Using an Imperialistic Competitive Algorithm in Global Polynomials Optimization (Case Study: 2D Geometric Correction of IKONOS and SPOT Imagery)

استفاده از الگوريتم رقابت استعماري در بهينه سازي چندجمله‌اي‌هاي جهاني (مطالعه موردي: تصحيح هندسي تصوير IKONOS، و تصوير (SPOT

امروزه، تعداد تصاویر با توان تفكیك مكانی بالا در جوامع سنجش از دور و فتوگرامتری به شكل روز افزونی در حال افزایش است. هر چند كه این تصاویر حاوی اطلاعات زیادی هستند، اما نبود داده های افمریز و اطلاعات كالیبراسیون سنجنده ها، به كاربران اجازه استفاده از مدل های فیزیكی دقیق جهت ایجاد ارتباط بین فضای عكسی و فضای زمینی را فراهم نمی كند. به عنوان یك راه حل جایگزین، چند مدل غیر پارامتریك همچون چند جمله ای های جهانی توسعه یافته و استفاده شده اند. این مقاله یك روش تركیبی را بر اساس استفاده از الگوریتم رقابت استعماری برای یافتن بهترین ترم های چند جمله ای ها ارائه می دهد. روش مذكور برای تصحیح هندسی دو پایگاه داده مختلف، تصویری از سكوی IKONOS و تصویر SPOT با استفاده از تركیب های متفاوتی از نقاط كنترل زمینی و نقاط مستقل چك اعمال شد كه توانایی این روش را در رسیدن به دقت های زیر پیكسلی نشان داد. علاوه بر این، مدت زمان لازم برای اجرای الگوریتم به میزان قابل توجهی در مقایسه با سایر الگوریتم های بهینه سازی همچون ژنتیك و كلونی ذرات كمتر بود.

The number of high resolution space imageries in photogrammetry and remote sensing society is growing fast. Although these images provide rich data, the lack of sensor calibration information and ephemeris data does not allow the users to apply precise physical models to establish the functional relationship between image space and object space. As an alternative solution, some generalized models such as global polynomials have been developed and used. This paper presents a hybrid method based on using imperialistic competitive algorithm (ICA) to find the best terms of global polynomials. The method was carried out for geometric correction of two different datasets, an IKONOS Geo-image and a SPOT image, with different number of ground control points (GCPs) and independent check points (ICPs). Results showed the success of achieving sub-pixel accuracies (0.2) for IKONOS and 2.5 pixels for SPOT image. The method was able to successfully handle over-optimization as it produces lower RMSEs compared to conventional approach. Also, the proposed method required much less time in comparison to other optimization algorithms like genetic algorithm (GA) and particle swarm optimization (PSO).