تصحيح هندسي تصاوير ماهواره‌اي با استفاده از توابع كسري بهينه‌سازي‌شده به ‌وسيله الگوريتم كلوني مورچه‌ها

Ant Colony Optimization of RFM for Geometric Correction of Satellite Imagery

در غياب داده‌هاي افمريز ماهواره و مدل سنجنده، تبديلات غيرپارامتريك نظير مدل توابع كسري از مهم‌ترين و پركاربردترين انواع مدل‌هاي رياضي در جوامع فتوگرامتري و سنجش از دور به‌شمار مي‌آيند. وابستگي اين مدل‌ها به تعداد زيادي نقاط كنترل زميني، مشكلات عددي موجود در حل آنها و مشكل انتخاب ترم‌هاي سازنده ساختار تابع كسري را مي‌توان از ضعف‌هاي عمده اين روش برشمرد. ازآنجاكه ضرايب در توابع غيرپارامتريك داراي تفسير و معناي فيزيكي مشخصي نيستند، در روش‌‌‌‌‌‌هاي معمول كليه ترم‌‌‌‌‌‌ها وارد فرايند محاسباتي مي‌شوند و خطاي وابستگي ميان ترم‌‌‌‌‌‌ها ايجاد مي‌كنند. در پژوهش حاضر، الگوريتم كلوني مورچه‌‌‌‌‌‌ها براي بهينه‌‌‌‌‌‌سازي توابع كسري مناسب‌سازي ‌شد و از الگوريتم ويژه‌‌‌‌‌‌سازي‌شده به‌منظور يافتن تركيب بهينه ترم‌‌‌‌‌‌ها در ساختار توابع كسري استفاده گرديد. الگوريتم مذكور، روي سه تصوير در سطوح تصحيح هندسي مختلف با تركيب‌‌‌‌‌‌هاي گوناگوني از نقاط كنترل و نقاط چك مستقل در سه سيستم مختصات زميني UTM، CT و ژيودتيك و بدون نرمال‌‌‌‌‌‌كردن مختصات‌‌‌‌‌‌هاي زميني و تصويري آزمون شد. نتايج آزمون‌‌‌‌‌‌هاي تجربي نشان دادند كه الگوريتم ويژه‌‌‌‌‌‌سازي‌شده كلوني مورچه‌‌‌‌‌‌ها در پژوهش حاضر از نظر تعداد ترم‌‌‌‌‌‌ها و دقت موقعيت مكاني قابليت بالايي دارد. نتايج نشان دادند كه استفاده از سيستم مختصات CT براي فضاي زمين، نتايج بهتري را از نظر دقت و نحوه همگرايي الگوريتم به توابع كسري بهينه به‌دست مي‌دهد. نتايج براي تصاوير مختلف و حتي تصاوير خام با استفاده از چهار نقطه كنترل، دقت زيرپيكسل را نشان داد

Due to the absence of either satellite ephemeris information or camera model for various high resolution satellite images, rational functions models (RFMs) are widely used by photogrammetric and remote sensing communities. This method has various disadvantages such as: The dependency of this method on many ground control points (GCPs), numerical complexity and particularly terms selection. As there is no physical meaning for the terms of RFM, in traditional solution all of them are involved in the computational process which causes over-parameterization. In this letter, a modified Ant Colony Optimization is applied to identify the optimal terms for RFMs. For this purpose this method is tested on three images with different geometric correction levels, different coordinate systems (UTM, CT & Geodetic) and different combination of Ground Control Points (GCPs) and Independent Check Points (ICPs), without normalization of the image and ground coordinates. Experimental results demonstrate how well the proposed algorithm can determine an RFM, which is optimal in both the total number of terms and the positional accuracy. The results have showed that the CT coordinate system has the better capability in accuracy and convergence’s speed. As a conclusion, ACO when using for RFM optimization, can achieve subpixel accuracy even with just four GCPs. Keywords: High Resolution Satellite, Mathematical Models, Rational Function Models, Ant Colony