一種基于粒子群算法的多級分辨率遙感影像自動配準(zhǔn)方法
【專利摘要】本發(fā)明公開一種基于粒子群算法的多級分辨率遙感影像自動配準(zhǔn)方法，包括以下步驟：對多級遙感影像重采樣為統(tǒng)一的分辨率；采用前期自適應(yīng)粒子群算法粗略搜索和后期標(biāo)準(zhǔn)粒子群算法精細(xì)搜索進(jìn)行多級分辨率影像的逐級配準(zhǔn)；所有相鄰級別分辨率影像的空間變換參數(shù)作乘積，輸出結(jié)果即為待配準(zhǔn)影像和參考影像的空間變換模型。本發(fā)明適用于遙感圖像配準(zhǔn)的問題，能夠?qū)崿F(xiàn)分辨率差異很大的待配準(zhǔn)與參考影像在空間位置上的精確匹配，可以有效解決分辨率差異過大無法選取控制點(diǎn)進(jìn)行配準(zhǔn)的問題。
【專利說明】一種基于粒子群算法的多級分辨率遙感影像自動配準(zhǔn)方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及地理信息科學(xué)【技術(shù)領(lǐng)域】，更具體地，涉及一種基于粒子群算法的多級分辨率遙感影像自動配準(zhǔn)方法。

【背景技術(shù)】
[0002]多級分辨率遙感影像配準(zhǔn)源于一般的圖像配準(zhǔn)，是把分辨率差異過大的待配準(zhǔn)影像和參考影像采用過渡分辨率影像逐級配準(zhǔn)的策略來實(shí)現(xiàn)待配準(zhǔn)影像與參考影像在空間位置上的一致性。遙感影像配準(zhǔn)是將包含有相同地物的兩幅(或多幅)不同時間、不同觀測條件、不同傳感器拍攝的影像完全對齊的過程。一般而言，一個遙感影像自動配準(zhǔn)模型包含了三個部分:空間變換模型、相似性指數(shù)和優(yōu)化算法。在影像的配準(zhǔn)過程中，通常將已有正確地理坐標(biāo)的影像稱為參考影像(reference image),將待配準(zhǔn)影像成為浮動影像(floating image)?？臻g變換模型是一個從浮動影像坐標(biāo)系到參考影像坐標(biāo)系的空間映射。通過空間變換模型，浮動影像的空間地理坐標(biāo)變換后與參考坐標(biāo)重疊，根據(jù)重疊部分影像的特征(灰度信息、紋理信息、頻率信息等)可以計算影像重疊部分的相似性，以衡量配準(zhǔn)結(jié)果的優(yōu)劣性。每一個計算出來的相似性指數(shù)相當(dāng)于變換空間中一組變換參數(shù)集對應(yīng)的目標(biāo)函數(shù)值，通過優(yōu)化算法進(jìn)行搜索，使得相似性指數(shù)達(dá)到最大值，則對應(yīng)于最優(yōu)的配準(zhǔn)結(jié)果O
[0003]經(jīng)過近二十年的發(fā)展，對于圖像配準(zhǔn)問題，已形成一整套統(tǒng)一的處理框架和思路。但是由于不同傳感器成像機(jī)理不同，成像畸變復(fù)雜，同時，不同影像又不可避免的受到各種隨機(jī)因子的干擾，多源遙感配準(zhǔn)問題變得非常復(fù)雜。因此對于每一類具體的影像配準(zhǔn)問題，都會有其特殊的分析和處理方法。在目前的實(shí)際應(yīng)用中，較多還是采用人工選取控制點(diǎn)進(jìn)行多項(xiàng)式配準(zhǔn)，效率較低。而且，若待配準(zhǔn)影像和參考影像的分辨率差異過大時選取控制點(diǎn)進(jìn)行多項(xiàng)式配準(zhǔn)方法已經(jīng)不可行了。


