當(dāng)衛(wèi)星鏡頭掠過青藏高原的冰川裂縫，當(dāng)遙感影像捕捉到亞馬遜雨林0.01℃的溫度變化，一場由深度學(xué)習(xí)驅(qū)動的技術(shù)革命正在重塑遙感影像立體匹配技術(shù)獲取高精度DEM/DSM的方式。傳統(tǒng)衛(wèi)星影像匹配技術(shù)面對復(fù)雜地形的無力感，在AI算法的加持下正被徹底改寫。如何在海量數(shù)據(jù)中實現(xiàn)亞像素級精準(zhǔn)匹配，始終是遙感領(lǐng)域的核心挑戰(zhàn)。隨著深度學(xué)習(xí)技術(shù)的突破，航天宏圖PIE-DEM衛(wèi)星影像密集匹配模塊正從“人工設(shè)計”邁向“智能進化”，為地理信息、環(huán)境監(jiān)測、國防安全等領(lǐng)域注入全新動能，為地理信息、環(huán)境監(jiān)測、國防安全等領(lǐng)域注入全新動能。

一、技術(shù)突破

傳統(tǒng)匹配之困：當(dāng)人工設(shè)計遭遇復(fù)雜現(xiàn)實

傳統(tǒng)衛(wèi)星影像密集匹配算法在云層遮擋、植被覆蓋等弱紋理區(qū)域匹配成功率低，算法泛化能力弱。在面對復(fù)雜地物、多源異構(gòu)數(shù)據(jù)、動態(tài)變化監(jiān)測場景時往往力不從心。

深度學(xué)習(xí)破局：從“像素”到“語義”的跨越

基于深度學(xué)習(xí)的密集匹配算法，通過構(gòu)建端到端的神經(jīng)網(wǎng)絡(luò)模型，讓機器自主挖掘影像中的深層特征與空間關(guān)聯(lián)，實現(xiàn)了像素級密集匹配。

◆ 多尺度感知：通過卷積神經(jīng)網(wǎng)絡(luò)（CNN）與Transformer結(jié)合，模型可同時捕捉局部細(xì)節(jié)與全局上下文，解決遮擋、重復(fù)紋理等難題；

◆ 并行化計算：基于GPU加速的模型推理，處理速度較傳統(tǒng)方法提升10倍以上，單日可完成百萬平方公里級影像匹配；

◆亞像素級精度：通過可微分亞像素細(xì)化層，匹配精度突破至0.3像素以內(nèi)，為高精度DEM/DSM生成奠定基礎(chǔ)。

二、核心優(yōu)勢

訓(xùn)練樣本制作特點

設(shè)計自適應(yīng)動態(tài)匹配策略，局部動態(tài)調(diào)整核線影像切塊位置，自動生成深度學(xué)習(xí)訓(xùn)練樣本。解決了衛(wèi)星影像尺寸大，成像視角差異與地形起伏大造成的，切塊后立體像對視差過大、重疊度較低的問題，另外視差范圍的縮小降低了模型的訓(xùn)練難度，加速模型收斂。

原始遙感影像

左右深度圖樣本

四組標(biāo)準(zhǔn)樣本

基于AI的衛(wèi)星遙感影像逐像素立體匹配模型算法

模型首先采用U-Net網(wǎng)絡(luò)結(jié)構(gòu)對左右核線影像進行不同尺寸的特征提取，對提取的不同尺寸特征分別構(gòu)建代價體。圖中藍色部分為負(fù)視差，橙色部分為正視差，立方體缺失部分的值設(shè)為0。這種代價體構(gòu)造方式不僅能使網(wǎng)絡(luò)處理正負(fù)視差同時存在的情況，還能從概率的角度對匹配代價進行解釋，增強了網(wǎng)絡(luò)的可解釋性。

