CN106204415A - 一种新型的图像配准方法 - Google Patents

Abstract

本发明提出一种新型的图像配准方法，包括以下步骤：建立基于灰度的互信息配准适应值函数；建立并初始化一个种群，种群中每个个体的四个维度分别代表浮动图像的水平平移，垂直平移，旋转角度和缩放系数；根据互信息配准的适应值函数，计算每个个体的适应度值，并计算种群整体的最优位置；利用差分进化算法的迭代机制更新所述每个个体的位置向量，更新种群整体的最优位置；判断是否满足执行替代策略的条件，若满足，则执行相应的替代策略；重复执行上述步骤直至满足差分进化算法的最大迭代次数Tmax。本发明具有配准稳定性好，精度高的优点，大大提高了图像配准算法的性能，为后续图像处理的工作奠定可靠基础。

Description

一种新型的图像配准方法

技术领域

本发明涉及图像处理领域，特别涉及一种图像配准方法。

背景技术

互信息度量了两幅图像之间的相互独立程度。作为一种基于最大互信息素的图像配准方法，其基本原理为：两幅含有相同或相似性内容的图像经过空间变换(旋转，平移，缩放等)在空间对齐时，他们之间的互信息最大。常用的特征包括：以互信息作为相似性侧度，既能加快配准速度，又能提高配准精度。

图像配准是图像处理过程中的重要步骤之一。它是一个将在不同时间，不同角度，不同拍摄条件，或不同传感器条件下获取的两幅图像进行匹配的过程。图像配准的关键是寻找浮动图像与参考图像之间的函数映射，即最优的旋转，平移，缩放等仿射变换，使参考图像和浮动图像之间的互信息素最大，此时达到最优的配准效果。现有的图像配准方法主要有一下两个类别：基于灰度信息法和基于特征法。基于灰度信息的图像配准方法一般不需要对图像进行预处理，而是利用图像本身具有灰度的一些统计信息来度量两幅图像之间的相似程度。基于特征的图像配准方法需要对待配准图像进行预处理，即图像分割和特征提取，再利用提取到的特征完成两幅图像特征之间的匹配。然而图像分割和特征提取的过程难以实现自动化，受人为因素影响较大。因而本专利采用基于灰度信息的最大互信息素图像配准方法。

在很多情况下物体的变化可以认为是刚性运动过程，即物体内部各位置点的相对位置未发生变化的过程。本专利所针对的配准也限于刚性运动的配准，即刚性配准。

发明内容

本发明目的在于，本发明所要解决的技术问题是：提供一种改进的基于替代策略的差分进化算法的最大互信息素图像配准方法。

本发明解决其技术问题所采用的技术方案是：本发明提供一种改进的基于替代策略的差分进化算法的最大互信息素图像配准方法，包括以下步骤：建立基于灰度的互信息配准适应值函数；建立并初始化一个种群，种群中每个个体的四个维度分别代表浮动图像的水平平移，垂直平移，旋转角度和缩放系数；根据互信息配准的适应值函数，计算每个个体的适应度值，并计算种群整体的最优位置；利用差分进化算法的迭代机制更新所述每个个体的位置向量，更新种群整体的最优位置；判断是否满足执行替代策略的条件，若满足，则执行相应的替代策略；重复执行上述步骤直至满足差分进化算法的最大迭代次数Tmax。

具体地说，本发明是采用以下的技术方案来实现的：一种新型的图像配准方法，其特征在于，包括如下步骤：

S1：建立基于灰度的互信息配准适应度函数；

S2：基于空间变换，建立并初始化第一代种群，置当前迭代次数t＝1；

S3：根据互信息配准的适应度函数，计算种群中每个个体的适应度值，并计算种群的全局最优位置和种群的全局最优适应度值；

S4：根据标准差分进化算法的位置更新策略，对种群中每个个体进行变异、交叉和选择操作，更新每个个体的位置；

S5：判断是否达到执行替代策略的条件，若达到，则执行相应的替代策略，否则执行S6；

S6：当前迭代次数t＝t+1，判断是否达到差分进化算法的最大迭代次数Tmax，若达到，算法终止，否则返回执行S3。

上述技术方案的进一步特征在于，设参考图像为A，浮动图像经过平移、旋转、缩放变换后的图像为B，A和B之间的互信息可以表示为：

MI(A,B)＝H(A)+H(B)-H(A,B)

