由于卫星遥感合成孔径雷达（SAR）与可见光图像之间存在显著的非线性辐射差异，故现有的SAR与可见光图像配准算法存在实时性差、旋转与尺度不变性弱等问题。针对目前算法只关注图像局部特征的外观信息，而忽略几何结构信息的问题，提出了一种结合卷积与图神经网络（GNN）的SAR与可见光图像匹配方法。该方法采用卷积神经网络进行特征检测与描述的同时，引入了GNN进行特征匹配。与最近邻匹配算法仅利用局部描述符信息相比，GNN先将特征点的位置坐标嵌入到描述符中，使得描述符具有几何位置信息，再利用注意力机制进一步聚合特征描述符的几何上下文信息，最后利用可微分的最优传输算法直接输出特征点的匹配结果，保证了网络可进行端到端的训练。实验结果表明：所提方法在大范围旋转与尺度变化的配准任务上，获得了最先进的性能；与目前主流配准算法辐射不变特征变换相比，所提方法在提升匹配精度的同时，计算速度也提高了50倍以上。

提出了一种基于相位特征及金字塔算法的图像匹配方法, 提高了对异源图像的匹配性能及算法处理速度。首先, 对图像进行金字塔运算, 由顶层匹配至底层匹配进行基于不同尺度的图像相位特征处理。处理的具体流程为：在图像中选取感兴趣区域, 然后遍历该区域上每个像素点提取的图像块, 与对应的异源图像进行FM相位特征匹配; 然后, 在感兴趣区域中获取相位特征匹配系数最大的点作为平移量。进入下级金字塔进行处理, 在得到的初始平移参数附近搜索更精确的参数。遍历全部金字塔层级后, 得到最终的平移量、缩放及旋转参数。通过几组红外-可见光、SAR-可见光匹配对的仿真实验及高斯白噪声干扰实验可知, 该方法比几种经典算法及近年来提出的算法匹配成功率更高, 匹配稳定性更好, 鲁棒性更强。

针对异源图像提出一种基于多尺度密集结构特征的快速匹配算法。算法首先利用 Gabor滤波器逐像素提取图像中的结构响应，再根据主方向响应对多尺度结构特征融合，然后使用快速傅里叶 变换在频域计算各特征分量图像之间的卷积，最后将卷积生成的系数矩阵求和计算出图像之间的相似性并选择相似性最大位置作为匹配结果输出。本文算法能有效适应异源图像间的非线性灰度变化 和噪声干扰问题。测试使用可见光、红外、雷达图像组成的异源图像数据集对本文算法和现有算法进行测试比较，结果表明：本文算法的平均误匹配率最低，并且计算速度有明显优势。