流形空间中影像控制结构的嵌入和匹配研究

多源遥感数据匹配是多源数据融合、同化和反演的基础，广泛应用于航空航天影像处理、计算机视觉、目标识别和虚拟现实等领域。本项目以无人机影像序列和高分辨率卫星影像匹配为目的，在高维观测空间中寻找由少数独立变量共同作用、具有良好控制结构、可用于匹配的低维观测空间；以此为映射空间，将不同传感器的特征数据集嵌入；通过寻找可用于匹配的控制结构，建立不同影像或数据之间的对应关系。本项目的特色在于利用同伦计算，用以实现从各个非稳定状态成像到稳定状态成像间的同伦变换计算；利用集值映射，用以解决遥感影像存在混合像元、同物异谱、同谱异物及空间分辨率差异等原因造成的特征位置和对应的尺度不确定性问题；利用超分辨率技术，用以交替完成低分辨率影像配准和影像空间分辨率提高的任务。预期该研究将会突破匹配在数据融合、同化、目标跟踪及反演的过程中瓶颈作用，达到节省数据资源和计算资源，同时使决策资源高效聚集的目的。

本项目针对提高遥感影像配准效率和精度的难题，提出了将多影像特征映射到一个共同空间的策略，并寻找影像的控制结构以保证映射过程中的影像结构不变性。在此基础上，针对分辨率差异大的影像配准难题，提出了边超分边配准的策略；针对多源影像特征不对应、角度多样等配准难题，提出了利用隐含相似性，实行分级优化的配准策略。具体研究内容及重要结果如下：.1）提出了利用流形学习方法，将高维空间中多个影像上的特征描述嵌入到共同的流形空间，实现一对多的配准过程，并用特征点间的距离作为约束，以保证特征映射过程中的结构不变性，再通过流形降维将高维特征空间中的配准转化为低维流形空间中的配准。根据多张Landsat影像的配准实验发现，该方法有效地提高了多影像配准的效率。.2）提出了影像局部结构和全局结构相结合的控制策略，即构建特征点的带权KNN图作为局部结构，各特征点在影像特征集中的空间位置作为全局结构，两者联合形成影像的结构控制约束，再结合特征点的描述子进行匹配。根据多时相具有光照变化的Landsat影像配准实验发现，该方法能克服影像辐射差异造成的配准难题，从而提高配准精度。.3）提出了利用正则化超分的方法提高低分影像的分辨率，即将高分影像作为先验知识构造附加约束作为正则化项，实现了边提高低分影像分辨率边配准的策略。根据对分辨率相差4倍的Landsat ETM＋影像第6波段和第8波段的配准实验发现，该方法能够丰富低分影像中的细节，从中提取更多特征，提高空间分辨率差异大的影像配准精度。.4）提出了利用异源影像间的隐含相似性，提取并筛选异源影像中的面状地物作为控制结构，用适当的变换模型将待配准影像的控制结构整体映射至参考影像，通过对模型参数的优化实现异源影像的配准。根据对SAR影像和光学影像的配准实验发现，该方法可以有效避免由于成像方式导致的特征不对应问题，提高多源遥感影像配准的可靠性。.5）在利用影像间隐含相似性的基础上，重点针对控制结构映射后的特征聚集问题，提出了模型参数的分级优化搜索策略，通过QPSO全局最优和POWELL局部最优的联合搜索获得最佳转换参数。根据对无人机影像和卫星影像的配准实验发现，该方法可有效提高存在成像角度差异的异源遥感影像配准精度。. 综上，本项目的研究成果能够应用于多波段，多传感器，多角度，多时相的遥感影像配准，并通过对相关算法的改进有效地提高了配准效率和精度。