式中，H(A)和H(B)分别为图像A和图像B的平均信息量，H(A,B)为两幅图像的相关平均信息量，具体的计算公式如下：

$H\left(A\right)=-\underset{a}{\mathrm{\Σ}}{P}_A\left(a\right)\log P_A\left(a\right)$

$H\left(B\right)=-\underset{b}{\mathrm{\Σ}}{P}_B\left(b\right)\log P_B\left(b\right)$

$H(A,B)=-\underset{a,b}{\mathrm{\Σ}}{P}_{A,B}(a,b)\log P_{A,B}(a,b)$

式中，P_A(a)和P_B(b)分别是图像A和图像B的边缘概率密度，P_A,B(a,b)为两幅图像的联合概率密度，计算时使用两幅图像的联合直方图h，具体的计算公式如下：

$P_{A,B}(a,b)=\frac{h(a,b)}{\underset{a,b}{\mathrm{\Σ}}h(a,b)}$

$P_A\left(a\right)=\underset{b}{\mathrm{\Σ}}{P}_{A,B}(a,b)$

$P_B\left(b\right)=\underset{a}{\mathrm{\Σ}}{P}_{A,B}(a,b).$

上述技术方案的进一步特征在于，所述种群中每个个体的四个维度分别代表水平平移、垂直平移、旋转角度和缩放系数，在所述建立并初始化第一代种群之前，首先初始化用于图像配准部分的算法参数，并根据所要配准图像的大小确定相关空间变换参数的上下限，建立第一代粒子群。

上述技术方案的进一步特征在于，先把浮动图像按照种群中每个个体的位置每个维度所代表的参数进行所述空间变换，变换过程如下：

$T=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ \mathrm{tx}& \mathrm{ty}& 1\end{array}\right]$

$R=\left[\begin{array}{ccc}\cos \left(\mathrm{\θ}\right)& -\sin \left(\mathrm{\θ}\right)& 0\\ \sin \left(\mathrm{\θ}\right)& \cos \left(\mathrm{\θ}\right)& 0\\ 0& 0& 1\end{array}\right]$

$S=\left[\begin{array}{ccc}s& 0& 0\\ 0& s& 0\\ 0& 0& 1\end{array}\right]$

M＝T*R*S

[a₁,b₁,1]＝[a₀,b₀,1]·M

式中，tx,ty分别表示水平方向和垂直方向的平移量，θ为旋转角度，顺时针旋转为正，s为缩放系数，这四个参数构成了种群中每个个体的四个维度，第i个个体可以表示为：X_i＝[x₁,x₂,x₃,x₄]＝[tx,ty,θ,s]，T,R,S分别为平移，旋转和缩放矩阵，M为将三种变换结合在一起的空间变换矩阵，[a₀,b₀]进行平移旋转和缩放变换后得到[a₁,b₁]，即浮动图像按照矩阵M进行空间变换得到图像B，在所述步骤S3中与参考图像A一起计算两幅图像之间的互信息。

上述技术方案的进一步特征在于，所述种群中每个个体的适应度值为图像A和图像B之间的互信息素值，所述种群的全局最优适应度值为：

f(P_g)＝max(f(X₁),f(X₂),...,f(X_NP))

式中，f(X)为所述图像配准的适应度函数，即图像A和图像B之间的互信息素值，NP为种群大小，种群的全局最优位置为最优适应度值所对应的个体的当前位置。

上述技术方案的进一步特征在于，所述差分进化算法采用贪婪的机制，当且仅当个体改变后的位置比原来的位置好时，才进行个体位置的更新，否则保留原来的位置不变。

上述技术方案的进一步特征在于，所述变异：

V_i,d(t+1)＝X_a,d(t)+F×(X_b,d(t)-X_c,d(t))

式中，a,b,c为三个在种群中随机选择的不同个体，与i也不相同，t为当前迭代次数，F为比例因子；

所述交叉：

$\mathrm{trial}(t+1)=\left\{\begin{array}{ccccc}{V}_{i,d}(t+1)& \mathrm{if}& \mathrm{rand}<\mathrm{CR}& \mathrm{or}& d=\mathrm{drand}\\ X_{i,d}\left(t\right)& & & \mathrm{otherwise}& \end{array}\right.$

