差分進化算法的改進和基于邊緣點的SAR圖像配準方法.pdf

1、差分進化算法是一種人工智能的優(yōu)化算法，因為該算法的簡單有效，故在圖像處理、電力能源系統和人工智能領域中得到了成功地應用。但是原始差分進化算法存在如收斂快慢與收斂精度的矛盾等問題，因此如何提高算法的收斂精度和避免過早收斂且保證收斂速度快具有很大的研究價值。
　　合成孔徑雷達（Synthetic Aperture Radar，SAR）能獲取高分辨率圖像且拍攝不受環(huán)境等因素的影響，其應用越來越廣泛。由于SAR系統在不同時段對地面同一區(qū)域

2、進行拍攝時會存在一定的幾何偏差，需要使用配準技術對含有同一區(qū)域的不同時相的圖像進行幾何變換校正，以進行后續(xù)的圖像變化檢測、圖像融合等處理。因此，SAR圖像配準是這些后續(xù)處理的前提和基礎，SAR圖像配準的研究具有非常重要的意義。
　　本文分別對差分進化算法和SAR圖像配準進行了分析和研究，完成了以下兩方面的工作：
　　1.提出了一種結合綜合學習粒子群優(yōu)化算法和免疫克隆選擇算法差分進化算法。該方法引入綜合學習策略來指引差分進化算

3、法中的個體進行相互綜合學習，選擇最優(yōu)個體進行克隆以降低貪婪思想帶來的缺陷，對適應度值一直未更新的個體采用改進的變異機制進行克隆變異，從而既可以保證算法能夠在較少的代數內收斂，也可以保證較高的尋優(yōu)精度。最終的實驗結果證明了此方法的有效性。
　　2.提出了一種基于邊緣點的SAR圖像配準方法。首先，對Hessian矩陣邊緣響應的值進行了分析，得到了較好的閾值，并通過非極大值抑制對含有相干斑噪聲的圖像提取了邊緣點。將此方法與Harris角