基于PSO算法的圖像匹配技術

東北大學研究生考試試卷評分評分考試科目：人工神經網絡的模型與算法課程編號：閱卷人：考試日期：姓名：學號：注意事項1．考前研究生將上述項目填寫清楚2．字跡要清楚，保持卷面清潔3．交卷時請將本試卷和題簽一起上交東北大學研究生院

基于PSO算法的圖像匹配技術摘要：圖像匹配問題是圖像處理中的一個經典問題，在計算機視覺、模式識別和醫(yī)學圖像處理等方面有著廣泛的應用。本文主要介紹了在基于灰度圖像匹配算法基礎上，以匹配相似性度量函數(shù)為判斷標準，結合智能算法中的粒子群算法來實現(xiàn)圖像準確而快速的匹配。關鍵詞：圖像匹配；相似性度量；粒子群算法；離散空間1引言數(shù)字圖像配準是指將從同一場景拍攝的具有重疊區(qū)域的圖像通過特征匹配方法，找出圖像之間的對應關系。目前，圖像配準技術廣泛應用于醫(yī)學、生物、信息處理和其它領域，它已成為圖像處理應用中不可或缺的技術。圖像匹配問題主要有兩種對應的問題模型:一是兩幅(或者多幅)來自不同傳感器、不同視角或不同時間的圖像需找出對應關系，經過匹配步驟可得出兩幅圖像的差別所在，為下一步處理作基礎；二是根據(jù)已知的圖像模式在另一幅圖像中搜索類似模板的目標。圖像匹配技術是數(shù)字圖像處理領域的一項重要研究，已在計算機視覺、虛擬現(xiàn)實場景、航空航天遙感測量、醫(yī)學影像分析、光學和雷達跟蹤等領域有著重要的應用價值。大體圖像匹配的應用領域概括起來主要有以下幾個方面:1.計算機視覺和模式識別。包括圖像分割、物體識別、形狀重建、運動跟蹤和特征識別。2.醫(yī)學圖像分析。包括醫(yī)學成像信息診斷，生物醫(yī)學信號處理等。3.遙感信息處理。包括特定目標的定位和識別等。隨著科學技術的發(fā)展，圖像匹配技術在近代信息處理領域中的應用范圍越來越廣泛，而圖像數(shù)據(jù)量龐大這一顯著特點，嚴重制約了圖像匹配技術的實時應用。圖像匹配的準確性和實時性是現(xiàn)今在具體應用上存在的一對矛盾體，如何在保持匹配準確性的同時，提高其匹配速度是現(xiàn)階段急需解決的問題，也是目前對匹配算法的研究重點。在序列目標圖像分析、跟蹤、識別，工業(yè)實時檢測等實際應用中，一般是根據(jù)已知的圖像模式，然后在另一幅圖像中搜索類似模板的目標。2圖像匹配說明2.1圖像匹配流程圖像匹配是一個多步驟過程，總的來說，大概可分為圖像輸入、圖像預處理、匹配有用信息提取、圖像匹配、輸出結果等。由于所采用的方法各異，不同的匹配算法之間步驟也會有很大不同，但它們的大致過程是相同的。圖像匹配流程圖如圖2.1所示：圖3.1PSO算法圖像匹配的程序流程圖3.3ＰＳＯ算法的參數(shù)設置參數(shù)設置及粒子尋優(yōu)過程設計說明：若基準圖的大小為M行N列，實時圖的大小為S行J列，則粒子一維方向的位置范圍為[1，M-S+1]，二維方向的位置范圍為[1，N-J+1]。粒子位置和速度的多樣化適于粒子在全局搜索解，盡可能地發(fā)揮算法的搜索能力，否則很可能漏掉最優(yōu)解，而使算法找到次優(yōu)解。所以粒子群的初始化位置為[1：M-S+1，1：N-J+1]范圍內的均勻分布的隨機數(shù)據(jù)。當粒子超出最大位置時，將粒子所在維度設置為最大位置。粒子最大速度的選擇通常憑經驗給定，一般設置為粒子范圍寬度的10%-20%，根據(jù)實際情況和多次試驗的結果，所以粒子兩個維度的最大速度均設置為10。