式中，rand表示为一个在[0,1]之间产生的随机数，drand为随机选择的一个维数，保证至少有一维发生了变异；

所述选择：

$X_i(t+1)=\left\{\begin{array}{ccc}\mathrm{trial}& \mathrm{if}& f\left(\mathrm{trial}\right)>f\left(X_i\left(t\right)\right)\\ X_i\left(t\right)& & \mathrm{otherwise}\end{array}\right..$

上述技术方案的进一步特征在于，所述替代策略有两种，分别是局部替代策略和全局替代策略，其中，局部替代策略的执行条件为全局最优位置连续α代不更新，执行局部替代策略，即：

对于每一维随机选择一个个体，让其对应维用自己与全局最优位置中间的某一位置替代，如下公式所示：

for i＝1:4

X(r(i),i)＝X(r(i),i)+rand×(P_g(i)-X(r(i),i))

end

式中，i表示1到4维，r(i)为在[1,NP]之间随机选择的个体，r(1)≠r(2)≠r(3)≠r(4)，P_g为当前全局最优位置；

全局替代策略的执行条件为局部替代策略连续执行β次，全局最优位置依然没有更新，执行全局替代策略，即：

对于每一维随机选择一个个体，让其对应维用在搜索空间内重新随机初始化的值来替代，如下公式所示：

for i＝1:4

X(r(i),i)＝irange_l(i)+rand×(irange_r(i)-irange_l(i))

end

式中，irange_l(i)和irange_r(i)分别表示种群中每个个体第i维的最小值和最大值。

本发明的有益效果如下：

本发明将一种基于替代策略的差分进化算法应用于基于最大互信息素的图像配准领域，是一种基于适度搜索行为的优化算法，其并行的搜索特点显著提高了图像配准的速度。差分进化算法较强的全局搜索能力使得算法避免陷入局部最优，新提出的替代策略显著提高了配准的精度。本发明具有配准鲁棒性好，速度快，精度高的特点。采用基于最大互信息素的图像配准方法，避免了基于特征图像配准中由特征提取和图像分割造成的人为因素影像，使得配准效果更好，为后续的图像处理工作奠定了良好的基础。

附图说明

图1为根据本发明实施例的最大互信息素图像配准方法的流程框图；

图2为根据本发明实施例的最大互信息素图像配准方法的流程图；

图3和图4分别为第一组实验的参考图像和浮动图像；

图5为第一组实验采用本发明配准后的配准图像；

图6和图7为第二组实验的参考图像和浮动图像；

图8为第二组实验采用本发明配准后的配准图像。

具体实施方式

下面结合附图和实施例，对本发明的技术方案进行详细说明，实施例用两组测试图像来说明本发明。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明主要在于，将一种基于替代策略的差分进化算法应用于图像配准领域中基于灰度信息的最大互信息素法，提高图像配准的配准精度和速度。

为实现上述目的，本发明提出了一种新型的图像配准方法。图1展示了基于灰度值的最大互信息素图像配准方法的流程图。如图1所示，该方法包括如下步骤：

S101：建立基于灰度的互信息配准适应度函数；

首先，建立基于灰度的互信息配准适应度函数f(X)。设参考图像为A，浮动图像经过平移(x,y轴)、旋转、缩放变换后的图像为B，则：

A和B之间的互信息为：MI(A,B)＝H(A)+H(B)-H(A,B)，

其中，H(A)和H(B)分别为图像A和图像B的平均信息量，H(A,B)为两幅图像的相关平均信息量。具体的计算公式如下：

图像A的平均信息量： $H\left(A\right)=-\underset{a}{\mathrm{\&Sigma;}}{P}_A\left(a\right)\log P_A\left(a\right),$

图像B的平均信息量： $H\left(B\right)=-\underset{b}{\mathrm{\&Sigma;}}{P}_B\left(b\right)\log P_B\left(b\right),$

两幅图像的相关平均信息量： $H(A,B)=-\underset{a,b}{\mathrm{\&Sigma;}}{P}_{A,B}(a,b)\log P_{A,B}(a,b),$

