[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 7، شماره 3 - ( 9-1398 ) ::
جلد 7 شماره 3 صفحات 199-212 برگشت به فهرست نسخه ها
بهینه‌سازی ساختار توابع کسری با استفاده از پیکربندی جدیدی از الگوریتم بهینه‌سازی توده ذرات در شرایط وجود نقاط کنترل محدود
سعید قلی نژاد، امین علیزاده نائینی، علیرضا امیری سیمکوئی
دانشگاه اصفهان
چکیده:   (145 مشاهده)
روش‌های فراابتکاری به‌طور گسترده‌ای در تعیین ساختار بهینه مدل توابع کسری استفاده می‌شوند. در  این روش‌ها با حذف تعدادی از ضرایب توابع کسری، صحت تصحیح هندسی تصاویر ماهواره‌ای با قدرت تفکیک بالا را افزایش می‌دهند. روش‌های مذکور برای تعیین مقادیر ضرایب توابع کسری، از روش کمترین مربعات برمبنای تعدادی نقطه‌ی کنترل زمینی استفاده می‌کنند. به دلیل هزینه‌بر بودن استفاده از نقاط کنترل زمینی، مسأله استفاده از نقاط کنترل زمینی محدود، به چالشی جدی در پژوهش‌های جدید تبدیل شده است. ازآنجاکه تابع سازگاری در روش‌های فرا ابتکاری خود تابعی از تعداد نقاط کنترل زمینی است، در این مطالعه، یک پیکربندی جدید و صحیح از الگوریتم بهینه­سازی توده ذرات برای یافتن تعداد ضرایب توابع کسری بهینه در شرایط استفاده از تعداد نقاط کنترل محدود تحت عنوان الگوریتم بهینه­سازی گسسته-باینری توده ذرات برای مدل توابع کسری (DBPSORFM) ارائه شده است. با تکیه بر این اصل که حداکثر تعداد ضرایب موجود در ساختار توابع کسری دوبرابر تعداد نقاط کنترل است، در شرایط استفاده از نقاط کنترل با تعداد محدود، یا به عبارتی تعداد کمتر از 39 نقطه، نمی­توان تمامی 78 ضریب ممکن را در ساختار توابع کسری دخیل کرد. ازاین­رو در روش پیشنهادی به جای استفاده از شکل مرسوم ذره­ها با مقادیر باینری، از ذره­ای با یک بخش گسسته و یک بخش باینری استفاده شده است. تعداد بیت­های هر ذره در این الگوریتم چهار برابر تعداد نقاط کنترل است که نیمی از آن­ها به بخش گسسته و نیم دیگر به بخش باینری اختصاص دارند. بخش گسسته شامل شماره ضرایب توابع کسری و بخش باینری با دارا بودن مقادیر صفر و یک، حضور یا عدم حضور ضریب متناظر در بخش گسسته را در ساختار توابع کسری نشان می­دهد. ایده­ی اصلی این پژوهش تعریف ساختار گسسته-باینری الگوریتم فراابتکاری توده ذرات در مسأله مدل توابع کسری است. این روش از طرفی با ذات الگوریتم‌های فرا ابتکاری سازگار بوده و از طرف دیگر با کاهش قابل‌توجه فضای جستجو به بهبود نتایج می‌انجامد. روش پیشنهادی برروی انواع مختلفی از داده‌ها با قدرت تفکیک بالا آزمایش شد که نتایج پژوهش حاکی از برتری روش پیشنهادی در مقایسه با رویکرد متداول در الگوریتم‌های فرا ابتکاری موجود بود.
واژه‌های کلیدی: مدل توابع کسری، الگوریتم بهینه‌سازی توده ذرات، نقاط کنترل زمینی محدود.
