Als heterogene Fernerkundungsbilder unterscheiden sich hochauflösende Nachtsichtbilder erheblich von optischen Fernerkundungsbildern, sodass eine automatische Registrierung basierend auf traditionellen Bildregistrierungsalgorithmen nicht möglich ist. Derzeit erfolgt die Registrierung hauptsächlich manuell durch das Setzen von Kontrollpunkten mit ArcGIS. Daher wird in dieser Arbeit ein auf Deep Learning basierender Rahmen für die automatische Registrierung hochauflösender Nachtsicht- und optischer Fernerkundungsbilder vorgeschlagen. Zunächst werden binarisierte Straßennetze aus Nachtsicht- und optischen Bildern extrahiert und heruntergesampelt, und eine grobe Zuordnung wird mit dem Algorithmus der Summe der absoluten Differenzen (SAD) durchgeführt. Anschließend wird das YOLOv8-Objekterkennungsmodell verwendet, um die Mittelpunktpunkte von Straßennetzkreuzungen als Kontrollpunkte zu extrahieren, die mittels euklidischer Distanz und dem Random Sample Consensus (RANSAC)-Algorithmus abgeglichen und gefiltert werden. Schließlich wird die Kleinste-Quadrate-Methode zur Berechnung der affinen Transformationsmatrix verwendet, um eine präzise Registrierung der hochauflösenden Nachtsicht- und optischen Bilder zu erreichen. Die Wirksamkeit der vorgeschlagenen Methode wurde mit Jilin-1 Nachtsichtbildern mit 0,92 m Auflösung und optischen Bildern mit 0,75 m Auflösung verifiziert. Die experimentellen Ergebnisse zeigen, dass die Methode eine automatische Registrierung hochauflösender Nachtsicht- und optischer Bilder ermöglicht; der mittlere quadratische Fehler (RMSE) nach der Registrierung der Testdaten aus den bebauten Gebieten von Chengdu und Changchun beträgt 3,29 m bzw. 3,36 m und weist eine hohe Registrierungsgenauigkeit auf.

Nachtsicht-Fernerkundungsbilder;optische Fernerkundungsbilder;Deep Learning;Straßennetz;automatische Registrierung