1 北京空间机电研究所，北京 100094
2 先进光学遥感技术北京市重点实验室，北京 100094
3 中国人民解放军63768部队，西安 710000
特征点提取与匹配是遥感图像处理中关键的一环，目前成熟的算法大多面向对地成像类型的遥感图像，对于空间目标的遥感图像，没有考虑成像条件与探测平台的影响因素，特征点匹配质量较差。针对空间目标的匹配精度不高这一问题，文章提出了一种基于聚类的特征点匹配算法。首先，根据空间目标的重复弱纹理进行特征点提取与描述，再利用特征点的空间位置进行聚类，并对特征点簇进行匹配；之后将特征点的主方向减去目标整体方向，利用特征点主方向对每一个点簇进行再分组，并完成特征点匹配；最后利用最近邻次近邻比率方法和随机样本一致算法（RANSAC）剔除外点。采用该特征点匹配方法进行的模拟成像数据实验结果表明，对于空间目标图像，基于聚类的特征点匹配较直接匹配，匹配数量的提升最高可达50%，重投影误差优于1/4个像元。文章提出的这一方法使用目前通用的各种特征描述子，能够大幅度提高空间目标图像特征点匹配的数量与精度。
特征点匹配 聚类 结构张量 重复纹理 空间目标 feature point matching clustering structural tensors repeated texture spatial object
基于遥感多光谱图像中不同谱段对雾霾的不同探测能力,利用对雾霾敏感的蓝谱段构建了雾霾图和非雾霾图;利用对雾霾不敏感的红谱段并采用mean-shift分割来识别亮目标,并对雾霾图进行了修正和补偿,完成了去雾霾处理。以国产高分辨率遥感图像为测试对象,基于常用高分辨率遥感图像质量参数对校正效果进行了评价。研究结果表明,各谱段去雾霾处理后遥感图像质量参数较校正前均得到了提升,非雾霾区域校正后的图像光谱色彩特征与校正前保持了良好的一致性,校正后雾霾区域的细节信息得到了恢复。
大气光学 遥感图像 去雾霾 暗通道 雾霾图 图像质量
