CN113658079A - 基于fpga的spot-6卫星影像rfm正射纠正参数优选方法 - Google Patents
基于fpga的spot-6卫星影像rfm正射纠正参数优选方法 Download PDFInfo
- Publication number
- CN113658079A CN113658079A CN202110958659.8A CN202110958659A CN113658079A CN 113658079 A CN113658079 A CN 113658079A CN 202110958659 A CN202110958659 A CN 202110958659A CN 113658079 A CN113658079 A CN 113658079A
- Authority
- CN
- China
- Prior art keywords
- individuals
- rfm
- spot
- individual
- orthorectification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 230000013011 mating Effects 0.000 claims abstract description 22
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 18
- 230000035772 mutation Effects 0.000 claims abstract description 17
- 238000009395 breeding Methods 0.000 claims abstract description 5
- 230000001488 breeding effect Effects 0.000 claims abstract description 5
- 239000000126 substance Substances 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009401 outcrossing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000004366 reverse phase liquid chromatography Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于FPGA的SPOT‑6卫星影像RFM正射纠正参数优选方法,包括:对由SPOT‑6卫星影像的RFM模型系数构成的个体进行二进制编码;从种群中随机选取个体,计算个体适应度值,并选择优良个体放入交配池中;共得到500个优良个体放入交配池中;判断500个优良个体中最小的适应度值是否满足种群停止繁殖的阈值;根据交叉概率,判断是否对从交配池中随机选取的个体进行交叉操作;根据变异概率,判断是否对交叉后的个体基因进行变异操作;利用新的子代个体更新种群。本发明在有限的硬件资源条件下,实现SPOT‑6卫星影像RFM正射纠正参数优选,满足卫星遥感领域对卫星影像正射纠正的时效性、便携性和小型化的要求。
Description
技术领域
本发明涉及一种卫星遥感影像处理技术。特别是涉及一种基于FPGA的SPOT-6卫星影像RFM正射纠正参数优选方法。
背景技术
SPOT-6卫星影像RFM模型由于拥有数学形式简洁、不需向用户提供传感器参数、以及能够达到与严格几何模型一致的纠正精度等优点,已被广泛应用于卫星遥感影像的正射纠正中。对于三阶且分母不同的RFM模型,其未知参数高达78个,SPOT-6卫星影像RFM模型正是通过这些参数对严格传感器模型进行精确逼近。用于求解SPOT-6卫星影像RFM模型参数的“与地形无关”方案和“与地形相关”方案各有优缺点。特别地,对于“与地形相关”方案,如果没有选取均匀分布的控制点或者SPOT-6卫星影像RFM模型过度参数化,则可能导致解算SPOT-6卫星影像RFM模型参数的误差方程严重病态,即SPOT-6卫星影像RFM模型的参数之间存在相关性,从而使得解出现较大的偏差或者不稳定。
综合国内外研究进展,现有SPOT-6卫星影像RFM模型参数优选算法主要针对的是“与地形相关”方案,主要包括复共线性分析算法、基于离差阵和消去变换的参数优选算法、以及遗传算法等。然而,这些算法主要是基于串行处理的地面软件平台进行实现,往往难以满足对时效性有较高要求的应用场景。此外,针对由“与地形无关”方案求解得到SPOT-6卫星影像RFM模型参数之间是否存在相关性的问题,目前研究较少。
