas[24]在相干系數(shù)法的基礎(chǔ)上結(jié)合Fourier-Mellin變換函數(shù),一定程度上解決了存在夾角的InSAR影像之間的配準(zhǔn)問題。為克服常規(guī)SAR影像配準(zhǔn)中由于離散窗口移動搜索導(dǎo)致配準(zhǔn)誤差而致使相干性損失的問題,程海琴[25]提出利用衛(wèi)星軌道狀態(tài)矢量與SAR定位模型進(jìn)行影像粗配準(zhǔn)點(diǎn),利用基于相干窗口進(jìn)行像素級配準(zhǔn)和基于相干曲面移動擬合的精配準(zhǔn)方法,通過選取平原及山地區(qū)域進(jìn)行試驗(yàn),結(jié)果表明影像相干性均約有5%的提高,同名點(diǎn)的影像配準(zhǔn)精度達(dá)到了(0.01～0.1)像素。鑒于大場景影像中不同區(qū)域偏移量及變化規(guī)律差異較大,傳統(tǒng)最大相干系數(shù)配準(zhǔn)方法再處理時需分塊及插值處理,面臨計算量大且配準(zhǔn)精度低等問題,韋順軍[26]提出一種基于離散傅里葉變化模型的大場景InSAR高效高精度圖像配準(zhǔn)算法。利用基于最小均方差準(zhǔn)則構(gòu)建配準(zhǔn)的DFT模型,采用四叉樹自適應(yīng)分塊及矩陣相乘DFT快速重采樣配準(zhǔn)方法,實(shí)現(xiàn)大場景影像各子塊區(qū)域的高效高精度亞像素配準(zhǔn)。通過富士山區(qū)域?qū)嶒?yàn)表明與傳統(tǒng)的FFT分塊方法相比,該方法在殘差點(diǎn)數(shù)、相干系數(shù)均值及相位梯度均值三個指標(biāo)上較之分別減少8 274個、增加0.067 2、減少0.006 8。

2.2 基于粗差控制點(diǎn)剔除改進(jìn)

針對SAR影像易受噪聲干擾導(dǎo)致在尋找最佳同名點(diǎn)的過程中出現(xiàn)多個錯誤極值的情況,有少數(shù)匹配結(jié)果不在合理范圍內(nèi),相關(guān)學(xué)者在控制點(diǎn)選取可靠性及效率方面提出了不同的方法。Petar[27]使用Harris算子進(jìn)行配準(zhǔn)點(diǎn)自動檢測,提高了配準(zhǔn)點(diǎn)數(shù)量并改善了其空間分布;王孝青[28]從矩陣相似度的角度分析干涉影像對之間的相關(guān)性,給出了一種加權(quán)相似度度量,并提出了檢測和剔除噪聲干擾原理和方法,提高了配準(zhǔn)精度和可靠性。意大利學(xué)者Sansosti[29]提出的利用地面控制點(diǎn)方法計算兩個方向上的時間參數(shù),但對于較大的數(shù)據(jù)進(jìn)行選擇時較難實(shí)現(xiàn)高精度配準(zhǔn),劉廣[30]對Sansosti提出的基于地面控制點(diǎn)計算時間參數(shù)的配準(zhǔn)方法進(jìn)行改進(jìn),在此基礎(chǔ)上提出了一種主動獲取方向與距離向的時間常數(shù)的配準(zhǔn)法,但該方法需要精確的軌道數(shù)據(jù)和大量的控制點(diǎn)來實(shí)現(xiàn)。