其中，P_A(a)和P_B(b)分别是图像A和图像B的边缘概率密度，P_A,B(a,b)为两幅图像的联合概率密度。

计算两幅图像的边缘概率密度和联合概率密度时，需要用到两幅图像的联合直方图h，具体的计算公式如下：

图像A的边缘概率密度：

图像B的边缘概率密度：

两幅图像的联合概率密度：

由上可知，为了获取两幅图像互信息的最大值max(MI(A,B))，需要找到对浮动图像进行坐标变换的最佳参数：水平平移，垂直平移，旋转角度，缩放系数。

S102：基于最佳空间变换，建立并初始化第一代种群；

先把浮动图像按照种群中每个个体的位置每个维度所代表的参数进行所述空间变换，变换过程如下：

$T=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ \mathrm{tx}& \mathrm{ty}& 1\end{array}\right]$

$R=\left[\begin{array}{ccc}\cos \left(\mathrm{\&theta;}\right)& -\sin \left(\mathrm{\&theta;}\right)& 0\\ \sin \left(\mathrm{\&theta;}\right)& \cos \left(\mathrm{\&theta;}\right)& 0\\ 0& 0& 1\end{array}\right]$

$S=\left[\begin{array}{ccc}s& 0& 0\\ 0& s& 0\\ 0& 0& 1\end{array}\right]$

M＝T*R*S

[a₁,b₁,1]＝[a₀,b₀,1]·M

式中，tx,ty分别表示水平方向和垂直方向的平移量，θ为旋转角度，顺时针旋转为正，s为缩放系数，这四个参数构成了种群中每个个体的四个维度，第i个个体可以表示为：X_i＝[x₁,x₂,x_3xx₄]＝[tx,ty,θ,s]，T,R,S分别为平移，旋转和缩放矩阵，M为将三种变换结合在一起的空间变换矩阵，[a₀,b₀]进行平移旋转和缩放变换后得到[a₁,b₁]，即浮动图像按照矩阵M进行空间变换得到图像B，在所述步骤S3中与参考图像A一起计算两幅图像之间的互信息。

种群中每个个体的四个维度分别代表水平平移，垂直平移，旋转角度和缩放系数。在建立并初始化第一代种群之前，首先初始化用于图像配准部分的算法参数，并根据所要配准图像的大小确定相关空间变换参数的上下限，建立第一代粒子群。在本实施例中，被分割的图像要先转化为黑白图像。两组实施例中所要优化的参数的上下限分别如表1和表2所示：

表1

	水平平移	垂直平移	旋转角度	缩放系数
					Min	-200	-200	-50	0.8
Max	200	200	50	1.2

表2

	水平平移	垂直平移	旋转角度	缩放系数
					Min	-100	-100	-50	0.8
Max	100	100	50	1.2

种群的位置向量表示为：X_i＝(x₁,x₂,x₃,x₄)∈Ω，其中x₁和x₂分别表示水平平移和垂直平移，x₃为旋转角度，x₄表示缩放系数。Ω为位置空间。

结合图2所示，对上述已建立的种群进行初始化。

具体的说，随机初始化N个个体的初始位置X(0)。

S103：根据互信息配准的适应度函数，计算每个个体的适应度值，并计算种群的全局最优位置和全局最优适应度值；

具体的说，根据步骤101中建立的最大互信息素图像配准适应度函数，计算每个个体的适应度值f(X_i(t+1))。

根据上述每个个体的适应度值f(X_i(t+1))，计算全局最优位置P_g(t+1)。

其中，f(P_g(t+1))＝max{f(X₁(t+1)),f(X₂(t+1)),f(X₃(t+1)),...,f(X_N(t+1)))。

S104：根据标准差分进化算法的位置更新策略，对种群中每个个体进行变异、交叉和选择操作，更新每个个体的位置；

用于优化的差分进化算法中，种群中每个个体的位置更新过程包含变异，交叉和选择三大主要操作：

变异：

V_i,d(t+1)＝X_a,d(t)+F×(X_b,d(t)-X_c,d(t))

其中，a,b,c为三个在种群中随机选择的不同个体，与i也不相同。t为当前迭代次数，F为比例因子。

交叉：

$\mathrm{trial}(t+1)=\left\{\begin{array}{ccccc}{V}_{i,d}(t+1)& \mathrm{if}& \mathrm{rand}<\mathrm{CR}& \mathrm{or}& d=\mathrm{drand}\\ X_{i,d}\left(t\right)& & & \mathrm{otherwise}& \end{array}\right.$