对于遗传算法来说,其本质上是并行的,传统的基于软件的实现方法会受到串行计算的制约,从而影响计算速度,而FPGA硬件则能够以并行计算的方式来实现遗传算法。这主要是因为FPGA是专用集成电路领域中的一种半定制电路,集成了大量的可编辑逻辑单元(LogicElement,LE)。用户可根据自身的需要在FPGA上反复地进行逻辑电路的设计。由于使用了并发和流水线技术,FPGA拥有更大的并行度。相对于中央处理器(Central ProcessingUnit,CPU)和图形处理器(Graphic Processing Unit,GPU),FPGA拥有更小的尺寸、更轻的重量、和更低的功耗。FPGA不仅解决了定制电路的不足,还克服了原有可编辑器件门电路数不足的缺点。
因此,为了能够实时地进行SPOT-6卫星影像RFM正射纠正参数优选,亟需研究基于FPGA的SPOT-6卫星影像RFM正射纠正参数优选方法。
发明内容
本发明所要解决的技术问题是,提供一种能够满足卫星遥感领域对卫星影像正射纠正的时效性、便携性和小型化要求的基于FPGA的SPOT-6卫星影像RFM正射纠正参数优选方法。
本发明所采用的技术方案是:一种基于FPGA的SPOT-6卫星影像RFM正射纠正参数优选方法,包括如下步骤:
1)对由SPOT-6卫星影像的RFM模型系数构成的个体进行二进制编码;
2)从种群中随机选取个体,计算个体适应度值,并选择优良个体放入交配池中;
3)重复步骤2)共得到500个优良个体放入交配池中;
4)判断所选择的500个优良个体中最小的适应度值是否满足种群停止繁殖的阈值,若满足则停止,否则转至步骤5);
5)根据交叉概率,判断是否对从交配池中随机选取的个体进行交叉操作,是则进行交叉操作以产生新的个体,转至步骤6);否则直接复制所选取的个体基因构成新的个体,转至步骤6);
6)根据变异概率,判断是否对交叉后的个体基因进行变异操作,是则进行变异操作以产生新的子代个体,转至步骤7);否则复制该个体基因构成新的子代个体,转至步骤7);
7)利用新的子代个体更新种群,并转至步骤2)。
本发明的基于FPGA的SPOT-6卫星影像RFM正射纠正参数优选方法,通过结合FPGA并行计算的特性,以FPGA作为硬件加速平台,以Verilog硬件语言作为设计语言,使SPOT-6卫星影像RFM正射纠正参数的优选能够在FPGA上实现硬件加速,在有限的硬件资源条件下,实现RFM模型参数优选的遗传算法,满足卫星遥感领域对卫星影像正射纠正的时效性、便携性和小型化的要求。
附图说明
图1是本发明基于FPGA的SPOT-6卫星影像RFM正射纠正参数优选方法的流程图;
图2是应用基于FPGA的SPOT-6卫星影像RFM正射纠正参数优选方法的硬件架构;
图3是本发明中的编码方案;
图4是二元锦标赛策略的选择过程;
图5是图2中的坐标正则化模块GA_NORCOD;
图6是图2中的最优个体选择模块SELECT;
图7是图2中的终止判断模块ISSTOP;
图8是9阶线性反馈移位寄存器FPGA硬件架构;
图9是8阶线性反馈移位寄存器FPGA硬件架构;
图10是7阶线性反馈移位寄存器FPGA硬件架构;
图11是5阶线性反馈移位寄存器FPGA硬件架构;
图12是基于FPGA的单点交叉具体过程。
具体实施方式
下面结合实施例和附图对本发明的基于FPGA的SPOT-6卫星影像RFM正射纠正参数优选方法做出详细说明。
本发明的基于FPGA的SPOT-6卫星影像RFM正射纠正参数优选方法,包括如下步骤:
1)对由SPOT-6卫星影像的RFM模型系数构成的个体进行二进制编码;其中,
所述的SPOT-6卫星影像的RFM模型为:
其中,NumL、DenL、NumS和DenS为多项式,分别由以下公式计算得到:
NumL=a1+a2L+a3P+a4H+a5LP+a6LH+a7PH+a8L2+a9P2+a10H2+a11PLH+a12L3+a13LP2+a14LH2+a15L2P+a16P3+a17PH2+a18L2H+a19P2H+a20H3
DenL=b1+b2L+b3P+b4H+b5LP+b6LH+b7PH+b8L2+b9P2+b10H2+b11PLH+b12L3+b13LP2+b14LH2+b15L2P+b16P3+b17PH2+b18L2H+b19P2H+b20H3
NumS=c1+c2L+c3P+c4H+c5LP+c6LH+c7PH+c8L2+c9P2+c10H2+c11PLH+c12L3+c13LP2+c14LH2+c15L2P+c16P3+c17PH2+c18L2H+c19P2H+c20H3