【發(fā)明內(nèi)容】

[0004]本發(fā)明為克服上述現(xiàn)有技術(shù)所述的至少一種缺陷(不足)，提供一種基于粒子群算法的多級分辨率遙感影像自動配準(zhǔn)方法，有效解決待配準(zhǔn)影像和參考影像的分辨率差異過大的圖像配準(zhǔn)問題。
[0005]為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案如下:
[0006]一種基于粒子群算法的多級分辨率遙感影像自動配準(zhǔn)方法，包括以下步驟:
[0007]S1:對遙感影像進(jìn)行預(yù)處理，把相鄰級別分辨率的影像依次重采樣成相同的影像分辨率；
[0008]S2:對已重采樣處理后的最低級別分辨率待配準(zhǔn)影像和次低級別分辨率參考影像的空間變換模型進(jìn)行粗略搜索，初始化自適應(yīng)粒子群，創(chuàng)建互信息的分布，設(shè)定最大的迭代次數(shù)Tmax ；
[0009]S3:根據(jù)互信息的大小記錄全局最優(yōu)粒子和粒子歷史最優(yōu)位置，據(jù)此對每一個粒子的位置進(jìn)行更新，迭代完成后進(jìn)行下一步；
[0010]S4:以粗略搜索得到的空間變換模型初始化標(biāo)準(zhǔn)粒子群進(jìn)行精細(xì)搜索，創(chuàng)建互信息的分布，設(shè)定最大的迭代次數(shù)Cmax,每一個粒子的搜索步長隨迭代次數(shù)遞減；
[0011]S5:精細(xì)搜索達(dá)到迭代次數(shù)后得到相鄰級別分辨率影像的精準(zhǔn)空間變換模型；
[0012]S6:如果已完成所有相鄰分辨率圖像的配準(zhǔn)，轉(zhuǎn)到S7，否則轉(zhuǎn)到S2，繼續(xù)取下一相鄰級別分辨率的兩幅遙感影像進(jìn)行配準(zhǔn)；
[0013]S7:以S6中獲得的所有相鄰級別分辨率影像的空間變換參數(shù)作乘積，輸出結(jié)果即為待配準(zhǔn)影像和參考影像的空間變換模型。
[0014]在一種優(yōu)選的方案中，步驟S2中，影像的空間變換模型采用的是仿射變換，每一個變換模型由5個參數(shù)構(gòu)成，包括X方向平移量dx，Y方向平移量dy，X方向縮放Sx，Y方向縮放Sy和旋轉(zhuǎn)角度Θ，每一個粒子的位置可由一個I X 5維的矩陣P表示:
[0015]P = dx, dy, Sx, Sy, θ，
[0016]5個參數(shù)構(gòu)成的空間變換模型矩陣的一般式為:
/ Sx * cosG Sy * SinG 0\
[0017]1-Sx * sin0 Sy * cos0 O J0
\d.y 1.J
[0018]在一種優(yōu)選的方案中，在步驟S2中，影像自動配準(zhǔn)相似性指數(shù)使用互信息作為目標(biāo)函數(shù)，互信息衡量的是兩個信號信息的重疊部分，把互信息作為相似度指數(shù)引入到圖像配準(zhǔn)中，用于描述兩幅配準(zhǔn)影像的重疊吻合度。公式如下:

ffPrf (x,y)
[0019]MI(Ir;If) = Dkl (PRF11PR.PF) = Jj Prf (x, y)log ^ (χ) ^(y) dxdy
[0020]其中Ir為參考影像，If為待配準(zhǔn)影像，MI (IE ；If)是參考影像和待配準(zhǔn)影像的互信息，互信息是一種典型的Kullback-Leibler散度，即其形式可以表現(xiàn)為:MI(IK;IF)=Dkl (PEF Pe.Pf)，Dkl即為Kullback-Leibler散度，其中Pkf為參考圖像R和待配準(zhǔn)圖像F的聯(lián)合概率密度分布，Pef(x, y)由兩幅圖像的聯(lián)合灰度分布直方圖計算得出，而P1^P Pf則分別為參考圖像R和待配準(zhǔn)圖像F的邊緣概率密度分布，PK(x)和匕(7)由影像自身的灰度分布直方圖分別計算得出:

I
[0021]PRF(x,y) =
[0022]Pr (x) = ^ Prf (x, y)

F
[0023]pF (y) = ^ Prf (Xy)

