Aufgrund grundlegender Unterschiede in den Prinzipien der Bildgebung von optischen und Synthetic Aperture Radar (SAR)-Bildern zeigen die Bilder aufgrund ihrer unterschiedlichen Bildgebungsignale und Geometrie deutliche Unterschiede, und in den letzten Jahren war das genaue Matching dieser Bilder ein heißes Thema in der internationalen akademischen Forschung. Derzeit konzentrieren sich die meisten Deep-Learning-basierten Matching-Methoden auf die Extraktion tiefer Merkmale von Bildern, aber diese Modelle vernachlässigen oft das Verschmelzen von mehrskaligen Bildmerkmalen, was zu mangelnder Robustheit führt und die Anpassung an komplexe und sich ändernde natürliche Szenen erschwert. Vor diesem Hintergrund schlägt diese Studie eine Methode für das robuste Matching von optischen und SAR-Bildern auf der Grundlage der Verbesserung tiefer Merkmale vor. Diese Methode konstruiert ein Netzwerk zur Extraktion gemeinsamer Merkmale, das auf der effizienten Extraktion tiefer, mehrskaliger Merkmale von optischen und SAR-Bildpaaren auf Pixelniveau basiert. Darüber hinaus wurde ein Zweig für die Übersetzung von falschen SAR-Bildern für optische Bilder entwickelt, um die Fähigkeit des Netzwerks zur Darstellung robuster gemeinsamer Merkmale durch die Rekonstruktion tiefer Bildmerkmale zu stärken. Abschließend wurde eine gemeinsame Verlustfunktion auf der Basis der Ähnlichkeit von mehrschichtigen Merkmalen und dem mittleren Rekonstruktionsfehler von Bildern entwickelt, die ein robustes Matching von optischen und SAR-Bildern ermöglicht. Vergleichsexperimente wurden an Datensätzen von Fernerkundungsbildern mit unterschiedlichen Auflösungen und verschiedenen natürlichen Szenen (städtisch, ländlich, Wüste, Gebirge, Gewässer) durchgeführt, die Ergebnisse zeigen, dass die vorgeschlagene Methode im Vergleich zu mehreren fortgeschrittenen Matching-Methoden die höchste richtige Match-Rate aufweist.

optische Bilder; Synthetic Aperture Radar (SAR)-Bilder; Bild-Matching; Deep Learning