所以粒子群的初始化位置為[-10：10，-10：10]的均勻分布的隨機數(shù)據(jù)。學習因子和均設置為2。大的慣性因子w可以使算法不易陷入局部最優(yōu)，到算法后期，小的慣性因子可以使收斂速度加快，使收斂更加平穩(wěn)，時變權重可以在某一個范圍內變化，一般在迭代過程中按照某種規(guī)律遞減。在本文中，粒子慣性權重w最大值為1，最小值為0.4，迭代過程中粒子權重隨著迭代次數(shù)線性遞減。4實驗結果及展望4.1實驗結果圖像匹配結果如下：輸入的基準圖像和實時圖像為：圖4.1輸入的基準圖像圖4.2輸入的實時圖像程序運行輸出的結果為：圖4.3輸出的PSO尋優(yōu)匹配結果本文對該算法的匹配率進行了試驗：共進行了30次試驗，成功匹配29次，匹配成功率96.67%，達到了較好的匹配準確率。本文也對本算法和全遍歷法在模板匹配次數(shù)和時間效率上進行了試驗測試。結果如表1所示。表1本算法和全遍歷算法比較算法全遍歷法PSO算法運行時間0.62s0.51s模板匹配次數(shù)121*121=1464160*120=7200實驗中發(fā)現(xiàn)群體數(shù)目不易過大或過小。過大，PSO算法的優(yōu)化性能得不到體現(xiàn)；過小，有可能會出現(xiàn)所求得的最優(yōu)解的精度達不到要求。迭代次數(shù)亦是如此，次數(shù)過多會加大運算量，降低算法的效率，過少，可能會導致最終解的精度不夠。在上述實驗圖像和環(huán)境下，經過多次實驗后，發(fā)現(xiàn)群體數(shù)在60左右，迭代次數(shù)在120次左右時，能得到較滿意的結果。理論上講，圖像匹配問題按上述實驗圖像的情況，其計算量為（M-S+1）×（N-J+1）=14641次模板匹配計算，而PSO算法則只需要（群體數(shù)目×迭代次數(shù)）次模板匹配計算，在實驗中群體數(shù)為60，迭代次數(shù)為120，所以模板匹配計算的次數(shù)為7200次。同時時間效率上也要優(yōu)于全遍歷法，而且這種優(yōu)勢在需要遍歷位置更多時，會表現(xiàn)得更加明顯。4.2展望為更加減少計算量，提高算法的效率，本算法有如下改進方向。1.進一步優(yōu)化參數(shù)，在保證匹配率的前提下，降低粒子數(shù)和迭代次數(shù)。2.優(yōu)化PSO算法，例如引入收縮因子，并將速度的限制放寬、將學習因子、采取自適應時變調整策略。3.粒子群算法與其它智能算法的融合。在基本PSO算法中加入禁忌(Tabu)算法，將基本PSO和遺傳算法相結合，進一步提出雜交PSO。5參考文獻紀震，廖惠連，吳青華.粒子群算法及應用[M]，科學出版社，2009.01江銘炎，袁東風.人工魚群算法及其應用[M]，科學出版社，2012.01劉錦峰.圖像模板匹配快速算法研究[D].中南大學.碩士學位論文.2007.05[4]何志明.群體智能算法在圖像匹配中的應用[D].陜西師范大學.碩士學位論文.2010.05[5]李小林.混合粒子群優(yōu)化算法及其在圖像匹配中的應用研究[D]。西安電子科技大學.碩士學位論文.2010.6[6]鹿艷晶，馬苗.基于灰色粒子群優(yōu)化的快速圖像匹配算法[J].計算機工程與應用.2009.45(10).[7]王維真，熊義軍，魏開平，何文雅.基于粒子群算法的灰度相關圖像匹配技術.2010.46.(12).

