[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

本發明公開了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，本發明將迭代過程分為訓練、預測、修正三個部分。在訓練迭代次數中，計算每個粒子對應的互信息值，并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；在預測迭代次數中，利用訓練好的支持向量機模型，根據粒子個體的位置預測其對應的互信息值；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。為了提高配準精度，本發明通過SURF算法提取特征點，利用FSC算法估計的變換參數對數據驅動粒子群算法的種群進行初始化。本發明方法利用數據驅動策略預測圖像間的互信息值，極大地減少了計算量，提高了配準速度，同時一定程度上保持了配準的精度。

技術領域

本發明屬于遙感圖像處理方法，具體涉及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。

背景技術

新型傳感器不斷涌現，已從過去的單一傳感器發展到現在多種類型的傳感器，從而獲取了大量的多模態遙感圖像。多模態遙感圖像配準對圖像融合、圖像拼接、變化檢測等后續應用具有重要的影響，目前已成為國際學術研究的熱點。

圖像配準方法主要分為兩類：基于特征的配準方法和基于區域的配準方法。基于特征的配準方法通過提取圖像的點、線、面等特征信息進行配準，該方法速度快、效率高。但是，由于多模態遙感圖像間存在顯著的非線性灰度差異，基于特征的配準方法難以提取可靠的共有特征，從而造成對多模態遙感圖像配準的效果不佳。基于區域的配準方法利用圖像的灰度信息構建相似性測度進行配準，常用的相似性測度包括相關系數、互信息等。基于區域的配準方法對多模態遙感圖像配準的精度高、魯棒性好，但是該方法計算量大、配準時間長。為了提高配準速度，本發明提出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。在迭代過程中，利用數據驅動策略預測圖像間的相似性測度，從而減少計算量，提高配準速度。

發明內容

本發明提出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，用來解決多模態遙感圖像配準問題。

本發明所采用的技術方案是：基于數據驅動粒子群算法的多模態遙感圖像配準方法，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變換參數，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。

進一步的，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。

進一步的，互信息的計算公式如下：

I(A,B)＝H(A)+H(B)-H(A,B) (7)