Aufgrund des grundlegenden Unterschieds im Bildgebungsprinzip weisen die Bilder des Synthetic Aperture Radars (SAR) und der optischen Kamera deutliche Unterschiede in der strahlungs- und geometrischen Eigenschaften auf, und ihr präzises automatisches Matching war schon immer ein Schwerpunkt der aktuellen internationalen akademischen Forschung. Die meisten auf tiefem Lernen basierenden Matching-Methoden konzentrieren sich auf die Extraktion tiefer Bildmerkmale, aber diese Modelle ignorieren in der Regel die Fusion von multiskaligen Merkmalen und die Ausdrucksmerkmale, was zu einer unzureichenden Robustheit und Schwierigkeiten beim Umgang mit komplexen und sich verändernden Szenen führt. Vor diesem Hintergrund schlägt diese Studie eine robuste Matching-Methode für optische und SAR-Bilder vor, die auf der Verbesserung der Tiefenmerkmisrekonstruktion basiert. Diese Methode hat ein Netzwerk zur Extraktion gemeinsamer Merkmale aufgebaut, das multiskalige tiefe Merkmale und die Rekonstruktion von Bildmerkmalen fusioniert. Erstens kann das Netzwerk dank der multiskaligen Merkmalsextraktionsarchitektur effizient tiefe Merkmale für das Paar optischer und SAR-Bilder auf Pixelniveau extrahieren. Zweitens wurde ein falscher SAR-Bildübersetzungszweig für das optische Bild entworfen, der die Rekonstruktion tiefer Bildmerkmale nutzt, um die Fähigkeit des Netzwerks zur robusteren Darstellung gemeinsamer Merkmale zu stärken. Schließlich wurde eine gemeinsame Verlustfunktion auf der Grundlage der Ähnlichkeit von Merkmalen auf mehreren Ebenen und des mittleren quadratischen Fehler der Bildrekonstruktion konstruiert, was ein robustes Matching von optischen und SAR-Bildern ermöglichte. In Vergleichsexperimenten an Datensätzen für die Fernerkundung mit unterschiedlichen Auflösungen und einer Vielzahl geografischer Szenen (städtisch, vorstädtisch, Wüste, Gebirge, Wasser) zeigten die Ergebnisse, dass die vorgeschlagenen Methoden immer die höchste korrekte Matching-Rate im Vergleich zu einigen aktuellen Spitzen-Matching-Methoden zeigten.

Fernerkundung; Optisches Bild; Bild des Synthetic Aperture Radar; Bild-Matching; Tiefes Lernen