您好、欢迎来到现金彩票网!
当前位置:21点 > 子图匹配 >

基于粒子群算法的灰度相关图像匹配技术

发布时间:2019-07-18 08:47 来源:未知 编辑:admin

  基于粒子群算法的灰度相关图像匹配技术_IT/计算机_专业资料。基于粒子群算法的灰度相关图像匹配技术

  Computer Engineering and Applications 计算机工程与应用 2010 ,46 (12 ) 169 基于粒子群算法的灰度相关图像匹配技术 王维线 WANG Wei-zhen1, XIONG Yi-jun2, WEI Kai-ping1, Wen-ya1 HE 武汉 430079 1.华中师范大学 计算机科学系, 上海 200030 2.上海交通大学 电子信息与电气工程学院, 1.Department of Computer Science, Central China Normal University, Wuhan 430079, China 2.School of Electronic, Information and Electrical Engineering, Shanghai Jiaotong University, Shanghai 200030, China E-mail: WANG Wei -zhen, XIONG Yi -jun, WEI Kai -ping,uter Engineering and Applications, 2010, (12 : 46 ) 169-171. (Particle Abstract: This thesis describes the problem of image matching first, then it introduces the standard version of PSO ) at it Swarm Optimization algorithm and some relative conceptions, last, demonstrates how to use PSO algorithm to solve the im- age match problem.The result of experiment shows that the image match algorithm based on PSO overcomes the disadvantages of common algorithms on condition of keeping the precision, which are a large amount of operations and costing long time, the and method can match the requests of the precision and the speed in real application situation. (PSO ; ) digital image processing Key words:image matching; Particle Swarm Optimization 摘 要: 首先对图像匹配问题进行了描述, 接着简单介绍了标准粒子群优化算法及其一些基本概念。 最后, 引出如何运用粒子群优 化算法来求解图像匹配问题。对实验结果的分析表明: 基于粒子群优化算法的图像匹配算法能够在不失匹配精度的条件下, 克服 一般图像匹配方法运算量大、 耗时长的缺点, 满足实际运用中匹配精度和速度的要求。 关键词: 图像匹配; 粒子群算法; 数字图像处理 文章编号: (2010 12-0169-03 ) DOI: 10.3778/j.issn.1002-8331.2010.12.050 1002-8331 文献标识码: A 中图分类号: TP751.1 1 引言 2 图像匹配问题的描述 图像匹配问题是计算机视觉及图像分析中的一个基本问 图像匹配技术是数字图像信息处理和计算机视觉领域中 的一个基本问题, 并在卫星遥感、 空间飞行器的自动导航、 武器 投射系统的末制导和寻的、 光学和雷达的图像目标跟踪、 地球 资源分析与检测、 气象预报、 医疗诊断、 文字读取以及景物分析 中的变化检测等许多领域中得到广泛应用[1-2]。 