DenS=d1+d2L+d3P+d4H+d5LP+d6LH+d7PH+d8L2+d9P2+d10H2+d11PLH+d12L3+d13LP2+d14LH2+d15L2P+d16P3+d17PH2+d18L2H+d19P2H+d20H3
其中,a1~a20、b1~b20,c1~c20,d1~d20为RFM模型系数;P、L和H分别为大地坐标Lon、Lat、和Hei的正则化坐标;I和J分别为像素坐标i和j的正则化坐标;正则化坐标分别由以下公式计算得到:
其中,Lonoff、LonScale、Latoff、LatScale、hoff、hScale、ioff、iScale、joff和jScale为已知正则化参数。
步骤1)包括:
对SPOT-6卫星影像RFM模型系数构成的个体结构:a1,a2,…,a20,b1,b2,…,b20,c1,c2,…,c20,d1,d2,…,d20,采用的编码方案,是通过给个体结构中的元素随机编码为0或1,以产生不同的个体。
2)从种群中随机选取个体,计算个体适应度值,并选择优良个体放入交配池中;其中,
所述的种群为由随机编码产生的500个个体组成的集合;所述的从种群中随机选取个体,是采用并行选取方法,一次同时从500个个体中随机选取10个个体。
所述的计算个体适应度值,即为检查点GACPs像素坐标的均方根误差值RMSE,通过如下公式分别计算所选取的10个个体的适应度值:
其中,和为检查点GACPs的已知像素坐标;和为由SPOT-6卫星影像的RFM模型计算得到的GACPs的像素坐标;NGACP为检查点个数,NGACP=3,k为检查点索引k=1,2,3;NumL、DenL、NumS和DenS为多项式;ioff、iScale、joff和jScale为已知正则化参数。
将适应度值最小的个体作为优良个体放入交配池中。
例如如图4所示,采用二元锦标赛(Binary Tournament,BT)策略从种群中随机选取个体,BT策略的选择过程是随机选出2个个体,并通过公式(1)分别计算个体适应度值,即RMSE,记为RMSE1和RMSE2;然后选择min(RMSE1,RMSE2)所对应的个体,并放入交配池中等待下一步操作。
3)重复步骤2)共得到500个优良个体放入交配池中;
4)判断所选择的500个优良个体中最小的适应度值是否满足种群停止繁殖的阈值,若满足则停止,否则转至步骤5);
5)根据交叉概率,判断是否对从交配池中随机选取的个体进行交叉操作,是则进行交叉操作以产生新的个体,转至步骤6);否则直接复制所选取的个体基因构成新的个体,转至步骤6);
是从交配池中同时随机选取10对父代个体,并同时为每对父代个体产生一个随机交叉概率,若交叉概率小于0.875,则对对应的父代个体对进行交叉操作。
所述的交叉操作,采用的是单点交叉机制,过程为:在两个父代个体中随机选择交叉点位,并在该交叉点位处把这两个父代的基因链打断,分成头片段和尾片段,然后交换两个父代的头片段或尾片段,以产生两个新的完整子代个体。
6)根据变异概率,判断是否对交叉后的个体基因进行变异操作,是则进行变异操作以产生新的子代个体,转至步骤7);否则复制该个体基因构成新的子代个体,转至步骤7);
7)利用新的子代个体更新种群,并转至步骤2)。
下面给出本发明的具体应用实例。
本发明实施例的流程如图1所示,主要包括个体编码、计算个体适应度值、选择操作、交叉操作、变异操作、以及判断是否满足停止条件。在本发明实施例中,参数设置如下:种群大小为500;编码长度为80;交叉概率为0.875;变异概率为0.0703;对于SPOT-6影像来说,停止条件为RMSE小于5个像素。
本发明实施例采用Xilinx FPGA芯片,并利用Verilog硬件语言在Vivado2016.4软件平台上进行算法设计和程序编写。根据图1流程,设计了如图2所示的硬件架构,主要包括GA_NORCOD模块、SELECT模块、CTRLCOMU模块和ISSTOP模块。其中,GA_NORCOD模块用于计算GACPs的正则化坐标等;SELECT模块负责选出最优的个体;CTRLCOMU模块主要负责三个方面的操作:(1)随机选出10组个体发送到SELECT模块;(2)从交配池中随机选取父代个体进行交叉操作,以产生子代个体;(3)对子代个体进行变异操作。ISSTOP模块通过繁殖的代数和个体的适应度值来决定是否停止对SPOT-6卫星影像RFM正射纠正参数的优选。
本发明实施例的具体过程如下:
步骤一:对由SPOT-6卫星影像的RFM模型系数构成的个体进行二进制编码。
对SPOT-6卫星影像RFM模型系数构成的个体结构(a1,a2,…,a20,b1,b2,…,b20,c1,c2,…,c20,d1,d2,…,d20)采用的编码方案如图3所示,通过给个体结构中的元素随机编码为0或1,以产生不同的个体,如(1,1,…,0,1,0,…,1,0,1,…,1,0,1,…,1)。
