Resumen

Presentamos un método basado en áreas para el registro de imágenes de teledetección. Utilizamos un algoritmo de evolución diferencial de aprendizaje ortogonal para optimizar la métrica de similitud entre la imagen de referencia y la imagen de destino. En los últimos años se han utilizado muchos métodos locales y globales para conseguir la métrica de similitud óptima. Dado que las imágenes de teledetección suelen estar influidas por grandes distorsiones y mucho ruido, los métodos locales fallarán en algunos casos. Por este motivo, a menudo se requieren métodos globales. La estrategia de aprendizaje ortogonal (OL) es eficaz en la búsqueda en espacios problemáticos complejos. Además, puede descubrir más información útil mediante el diseño experimental ortogonal (DEO). La evolución diferencial (ED) es un algoritmo heurístico. Ha demostrado ser eficiente en la resolución del problema de registro de imágenes de teledetección. Así, el algoritmo de evolución diferencial de aprendizaje ortogonal (OLDE) es eficiente para muchos problemas de optimización. El método OLDE utiliza la estrategia OL para guiar al algoritmo DE a descubrir más información útil. Los experimentos muestran que el método OLDE es más robusto y eficiente para el registro de imágenes de teledetección.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Mathematical logic
• Palabras claves:algoritmo de evolución diferencial, método olde, métodos globales, aprendizaje ortogonal, información útil, espacios problemáticos complejos, problema de registro de imágenes, últimos años, muchos problemas de optimización, métrica de similitud óptima
• Keywords:differential evolution algorithm, olde method, global methods, orthogonal learning, useful information, complex problem spaces, image registration problem, last few years, many optimization problems, optimal similarity metric