图像匹配算法主要分为两类[3]: 一类是基于灰度匹配的方 法; 另一类是基于特征匹配的方法。前者主要用空间的一维或 二维滑动模板进行图像匹配, 不同算法的区别主要在模板及相 关准则的选择方面, 这类方法一般匹配率高, 但计算量大, 速度 较慢; 后者则通过在原始图像中提取点、 区域等显著特征作 线、 为匹配基元, 进而用于特征匹配, 一般匹配速度较快, 但匹配精 [4] 度不一定高 。 针对基于灰度匹配方法的速度慢的缺点, 该文引用智能群 体优化算法—— —粒子群优化算法 (Particle Swarm Optimiza- 提出了运用 PSO 对基于灰度匹配的 tion, ) PSO 对它加以改进, 图像匹配算法优化的方法。 实验结果证明此方法在不失匹配精 度的条件下, 在速度方面有较满意的改善。 题, 它在机器视觉、 模式识别、 影像处理等领域内有着广泛的应 用。 图像匹配问题的一般性描述是: 给定两幅大小分别为 m1×n1 和 m2×n2 的灰度图: ) I1={g(x, , y 1≤x≤m1, 1≤y≤n1} 1 ) I2={g(x, , y 1≤x≤m2, 1≤y≤n2} 2 式中 g1、2 为图像的特征, 一般是灰度值, 并且假定 m2 ≤m1, g n2≤n1。则可定义: m2 n2 (position j ) ΣΣg2 (i, = ) (si,) 1 ) ) M sj -g (i+si-1, j+sj-1 (3 si=1 sj=1 以图像 I1 为源图,2 为模板, 则匹配问题就变成了寻找 I2 I 在 I1 中的最优位置 position j , (i, 其中 1≤i≤m1-m2+1, ) 1≤j≤ 使得在某种度量 M (i, ,2 最优 (I1 j I ) (即 M 最大或者最 ) n1-n2+1, 小 , ) 如图 1。这种度量可以采用如下定义方法: 基于灰度匹配 方法的最小误差法中模板及模板覆盖下的子图的像素值绝对 相关系数法中的相关系数[3]; 法中的 ML 距离[6]等。 差[5]; ML 作者简介: 王维线- , 硕士研究生, ) 男, 主要研究领域为: 数字图像处理, 虚拟现实; 熊义军 (1977-) 硕士研究生, , 主要研究方向为电子通信; 魏开平 (1962- , 教授, ) 男, 主要研究领域为: 数字图像处理, 多媒体计算机技术, 虚拟现实技术; 何文雅 (1985- , 硕士研究生, ) 女, 主要研 究领域为: 数字图像处理, 多媒体计算机技术。 收稿日期: 2008-10-16 修回日期: 2010-03-02 170 2010 ,46 (12 ) I1 Computer Engineering and Applications 计算机工程与应用 公式 ) (1 为标准 PSO 算法的速度更新公式, 其中 c1、2 为学 c ) (0, 之间的随机数, i ) 习因子, 一般取值为 c1=c2=2, ( 为 rand 1 SP 为个体极值, i 为邻域极值; (2 为标准 PSO 算法的位移 公式 ) GP I2 公式, 粒子在解空间不断地学习个体极值与邻域极值的经验从 而自行调整自己的搜索行为, 直到满足停止条件。其算法的基 本步骤如下: (1 初始化粒子群体: ) 初始化群体中的所有粒子的位置 (解 空间内的随机解 和速度; ) ) (2 使用根据具体问题所采用的适应度评价函数对所有的 粒子进行评价; (3 依据适应度评价函数更新群体中每个粒子的个体极值; ) (4 依据适应度评价函数更新群体极值; ) (5 按公式 )(2 进行粒子速度和位置 ) ) (1 、 ) (解 的迭代, 更新 粒子速度和位置; (6 重复 )(5 , ) (2 ~ ) 直到满足算法的迭代停止条件即可。 ) I(i, 在度量 M j 1 下最优的位置 图 1 图像匹配问题描述示意图 3 标准 PSO 介绍 受对鸟群觅食行为的观察和研究的启发, Kennedy 和Eber- [7-8] hart 于 1995 年提出粒子群优化算法 。