步骤二:从种群中随机选取个体,计算个体适应度值,并选择优良个体放入交配池中;以及判断所选择的优良个体的适应度值是否满足种群停止繁殖的阈值,若满足则停止,否则转至步骤三。
在本发明中,采用二元锦标赛(Binary Tournament,BT)策略从种群中随机选取个体。BT策略的选择过程如图4所示,即随机选出2个个体,并通过公式(1)分别计算个体适应度值,即RMSE,记为RMSE1和RMSE2;然后选择min(RMSE1,RMSE2)所对应的个体,并放入交配池中等待下一步操作。
其中,和为检查点GACPs的已知像素坐标;和为由所选个体来确定的RFM模型计算得到的GACPs的像素坐标;GACPs的个数NGACP=3,检查点索引k=1,2,3。和由公式(2)~公式(7)计算得到。
其中,ioff、iScale、joff和jScale为像素坐标正则化参数;多项式NumL、DenL、NumS和DenS可分别由以下公式计算得到,
其中,a1~a20、b1~b20,c1~c20,d1~d20为有理多项式参数(Rational PolynomialCoefficients,RPCs);P、L和H分别为大地坐标Lon、Lat、和Hei的正则化坐标;正则化坐标可分别由以下公式计算得到,
其中,Lonoff、LonScale、Latoff、LatScale、hoff和hScale为大地坐标正则化参数。
根据公式(2)~公式(7)为GA_NORCOD模块设计了如图5所示的FPGA硬件架构。其中CTRLGANOR模块主要负责向CALGANOR模块发送正则化参数Lonoff[63:0]等,以及CALGANOR模块的使能信号EnGANor和复位信号ResetGANor。EnGANor信号和ResetGANor信号由CTRLGANOR模块中的isChangeGACP信号和isDoneGANor信号进行控制。当isChangeGACP为高电平时,说明将要开始对下一个GACPs的坐标进行正则化,因此,EnGANor信号和ResetGANor信号将会被拉高为高电平;当isDoneGANor信号为高电平时,说明已完成对当前GACPs坐标的正则化。此外,CTRLGANOR模块根据索引RdIndex[5:0]的值向图2中的SELECT模块发送CALGANOR模块的计算结果FrontTERM[63:0]和LatterTERM[63:0]。其中,FrontTERM[63:0]将被赋予term1[63:0]~term10[63:0]中的值;而LatterTERM[63:0]则被赋予term11[63:0]~term20[63:0]中的值。当RdIndex=6'd3时,FrontTERM[63:0]将会被赋予term3[63:0]的值,而LatterTERM[63:0]则会被赋予term13[63:0]的值。
SELECT模块的FPGA硬件架构如图6所示,主要负责根据公式(1)计算随机选出的个体适应度值(即GACPs的平面RMSE),并根据适应度值选择符合条件的个体,即选出能使GACPs的平面RMSE最小的个体。该结构并行地对10组个体进行选择。其中,GACode1_GP1[79:0]和GACode2_GP1[79:0]为第1组的两个个体,IndexCode1_GP1[8:0]和IndexCode2_GP1[8:0]分别为这2个个体所对应的索引;余下以此类推。个体及其对应的索引均由图2中的CTRLCOMU模块发送而来,它们在经过选择处理单元SelectionPE后,即可得到该组中较优的个体及其索引。
通过并行处理,SELECT模块每次可从10组个体(每组2个个体)中选出10个较为优良的个体。相对于同组的另一个个体来说,所选出的个体能够得到更小的RMSE。
为了判定是否结束对SPORT-6卫星影像RFM正射纠正参数的优选,图2中的ISSTOP模块利用如图7所示的FPGA硬件架构对SELECT模块选出的10个个体进行进一步的筛选,旨在选出能够得到最小RMSE的个体。最后,通过比较最小RMSE与给定阈值(5个像素)的大小来决定是否结束对SPORT-6卫星影像RFM正射纠正参数的优选。如图7所示,ISSTOP模型通过5次比较后即可决定是否结束对SPORT-6卫星影像RFM正射纠正参数的优选,即当检测到信号isStopGA=1'b1时,结束对SPORT-6卫星影像RFM正射纠正参数的优选,反之继续。
步骤三:根据交叉概率,判断是否对从交配池中随机选取的个体进行交叉操作。
