基于Harris角点和量子遗传算法课件.pptVIP

基于Harris角点和量子遗传算法的遥感图像配准 报告人：张 博 指导教师：井元伟教授 绪论 Harris角点自动提取并行算法 基于量子遗传算法的角点配准 进一步工作 绪论 图像配准是计算机视觉中的首要关键技术之一,也是许多预处理技术 的基石,主要运用在遥感图像处理、目标识别、图像重建、机器人视觉等 领域中。在遥感图像处理应用中，图像配准是基础步骤，如图像的统计模 式识别、图像信息融合、变化监测以及在导航中影像与地图的匹配等。 图像配准的关键问题： 提高配准的效率，增强实时性要求； 提高配准的精度，减少误区配现象。 解决的办法： 通过缩小搜索空间，包括图像的特征提取以及图像的金字塔分解或小 波分解等方法； 通过采用各种数学优化算法进行匹配操作。 基于以上考虑，本文在参阅两篇主要文献的基础上做出改进。 [1] 郑明玲，刘衡竹. 遥感图像配准中特征点选择的高性能算法研究及 其实现[A]. 计算机学报，2004，27（9）：1284-1289. 文中在对图像划分粗细网格的基础上，通过图像的信息熵在选定的网格 中利用Forstner算子检测特征点，但该算子计算方法复杂，较多依赖人 工经验，并且受噪声污染影响大，鲁棒性差。本文利用Harris算子进行 角点检测，提高了精度与效率，对信号噪声、参数变化、图像变换以及 光照条件具有较好的鲁棒性 [2]邵峰.遗传算法在图像拼接中的运用[硕士学位论文].大连海事大学， 2007 文中遗传算法的运用提高了配准效率，但初始染色体规模大。本文使用 量子遗传算法作为优化方法，大大缩小了种群规模，更大幅度地提高了 配准效率。 Harris角点自动提取并行算法 1、划分粗细网格 2、每个处理结点计算本地细网格的熵。 在本地的每个粗网格中选择一个熵最大的细网格。把该粗网格中剩余 部分的熵发送到Master结点。每个处理结点在熵最大的细网格中通过 Harris算子自动提取角点。发送到Master结点细网格熵的消息如下： 为结点号， 为粗网格号码及 细网格位置；0表示 这个粗网格 中全部细网格在同一个结点上处 理,7.38为这个细网格的熵。 3、Master结点在剩余的细网各中选择熵较大的部分细网格 首先根据标志位判断该消息中包含的粗网格是否在同一个结点上处 理。对于被分配到多个处理结点的粗网格，Master首先在这个粗网格内 选择一个细网格, 然后将剩余的所有细网格的熵排序, 选择熵较大的部 分细网格, 并根据细网格数目决定平均分配到各个处理节点上的数目。 4、各节点与Master结点的并行操作。 每个处理节点在Master结点进行步骤（3）的同时在本地的细网格中 利用Harris选择角点。在接收到消息后, 在剩余的细网格中选择角点。 最后, 将所选择的角点传送到Master结点。形成参考图像角点子集A和待 配准图像角点子集B。 基于量子遗传算法的角点配准 量子遗传算法(QGA)是一种基于概率的遗传算法,是量子 计算与遗传算法相结合的产物,由韩国学者Kuk-Hyun Han等人 于20世纪末提出。同经典遗传算法(CGA)相比,QGA具有很多性 能优势:更好的种群多样性和全局寻优能力;种群规模小却不 影响搜索性能;进化过程利用了个体进化的历史信息,搜索速 度较快等特点。 量子遗传算法建立在量子的态矢量表述基础上，将量子 比特的几率幅表示应用于染色体的编码，使得一条染色可以 表达多个态矢量的叠加，并利用量子旋转门和量子非门实现 染色体的更新，从而实现了目标的优化求解。 1、解的遗传编码及有效性修复策略 本文中将量子比特的几率幅表示应用于染色体的编码。量子位与经典位不同 就在于它可以同时处在两个量子态的叠加中，充分体现了量子比特的叠加性，比 如： （1） 是两个复常数，满足 （2） 其中 和 分别表示自旋向下和自旋向上态。 可看成量子处于自旋向下态的概 率， 可看成是量子处于自旋向上态的概率。因此量子遗传算法的基因信息不再 是单一的，而是包含所有可能的信息，所进行