其中，rand表示为一个在[0,1]之间产生的随机数，drand为随机选择的一个维数，保证至少有一维发生了变异。

选择：

$X_i(t+1)=\left\{\begin{array}{ccc}\mathrm{trial}& \mathrm{if}& f\left(\mathrm{trial}\right)>f\left(X_i\left(t\right)\right)\\ X_i\left(t\right)& & \mathrm{otherwise}\end{array}\right.$

差分进化算法采用贪婪的机制，当且仅当个体改变后的位置比原来的位置好时，才进行个体位置的更新，否则保留原来的位置不变。

S105:判断是否达到执行替换策略的条件，若达到，则执行相应的替代策略，否则执行S6；

替代策略有两种，分别是局部替代策略和全局替代策略。局部替代策略的执行条件为：全局最优位置连续α代不更新。全局替代策略的执行条件为：局部替代策略连续执行β次，全局最优位置依然没有更新。

当局部替代策略的执行条件达到时，执行局部替代策略，即：对于每一维随机选择一个个体，让其对应维用自己与全局最优位置中间的某一位置替代，表达方式如下：

for i＝1:4

X(r(i),i)＝X(r(i),i)+rand×(P_g(i)-X(r(i),i))

end

式中，i表示1到4维，r(i)为在[1,NP]之间随机选择的个体，r(1)≠r(2)≠r(3)≠r(4)，P_g为当前全局最优位置。

当全局替代策略的执行条件达到时，执行全局替代策略，即：对于每一维随机选择一个个体，让其对应维用在搜索空间内重新随机初始化的值来替代，表达方式如下：

for i＝1:4

X(r(i),i)＝irange_l(i)+rand×(irange_r(i)-irange_l(i))

end

其中，irange_l(i)和irange_r(i)分别表示个体第i维的最小值和最大值。

局部替代策略，解释为：当种群的全局最优位置连续α代不更新，算法对于每一维随机选择一个个体，让个体的这一维度在自身与全局最优值之间精确寻优，更大效率的利用全局最优位置附近的地方，使得精度更高。

当局部替代策略连续执行β次之后，全局最优位置依然没有更新，算法认为当前全局最有位置附近的这一区域不再具有开发价值，因而对于每一维随机选择一个个体，这一维度在整个搜索空间内随机初始化，使得个体跳出局部最优从而在整个搜索空间内开发新的有价值的区域。

局部替代策略和全局替代策略的同时引入，既增强了算法的全局寻优能力，又提高了寻优精度，收敛速度在一定程度上也得到了提高。

S106：当前迭代次数t＝t+1，判断是否达到差分进化算法的最大迭代次数Tmax。若达到，算法终止，否则返回执行S3。

本发明提供的新型的图像配准方法与现有技术相比具有以下优点：配准稳定性好，精度高，解决了基于特征的图像配准方法受人为因素影响较大的问题，基于替代策略的差分进化算法也使基于互信息的图像配准方法的配准精度更高。

下面结合图3和图4，图6和图7两组配准图像，进一步说明本发明的技术方案具有配准稳定性好，精度高等特点。

对于第一组实施例，图3为参考图像，图4为浮动图像。图3的大小为386像素*306像素，图4的大小为472像素*335像素。对于第二组实施例，图6为参考图像，图7为浮动图像。图6和图7都为256像素*256像素的图像。对上述两组实验图像分别使用粒子群算法(PSO)，差分进化算法(DE)，和基于替代策略的差分进化算法(DERS)进行配准，每种算法分别运行10次，最大迭代次数为200，种群规模为20，实验结果如表3和表4所示：

表3

表4

由表3和表4的实验结果可以看出，相比于粒子群算法和传统的差分进化算法，基于替代策略的差分进化算法可以达到更大的互信息值，而其方差也更小。

图5和图8分别为两组实验最后的配准图像。

虽然本发明已以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。

Claims (8)

1.一种新型的图像配准方法，其特征在于，包括如下步骤：

S1：建立基于灰度的互信息配准适应度函数；

S2：基于空间变换，建立并初始化第一代种群，置当前迭代次数t＝1；

S3：根据互信息配准的适应度函数，计算种群中每个个体的适应度值，并计算种群的全局最优位置和种群的全局最优适应度值；

S4：根据标准差分进化算法的位置更新策略，对种群中每个个体进行变异、交叉和选择操作，更新每个个体的位置；

S5：判断是否达到执行替代策略的条件，若达到，则执行相应的替代策略，否则执行S6；

S6：当前迭代次数t＝t+1，判断是否达到差分进化算法的最大迭代次数Tmax，若达到，算法终止，否则返回执行S3。

2.根据权利要求1所述的新型的图像配准方法，其特征在于，

设参考图像为A，浮动图像经过平移、旋转、缩放变换后的图像为B，A和B之间的互信息可以表示为：

MI(A,B)＝H(A)+H(B)-H(A,B)

