[發明專利]一種基于數據驅動粒子群算法的多模態遙感圖像配準方法

有效

• 申請號: 202010532704.9
• 申請日: 2020-06-12
• 公開（公告）號: CN111797903B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 張永軍;鄢小虎;姚永祥
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/75;G06V10/774;G06N3/00;G06T7/33
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

1.一種基于數據驅動粒子群算法的多模態遙感圖像配準方法，其特征在于，包括以下步驟：

步驟1，利用地理配準技術對參考圖像和待配準圖像進行粗配準，去除多模態遙感圖像間明顯的幾何畸變；

步驟2，初始化數據驅動粒子群算法的參數，將迭代過程分為訓練、預測、修正三個部分；

步驟3，對參考圖像和待配準圖像進行特征點提取及特征點匹配；

步驟4，估計剛體變換模型的參數并初始化數據驅動粒子群算法的種群；

步驟5，在訓練迭代次數中，計算每個粒子對應的互信息值；

步驟6，利用歷史互信息值及其對應的位置訓練支持向量機回歸模型；

步驟7，在預測迭代次數中，根據粒子個體的位置預測其對應的互信息值；

步驟8，在修正迭代次數中，計算每個粒子對應的互信息值，對產生偏差的互信息值進行修正；

步驟9，當數據驅動粒子群算法達到終止條件時，輸出最優粒子個體對應的位置，即為最優變換參數；

步驟10，將最優變換參數代入到剛體變換模型中，對多模態遙感圖像進行配準。

2.根據權利要求1所述的基于數據驅動粒子群算法的多模態遙感圖像配準方法，其特征在于：步驟2中對于數據驅動粒子群算法，在訓練迭代次數和修正迭代次數中，計算粒子個體的適應度值；在預測迭代次數中，預測粒子個體的適應度值，所述粒子個體的適應度值即為每個粒子對應的互信息值，并將訓練、預測和修正迭代次數的百分比分別設置為0.1、0.85和0.05。

3.根據權利要求1所述的基于數據驅動粒子群算法的多模態遙感圖像配準方法，其特征在于：互信息的計算公式如下：

I(A,B)＝H(A)+H(B)-H(A,B) (7)

其中，H(A)和H(B)分別代表圖像A和B的熵，H(A,B)是兩幅圖像之間的聯合熵，則：

其中，a∈A，b∈B，P_A(a)和P_B(b)分別表示兩幅圖像A和B之間處于完全相互獨立的概率密度分布，P_AB(a,b)表示二者之間的聯合概率密度分布。

4.根據權利要求1所述的基于數據驅動粒子群算法的多模態遙感圖像配準方法，其特征在于：步驟9中當數據驅動粒子群算法達到終止條件時，輸出第i個粒子的位置定義為：

X_i＝(t_x,t_y,θ) (11)

步驟10中對待配準圖像進行剛體變換，圖像中的點(x,y)經過剛體變換到點(x',y')的公式為：

其中，θ為旋轉角度，t_x和t_y為平移量。

5.根據權利要求1所述的基于數據驅動粒子群算法的多模態遙感圖像配準方法，其特征在于：還包括步驟11，利用檢查點評價多模態遙感圖像的配準效果，即利用檢查點的均方根誤差和平均絕對誤差定量地評價配準的精度，并利用運行時間評價算法的計算效率；對于每對參考圖像和待配準圖像，通過人工刺點的方式，選擇40-60個檢查點。

6.根據權利要求1所述的基于數據驅動粒子群算法的多模態遙感圖像配準方法，其特征在于：步驟3中利用SURF(Speeded Up Robust Features)算法對參考圖像和待配準圖像進行特征點提取及特征點匹配。

7.根據權利要求1所述的基于數據驅動粒子群算法的多模態遙感圖像配準方法，其特征在于：步驟4中利用FSC(Fast Sample Consensus)算法估計剛體變換模型的參數并初始化數據驅動粒子群算法的種群。