針對低相干、低信噪比區(qū)域出現(xiàn)錯誤匹配,孫增輝[31]在基于信噪比的基礎(chǔ)上針對控制點(diǎn)的正確選取方面,提出了利用總體方差檢驗(yàn)和趨勢面參數(shù)模型粗差診斷法實(shí)現(xiàn)控制點(diǎn)粗差檢測及剔除,提高了影像之間的配準(zhǔn)精度。實(shí)驗(yàn)表明，經(jīng)過粗差剔除后,方位向最大殘差0.603 4像素降到0.088 6,距離向最大殘差0.258 0像素降到0.079 1像素。Zhang[32]提出了一種基于InSAR相干變化檢測的有效地理配準(zhǔn)方法。該方法通過計算地面控制點(diǎn)(ground control point,GCP)周圍的張性子圖像的互相關(guān)和周圍子圖像的強(qiáng)度互相關(guān)值，從而獲得距離和方位偏移量值。除此之外,王邦松[33]采用Voronoi圖方法對影像中特征點(diǎn)進(jìn)行進(jìn)一步優(yōu)選,通過與傳統(tǒng)的方法(如最大頻譜法等)相比較,經(jīng)粗差剔除后匹配點(diǎn)間成功率達(dá)100%。

3 基于影像幾何關(guān)系特征方法

基于特征的影像配準(zhǔn)方法,也是影像配準(zhǔn)常用的方法之一。該方法從不同影像中提取具有代表性和相似的特征量,經(jīng)常用到的影像邊緣、輪廓及結(jié)構(gòu)特征等?；谔卣鞯挠跋衿ヅ浞椒ㄒ欢ǔ潭壬蠅嚎s了影像的信息量,使得減少了計算量,并對影像的灰度具有較好的魯棒性。

3.1 基于影像特征信息改進(jìn)

邊緣信息是影像常見的結(jié)構(gòu)特征,也是SAR影像中重要的信息之一,單一的邊緣檢測方法實(shí)現(xiàn)SAR影像的配準(zhǔn)精度不足以滿足要求,因此學(xué)者提出了聯(lián)合邊緣信息與其他方法相結(jié)合。張澤昆[18]提出了一種基于邊緣和紋理特征相結(jié)合的圖像配準(zhǔn)方法,它以邊緣和紋理作為基本特征,通過紋理特征的提取對經(jīng)邊緣特征提取后的影像進(jìn)行修正來提高配準(zhǔn)精度。R.Scheiber[34]提出基于頻譜差別的配準(zhǔn)方法,該方法以SAR影像為模型,不需地面控制點(diǎn),然后利用相位與配準(zhǔn)偏移量的關(guān)系得到偏移值。劉寶泉[35]通過邊緣檢測和模板相關(guān)提取特征點(diǎn),建立點(diǎn)的對應(yīng)關(guān)系,然后利用兩步法完成復(fù)圖像的亞像元級配準(zhǔn),具有較高的配準(zhǔn)精度,實(shí)驗(yàn)結(jié)果較基于區(qū)域特征方法,該算法均方根誤差與之相比減少了0.005 7,表明基于點(diǎn)特征的全自動配準(zhǔn)方法有較高的精度。

SIFT算法是一種基于特征點(diǎn)匹配算法,該方法在影像縮放、旋轉(zhuǎn)等變換下能保持較好的配準(zhǔn)效果,因而被應(yīng)用于SAR影像配準(zhǔn)。喻小東[36]等提出了基于SIFT算法的配準(zhǔn)方法,該方法采用分塊方式提高影像匹配效率,通過設(shè)定閾值減少配準(zhǔn)誤差點(diǎn),并通過Enta火山地區(qū)實(shí)驗(yàn)分析可知,相較基于相干系數(shù)法,均方根誤差(root mean square error,RMSE)由1.51降到0.32。Zhu[37]提出了一種新的合成孔徑雷達(dá)圖像配準(zhǔn)方法,包括兩個用于特征檢測的算子SIFT和R-SIFT用于檢測SAR圖像中的角點(diǎn)和紋理點(diǎn)和用于特征匹配的樹狀網(wǎng)絡(luò)匹配(ANM),該方法的優(yōu)點(diǎn)是能同時保留SAR圖像中的兩種特征信息,該算法將特征約束與特征點(diǎn)之間的空間關(guān)系結(jié)合起來,具有更多的匹配對和更高的亞像素匹配精度。實(shí)驗(yàn)結(jié)果表明，相比KNN-TAR方法,該算法RMSE降低了0.632 8,BPP(殘差距離大于1.0像素百分比)降低了0.527 1。SIFT算法因不需要額外的信息(如軌道參數(shù)),直接根據(jù)幅度獲取較為精確的偏移多項(xiàng)式,但該方法中使用的特征向量依賴與主方向,如果影像中無明顯的紋理信息,該方法配準(zhǔn)精度難以保證。

