CSIFT: A Structural Feature Encoding Framework for Cross-Modal Image Registration

doi:10.1109/JSTARS.2025.3616220

CSIFT: A Structural Feature Encoding Framework for Cross-Modal Image Registration

2025-01-01

0

OA

AI

DOI：10.1109/JSTARS.2025.3616220

原文链接

查看原文

摘要

En 中文

多模态传感器协同检测是地球观测中不可或缺的补充技术。然而，多模态图像中的显著跨模态差异严重限制了传统配准方法的运行效率和配准精度。基于特征的多模态图像配准技术由于固有的辐射差异，难以在不同模态间保持稳定的性能。为解决此局限性，本文通过优化中间模态构建，提出了一种跨模态结构信息特征变换（CSIFT）框架。该方法采用定向FAST和旋转BRIEF检测器提取关键点，并通过高斯加权方向梯度分配机制应用于邻域信息，构建环形高斯加权定向梯度特征（CGOGFs）。基于环形距离的梯度幅值分布消除了线性插值引起的截断效应，而主方向对齐的块确保了旋转一致性。通过结构特征编码将跨模态配准转化为同质特征匹配问题，实验结果表明，与传统方法相比，CGOGF在显著提升跨模态性能的同时保留了信息完整性。在两个公开数据集上的广泛评估显示，CSIFT在各类多模态数据集上实现了最高的成功率（97.58%和97.19%），优于多种传统配准方法。

Keyword:

Multimodal image registration

optical-SAR image registration

rotation invariance

structural feature

CSIFT: A Structural Feature Encoding Framework for Cross-Modal Image Registration

摘要

AI总结

期刊

机构

引用论文