Enhancing SAR Image Registration: A Light Weight Deep Network And a Novel Feature Fusion Method

Helfroush, Mohammad Sadegh; Abdi, Sahar

doi:10.22034/jsst.2025.1595

Enhancing SAR Image Registration: A Light Weight Deep Network And a Novel Feature Fusion Method

Articles in Press

Document Type : Original Research Paper

Authors

Mohammad Sadegh Helfroush ¹

sahar Abdi ²

¹ Faculty of Electrical Engineering, Shiraz University of Technology, Shiraz, Iran

² Mechanic Institute

10.22034/jsst.2025.1595

Abstract

Synthetic Aperture Radar (SAR) image registration is a crucial preprocessing step for many remote sensing applications. However, the presence of speckle noise and homogeneous textures in SAR images makes this task challenging. In this study, we propose a method for SAR image registration. The proposed method, SARNet, is a lightweight and optimized deep neural network specifically designed for SAR images. It generates three distinct descriptors for each keypoint to increase the accuracy of keypoint matching. The method was evaluated on a diverse dataset including Radarsat, Sentinel-1, ALOS-PALSAR, and ERS-2 images. Experimental results show that (SARNet), along with a sub-descriptor matching algorithm, significantly establishes more accurate keypoint correspondences. The network achieves comparable accuracy to state-of-the-art deep learning methods while having the lowest number of parameters (115K) among the methods compared.

Keywords

SAR

Image Registration

Deep Learning

Remote Sensing

CNN

Subjects

Electrical and Computer Engineering

Article Title Persian

‫بهبود‬‫تثبیت‬ ‫تصاویر‬ ‫رادار‬ ‫دهانه‬ ‫مصنوعی‬ ‫مبتنی‬ ‫بر‬ ‫یک‬ ‫شبکه‬ ‫ی‬ ‫عمیق‬ ‫سبک‌ وزن ‬‫و‬ ‫روش‬ ‫نوین‬ ‫تلفیق‬ ‫ویژگی‬

Authors Persian

محمد صادق هل فروش ¹

سحر عبدی ²

¹ دانشکده مهندسی برق، دانشگاه صنعتی شیراز، شیراز، ایران

² ‫پژوهشکده‬ ‫مکانیک‬

Abstract Persian

تثبیت تصاویر رادار دهانه مصنوعی (SAR) یکی از پیش‌پردازش‌های حیاتی برای بسیاری از کاربردهای سنجش از دور است. با این حال، وجود نویز لکه‌ای و بافت‌های همگن در تصاویر SAR این کار را با چالش‌ همراه میکند. در این پژوهش روشی برای تثبیت تصاویر SAR پیشنهاد میشود. روش پیشنهادی، (SARNet)، یک شبکه عصبی عمیق سبک و بهینه مختص تصاویر SAR است که برای هر نقطه کلیدی سه توصیف‌گر مجزا تولید می‌کند تا دقت ایجاد تناظر میان نقاط ویژه را افزایش دهد. این روش بر روی مجموعه داده‌ای متنوع شامل تصاویر Radarsat، Sentinel-1، ALOS-PALSAR و ERS-2 ارزیابی شده است. نتایج تجربی نشان می‌دهد که SARNet به همراه الگوریتم تناظر زیرتوصیف‌گری به طور قابل توجهی تناظرات دقیق‌تری میان نقاط ویژه برقرار می‌کند. این شبکه دقتی قابل قیاس نسبت به روش‌های یادگیری عمیق پیشرفته دارد، درحالی‌که کمترین تعداد پارامتر (۱۱۵ هزار) را در بین روش‌های مقایسه‌ شده داراست.

Keywords Persian

رادار دهانه مصنوعی٫ تثبیت تصاویر٫ یادگیری عمیق