Debido a las diferencias fundamentales en los principios de formación de imágenes, las imágenes de radar de apertura sintética (SAR) y ópticas presentan diferencias significativas de radiación y geometría entre las imágenes, y su emparejamiento automático preciso siempre ha sido un tema candente de investigación académica internacional actual. Actualmente, la mayoría de los métodos de emparejamiento basados en el aprendizaje profundo se centran en la extracción de características profundas de las imágenes, pero estos modelos a menudo pasan por alto la fusión multiescala de las características y la expresión de las características comunes, lo que resulta en una robustez insuficiente y dificultades para adaptarse a escenas geográficas complejas y cambiantes. Teniendo en cuenta esto, este estudio propuso un método de emparejamiento robusto de imágenes ópticas y SAR basado en la mejora de las características profundas. Este método construyó una red de extracción de características comunes de gemelos falsos a múltiples escalas y reconstrucción de imágenes. En primer lugar, a través de la arquitectura de extracción de características multiescala, la red puede extraer eficientemente las características profundas de las imágenes ópticas y SAR a nivel de píxeles. En segundo lugar, para las imágenes ópticas, se diseñó una estructura de traducción de imágenes SAR falsas, utilizando la reconstrucción de características profundas de imágenes para mejorar la capacidad de la red para aprender características comunes más robustas. Finalmente, se construyó una función de pérdida conjunta basada en la similitud de características a múltiples niveles y el error promedio de reconstrucción de imágenes, logrando así un emparejamiento robusto de imágenes ópticas y SAR. Se realizaron experimentos comparativos en dos conjuntos de datos de imágenes remotas con diferentes resoluciones y que contenían escenas geográficas diversas (ciudades, suburbios, desiertos, montañas, cuerpos de agua), los resultados mostraron que el método propuesto mostró las tasas más altas de emparejamiento correcto en comparación con varios métodos de emparejamiento líderes actuales.

remote sensing;optical image;SAR image;image matching;deep learning