En raison des différences fondamentales dans les principes de formation des images radar à ouverture synthétique (SAR) optique et radar, les images présentent des différences significatives en termes de rayonnement et de géométrie, et au cours des dernières années, la correspondance précise entre ces images constitue un problème majeur dans la recherche universitaire internationale. Actuellement, la plupart des méthodes de correspondance basées sur l'apprentissage en profondeur se concentrent sur l'extraction de caractéristiques profondes des images, mais ces modèles ignorent généralement la fusion de caractéristiques multiples échelles des images, ce qui entraîne un manque de robustesse et rend difficile l'adaptation à des scènes naturelles complexes et changeantes. En raison de cela, cette étude propose une méthode de correspondance robuste entre images optiques et SAR basée sur l'amélioration des caractéristiques profondes. Cette méthode construit un réseau d'extraction de caractéristiques communes fausses jumelles basé sur l'extraction en profondeur à plusieurs échelles et la reconstruction d'images caractéristiques. Tout d'abord, grâce à une architecture d'extraction de caractéristiques à plusieurs échelles, le réseau peut extraire efficacement les caractéristiques profondes à plusieurs échelles des paires d'images optiques et SAR au niveau des pixels. Ensuite, une branche de traduction d'images radar fausses a été conçue pour les images optiques, utilisant la reconstruction de caractéristiques profondes d'images pour renforcer la capacité du réseau à exprimer des caractéristiques communes plus robustes. Enfin, une fonction de perte conjointe basée sur la similarité des caractéristiques multi-niveaux et l'erreur moyenne de reconstruction des images a été construite, ce qui a permis une correspondance robuste entre les images optiques et SAR. Des expériences comparatives ont été menées sur des ensembles de données d'images satellites comportant différentes scènes naturelles (urbaines, suburbaines, désertiques, montagneuses, aquatiques) avec différentes résolutions, les résultats montrent que la méthode proposée présente le taux de correspondance correct le plus élevé par rapport à plusieurs méthodes de correspondance avancées actuelles.

images optiques; images radar à ouverture synthétique; correspondance d'images; apprentissage en profondeur