朱庆涛 殷君君 曾 亮* 杨 健*

①(清华大学电子工程系 北京 100084)

②(北京科技大学计算机与通信工程学院 北京 100083)

1 引言

合成孔径雷达(Synthetic Aperture Radar,SAR)全天时、全天候、高分辨率成像的特点使得它在环境监测、资源探测、战场感知等方面具有重要的战略意义。近年来，多时相、多波段、多成像模式下的SAR图像资源日益丰富。它们的融合处理对于遥感目标的检测、识别等任务具有重要意义。而SAR图像之间的配准则是上述融合处理的基础，需要具有良好的精度与速度。当前的配准算法主要是基于极化SAR图像的散射强度、极化特征等信息，结合相似性度量与参数迭代估计来实现。随着深度学习的发展，基于深度神经网络的极化SAR图像配准算法也逐渐增加，但是主要还是结合图像块的特征匹配与图像变换参数的迭代估计来实现[1,2]。目前尚未提出基于深度卷积神经网络的端到端极化SAR图像一步配准算法。

受到光学图像处理领域中基于深度学习的端到端特征匹配算法的启发，本文提出了一种无需对图像进行切块处理或参数迭代估计的端到端极化SAR图像配准算法框架。首先，对输入图像对进行特征提取，并进行k近邻特征匹配。之后，通过4D稀疏卷积网络，基于邻域一致性原则实现特征匹配的过滤。最后，根据输出的匹配点对置信度，利用带权最小二乘法进行仿射参数的一步回归，实现图像对的配准。

本文的结构组织如下：第2节对极化SAR图像配准算法进行综述。第3节讨论本文提出的配准算法。……