除邊緣信息外,SAR影像還有紋理、振幅等特征信息。焦明連[38]等提出了一種充分利用復(fù)數(shù)影像中幅度分量所包含的信息進(jìn)行多種匹配的方法,該方法可確保匹配結(jié)果的精度達(dá)0.1個像素以上。InSAR技術(shù)所獲取的影像除復(fù)數(shù)影像外,其輔助數(shù)據(jù)里包含衛(wèi)星傳感參數(shù)、遙感平臺過程中位置矢量及相對應(yīng)的時間參數(shù)、影像四角和中心地理坐標(biāo)等信息,湯曉濤[39]提出了一種基于輔助數(shù)據(jù)的對SLC影像的基線進(jìn)行估計并自動進(jìn)行影像概略配準(zhǔn)法,經(jīng)過數(shù)據(jù)驗(yàn)證斜距方向上偏移量達(dá)到5像素,方位向上偏移量達(dá)10像素。

3.2 基于外部數(shù)據(jù)輔助方法

SAR衛(wèi)星所獲取的影像的軌道近似平行,利用DEM數(shù)據(jù)根據(jù)主影像參數(shù)模擬SAR影像,并利用移動窗口技術(shù)獲取與輔影像的粗略偏差,確保影像之間的相干性不會受到配準(zhǔn)的影響,當(dāng)利用幾何配準(zhǔn)精度不足時,利用DEM數(shù)據(jù)信息能確保估計影像的偏移量值。

王超[40]提出了一種基于DEM的自適應(yīng)配準(zhǔn)算法,該方法解決了在復(fù)雜地形下因測度函數(shù)選取單一導(dǎo)致配準(zhǔn)精度較低的問題,通過秦嶺地區(qū)的實(shí)驗(yàn)結(jié)果表明，相較于互相關(guān)系數(shù)法及頻譜極大值法,該算法所得干涉圖的相干系數(shù)均值較之增加0.040 4、0.029 8。Massonner[41]提出基于衛(wèi)星軌道和外部DEM的配準(zhǔn)方法,該方法對影像上所有像素都有相同的配準(zhǔn)精度,即使在相干性較低區(qū)域也有較好的配準(zhǔn)精度,但必須要獲得方位向和距離向上的有效時間常數(shù)。針對Sentinel-1A成像方式導(dǎo)致SAR影像方位向多普勒頻率變化較大,黃其歡[42]提出了基于DEM和精密軌道的TOPS影像高精度配準(zhǔn)法,并通過實(shí)驗(yàn)表明粗差剔除后擬合的標(biāo)準(zhǔn)差方位向?yàn)?.173像素,距離向?yàn)?.077像素。吳文豪[43]利用Sentinel-1衛(wèi)星TOPS影像進(jìn)行不同軌道和DEM條件下幾何配準(zhǔn)測試,并分析了外部DEM對影像配準(zhǔn)精度的影響,通過實(shí)驗(yàn)表明目前常用的外度DEM(如SRTM)均能滿足Sentinel-1影像配準(zhǔn)的要求,其幾何配準(zhǔn)差異在0.001像素內(nèi)可任意選擇不同類型。另外,Mao[44]等提出了一種利用多源信息和聯(lián)合數(shù)據(jù)融合的影像自適應(yīng)共配準(zhǔn)方法,并使用均方差來評估配準(zhǔn)方法的準(zhǔn)確性。