它通过自然界中生物 群体内个体间学习和自我调整等行为引发的群体智能对一些 问题提供了高效的解决方法, 此方法涉及的一些基本概念陈述 如下: 3.1 粒子 粒子是算法解空间中的一个解向量, 它是算法的最基本单 位, 是运用 PSO 算法对待解决的具体问题中解的描述, 可设问 (解) Pi ) i1 ) 为 (t =[P (t , 题的 n 维解向量的第 t 次迭代的 i 个粒子 (t , Pij ) …, (t ], Pi2 ) …,(t , Pin ) 其中 P(t 表示第 i 个粒子的第 j 维 ij ) 解空间的值。 4 基于 PSO 算法的图像匹配方法 一般而言, 陌生图像以及模板本身都难以用简单且精确的 要从陌生图像中找到对应模板的最佳匹配子 数学模型来表示。 图像很难利用先验知识。然而 PSO 算法却能在对象描述不明 确的情况下在全局范围内找到次最优解乃至最优解。 因此有可 能用 PSO 算法优化搜索过程。当用 PSO 算法求解图像匹配问 题时, 问题可以简化描述为: 在适应度评价函数 F 为判别基准 下, 在搜索空间[1, 1≤i≤m1-m2+1]×[1, 1≤i≤n1-n2+1]中找到匹 配位置点即 position j 。下面具体阐述如何用 PSO 来求解。 (i, ) PSO 中的粒子对应于问题中要求解的模板在源图中的位 置信息 position j (表示在源图 I1 中的第 i 行、 j 列的位置, (i, ) 第 且 1≤i≤m1-m2+1, 均为正整数) 所以粒子 , 1≤j≤n1-n2+1, j i, 应该是二维的解向量, 其中第一维分量表示行, 第二维分量表 示列。 粒子的速度与位移: 在此问题中粒子的速度要表示粒子位 它的位移可以 移的方向和大小。源图像和模板图像一旦确定, 用二维向量 V(Vi1, i2 来表示, 其中 Vi1 表示行的位移方向和 V) i 大小, 正表示向下, 负表示向上, 其绝对值表示位移大小, 理论 上 Vi1 的取值范围是 (-∞, ) i2 表示列的位移方向和大小, +∞ 。V 正表示向右, 负表示向左, 其绝对值表示位移大小, 理论上 Vi2 的取值范围是 (-∞, ) 实际实验中, i1 的取值范围是[- 1(m +∞ 。 V )(m ) V (n )(n ) m2+1 , 1-m2+1 ], i2 的取值范围是[- 1-n2+1 , 1-n2+1 ], 在后面的段落中, 将知道这两个取值范围实际上是一致的。 适应度评价函数: 在此问题中适应度评价函数 f 就是上述 提到的度量 M。 在实验中用源图相应位置所对应模板覆盖下的 所有一一对应像素灰度值差的绝对值的和来表示。 这个和越小 就认为此处越是要找的位置, 当然还可以采用其他的评价函数。 这里采用这个是因为它实现简单。用公式表示就是: m2 n2 3.2 群体 群体由 m 个粒子组成, 代表 m 种解选择, t 次迭代的群 第 体可表示为: (t) (t) P(t) …,(t) …, m ) 其中 group =[P1 , 2 , Pi , P (t ], (t 为本群体中的第 i 个粒子。 ) Pi 3.3 粒子速度 粒子速度表示在一次迭代中某个粒子在解空间的位移变 化量。Vi ) i1 ) Vi2 ) …, (t , Vin ) 其中 V(t 表示 (t =[V(t , (t , Vij ) …, (t ], ij ) 第 i 个粒子的第 j 个分量在第 t 次迭代时的速度。 3.4 惯性系数 惯性系数 w 表示上次粒子的产生速度对本次迭代计算速 度的影响, Eberhart 通过实验发现较大的惯性系数倾向于粒子 在全局搜索, 较小的惯性系数则倾向于在局部搜索, 所以在开 始搜索时, 此系数可以较大, 使粒子在整个解空间搜索, 加快收 敛速度, 但在整个搜索后期, 此系数应相应减小以使粒子在局 部进行微调。 3.5 适应度评价函数 适应度评价函数与具体问题的描述和要求相关, 它用来评 估粒子的搜索能力, 在整个算法结束时, 适应度评价函数最优 的粒子所表示的解, 即为算法得到的最优解。 3.6 个体极值 个体极值表示某个粒子从搜索最初到当前搜索位置所经 过的路径中, 发现的适应度最优的解向量。 