使用 Chandrayaan-2 月球数据对传统与深度学习特征匹配算法的比较评估
计算机视觉与模式识别
2025-09-08 v1
摘要
精确的图像配准对月球探测至关重要，能够实现表面测绘、资源定位和任务规划。对齐来自不同月球传感器的数据——光学相机（例如轨道高分辨率相机、窄角和宽角相机）、高光谱相机（成像红外光谱仪）和雷达（例如双频合成孔径雷达、Selene/Kaguya 任务）——由于分辨率、光照和传感器畸变的差异而极具挑战性。我们评估了五种特征匹配算法：SIFT、ASIFT、AKAZE、RIFT2 和 SuperGlue（一种基于深度学习的匹配器），使用了来自赤道和极地地区的跨模态图像对。提出了一种预处理流水线，包括地理配准、分辨率对齐、强度归一化，以及自适应直方图均衡化、主成分分析和阴影校正等增强处理。SuperGlue 始终产生最低的均方根误差和最快的运行时间。SIFT 和 AKAZE 等经典方法在赤道附近表现良好，但在极地光照下性能下降。结果突出了预处理和基于学习的方法对于在不同条件下实现稳健月球图像配准的重要性。
引用
@article{arxiv.2509.04775,
title = {Comparative Evaluation of Traditional and Deep Learning Feature Matching Algorithms using Chandrayaan-2 Lunar Data},
author = {R. Makharia and J. G. Singla and Amitabh and N. Dube and H. Sharma},
journal= {arXiv preprint arXiv:2509.04775},
year = {2025}
}
备注
27 pages, 11 figures, 3 tables