R
[0024]JH是兩幅影像的聯(lián)合灰度分布直方圖，Cij是聯(lián)合直方圖中每一個兀素,表不每一個位置(i，j)上共有Cij組灰度對滿足了在第一幅影像中的灰度值是i，而在第二幅影像中的灰度值是j。
[0025]在一種優(yōu)選的方案中，在步驟S3中，當(dāng)獲取目標(biāo)函數(shù)的最大值后，需要對自適應(yīng)粒子群的所有粒子所在的位置進(jìn)行更新，每個粒子的移動速度受三個因素的影響:粒子前一個時刻的速度、全局最優(yōu)粒子的位置和粒子歷史最優(yōu)位置，其移動速度的公式為:
[0026]Vi (t+Ι) = ω.Vi (t) +C1.rand.(Pib-Zi (t)) +C2.rand.(Pgb-Zi (t))
[0027]其中，Vjt+1)是粒子i在t+1時刻的移動速度，Vi⑴是粒子i在t時刻的移動速度，Zi⑴是粒子i在t時刻的位置，pib是粒子i的歷史最優(yōu)的位置，pgb是全局最優(yōu)粒子的位置，ω為慣性權(quán)重，即下一時刻的速度會在一定程度上受到上一時刻速度的影響，C1和C2分別為自身學(xué)習(xí)和社會經(jīng)驗(yàn)的權(quán)重，rand為隨機(jī)干擾因素，取值范圍為O到1，ω，C1和C2的計算公式分別為:
[0028]ω ①=! + J5e-Z6f e [0.4,0.9]
[0029]Ci = ~^--4.0, i = 1,2

C1 + C2
[0030]其中f為進(jìn)化因子，是評價全局粒子群的分布緊湊程度的函數(shù)，假設(shè)dg為全局最優(yōu)粒子到其余所有粒子位置的歐式距離的平均值，dmin為全局最優(yōu)粒子到最近粒子的歐式距離，dmax為全局最優(yōu)粒子到最遠(yuǎn)粒子的歐式距離，則f可定義為:
d-d- - r llQ ttTnin
[0031]f = y ~
^max _^min
[0032]因此，粒子最終的位置更新公式為:
[0033]Zi(t+1) = Zi(t)+Vi(t+1)。
[0034]在一種優(yōu)選的方案中，步驟S4中，在精細(xì)搜索階段采用標(biāo)準(zhǔn)粒子群算法，每一個粒子的搜索步長隨迭代次數(shù)遞減，同時ω，C1和C2三個因素的權(quán)重根據(jù)迭代次數(shù)進(jìn)行線性增減:
I, ^max — ^min?.
[0035]ω = H——:----1terTime

LterCount
[0036]C1 = Cljnax - Clmax: Clmin ■ iterTime

UerCount

■ ^2max _ ^Zmin ,, ?.
[0037]C2 — C2^7) +--1terTime

iter Count
[0038]其中，iterCount為最大迭代次數(shù)，iterTime為當(dāng)前迭代次數(shù)，ω_和comin分別為最大和最小慣性權(quán)重，Clmax和Clniin分別為最大和最小的C1權(quán)重，C2max和C2niin分別為最大和最小的C2權(quán)重，移動速度公式和位置更新公式和自適應(yīng)粒子群算法的公式一致。
[0039]與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是:本發(fā)明采用前期自適應(yīng)粒子群算法粗略搜索和后期標(biāo)準(zhǔn)粒子群算法精細(xì)搜索進(jìn)行多級分辨率影像的逐級配準(zhǔn)，充分利用粒子群算法正反饋的特點(diǎn)，通過互信息的最大化使得搜索過程迅速向著優(yōu)化方向收斂，最終實(shí)現(xiàn)分辨率差異很大的待配準(zhǔn)與參考影像在空間位置上的精確匹配，可以有效解決分辨率差異過大無法選取控制點(diǎn)進(jìn)行配準(zhǔn)的問題；本發(fā)明采用了并行運(yùn)算的機(jī)制使得優(yōu)化求解的效率大大提高，減少了圖像配準(zhǔn)所需的時間。

【專利附圖】

【附圖說明】
[0040]圖1是本發(fā)明多級分辨率的遙感影像自動配準(zhǔn)方法流程圖。
[0041 ]圖 2 為 SPOTBancM 影像圖。
[0042]圖3為TMband5影像圖。
[0043]圖4為RADARHH極化影像圖。
[0044]圖5為TMband5影像和RADARHH極化影像精準(zhǔn)配準(zhǔn)效果圖。
[0045]圖6為SPOTBancM影像和TMband5影像精準(zhǔn)配準(zhǔn)效果圖。
[0046]圖7為按照輸出的空間變換模型對SPOTBancM影像和RADARHH極化影像精準(zhǔn)配準(zhǔn)效果圖。