3.7 邻域极值 邻域极值表示群体从搜索初始到当前搜索阶段所找到的 最优解向量。 标准 PSO 算法的基本过程是: 首先在解空间内初始化一群 随机粒子, 然后依据粒子的速度在解空间内移动, 迭代搜索最 优解。在每次迭代中, 粒子需要依据个体极值、 邻域极值、 上一 次迭代的瞬时速度来更新粒子本次迭代速度和位置: (× (× Vi=w×Vi-1+c1×rand )(SPi-P) 2×rand )(GPi-P) i +c i Pi=Pi-1+Vi (1 ) (2 ) (position j ) ΣΣg2 (i, = ) (row, ) 1 ) ) f col -g (i+row-1, j+col-1 (3 row=1 col=1 式中, position j ) ( (i, 是粒子 position j 的适应度评价函 ) (i, ) f 数;1、2 分别为源图和模板的对应像素的灰度值, col 分别 g g row、 表示模板中某像素的位置。 (1 , (1 中粒子 PSO 中粒子的速度更新公式同公式 ) 在公式 ) (t =a× 速度的惯性系数随迭代次数线性递减, 用公式表示为 w ) (t-1 。其中 a 为递减系数, ) 其取值范围是 1 (在实验时 a= (0, ) w 王维真, 熊义军, 魏开平, 基于粒子群算法的灰度相关图像匹配技术 等: (1/总迭代次数) ; ) 需要注意的是粒子在根据速度更新时有 1可能使粒子的新位置跑出解空间, 即得到非法解, 在此问题中 表现就是 position j 中 i≤0 或 m1-m2+1≤i, (i, ) j≤0 或 n1-n2+1≤ 这时要对速度进行调整, 所以每次速度依公式 ) (1 算出后要 j, 实 进行预测和调整, 以免粒子根据速度更新位置后出现非法解。 验中如果遇到非法解则进行循环位移操作, 例如, 粒子 P j , (i, ) 其中 i、 同公式 ) (3 中的定义, 当在更新位置位移时出现 i=-3, j 则让 i 由合法右边界向左移 3个 即 i 向左越过合法解的左边界, 像素, i=m1-m2+1-3, 即 这样就使得其位置永远是在合法解内。 其次, 粒子的位移可根据公式 ) (2 中进行。另外, (1 、 ) 公式 )(2 中, 表示粒子和速度的变量在此问题中都是二维的。 运用 PSO 解决匹配问题的算法步骤同上一节的介绍, 只 是在第 ) (5 步中迭代完后速度需要根据当前的位置来进行上面 提到的预测和调整, 其他的都是相同的。 表1 模板大小 16×16 32×32 64×64 48 42 41 2010 ,46 (12 ) (% ) 经 PSO 优化 96 90 87 171 几种算法的绝对精确匹配率 相关系数法 47 45 43 ML 法 50 49 45 最小误差法 能以较高概率做到绝对精 从表 1 易知经 PSO 优化的算法, 确匹配, 其他算法则逊色得多, 但经 PSO 优化的算法其绝对精 确匹配率随着模板的增大而下降, 这将是笔者下一步继续研究 的内容之一。 另外, 理论上讲, 图像匹配问题按上述实验图像的情况, 其 )(256-32 =50 176 次模板匹配计算, ) 而PSO 计算量为 (256-32 × 算法则只需要 (群体数目×迭代次数) 次模板匹配计算, 在实验 中群体数为 70, 迭代次数为 300, 所以模板匹配计算的次数为 实验中发现群体数目不易过大或过小, 过大, 算 21 000 次; PSO 法的优化性能得不到体现, 过小, 有可能会出现所求得的最优 解的精度达不到要求。迭代次数亦是如此, 次数过多会加大运 算量, 降低算法的效率, 过少, 可能会导致最终解的精度不够。 在上述实验图像和环境下,经过多次实验后,发现群体数在 迭代次数在 230~370 之间时, 都能得到较满意的 55~75 之间, 结果。在粒子数和迭代次数相同的情况下, PSO 优化的算法 经 时间效率上要优于其他算法。