[发明专利]一种基于数据驱动粒子群算法的多模态遥感图像配准方法

权利要求书

1.一种基于数据驱动粒子群算法的多模态遥感图像配准方法，其特征在于，包括以下步骤：

步骤1，利用地理配准技术对参考图像和待配准图像进行粗配准，去除多模态遥感图像间明显的几何畸变；

步骤2，初始化数据驱动粒子群算法的参数，将迭代过程分为训练、预测、修正三个部分；

步骤3，对参考图像和待配准图像进行特征点提取及特征点匹配；

步骤4，估计刚体变换模型的参数并初始化数据驱动粒子群算法的种群；

步骤5，在训练迭代次数中，计算每个粒子对应的互信息值；

步骤6，利用历史互信息值及其对应的位置训练支持向量机回归模型；

步骤7，在预测迭代次数中，根据粒子个体的位置预测其对应的互信息值；

步骤8，在修正迭代次数中，计算每个粒子对应的互信息值，对产生偏差的互信息值进行修正；

步骤9，当数据驱动粒子群算法达到终止条件时，输出最优粒子个体对应的位置，即为最优变换参数；

步骤10，将最优变换参数代入到刚体变换模型中，对多模态遥感图像进行配准。

2.根据权利要求1所述的基于数据驱动粒子群算法的多模态遥感图像配准方法，其特征在于：步骤2中对于数据驱动粒子群算法，在训练迭代次数和修正迭代次数中，计算粒子个体的适应度值；在预测迭代次数中，预测粒子个体的适应度值，所述粒子个体的适应度值即为每个粒子对应的互信息值，并将训练、预测和修正迭代次数的百分比分别设置为0.1、0.85和0.05。

3.根据权利要求1所述的基于数据驱动粒子群算法的多模态遥感图像配准方法，其特征在于：互信息的计算公式如下：

I(A,B)＝H(A)+H(B)-H(A,B) (7)

其中，H(A)和H(B)分别代表图像A和B的熵，H(A,B)是两幅图像之间的联合熵，则：

其中，a∈A，b∈B，P_A(a)和P_B(b)分别表示两幅图像A和B之间处于完全相互独立的概率密度分布，P_AB(a,b)表示二者之间的联合概率密度分布。

4.根据权利要求1所述的基于数据驱动粒子群算法的多模态遥感图像配准方法，其特征在于：步骤9中当数据驱动粒子群算法达到终止条件时，输出第i个粒子的位置定义为：

X_i＝(t_x,t_y,θ) (11)

步骤10中对待配准图像进行刚体变换，图像中的点(x,y)经过刚体变换到点(x',y')的公式为：

其中，θ为旋转角度，t_x和t_y为平移量。

5.根据权利要求1所述的基于数据驱动粒子群算法的多模态遥感图像配准方法，其特征在于：还包括步骤11，利用检查点评价多模态遥感图像的配准效果，即利用检查点的均方根误差和平均绝对误差定量地评价配准的精度，并利用运行时间评价算法的计算效率；对于每对参考图像和待配准图像，通过人工刺点的方式，选择40-60个检查点。

6.根据权利要求1所述的基于数据驱动粒子群算法的多模态遥感图像配准方法，其特征在于：步骤3中利用SURF(Speeded Up Robust Features)算法对参考图像和待配准图像进行特征点提取及特征点匹配。

7.根据权利要求1所述的基于数据驱动粒子群算法的多模态遥感图像配准方法，其特征在于：步骤4中利用FSC(Fast Sample Consensus)算法估计刚体变换模型的参数并初始化数据驱动粒子群算法的种群。