附錄在此附上pso算法的源碼，遍歷法以及截取實時圖像的源碼詳見程序文件夾。%------本程序目的是用pso算法來對圖像進行匹配-----------------------tic%------------------界面變量清理---------------------------------closeallclearclc%-----------讀取圖片信息-----------------------------f=imread('lena_basic.jpg');[row1，colu1]=size(f);t=imread('lena_time.jpg');[row2，colu2]=size(t);%------------------參數(shù)設置--------------------------------------------w_max=1;%慣性權重最大值w_min=0.4;%慣性權重最小值p_num=60;%粒子規(guī)模數(shù)量p_dim=2;%粒子維數(shù)c1=2;c2=2;%學習因子v_max=10;%速度上限v_min=-10;%速度下限p_iter=120;%迭代最大次數(shù)次數(shù)設定p_position_min=1;p_position_max=row1-row2+1;%------------------初始化，位置和速度------------------------------------p_position=zeros(p_num，p_dim);%先設定一個空的矩陣，來放置粒子當前位置信息，注意行和列的設定p_speed=zeros(p_num，p_dim);%先設定一個空的矩陣，來放置粒子當前速度信息，注意行和列的設定fork_ini=1:p_num%范圍最大值為粒子的個數(shù)p_position(k_ini，:)=round(p_position_min+...(p_position_max-p_position_min)*rand(1，p_dim));%初始化位置，位于p_position_min到p_position_max之間的隨機均勻分布的數(shù)據(jù)p_speed(k_ini，:)=round(-10+20*rand(1，p_dim));%初始化速度，位于-10到10之間的隨機均勻分布的數(shù)據(jù)end%----------------------計算初始化粒子的最優(yōu)值數(shù)據(jù)-------------------------p_local_position=p_position;%初始化后，各個粒子當前初始化的位置為各自記憶最優(yōu)位置%p_local_position中為各個粒子的歷史記憶最優(yōu)位置p_local_value=zeros(1，p_num);%各個粒子的記憶最優(yōu)位置的最優(yōu)值fork1=1:p_num%尋找初始化后，當前全局最優(yōu)粒子（本例是求最大值）%p_local_value(k1)=compute_fit(p_position(k1，:)，p_dim);%計算各個粒子當前的適應度函數(shù)值temp=p_position(k1，:);f_temp1=f(temp(1):temp(1)+row2-1，temp(2):temp(2)+colu2-1);f_temp2=abs(f_temp1-t);p_local_value(k1)=sum(sum(f_temp2))/(row2*colu2);%p_local_value(k1)計算各個粒子當前的適應度函數(shù)值%p_local_value為保存各個粒子適應度函數(shù)數(shù)據(jù)endp_global_value=p_local_value(1);%先假定第一個粒子擁有當前初始化全局最優(yōu)值p_global_position=p_position(1，:);%即假定第一個粒子為當前初始化全局最優(yōu)粒子位置fork2=1:p_num%尋找初始化后，當前全局最優(yōu)粒子ifp_global_value>=p_local_value(k2)%*********判斷條件********p_global_value=p_local_value(k2);%更新全局最優(yōu)值信息p_global_position=p_position(k2，:);%更新全局最優(yōu)粒子位置信息endend%----------------------------中心主程序-----------------------------------------%---------更新粒子位置和速度，通過判斷條件，找出全局最優(yōu)值-------------------------%whileexpression%statements%endflag_stop=0;%迭代結束的標志k_iter=0;%迭代的次數(shù)初始化whileflag_stop==0%判斷迭代標志，是否循環(huán)%------------更新速度和位置信息-------------------------w=w_max-0.6*k_iter/p_iter;%更新慣性權重值%ticforkd=1:p_dimforkn=1:p_nump_speed(kn，kd)=round(w.*p_speed(kn，kd)+...%粒子自身速度(c1*rand(1)).*(p_local_position(kn，kd)-p_position(kn，kd))+...%粒子的自身學習(c2*rand(1)).*(p_global_position(kd)-p_position(kn，kd)));%粒子的社會全局學習ifp_speed(kn，kd)>v_max%最大速度制約p_speed(kn，kd)=v_max;endifp_speed(kn，kd)<v_min%最大速度制約p_speed(kn，kd)=v_min;endp_position(kn，kd)=round(p_position(kn，kd)+p_speed(kn，kd));%更新粒子的位置ifp_position(kn，kd)<p_position_min%最小位置制約p_position(kn，kd)=p_position_min;endifp_position(kn，kd)>p_position_max%最大位置制約p_position(kn，kd)=p_position_max;endendend%---------適應函數(shù)值的比較，來記錄記憶個體最優(yōu)，和找到全局最優(yōu)---------------------------%---------來記錄記憶個體最優(yōu)---------------------------%ticforkn=1:p_numtemp=p_position(kn，:);f_temp1=f(temp(1):temp(1)+row2-1，temp(2):temp(2)+colu2-1);f_temp2=abs(f_temp1-t);p_fit_new(kn)=sum(sum(f_temp2))/(row2*colu2);%p_fit_new(kn)計算當前位置的適應度函數(shù)值ifp_fit_new(kn)<=p_local_value(kn)p_local_value(kn)=p_fit_new(kn);%更新個體記憶最優(yōu)值p_local_position(kn，:)=p_position(kn，:);%更新個體記憶最優(yōu)位置endend%---------找到全局最優(yōu)(通過上面找到的個體最優(yōu)）---------------------------%ticp_global_value=p_local_value(1);%先假定第一個粒子擁有目前全局最優(yōu)值forkn=1:p_num%尋找當前全局最優(yōu)粒子ifp_global_value>=p_local_value(kn)p_global_value=p_lo