基于AI的衛(wèi)星遙感影像逐像素立體匹配模型特點

優(yōu)化HSM算法網(wǎng)絡(luò)結(jié)構(gòu)，增加專門用于處理正負(fù)視差數(shù)據(jù)的模塊，添加雙向特征提取模塊，分別提取正負(fù)視差特征，將這些特征融合到主網(wǎng)絡(luò)中。改進損失函數(shù)，支持同時處理正負(fù)視差數(shù)據(jù)，采用加權(quán)的均方誤差損失函數(shù)，對正負(fù)視差數(shù)據(jù)賦予不同的權(quán)重，以平衡它們對模型訓(xùn)練的影響。

改進的HSM算法，支持正負(fù)視差數(shù)據(jù)的處理，顯著提高了衛(wèi)星影像匹配的精度、魯棒性和適用范圍。解決了傳統(tǒng)HSM算法無法處理正負(fù)視差數(shù)據(jù)，不能充分利用正負(fù)視差信息進行訓(xùn)練，導(dǎo)致匹配精度受限的問題。

傳統(tǒng)SGM匹配生成深度圖效果

AI生成深度圖效果

基于AI生成的深度圖，計算獲取得到紋理豐富細(xì)膩的點云。

紋理豐富細(xì)膩的點云

基于生成的點云數(shù)據(jù)，利用內(nèi)插算法生成數(shù)據(jù)完整、精度可靠的DEM。

數(shù)據(jù)完整、精度可靠的DEM

三、性能飛躍

在測試集上對模型進行定量評估，采用的評估指標(biāo)有平均端點誤差（EPE）、均方根誤差（RMSE）、一像素誤差（1PE）和三像素誤差（3PE）。其中 EPE 是指預(yù)測視差與真實視差的平均絕對差值，RMSE 是預(yù)測視差與真實視差的均方根誤差，1PE 或 3PE 分別是預(yù)測視差與真實視差的差值小于 1 或 3 的像素百分比。模型評估結(jié)果如下：EPE為0.86，RMSE為1.53，1PE 為72.6%，3PE為96.1%。與傳統(tǒng)SGM方法相比，深度學(xué)習(xí)方法精度更高。

測試數(shù)據(jù)像素誤差評估

四、行業(yè)應(yīng)用

基于深度學(xué)習(xí)的衛(wèi)星遙感影像密集匹配算法，憑借其強大的特征提取與數(shù)據(jù)處理能力，在諸多領(lǐng)域展現(xiàn)出顯著成效，為各行業(yè)發(fā)展注入新動力。

在地形級實景三維建設(shè)領(lǐng)域，依托海量的遙感影像數(shù)據(jù)，深度學(xué)習(xí)算法能夠高效且精準(zhǔn)地生成數(shù)字表面模型（DSM）與數(shù)字高程模型（DEM）。通過對不同時期遙感影像的分析處理，可直觀呈現(xiàn)地形地貌的動態(tài)變化，為地質(zhì)災(zāi)害監(jiān)測與防治、大型工程建設(shè)前期的地形評估等提供堅實的數(shù)據(jù)基礎(chǔ)。

地形級DEM

智慧城市建設(shè)同樣離不開深度學(xué)習(xí)與衛(wèi)星遙感影像的深度融合。借助無人機采集的高分辨率影像數(shù)據(jù)，運用深度學(xué)習(xí)算法生成高精度 DSM 和 DEM，為城市規(guī)劃、交通建設(shè)、災(zāi)害評估等工作提供極為精準(zhǔn)的數(shù)據(jù)支撐。

智慧城市

結(jié)束語：

當(dāng)深度學(xué)習(xí)遇見衛(wèi)星遙感，這場技術(shù)聯(lián)姻正在重塑人類認(rèn)知地球的維度。從厘米級精度到秒級響應(yīng)，從靜態(tài)匹配到動態(tài)監(jiān)測，PIE-DEM系統(tǒng)中的創(chuàng)新算法不僅為遙感行業(yè)帶來效率革命，更在智慧城市、生態(tài)保護、應(yīng)急管理等領(lǐng)域孕育著無限可能。讓我們共同期待，這場由AI驅(qū)動的"遙感革命"如何改寫人類與地球的互動方式。