متن کامل [PDF 1401 kb]   (61 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فتوگرامتری
دریافت: ۱۳۹۷/۴/۱۷ | پذیرش: ۱۳۹۸/۱/۲۴ | انتشار: ۱۳۹۸/۹/۳۰
فهرست منابع
1. [1] M. S. Moussavi et al., "Derivation and validation of supraglacial lake volumes on the Greenland Ice Sheet from high-resolution satellite imagery," Remote sensing of environment, vol. 183, pp. 294-303, 2016. [DOI:10.1016/j.rse.2016.05.024]
2. [2] X.-P. Song et al., "National-scale soybean mapping and area estimation in the United States using medium resolution satellite imagery and field survey," Remote sensing of environment, vol. 190, pp. 383-395, 2017. [DOI:10.1016/j.rse.2017.01.008]
3. [3] Y.-S. Hsiao et al., "High-resolution depth and coastline over major atolls of South China Sea from satellite altimetry and imagery," Remote Sensing of Environment, vol. 176, pp. 69-83, 2016. [DOI:10.1016/j.rse.2016.01.016]
4. [4] R. Colombo, D. Bellingeri, D. Fasolini, and C. M. Marino, "Retrieval of leaf area index in different vegetation types using high resolution satellite data," Remote Sensing of Environment, vol. 86, no. 1, pp. 120-131, 2003. [DOI:10.1016/S0034-4257(03)00094-4]
5. [5] P. M. Dare, "Shadow analysis in high-resolution satellite imagery of urban areas," Photogrammetric Engineering & Remote Sensing, vol. 71, no. 2, pp. 169-177, 2005. [DOI:10.14358/PERS.71.2.169]
6. [6] Y. Qian, W. Zhou, W. Yu, and S. T. Pickett, "Quantifying spatiotemporal pattern of urban greenspace: new insights from high resolution data," Landscape ecology, vol. 30, no. 7, pp. 1165-1173, 2015. [DOI:10.1007/s10980-015-0195-3]
7. [7] M. Vakalopoulou, K. Karantzalos, N. Komodakis, and N. Paragios, "Building detection in very high resolution multispectral data with deep learning features," in 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2015: IEEE, pp. 1873-1876. [DOI:10.1109/IGARSS.2015.7326158]
8. [8] A. Albert, J. Kaur, and M. C. Gonzalez, "Using convolutional networks and satellite imagery to identify patterns in urban environments at a large scale," in Proceedings of the 23rd ACM SIGKDD international conference on knowledge discovery and data mining, 2017: ACM, pp. 1357-1366. [DOI:10.1145/3097983.3098070]
9. [9] Y. Qian, W. Zhou, W. Li, and L. Han, "Understanding the dynamic of greenspace in the urbanized area of Beijing based on high resolution satellite images," Urban Forestry & Urban Greening, vol. 14, no. 1, pp. 39-47, 2015. [DOI:10.1016/j.ufug.2014.11.006]
10. [10] X. Tong et al., "Building-damage detection using pre-and post-seismic high-resolution satellite stereo imagery: A case study of the May 2008 Wenchuan earthquake," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 68, pp. 13-27, 2012. [DOI:10.1016/j.isprsjprs.2011.12.004]
11. [11] D. Brunner, G. Lemoine, and L. Bruzzone, "Earthquake damage assessment of buildings using VHR optical and SAR imagery," IEEE Transactions on Geoscience and Remote Sensing, vol. 48, no. 5, pp. 2403-2420, 2010. [DOI:10.1109/TGRS.2009.2038274]
12. [12] P. Li, H. Xu, and J. Guo, "Urban building damage detection from very high resolution imagery using OCSVM and spatial features," International Journal of Remote Sensing, vol. 31, no. 13, pp. 3393-3409, 2010. [DOI:10.1080/01431161003727705]
13. [13] P. Li, H. Xu, and B. Song, "A novel method for urban road damage detection using very high resolution satellite imagery and road map," Photogrammetric Engineering & Remote Sensing, vol. 77, no. 10, pp. 1057-1066, 2011. [DOI:10.14358/PERS.77.10.1057]
14. [14] T. Toutin, "Geometric processing of remote sensing images: models, algorithms and methods," International journal of remote sensing, vol. 25, no. 10, pp. 1893-1924, 2004. [DOI:10.1080/0143116031000101611]
15. [15] C. V. Tao and Y. Hu, "A comprehensive study of the rational function model for photogrammetric processing," Photogrammetric engineering and remote sensing, vol. 67, no. 12, pp. 1347-1358, 2001.
16. [16] M. J. Valadan Zoej, M. Mokhtarzade, A. Mansourian, H. Ebadi, and S. Sadeghian, "Rational function optimization using genetic algorithms," International journal of applied earth observation and geoinformation, vol. 9, no. 4, pp. 403-413, 2007. [DOI:10.1016/j.jag.2007.02.002]
17. [17] S. H. Alizadeh Moghaddam, M. Mokhtarzade, and S. A. Alizadeh Moghaddam, "Optimization of RFM's Structure Based on PSO Algorithm and Figure Condition Analysis," IEEE Geoscience and Remote Sensing Letters, vol. 15, no. 8, pp. 1179-1183, 2018. [DOI:10.1109/LGRS.2018.2829598]
18. [18] Y. Xiuxiao and L. Xianyong, "A method for solving rational polynomial coefficients based on ridge estimation," Geomatics and Information Science of Wuhan University, vol. 33, no. 11, pp. 1130-1133, 2008.
19. [19] Q. Zhou, W. Jiao, and T. Long, "Solution to the rational function model based on the Levenberg-Marquardt algorithm," in 2012 9th International Conference on Fuzzy Systems and Knowledge Discovery, 2012: IEEE, pp. 2795-2799. [DOI:10.1109/FSKD.2012.6234281]
20. [20] X. Wang, D. Liu, Q. Zhang, and H. Huang, "The iteration by correcting characteristic value and its application in surveying data processing," J. Heilongjiang Inst. Technol, vol. 15, no. 2, pp. 3-6, 2001.