【具體實(shí)施方式】
[0047]附圖僅用于示例性說明，不能理解為對本專利的限制；
[0048]為了更好說明本實(shí)施例，附圖某些部件會有省略、放大或縮小，并不代表實(shí)際產(chǎn)品的尺寸；
[0049]對于本領(lǐng)域技術(shù)人員來說，附圖中某些公知結(jié)構(gòu)及其說明可能省略是可以理解的。
[0050]下面結(jié)合附圖和實(shí)施例對本發(fā)明的技術(shù)方案做進(jìn)一步的說明。
[0051]實(shí)施例1
[0052]本實(shí)施例中研究對象選擇廣州市番禺區(qū),原因主要在于:近年來，珠三角地區(qū)是一個快速城市化的區(qū)域，在此區(qū)域環(huán)境下，番禺區(qū)的快速開發(fā)導(dǎo)致土地利用的需求不斷的增力口，城市得到快速的發(fā)展。另外番禹區(qū)珠江環(huán)繞，河網(wǎng)密布，種植業(yè)和水產(chǎn)業(yè)發(fā)達(dá)。因此該區(qū)域中的土地利用類別豐富，相對應(yīng)的該區(qū)域的遙感影像中所包含的信息量也會大大增加，對不同傳感器分辨率差異大的遙感影像進(jìn)行配準(zhǔn)的難度將會隨之增加。
[0053]一種基于粒子群算法的多級分辨率遙感影像自動配準(zhǔn)方法，包括以下步驟:
[0054]S1:對遙感影像進(jìn)行預(yù)處理，把相鄰級別分辨率的影像依次重采樣成相同的影像分辨率；
[0055]本實(shí)施例研究區(qū)域中所采用的遙感影像有三種，如圖2-4所示，分別為SPOTBand4影像，TM band5影像和RADAR HH極化影像，其中SPOT Band4影像分辨率最高，RADARHH極化影像分辨率最低，統(tǒng)一重采樣至和TM band5影像一致的30米的分辨率。
[0056]S2:對已重采樣處理后的TM band5影像和RADAR HH極化影像的空間變換模型進(jìn)行粗略搜索，初始化自適應(yīng)粒子群，創(chuàng)建互信息的分布，設(shè)定最大的迭代次數(shù)Tmax ；
[0057]在具體實(shí)施過程中，影像的空間變換模型采用的是仿射變換，每一個變換模型由5個參數(shù)構(gòu)成，包括X方向平移量dx，Y方向平移量dy，X方向縮放Sx, Y方向縮放Sy和旋轉(zhuǎn)角度Θ，每一個粒子的位置可由一個I χ 5維的矩陣P表示:
[0058]P = dx, dy, Sx, Sy, Θ，
[0059]5個參數(shù)構(gòu)成的空間變換模型矩陣的一般式為:
/ Sx * cosG Sy * sinG 0\
[0060]1-Sx * sinB Sy * cos0 O 0
\dxdyIJ
[0061]影像自動配準(zhǔn)相似性指數(shù)使用互信息作為目標(biāo)函數(shù)。互信息衡量的是兩個信號信息的重疊部分，把互信息作為相似度指數(shù)引入到圖像配準(zhǔn)中，用于描述兩幅配準(zhǔn)影像的重疊吻合度。公式如下:

ifPrf (x, y)
[0062]MI(Ir;If) = Dkl (PRF11 Pr.PF) = JJ pRF(x,y)logp^^ pF(y) dxdy
[0063]其中Ik為參考影像即TM band5影像，If為待配準(zhǔn)影像即RADAR HH影像，MI (Ie ；If)是參考影像和待配準(zhǔn)影像的互信息，互信息是一種典型的Kullback-Leibler散度，即其形式可以表現(xiàn)為:MI(Ik;If) =Dkl(Pef) |ΡΚ.Pf) ,Dia 即為 Kullback-Leibler 散度，其中 Pkf 為參考圖像R和待配準(zhǔn)圖像F的聯(lián)合概率密度分布，Pef(x, y)由兩幅圖像的聯(lián)合灰度分布直方圖計算得出，而Pk和Pf則分別為參考圖像R和待配準(zhǔn)圖像F的邊緣概率密度分布，Pk(X)和匕(7)由影像自身的灰度分布直方圖分別計算得出:

I
[0064]Prf (χ, y) =
[0065]PR(X) = ^ Prf (x,y)

F

V—I
[0066]Pf (y) =^jPrf (x,y)

R
[0067]JH是兩幅影像的聯(lián)合灰度分布直方圖；CU是聯(lián)合直方圖中每一個兀素,表不每一個位置(i，j)上共有Cij組灰度對滿足了在第一幅影像中的灰度值是i，而在第二幅影像中的灰度值是j。
[0068]在粗略搜索階段采用自適應(yīng)的粒子群算法，根據(jù)粒子與粒子群的空間位置分布的緊湊程度引入一個進(jìn)化因子f，判斷該粒子目前所在的進(jìn)化階段，使得算法快速收斂尋優(yōu)。假設(shè)dg為全局最優(yōu)粒子到其余所有粒子位置的歐式距離的平均值，5dmin為全局最優(yōu)粒子到最近粒子的歐式距離，dmax為全局最優(yōu)粒子到最遠(yuǎn)粒子的歐式距離，則f可定義為:
[0069]f = ~^in
^max _^min
[0070]在這一過程中設(shè)定的迭代次數(shù)為50次，初始化自適應(yīng)粒子種群個數(shù)為100個。
[0071]S3:根據(jù)互信息的大小記錄全局最優(yōu)粒子和粒子歷史最優(yōu)位置，據(jù)此對每一個粒子的位置進(jìn)行更新，迭代完成后進(jìn)行下一步；
[0072]當(dāng)獲取目標(biāo)函數(shù)的最大值后，需要對自適應(yīng)粒子群的所有粒子所在的位置進(jìn)行更新，每個粒子的移動速度受三個因素的影響:粒子前一個時刻的速度，全局最優(yōu)粒子的位置和粒子歷史最優(yōu)位置，其移動速度的公式為:
[0073]Vi (t+Ι) = ω.Vi (t) +C1.rand.(Pib-Zi (t)) +C2.rand.(Pgb-Zi (t))
[0074]其中，Vi (t+1)是粒子i在t+1時刻的移動速度，Vi (t)是粒子i在t時刻的移動速度，Zi(t)是粒子i在t時刻的位置，pib是粒子i的歷史最優(yōu)的位置，pgb是全局最優(yōu)粒子的位置；ω為慣性權(quán)重，即下一時刻的速度會在一定程度上受到上一時刻速度的影響；CdPC2分別為自身學(xué)習(xí)和社會經(jīng)驗(yàn)的權(quán)重，rand為隨機(jī)干擾因素，取值范圍為O到1，ω、C1和C2的計算公式分別為:
[0075]ω (f) = 1 + 11^2 6f G 1.0.4,0.9]Vf G [(),1]

Cj
[0076]Ci = ----4,0, i = 1,2

C1 + C2
[0077]粒子的位置更新公式為:
[0078]Zi(t+1) = Zi(t)+Vi(t+1)。
[0079]S4:以粗略搜索得到的空間變換模型初始化標(biāo)準(zhǔn)粒子群進(jìn)行精細(xì)搜索，創(chuàng)建互信息的分布，設(shè)定最大的迭代次數(shù)Cmax,每一個粒子的搜索步長隨迭代次數(shù)遞減；
[0080]精細(xì)搜索階段采用標(biāo)準(zhǔn)粒子群算法，每一個粒子的搜索步長隨迭代次數(shù)遞減，同時ω，C1和C2三個因素的權(quán)重根據(jù)迭代次數(shù)進(jìn)行線性增減:

(Χ)γγ^ rjy(?)γγγ?γι_
[0081]⑴=a)min H--■ iterTime

iterCount
[0082]C1 =C1 α — Chnax Curii!l.1terTime

iterCount
[0083]C2 = C2min + '2iau^■ iterTime

iterCount
[0084]其中，iterCount為最大迭代次數(shù)，iterTime為當(dāng)前迭代次數(shù)，ω—和comin分別為最大和最小慣性權(quán)重，Clmax和Clniin分別為最大和最小的C1權(quán)重，C2max和C2niin分別為最大和最小的C2權(quán)重，移動速度公式和位置更新公式和自適應(yīng)粒子群算法的公式一致。
[0085]移動速度公式和位置更新公式和自適應(yīng)粒子群算法的公式一致。在這一過程中設(shè)定的迭代次數(shù)為50次，初始化自適應(yīng)粒子種群個數(shù)為100個。
[0086]S5:精細(xì)搜索達(dá)到迭代次數(shù)后得到相鄰級別分辨率影像的精準(zhǔn)空間變換模型Tl ；
[0087]S6:取SPOT Band4影像，TM band5影像重復(fù)步驟S2?S5的方法進(jìn)行配準(zhǔn)，得到SPOT Band4影像和TM band5影像的精準(zhǔn)空間變換模型T2 ；
[0088]S7:T1XT2即為需要配準(zhǔn)的SPOT Band4影像和RADAR HH影像的空間變換模型。
[0089]本發(fā)明采用前期自適應(yīng)粒子群算法粗略搜索和后期標(biāo)準(zhǔn)粒子群算法精細(xì)搜索進(jìn)行多級分辨率影像的逐級配準(zhǔn)，充分利用粒子群算法正反饋的特點(diǎn)，通過互信息的最大化使得搜索過程迅速向著優(yōu)化方向收斂，最終實(shí)現(xiàn)分辨率差異很大的待配準(zhǔn)與參考影像在空間位置上的精確匹配，可以有效解決分辨率差異過大無法選取控制點(diǎn)進(jìn)行配準(zhǔn)的問題；本發(fā)明采用了并行運(yùn)算的機(jī)制使得優(yōu)化求解的效率大大提高，減少了圖像配準(zhǔn)所需的時間。
[0090]相同或相似的標(biāo)號對應(yīng)相同或相似的部件；
[0091]附圖中描述位置關(guān)系的用語僅用于示例性說明，不能理解為對本專利的限制；
[0092]顯然，本發(fā)明的上述實(shí)施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對本發(fā)明的實(shí)施方式的限定。對于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實(shí)施方式予以窮舉。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明權(quán)利要求的保護(hù)范圍之內(nèi)。
【權(quán)利要求】
1.一種基于粒子群算法的多級分辨率遙感影像自動配準(zhǔn)方法，其特征在于，包括以下步驟: S1:對遙感影像進(jìn)行預(yù)處理，把相鄰級別分辨率的影像依次重采樣成相同的影像分辨率； 52:對已重采樣處理后的最低級別分辨率待配準(zhǔn)影像和次低級別分辨率參考影像的空間變換模型進(jìn)行粗略搜索，初始化自適應(yīng)粒子群，創(chuàng)建互信息的分布，設(shè)定最大的迭代次數(shù)T.丄 max 9 S3:根據(jù)互信息的大小記錄全局最優(yōu)粒子和粒子歷史最優(yōu)位置，據(jù)此對每一個粒子的位置進(jìn)行更新，迭代完成后進(jìn)行下一步； S4:以粗略搜索得到的空間變換模型初始化標(biāo)準(zhǔn)粒子群進(jìn)行精細(xì)搜索，創(chuàng)建互信息的分布，設(shè)定最大的迭代次數(shù)Cmax，每一個粒子的搜索步長隨迭代次數(shù)遞減； S5:精細(xì)搜索達(dá)到迭代次數(shù)后得到相鄰級別分辨率影像的精準(zhǔn)空間變換模型； S6:如果已完成所有相鄰分辨率圖像的配準(zhǔn)，轉(zhuǎn)到S7，否則轉(zhuǎn)到S2，繼續(xù)取下一相鄰級別分辨率的兩幅遙感影像進(jìn)行配準(zhǔn)； S7:以S6中獲得的所有相鄰級別分辨率影像的空間變換參數(shù)作乘積，輸出結(jié)果即為待配準(zhǔn)影像和參考影像的空間變換模型。
