综述 | 公茂果团队：计算智能在遥感图像配准中的应用

论文题名：Computational Intelligence in Remote Sensing Image Registration: A survey

论文作者：Yue Wu, Jun-Wei Liu, Chen-Zhuo Zhu, Zhuang-Fei Bai, Qi-Guang Miao, Wen-Ping Ma, Mao-Guo Gong

全文链接：https://link.springer.com/article/10.1007/s11633-020-1248-x

参考链接：https://mp.weixin.qq.com/s/LkaSi_LX03k_6pjEL7hDDg

遥感图像配准在遥感图像处理中有着重要应用，是许多遥感信息提取和处理技术中的基础性问题。进化算法模拟生态系统中优胜劣汰的进化过程，可很好对遥感图像配准任务参数进行优化。近些年来，基于深度学习的遥感图像配准方法也取得了令人满意的效果。本周分享西安电子科技大学公茂果教授团队特约综述，本文第一作者为西安电子科技大学武越副教授，文章深入讨论了计算智能在遥感图像配准中的应用，主要从进化算法和深度学习两方面进行阐述。IJAC特约稿件，欢迎下载阅读！

图片来自Springer

近年来，随着人类对地球观测能力的不断提高，我们可以获得的遥感图像数量和质量都有着质的飞跃。遥感图像配准在遥感图像处理中有着重要应用，是许多遥感信息提取和处理技术中的基础性问题。在遥感图像的实际应用中，配准是图像融合、变化检测、特征识别、图像拼接、图像分割、图像分类等遥感图像处理任务中不可或缺的一步。后来的许多理论和应用都建立在配准问题已解决的假设前提下。遥感图像配准的精度将直接影响最终应用结果的精度和效果。

图像配准旨在对两幅及以上的图像进行匹配，这些图像是指不同情况下同一物体的图像，例如在不同时间、不同视角或不同传感器下所拍摄的同一物体的图像。由于遥感图像特征更为复杂，与自然图像配准相比，其配准工作具有更大挑战性。遥感图像配准可分为五步，包括预处理、特征选择、特征对应、变换函数确定和重采样。本文主要讨论计算智能在遥感图像配准中的应用，主要从进化算法和深度学习两个方面进行讨论。

进化算法在遥感图像配准中有着广泛应用，并取得了很好的效果。进化算法是一种启发式全局优化概率搜索算法，其原理是模拟生态系统中优胜劣汰的进化过程。与传统优化算法相比，进化算法具有以下优点：

 1）进化算法不需要通过严格定义数学模型来解决问题。将实际应用需求抽象为优化问题时，进化算法可以在不依赖其他信息的情况下，充分利用相应的适应度函数找到近似最优解以满足实际应用需求。

2）在优化过程中，传统的优化策略是从一个初始值开始，而后逐步迭代寻找最优解，而进化算法是从包含多个点的种群出发，通过种群的进化迭代寻找最优或次优解。

3）进化算法的鲁棒性和嵌入式并行性使得算法在寻找全局最优解时非常有效，不易陷入局部最优解的困境，实现概率意义上的全局优化。

通过建立合理的模型，可以将遥感图像配准任务视为一个优化问题，而进化算法可以很好地解决优化问题，因此进化算法在遥感图像配准任务中有着重大的应用。

卷积神经网络(CNNs)模拟动物视觉皮层组织中神经元之间的连接模式，是多层前馈人工神经网络的一种深度学习结构。CNNs通常由多个相互连接的卷积层、池化层和完全连接层组成。卷积层通过各种卷积核对输入执行卷积运算以提取各种特征。池化层通过池化操作对降低输入数据的维度，从而减少网络参数的数量。完全连接层通常是CNNs的最后一部分，是传统的多层感知器网络。每个神经元与上一层神经元相连。CNNs强大的特征提取和表征能力可以克服低层特征的不稳定性，提高配准的可靠性。

与自然图像相比，遥感图像的获取方式多种多样，图像内容难以理解，特征不明显。人工设计特征的方法在遥感图像中的应用范围很窄。传统的方法中，特征提取和特征匹配之间没有信息反馈。深度神经网络具有很强的学习能力，可以提取高维特征进行配准。深度学习进一步提高了遥感图像配准的精度和鲁棒性。

计算智能具有智能、并行、鲁棒的特点，不依赖于问题本身的特性。基于计算智能的算法基本上是以群体协作的方式实现优化求解，非常适合完成大规模并行处理任务。基于计算智能的算法具有良好的容错性，对初始条件不敏感。可在不同的条件下找到最优解。本文主要从进化计算个深度学习两个方向对计算智能在遥感图像配准领域的应用进行系统性的阐述，并根据多年的研究经验对未来的该领域的发展进行展望，希望能够为更多的研究者和从业者提供一份计算智能在遥感图像配准领域应用的介绍。

来源：《International Journal of Automation and Computing》编辑部