这里给出了最小误差法、 相关系 数法、 法的算法运行时间, 实验结果如表 2 所示: ML 表 2 几种算法的运行时间 模板大小 16×16 32×32 64×64 最小误差法 2.021 7.892 30.483 相关系数法 2.133 8.036 35.025 ML 法 1.892 6.945 27.892 经 PSO 优化 1.746 5.981 17.857 5 实验结果及分析 实验中采用的源图像尺寸均为 256×256, 模板图像尺寸为 粒子数为 70, 迭代次数为 300 代, 其中学习因子取值是 32×32, c1=c2=2。 图为 Matlab 6.5 的环境下做的仿真截图, 因为彩色图在处 理时先将其变为灰度图, 处理后再还原, 所以过程截取的是灰 度图。PSO 算法的优化性能很大程度体现在粒子的多样性上, 这样适于粒子 从图 4 中容易看到初始化时粒子分布相对均匀, 在全局搜索解, 尽可能地发挥算法的搜索能力, 否则很可能漏 掉最优解, 而使算法找到次优解; 5 为该算法达到停止条件 图 时所得结果的截图, 容易知道, 算法退出的条件是达到最高迭 代次数或者算法找到满足精度要求的最优解, 算法的理想效果 是收敛到某一点, 但图 5 中, 算法没有收敛于一点。 原因一是算 法在求解 (或收敛) 过程中, 已经找到最优解; 原因二是算法在 求解过程中已达到设定的最大迭代次数, 此时的最优解极可能 不是全局最优解, 为此需要说明的是: 5 即是绝对精确匹配 图 情况下的截图, 所以粒子还没有全部收敛到一点时算法达到约 束条件停止; 但实际运用中却不一定存在绝对精确匹配的最优 解, 例如在制导寻的实时拍摄的照片因为拍摄环境和条件的不 同而无法做到绝对精确匹配等。 实验中模板图是从源图中截取 的一小块, 绝对精确匹配的最优解一定存在, 之所以这样是为 了考查该算法的精度可靠性。 经过重复实验 100 次, 每次实验中 所用的图片是不一样的, 该文算法的绝对精确匹配率同其他几 种常见的基于灰度匹配算法的绝对精确率如表 1: s 6 结束语 将 PSO 算法引入到图像匹配问题优化中, 实验证明经 PSO 算法优化后算法在满足精确要求的情况下匹配用时大大减少。 为了方便实现, 实验采用的是图像的灰度差的绝对值作为评价 图像匹配的标准, 在实际应用中还可能有其他的评价方法, 如采 用 ML 法中的 ML 距离作为适应度来评价当前最优解, 还可以 用文献[3-4]中提到的图像特征匹配等, 更加减少计算量, 提高 算法的效率。 参考文献: 沈振康.数字图像处理及其应用[M].北京: 国防工业出版 [1] 孙仲康, 社, 1985. 沈绪榜.图像匹配技术研究[J].微电子学与计算机, (2 . [2] 李俊山, 2000 ) 国澄明.基于相关系数的相关匹配算法的研究[J].信号处 [3] 朱永松, 理, 2003, (6 : 19 ) 531-534. 任金昌, 李言俊.面向遥感应用的图像融合的原理和方法[J]. [4] 刘哲, 航空计算技术, 2001, 9-12. 4: 图2 源图像 图3 模板图像 浙江 [5] 徐 劼 .面向高精度遥感图像的匹配算法的研究与开发[D].杭州: 大学, 2008. 任仙怡, 张桂林, 等.一种新的基于对应像素距离度量的图 [6] 廖云涛, 像相关匹配方法[J].红外与激光工程, 2001, (6 : 30 ) 418-421. [7] Eberhart R C, Kennedy J.A new optimizer using particles swarm theory[C]//Proc Sixth International Symposium on Micro Machine and Human Science, Nagoya, Japan, 1995. 图 4 初始化后粒子分布 情况及当前最优解 图5 基于 PSO 算法匹配 [8] Eberhart R C, Kennedy J.Particles swarm optimization[C]//IEEE In- ternational Conference on Neural Network, Perth, Australia, 1995. 结果及粒子分布情况

http://hireapcpro.com/zitupipei/186.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有