基于PSO算法的图像匹配技术.doc

东 北 大 学 研 究 生 考 试 试 卷 考试科目： 人工神经网络的模型与算法 课程编号： 阅 卷 人： 考试日期： 姓 名： 学 号： 注 意 事 项 1．考 前 研 究 生 将 上 述 项 目 填 写 清 楚 2．字 迹 要 清 楚，保 持 卷 面 清 洁 3．交 卷 时 请 将 本 试 卷 和 题 签 一 起 上 交 东北大学研究生院 基于PSO算法的图像匹配技术 摘 要：图像匹配问题是图像处理中的一个经典问题，在计算机视觉、模式识别和医学图像处理等方面有着广泛的应用。本文主要介绍了在基于灰度图像匹配算法基础上，以匹配相似性度量函数为判断标准，结合智能算法中的粒子群算法来实现图像准确而快速的匹配。 关键词：图像匹配；相似性度量；粒子群算法；离散空间 1 引言 数字图像配准是指将从同一场景拍摄的具有重叠区域的图像通过特征匹配方法，找出图像之间的对应关系。目前，图像配准技术广泛应用于医学、生物、信息处理和其它领域，它已成为图像处理应用中不可或缺的技术。 图像匹配问题主要有两种对应的问题模型:一是两幅(或者多幅)来自不同传感器、不同视角或不同时间的图像需找出对应关系，经过匹配步骤可得出两幅图像的差别所在，为下一步处理作基础；二是根据已知的图像模式在另一幅图像中搜索类似模板的目标。图像匹配技术是数字图像处理领域的一项重要研究，已在计算机视觉、虚拟现实场景、航空航天遥感测量、医学影像分析、光学和雷达跟踪等领域有着重要的应用价值。 大体图像匹配的应用领域概括起来主要有以下几个方面: 1.计算机视觉和模式识别。包括图像分割、物体识别、形状重建、运动跟踪和特征识别。 2.医学图像分析。包括医学成像信息诊断，生物医学信号处理等。 3.遥感信息处理。包括特定目标的定位和识别等。 随着科学技术的发展，图像匹配技术在近代信息处理领域中的应用范围越来越广泛，而图像数据量庞大这一显著特点，严重制约了图像匹配技术的实时应用。图像匹配的准确性和实时性是现今在具体应用上存在的一对矛盾体，如何在保持匹配准确性的同时，提高其匹配速度是现阶段急需解决的问题，也是目前对匹配算法的研究重点。在序列目标图像分析、跟踪、识别，工业实时检测等实际应用中，一般是根据已知的图像模式，然后在另一幅图像中搜索类似模板的目标。 2 图像匹配说明 2.1图像匹配流程 图像匹配是一个多步骤过程，总的来说，大概可分为图像输入、图像预处理、匹配有用信息提取、图像匹配、输出结果等。由于所采用的方法各异，不同的匹配算法之间步骤也会有很大不同，但它们的大致过程是相同的。图像匹配流程图如图2.1所示： 图2.1 图像匹配流程图 2.2 基于灰度的图像匹配算法 国内外现阶段对图像匹配研究主要是以提高匹配的精度和速度为主，同时对匹配方法的通用性及鲁棒性也有一定要求。图像匹配方法大致可分为两类:第一类是基于灰度的图像匹配算法;第二类是基于特征的图像匹配算法。 本文主要讲述第一类基于灰度的图像匹配算法。这类方法直接利用图像的灰度信息进行匹配，通过象素对之间某种相似性度量(如相关函数、协方差函数、差平方和、差绝对值和等)的全局最优化实现匹配，不需进行图像分割和图像特征提取，因而可以避免由这些预处理所造成的精度损失。这类匹配方法需要解决的问题是:匹配速度比较慢，对灰度信息变化、光照变化、噪声非常敏感，没有充分利用灰度统计特性，对每一点的灰度信息依赖较大，不适应于匹配对象存在旋转和缩放情况下的匹配问题。 本节这里主要利用了基于灰度的图像匹配算法中较为简单的MAD算法，并结合智能算法中的粒子群算法的寻优优势，从而实现了较为快速而准确的图像匹配。 MAD算法即平均绝对差算法，是Leese最早提出来的一种匹配算法。原理如图2.2所示： 图2.2 平均绝对差算法原理图 基于灰度的MAD算法匹配方法函数公式可定义为： 其中d(x，y)为相似性度量函数在偏移量为(x，y)时的匹配度量值。由公式可以看出，当d(x，y)取值最小时认为(x，y)是最佳匹配位置。 3 ＰＳＯ算法图像匹配 3.1 ＰＳＯ算法简介 粒子群优化算法(PSO)是一种进化计算技术，1995年由Eberhart博士和kennedy博士提出，源于对鸟群捕食的行为研究。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群