2.根據(jù)權(quán)利要求1所述的基于粒子群算法的多級分辨率遙感影像自動配準(zhǔn)方法，其特征在于，步驟S2中，影像的空間變換模型采用的是仿射變換，每一個變換模型由5個參數(shù)構(gòu)成，包括X方向平移量dx，Y方向平移量dy，X方向縮放Sx, Y方向縮放Sy和旋轉(zhuǎn)角度Θ，每一個粒子的位置可由一個I X 5維的矩陣P表示:
P = dx, dy, Sx, Sy, Θ , 5個參數(shù)構(gòu)成的空間變換模型矩陣的一般式為:
3.根據(jù)權(quán)利要求1所述的基于粒子群算法的多級分辨率遙感影像自動配準(zhǔn)方法，其特征在于，在步驟S2中，影像自動配準(zhǔn)相似性指數(shù)使用互信息作為目標(biāo)函數(shù)公式如下:
ifPrf (x,y)
MI(Ir;If) = Dkl (PRF11PR.PF) = JJ pRF (x, y)log — — — — dxdy 其中Ir為參考影像，If為待配準(zhǔn)影像，MI (IE ；If)是參考影像和待配準(zhǔn)影像的互/[目息，互信息是一種典型的Kullback-Leibler散度，即其形式可以表現(xiàn)為:MI (IE ；If)=Dkl (PEF Pe.Pf)，Dkl即為Kullback-Leibler散度，其中Pkf為參考圖像R和待配準(zhǔn)圖像F的聯(lián)合概率密度分布，Pef(x, y)由兩幅圖像的聯(lián)合灰度分布直方圖計算得出，而P1^P Pf則分別為參考圖像R和待配準(zhǔn)圖像F的邊緣概率密度分布，PK(x)和匕(7)由影像自身的灰度分布直方圖分別計算得出:
Prf (x,y) =
JH是兩幅影像的聯(lián)合灰度分布直方圖；CU是聯(lián)合直方圖中每一個元素，表示每一個位置(i，j)上共有Cij組灰度對滿足了在第一幅影像中的灰度值是i，而在第二幅影像中的灰度值是j。
4.根據(jù)權(quán)利要求1所述的基于粒子群算法的多級分辨率遙感影像自動配準(zhǔn)方法，其特征在于，在步驟S3中，當(dāng)獲取目標(biāo)函數(shù)的最大值后，需要對自適應(yīng)粒子群的所有粒子所在的位置進(jìn)行更新，每個粒子的移動速度受三個因素的影響:粒子前一個時刻的速度、全局最優(yōu)粒子的位置和粒子歷史最優(yōu)位置，其移動速度的公式為:
Vi (t+Ι) = ω.Vi (t) +C1.rand.(Pib-Zi (t)) +C2.rand.(Pgb-Zi (t)) 其中，Vi (t+1)是粒子i在t+1時刻的移動速度，Vi⑴是粒子i在t時刻的移動速度，Zi (t)是粒子i在t時刻的位置，pib是粒子i的歷史最優(yōu)的位置，Pgb是全局最優(yōu)粒子的位置；ω為慣性權(quán)重，即下一時刻的速度會在一定程度上受到上一時刻速度的影響A和C2分別為自身學(xué)習(xí)和社會經(jīng)驗(yàn)的權(quán)重，rand為隨機(jī)干擾因素，取值范圍為O到1，ω、C1和C2的計算公式分別為:
其中f為進(jìn)化因子，是評價全局粒子群的分布緊湊程度的函數(shù)，假設(shè)dg為全局最優(yōu)粒子到其余所有粒子位置的歐式距離的平均值，dmin為全局最優(yōu)粒子到最近粒子的歐式距離，dmax為全局最優(yōu)粒子到最遠(yuǎn)粒子的歐式距離，則f可定義為:
因此，粒子最終的位置更新公式為:
Zi (t+1) = Zi(t)+Vi (t+1)。
5.根據(jù)權(quán)利要求1所述的基于粒子群算法的多級分辨率遙感影像自動配準(zhǔn)方法，其特征在于，步驟S4中，在精細(xì)搜索階段采用標(biāo)準(zhǔn)粒子群算法，每一個粒子的搜索步長隨迭代次數(shù)遞減，同時ω，C1和C2三個因素的權(quán)重根據(jù)迭代次數(shù)進(jìn)行線性增減:
其中，iterCount為最大迭代次數(shù)，iterTime為當(dāng)前迭代次數(shù)，ω_和comin分別為最大和最小慣性權(quán)重，Clmax和Clniin分別為最大和最小的C1權(quán)重，C2max和C2niin分別為最大和最小的C2權(quán)重，移動速度公式和位置更新公式和自適應(yīng)粒子群算法的公式一致。
【文檔編號】G06T7/00GK104268869SQ201410491201
【公開日】2015年1月7日 申請日期:2014年9月23日 優(yōu)先權(quán)日:2014年9月23日
【發(fā)明者】黎夏, 許曉聰, 陳廣亮, 劉小平 申請人:中山大學(xué)