分别通过如图8、图9、图10和图11所示的9阶、8阶、7阶、5阶线性反馈移位寄存器(Linear Feedback Shift Registers,LFSR)产生不同的随机数。其中,由于种群的大小为500,因此利用9阶LFSR产生的随机数从种群中选出个体作为SELECT模块的输入;此外,用于交叉的个体也可根据9阶LFSR产生的随机数从交配池中选出。8阶LFSR主要用于产生交叉概率和变异概率。由于基因编码长度为80,因此7阶LFSR用于产生交叉点位5阶LFSR主要用于产生变异点位。
本实施例中设置的交叉概率为0.875,可用8bits的二进制数8'b11100000来表示。当获取交叉点位后,若交叉概率不小于8'b11100000,那么子代个体Son1和Son2直接复制父代个体Parent1和Parent2的信息,如公式(5)所示。
Son1=Parent1,Son2=Parent2 (8)
若交叉概率小于给定阈值8'b11100000,则根据交叉点位进行单点交叉。基于FPGA的单点交叉具体过程如图12所示。对于基因编码长度为6、交叉点位为2、进行交叉的两个父代个体分别为Parent1=6'b001101和Parent2=6'b010110,为了交换Parent1和Parent2的基因,只需分别对这两个个体进行2次移位操作后,再进行按位或操作即可。图12所示的交叉过程可用公式(9)表示,即:
其中,lh为基因编码长度;locC为交叉点位;Son1和Son2为父代个体Parent1和Parent2交叉后产生的两个子代个体。
本实施例中设置的变异概率为0.0703,可用8bits的二进制数8'b00010010来表示。当8阶LFSR产生的变异概率MuPro小于8'b00010010时,则根据8阶LFSR产生的变异点位locM进行变异。变异过程可表示为公式(10),即:
Son1[locM]=(MuPro<8'b00010010)?~Son1[locM]:Son1[locM] (10)
实验:
在Windows10系统下,利用Verilog硬件语言在Vivado2016.4软件平台上完成了算法设计和程序编写,并对SPOT-6卫星影像数据进行了仿真实验。由FPGA优选出的SPOT-6卫星影像RFM正射纠正参数如表1所示。原始SPOT-6卫星影像RFM正射纠正方法与基于FPGA硬件SPOT-6卫星影像RFM正射纠正参数优选方法的纠正精度如表2所示。由表1和表2可知,基于FPGA硬件的SPOT-6卫星影像RFM正射纠正参数优选方法能够有效地的减少RFM模型参数,并且提高纠正精度。
表1 FPGA优选出的SPOT-6卫星影像RFM正射纠正参数
表2正射纠正精度比较(单位:像素)
尽管上面结合附图和实施例对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以做出很多变形,这些均属于本发明的保护之内。
Claims (7)
1.一种基于FPGA的SPOT-6卫星影像RFM正射纠正参数优选方法,其特征在于,包括如下步骤:
1)对由SPOT-6卫星影像的RFM模型系数构成的个体进行二进制编码;
2)从种群中随机选取个体,计算个体适应度值,并选择优良个体放入交配池中;
3)重复步骤2)共得到500个优良个体放入交配池中;
4)判断所选择的500个优良个体中最小的适应度值是否满足种群停止繁殖的阈值,若满足则停止,否则转至步骤5);
5)根据交叉概率,判断是否对从交配池中随机选取的个体进行交叉操作,是则进行交叉操作以产生新的个体,转至步骤6);否则直接复制所选取的个体基因构成新的个体,转至步骤6);
6)根据变异概率,判断是否对交叉后的个体基因进行变异操作,是则进行变异操作以产生新的子代个体,转至步骤7);否则复制该个体基因构成新的子代个体,转至步骤7);
7)利用新的子代个体更新种群,并转至步骤2)。
2.根据权利要求1所述的基于FPGA的SPOT-6卫星影像RFM正射纠正参数优选方法,其特征在于,步骤1)中所述的SPOT-6卫星影像的RFM模型为:
其中,NumL、DenL、NumS和DenS为多项式,分别由以下公式计算得到:
NumL=a1+a2L+a3P+a4H+a5LP+a6LH+a7PH+a8L2+a9P2+a10H2+a11PLH+a12L3+a13LP2+a14LH2+a15L2P+a16P3+a17PH2+a18L2H+a19P2H+a20H3
DenL=b1+b2L+b3P+b4H+b5LP+b6LH+b7PH+b8L2+b9P2+b10H2+b11PLH+b12L3+b13LP2+b14LH2+b15L2P+b16P3+b17PH2+b18L2H+b19P2H+b20H3