21. [21] Z. Xiong and Y. Zhang, "Bundle adjustment with rational polynomial camera models based on generic method," IEEE Transactions on Geoscience and Remote Sensing, vol. 49, no. 1, pp. 190-202, 2010. [DOI:10.1109/TGRS.2010.2054833]
22. [22] Y. Wu and Y. Ming, "A fast and robust method of calculating RFM parameters for satellite imagery," Remote sensing letters, vol. 7, no. 12, pp. 1112-1120, 2016. [DOI:10.1080/2150704X.2016.1219459]
23. [23] Z. Li-ping, L. Feng-de, L. Jian, and W. Wei, "Research on Reducing Term of Higher Order in RFM Model," Science of Surveying and Mapping, vol. 32, no. 4, p. 14, 2007.
24. [24] Y. Zhang, Y. Lu, L. Wang, and X. Huang, "A new approach on optimization of the rational function model of high-resolution satellite imagery," IEEE Transactions on Geoscience and Remote Sensing, vol. 50, no. 7, pp. 2758-2764, 2011. [DOI:10.1109/TGRS.2011.2174797]
25. [25] L. Tengfei, J. Weili, and H. Guojin, "Nested regression based optimal selection (NRBOS) of rational polynomial coefficients," Photogrammetric Engineering & Remote Sensing, vol. 80, no. 3, pp. 261-269, 2014. [DOI:10.14358/PERS.80.3.261]
26. [26] K. Sastry, D. Goldberg, and G. Kendall, "Genetic Algorithms," in Search Methodologies: Introductory Tutorials in Optimization and Decision Support Techniques: Springer, 2014, pp. 93-117. [DOI:10.1007/978-1-4614-6940-7_4]
27. [27] J. Kennedy, "Particle swarm optimization," in Encyclopedia of machine learning, vol. 10: Springer, 2010, pp. 760-766.
28. [28] M. Jannati and M. J. Valadan Zoej, "Introducing genetic modification concept to optimize rational function models (RFMs) for georeferencing of satellite imagery," GIScience & Remote Sensing, vol. 52, no. 4, pp. 510-525, 2015. [DOI:10.1080/15481603.2015.1052634]
29. [29] M. Jannati, M. Valadan Zoej, and M. Mokhtarzade, "A Knowledge-Based Search Strategy for Optimally Structuring the Terrain Dependent Rational Function Models," Remote Sensing, vol. 9, no. 4, p. 345, 2017. [DOI:10.3390/rs9040345]
30. [30] S. Yavari, M. J. V. Zoej, A. Mohammadzadeh, and M. Mokhtarzade, "Particle swarm optimization of RFM for georeferencing of satellite images," IEEE Geoscience and Remote Sensing Letters, vol. 10, no. 1, pp. 135-139, 2013. [DOI:10.1109/LGRS.2012.2195153]
31. [31] S. Yavari, M. J. Valadan Zoej, M. R. Sahebi, and M. Mokhtarzade, "Accuracy improvement of high resolution satellite image georeferencing using an optimized line-based rational function model," International journal of remote sensing, vol. 39, no. 6, pp. 1655-1670, 2018. [DOI:10.1080/01431161.2017.1410294]
32. [32] S. Gholinejad, A. Alizadeh Naeini, and A. Amiri-Simkooei, "Robust Particle Swarm Optimization of RFMs for High-Resolution Satellite Images Based on K-Fold Cross-Validation," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 12, no. 8, pp. 2594 - 2599, 2019. [DOI:10.1109/JSTARS.2018.2881382]
33. [33] J. Kennedy and R. C. Eberhart, "A discrete binary version of the particle swarm algorithm," in 1997 IEEE International conference on systems, man, and cybernetics. Computational cybernetics and simulation, 1997, vol. 5: IEEE, pp. 4104-4108.
ارسال پیام به نویسنده مسئول


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Gholinejad S, Alizadeh Naeini A, Amiri-Simkooei A. Optimization of RFM's Structure Using a New Reformulation of PSO in Case of Limited GCPs. jgit. 2019; 7 (3) :199-212
URL: http://jgit.kntu.ac.ir/article-1-749-fa.html

قلی نژاد سعید، علیزاده نائینی امین، امیری سیمکوئی علیرضا. بهینه‌سازی ساختار توابع کسری با استفاده از پیکربندی جدیدی از الگوریتم بهینه‌سازی توده ذرات در شرایط وجود نقاط کنترل محدود. مهندسی فناوری اطلاعات مکانی. 1398; 7 (3) :199-212

URL: http://jgit.kntu.ac.ir/article-1-749-fa.html



دوره 7، شماره 3 - ( 9-1398 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.06 seconds with 31 queries by YEKTAWEB 4072