[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

说明书

本发明公开了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，本发明将迭代过程分为训练、预测、修正三个部分。在训练迭代次数中，计算每个粒子对应的互信息值，并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；在预测迭代次数中，利用训练好的支持向量机模型，根据粒子个体的位置预测其对应的互信息值；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。为了提高配准精度，本发明通过SURF算法提取特征点，利用FSC算法估计的变换参数对数据驱动粒子群算法的种群进行初始化。本发明方法利用数据驱动策略预测图像间的互信息值，极大地减少了计算量，提高了配准速度，同时一定程度上保持了配准的精度。

技术领域

本发明属于遥感图像处理方法，具体涉及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。

背景技术

新型传感器不断涌现，已从过去的单一传感器发展到现在多种类型的传感器，从而获取了大量的多模态遥感图像。多模态遥感图像配准对图像融合、图像拼接、变化检测等后续应用具有重要的影响，目前已成为国际学术研究的热点。

图像配准方法主要分为两类：基于特征的配准方法和基于区域的配准方法。基于特征的配准方法通过提取图像的点、线、面等特征信息进行配准，该方法速度快、效率高。但是，由于多模态遥感图像间存在显著的非线性灰度差异，基于特征的配准方法难以提取可靠的共有特征，从而造成对多模态遥感图像配准的效果不佳。基于区域的配准方法利用图像的灰度信息构建相似性测度进行配准，常用的相似性测度包括相关系数、互信息等。基于区域的配准方法对多模态遥感图像配准的精度高、鲁棒性好，但是该方法计算量大、配准时间长。为了提高配准速度，本发明提出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。在迭代过程中，利用数据驱动策略预测图像间的相似性测度，从而减少计算量，提高配准速度。

发明内容

本发明提出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，用来解决多模态遥感图像配准问题。

本发明所采用的技术方案是：基于数据驱动粒子群算法的多模态遥感图像配准方法，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变换参数，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。

进一步的，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。

进一步的，互信息的计算公式如下：

I(A,B)＝H(A)+H(B)-H(A,B) (7)