NumS=c1+c2L+c3P+c4H+c5LP+c6LH+c7PH+c8L2+c9P2+c10H2+c11PLH+c12L3+c13LP2+c14LH2+c15L2P+c16P3+c17PH2+c18L2H+c19P2H+c20H3
DenS=d1+d2L+d3P+d4H+d5LP+d6LH+d7PH+d8L2+d9P2+d10H2+d11PLH+d12L3+d13LP2+d14LH2+d15L2P+d16P3+d17PH2+d18L2H+d19P2H+d20H3
其中,a1~a20、b1~b20,c1~c20,d1~d20为RFM模型系数;P、L和H分别为大地坐标Lon、Lat、和Hei的正则化坐标;I和J分别为像素坐标i和j的正则化坐标;正则化坐标分别由以下公式计算得到:
其中,Lonoff、LonScale、Latoff、LatScale、hoff、hScale、ioff、iScale、joff和jScale为已知正则化参数。
3.根据权利要求1所述的基于FPGA的SPOT-6卫星影像RFM正射纠正参数优选方法,其特征在于,步骤1)步骤1)包括:
对SPOT-6卫星影像RFM模型系数构成的个体结构:a1,a2,…,a20,b1,b2,…,b20,c1,c2,…,c20,d1,d2,…,d20,采用的编码方案,是通过给个体结构中的元素随机编码为0或1,以产生不同的个体。
4.根据权利要求1所述的基于FPGA的SPOT-6卫星影像RFM正射纠正参数优选方法,其特征在于,步骤2)中所述的种群为由随机编码产生的500个个体组成的集合;所述的从种群中随机选取个体,是采用并行选取方法,一次同时从500个个体中随机选取10个个体。
6.根据权利要求1所述的基于FPGA的SPOT-6卫星影像RFM正射纠正参数优选方法,其特征在于,步骤5)是从交配池中同时随机选取10对父代个体,并同时为每对父代个体产生一个随机交叉概率,若交叉概率小于0.875,则对对应的父代个体对进行交叉操作。
7.根据权利要求1或6所述的基于FPGA的SPOT-6卫星影像RFM正射纠正参数优选方法,其特征在于,所述的交叉操作,采用的是单点交叉机制,过程为:在两个父代个体中随机选择交叉点位,并在该交叉点位处把这两个父代的基因链打断,分成头片段和尾片段,然后交换两个父代的头片段或尾片段,以产生两个新的完整子代个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110958659.8A CN113658079A (zh) | 2021-08-20 | 2021-08-20 | 基于fpga的spot-6卫星影像rfm正射纠正参数优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110958659.8A CN113658079A (zh) | 2021-08-20 | 2021-08-20 | 基于fpga的spot-6卫星影像rfm正射纠正参数优选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113658079A true CN113658079A (zh) | 2021-11-16 |
Family
ID=78491726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110958659.8A Pending CN113658079A (zh) | 2021-08-20 | 2021-08-20 | 基于fpga的spot-6卫星影像rfm正射纠正参数优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658079A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123457A (zh) * | 2014-07-21 | 2014-10-29 | 湖北工业大学 | 一种稳健的卫星遥感影像有理函数模型参数估计方法 |
CN112464433A (zh) * | 2020-10-27 | 2021-03-09 | 桂林理工大学 | 面向fpga硬件的递推最小二乘求解rfm模型参数优化算法 |
-
2021
- 2021-08-20 CN CN202110958659.8A patent/CN113658079A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123457A (zh) * | 2014-07-21 | 2014-10-29 | 湖北工业大学 | 一种稳健的卫星遥感影像有理函数模型参数估计方法 |