4 基于深度學(xué)習(xí)配準(zhǔn)方法

隨著計算機(jī)存儲和計算能力的提高,深度學(xué)習(xí)[45]在影像處理方面也得到了快速發(fā)展,尤其是卷積神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)在特征點(diǎn)的可重復(fù)性與匹配精度等指標(biāo)中表現(xiàn)出較好的性能被廣泛應(yīng)用于影像檢測、識別及分割等領(lǐng)域。目前深度學(xué)習(xí)應(yīng)用于影像配準(zhǔn)可概括為以下幾個方面[46]：利用卷積神經(jīng)網(wǎng)絡(luò)替代人工進(jìn)行特征提取,利用深度卷積神經(jīng)網(wǎng)絡(luò)通過有監(jiān)督學(xué)習(xí)的方式直接對變換參數(shù)進(jìn)行回歸影像配準(zhǔn),利用深度卷積神經(jīng)網(wǎng)絡(luò)對變換后的圖像與目標(biāo)圖像的相似性進(jìn)行優(yōu)化,通過無監(jiān)督學(xué)習(xí)的方式實(shí)現(xiàn)圖像的配準(zhǔn)。

朱慶濤[47]等提出了將鄰域一致性與稀疏卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于影像配準(zhǔn)中,實(shí)現(xiàn)利用弱監(jiān)督學(xué)習(xí)的端到端極化SAR影像一步配準(zhǔn)方法。常釗[48]提出了基于稀疏自編碼(sparse autoencoder,SAE)的半監(jiān)督SAR影像配準(zhǔn)方法,通過調(diào)整網(wǎng)絡(luò)參數(shù)從而是影像之間的配準(zhǔn)達(dá)到較好的配準(zhǔn)效果,但該算法人工干預(yù)較多,存在效率較低的缺點(diǎn)。Kelany[49]提出了一種基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的圖像超分辨率改進(jìn)SAR圖像配準(zhǔn)算法,該方法是將Scale-Invariant Super-Resolution與影像匹配相結(jié)合,從而實(shí)現(xiàn)了影像的配準(zhǔn),并通過溫哥華地區(qū)的影像配準(zhǔn)結(jié)果表明該方法得到的均誤差為0.000 6,樣本方差為0.003 7,標(biāo)準(zhǔn)差為0.060 9。

5 結(jié)束語

影像配準(zhǔn)作為InSAR技術(shù)處理流程的首要步驟,它的準(zhǔn)確度影響后續(xù)處理步驟精度,傳統(tǒng)的配準(zhǔn)方法適應(yīng)性較差,特別是對復(fù)雜的區(qū)域,如最大干涉頻譜法能克服SAR影像中與頻率域有關(guān)噪聲,但對于疊掩、陰影較多區(qū)域效果較差。為此,國內(nèi)外學(xué)者對提高影像的匹配精度做了較多的研究,這些研究方法可以概括為基于控制點(diǎn)優(yōu)化選取、影像結(jié)合關(guān)系特征及深度學(xué)習(xí)配準(zhǔn)三個方面。這些算法在質(zhì)量較好SAR影像或影像受固有噪聲影響較小的情況下均能使復(fù)數(shù)影像之間的配準(zhǔn)精度達(dá)到子像素級要求,但目前都存在不同的缺點(diǎn)。

對于基于控制點(diǎn)優(yōu)化算法方面,主要存在控制點(diǎn)剔除算法判定的測度函數(shù)與統(tǒng)計量合理設(shè)計,控制點(diǎn)剔除影響算法的穩(wěn)健性等問題?；谟跋耜P(guān)系特征算法充分利用影像的邊緣、輪廓及結(jié)構(gòu)特征等信息,但對于受噪聲影響嚴(yán)重的影像無法充分利用影像的特征信息,另外，外部DEM的精度也直接影響到影像的配準(zhǔn)精度。目前深度學(xué)習(xí)的最大難點(diǎn)之一主要在于卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中訓(xùn)練樣本數(shù)量和樣本集及復(fù)雜配準(zhǔn)模型下如何優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)等問題。