ارزيابي جامع الگوريتم‌هاي بهينه‌سازي ژنتيك استاندارد، ژنتيك بهبود يافته و ازدحام ذرات بهبود يافته در كشف تركيب بهينه ترم‌هاي توابع كسري وابسته به زمين

Comprehensive assessment of standard genetic optimization algorithm, modified genetic optimization algorithm and modified particle swarm optimization algorithm for optimization of terrain-dependent rational function models

استفاده از توابع كسري، در غياب اطلاعات افمريز مدار ماهواره و هندسه داخلي سنجنده، يكي از بهترين روش‌ها براي زمين‌مرجع‌سازي تصاوير ماهواره‌اي و استخراج اطلاعات مكاني از تصاوير ماهواره‌اي است. تعداد زياد ترم‌ها و عدم تفسيرپذيري آنها، باعث‌شده تا تعدد نقاط كنترل مورد‌نياز و ايجاد خطاي پارامتر‌هاي اضافه، به‌عنوان مهم‌ترين ضعف‌هاي توابع كسري وابسته به زمين شناخته شوند. استفاده از الگوريتم‌هاي بهينه‌سازي، يكي از راهكار‌هاي مناسب رفع اين ضعف‌ها است. به‌همين‌دليل از الگوريتم‌هاي بهينه‌سازي مختلف، براي كشف تركيب بهينه ترم‌هاي توابع كسري وابسته به زمين استفاده شده است. از آنجا كه سازوكار هريك از اين الگوريتم‌ها با يكديگر متفاوت است، ميزان كارايي و خصوصيات مختلف اين الگوريتم‌ها در كشف تركيب بهينه ترم‌هاي توابع كسري وابسته به زمين متفاوت است اما تفاوت‌هاي موجود به‌صورت جامع، مورد مقايسه و تحليل قرار نگرفته است. در اين مقاله، به‌منظور بررسي كامل و جامع توانايي‌هاي سه الگوريتم بهينه‌سازي ژنتيك، ژنتيك بهبوديافته و ازدحام ذرات بهبوديافته در كشف تركيب بهينه ترم‌هاي توابع كسري از ديدگاه‌هاي مختلف از جمله دقت، سرعت، تعداد نقاط كنترل مورد نياز و قابليت اطمينان به نتايج بدست آمده، از 4 تصوير ماهواره‌اي متعلق به سنجنده‌هاي GeoEye-1، IKONOS-2، SPOT-3-1ª و SPOT-3-1B استفاده شده است. اختلاف دقت كمتر از 0/4 پيكسل در نتايج هر يك از الگوريتم‌هاي بهينه‌سازي، 10 تا 12 برابر‌بودن سرعت الگوريتم ژنتيك بهبوديافته نسبت به دو الگوريتم ديگر، به ترتيب برتري 45/25 و 27 درصدي درجه آزادي الگوريتم بهينه‌سازي ازدحام ذرات بهبوديافته نسبت به الگوريتم ژنتيك بهبوديافته و ژنتيك و پراكندگي نسبتا يكسان نتايج هر يك از الگوريتم‌ها در 10 بار اجراي برنامه، حاكي از آن است كه دقت هر سه الگوريتم بهينه‌سازي نسبتا يكسان، سرعت الگوريتم ژنتيك بهبوديافته بيشتر، تعداد نقاط كنترل مورد نياز الگوريتم ازدحام ذرات بهبوديافته كمتر از دو الگوريتم ديگر و قابليت اطمينان به نتايج هر يك از الگوريتم‌هاي بهينه‌سازي به منظور كشف تركيب بهينه ترم‌هاي توابع كسري وابسته به زمين، يكسان است.

In the absence of satellite ephemeris data and inner geometry of satellite’s sensor, utilization of Rational Function Models (RFMs) is one of the best approaches to georeferencing satellite images and extracting spatial information from them. However, since RFMs have high number of coefficients, then usually high number of control points is needed for their estimation. In the other hand, RFM terms are uninterpretable and all of them causes over-parametrization error which count as the most important weakness of the terrain-dependent RFMs. Utilization of optimization algorithms is one of the best approaches to eliminate these weaknesses. Therefore, various optimization algorithms have been used to discover the optimal composition of RFM’s terms. Since the mechanism of these algorithms is different, the performance and feature characteristics of these algorithms differ in the discovery of the optimal composition train-dependent RFM’s terms. But the existing differences not comprehensively analyzed. In this paper, in order to comprehensive assessment the abilities of Genetic Optimization Algorithm (GA), Genetic modified Algorithm (GM), and a modified Particle Swarm Optimization (PSO) in terms of accuracy, quickness, number of control points required, and reliability of results, are evaluated. These methods are evaluated using for different datasets including a GeoEye-1, an IKONOS-2, a SPOT-3-1A, and a SPOT-3-1B satellite images. In terms of accuracy achieved, difference between these methods was less than 0.4 pixel. In terms of speed of evaluation of parameters, GM was 10 to 12 time more quickly in comparison with two other algorithms. In terms of control points required, degree of freedom of modified PSO was 45.25 percent and 27 percent more than GM and GA respectively, and finally in terms of reliability, the dispersion of RMSE obtained in 10 runs of three algorithms are relatively same. These results indicated that accuracy and reliability of all three methods are almost the same, speed of GM is higher and modified PSO needs less control points to optimize terrain-dependent RFM