CN112464433A (zh) * | 2020-10-27 | 2021-03-09 | 桂林理工大学 | 面向fpga硬件的递推最小二乘求解rfm模型参数优化算法 |
Non-Patent Citations (1)
Title |
---|
张荣庭: "面向FPGA硬件的卫星影像GA-RLS-RFM正射纠正优化算法研究", 《万方数据知识服务平台》, pages 31 - 174 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Binary convolutional neural network on RRAM | |
US11915128B2 (en) | Neural network circuit device, neural network processing method, and neural network execution program | |
US20180260710A1 (en) | Calculating device and method for a sparsely connected artificial neural network | |
CN111340814B (zh) | 一种基于多模态自适应卷积的rgb-d图像语义分割方法 | |
Wang et al. | Low power convolutional neural networks on a chip | |
CN109145920A (zh) | 一种基于深度神经网络的图像语义分割方法 | |
CN110929080B (zh) | 基于注意力和生成对抗网络的光学遥感图像检索方法 | |
CN111861906B (zh) | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 | |
CN110349087B (zh) | 基于适应性卷积的rgb-d图像高质量网格生成方法 | |
CN107729311A (zh) | 一种融合文本语气的中文文本特征提取方法 | |
CN107292458A (zh) | 一种应用于神经网络芯片的预测方法和预测装置 | |
CN113516133B (zh) | 一种多模态图像分类方法及系统 | |
Lien et al. | Sparse compressed spiking neural network accelerator for object detection | |
CN115330620A (zh) | 一种基于循环生成对抗网络的图像去雾方法 | |
CN112084877A (zh) | 基于nsga-net的遥感图像识别方法 | |
CN113313171A (zh) | 基于fpga实现图像识别的方法、装置、设备及存储介质 | |
Du et al. | Efficient network construction through structural plasticity | |
CN113658079A (zh) | 基于fpga的spot-6卫星影像rfm正射纠正参数优选方法 | |
Yu et al. | Optimizing FPGA-based convolutional encoder-decoder architecture for semantic segmentation | |
Valadanzoj et al. | High-speed YOLOv4-tiny hardware accelerator for self-driving automotive | |
CN113936222A (zh) | 一种基于双分支输入神经网络的火星地形分割方法 | |
CN117541873A (zh) | 一种基于多源遥感图像的地物分类方法 | |
Lin | Comparative Analysis of Pix2Pix and CycleGAN for image-to-image translation | |
EP4348511A1 (en) | Dynamic activation sparsity in neural networks | |
KR20230032748A (ko) | 심층 강화학습을 위한 심층 신경망 학습 가속 장치 및 그 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211116 |
|
RJ01 | Rejection of invention patent application after publication |