[发明专利]一种基于蜂群算法的遥感影像有理函数模型结构优化方法

说明书

技术领域

本发明涉及遥感影像有理函数模型结构优化方法，属于遥感成像几何模型优化技术领域。

背景技术

遥感影像成像几何模型通常分为严格几何模型和通用几何模型两种。为了降低对用户专业水平的需求，同时保护敏感的卫星设计参数和技术机密，包括精确的传感器几何参数和卫星星历数据等。因而通常情况下，用户仅能获得一种通用几何模型——有理函数模型(Rational Function Model，RFM)，以此替代以共线条件为基础的严格几何模型。然而，有理函数模型高度依赖于模型结构，又很大程度上取决于地面控制点(Ground Control Points,GCP)数量和精度。通常RFM模型各分式的多项式次数可选择为1,2,3次，次数越高，RFM所能描述的几何关系的精细变化程度越精确，同时需要的GCP数量也越高。一般情况下，要各分式中各多项式的全部项均参与组成模型。经近年来研究发现，这种选择全部项的模型构架方式，不仅增加了必要GCP数量，还可能导致模型精度下降，这是参数项过冗余的结果。其原因是，很多参数项所描述的坐标关系并不适合当前影像所拍摄地物的真实情况。因而，需要针对参与构成RFM的各多项式的参数项进行优化选择，实现RFM模型的最佳结构，即目标是为了建立在保证模型精度的前提下尽可能减少参数项。然而，由于RFM的各参数项并没有确切的物理解释，则需要实现的目标函数与决策变量之间难以架构明确、直接的函数关系，难以用传统方法进行优化。针对单幅影像的2次RFM模型就有超过30个参数项有待选择，则会形成成千上万种不同组合方式的解，因而一般的尝试法进行优化是不实际的，这些问题使获得最佳结构的RFM模型成为技术难题。

多年来针对RFM参数项优化选择的方法以如遗传算法、粒子群算法等群智能算法的处理结果相对理想，但仍存在较大的局部极值收敛和求解精度低等问题，因而存在一定的改进空间。

发明内容

本发明为了解决现有的遥感RFM模型在描述成像几何关系时因参数项过冗余造成的模型精度低问题，提出了一种基于蜂群算法的遥感影像有理函数模型结构优化方法。

本发明为解决上述技术问题采取的技术方案是：

步骤一：构造一个待求解的二值向量x={x_i},(i=1,2,…,D,x_i={0,1})，其长度D为待优化的遥感影像的有理函数模型RFM(Rational Function Model，RFM)参数项系数的个数；根据已知地面控制点(Ground Control Points,GCP)的实际坐标，将根据RFM模型解算出对应影像点的影像坐标，与实际GCP对应影像坐标之间的误差，作为收益度函数f(x)，则显然f(x)越小，则优化的收益度越好；进而通过以下步骤找到使f(x)达到最小值的解x；

步骤二：初始化蜂群算法参数，所述参数包括蜜蜂总数PN，将蜜蜂分为三类，S蜂PN/2个，E蜂0个，O蜂PN/2个，设定S蜂启动阈值Limit，解空间维数D；设定迭代终止条件：最大迭代次数(maximum iteration number,MCN)和收益度阈值(Fitness Threshold，FT)；

步骤三：蜂群初始化，令每一个蜜蜂对应一个解x，首先由PN/2个S蜂找到PN/2个初始解x_i(i=1,2,…,PN/2)，为每个解设置一个S蜂启动计数器Failure(i)，并将其置零，计算各解的收益度f(x_i)，存储当前全局最优解x_best，，随后S蜂全部变为E蜂，即此时PN/2个E蜂对应PN/2个初始化解，随后进入E蜂优化阶段；

步骤四：迭代开始：首先是E蜂优化阶段：每个E蜂修正其对应解x_i(i=1,2,…,PN/2)，计算修正后的解所对应的收益度f(x'_i)，比较f(xi)和f(x'_i)，若f(xi)≥f(x'_i)，则保留当前E蜂所对应的解xi不变，同时Failure(i)=Failure(i)+1；若f(xi)<f(x'_i)则用x'_i替换当前E蜂所对应的解x_i，替换完成后统一仍用x_i表示；