式中，H(A)和H(B)分别为图像A和图像B的平均信息量，H(A,B)为两幅图像的相关平均信息量，具体的计算公式如下：

$H\left(A\right)=-\underset{a}{\mathrm{\&Sigma;}}{P}_A\left(a\right)\log P_A\left(a\right)$

$H\left(B\right)=-\underset{b}{\mathrm{\&Sigma;}}{P}_B\left(b\right)\log P_B\left(b\right)$

$H(A,B)=-\underset{a,b}{\mathrm{\&Sigma;}}{P}_{A,B}(a,b)\log P_{A,B}(a,b)$

式中，P_A(a)和P_B(b)分别是图像A和图像B的边缘概率密度，P_A,B(a,b)为两幅图像的联合概率密度，计算时使用两幅图像的联合直方图h，具体的计算公式如下：

$P_{A,B}(a,b)=\frac{h(a,b)}{\underset{a,b}{\mathrm{\&Sigma;}}h(a,b)}$

$P_A\left(a\right)=\underset{b}{\mathrm{\&Sigma;}}{P}_{A,B}(a,b)$

$P_B\left(b\right)=\underset{a}{\mathrm{\&Sigma;}}{P}_{A,B}(a,b).$

3.根据权利要求1所述的新型的图像配准方法，其特征在于，所述种群中每个个体的四个维度分别代表水平平移、垂直平移、旋转角度和缩放系数，在所述建立并初始化第一代种群之前，首先初始化用于图像配准部分的算法参数，并根据所要配准图像的大小确定相关空间变换参数的上下限，建立第一代粒子群。

4.根据权利要求1所述的新型的图像配准方法，其特征在于，先把浮动图像按照种群中每个个体的位置每个维度所代表的参数进行所述空间变换，变换过程如下：

$T=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ \mathrm{tx}& \mathrm{ty}& 1\end{array}\right]$

$R=\left[\begin{array}{ccc}\cos \left(\mathrm{\&theta;}\right)& -\sin \left(\mathrm{\&theta;}\right)& 0\\ \sin \left(\mathrm{\&theta;}\right)& \cos \left(\mathrm{\&theta;}\right)& 0\\ 0& 0& 1\end{array}\right]$

$S=\left[\begin{array}{ccc}s& 0& 0\\ 0& s& 0\\ 0& 0& 1\end{array}\right]$

M＝T*R*S

[a₁,b₁,1]＝[a₀,b₀,1]·M

式中，tx,ty分别表示水平方向和垂直方向的平移量，θ为旋转角度，顺时针旋转为正，s为缩放系数，这四个参数构成了种群中每个个体的四个维度，第i个个体可以表示为：X_i＝[x₁,x₂,x₃,x₄]＝[tx,ty,θ,s]，T,R,S分别为平移，旋转和缩放矩阵，M为将三种变换结合在一起的空间变换矩阵，[a₀,b₀]进行平移旋转和缩放变换后得到[a₁,b₁]，即浮动图像按照矩阵M进行空间变换得到图像B，在所述步骤S3中与参考图像A一起计算两幅图像之间的互信息。

5.根据权利要求1、2所述的新型的图像配准方法，其特征在于，所述种群中每个个体的适应度值为图像A和图像B之间的互信息素值，所述种群的全局最优适应度值为：

f(P_g)＝max(f(X₁),f(X₂),...,f(X_NP))

式中，f(X)为所述图像配准的适应度函数，即图像A和图像B之间的互信息素值，NP为种群大小，种群的全局最优位置为最优适应度值所对应的个体的当前位置。

6.根据权利要求1所述的新型的图像配准方法，其特征在于，所述差分进化算法采用贪婪的机制，当且仅当个体改变后的位置比原来的位置好时，才进行个体位置的更新，否则保留原来的位置不变。

7.根据权利要求1所述的最大互信息素图像配准方法，其特征在于，

所述变异：

V_i,d(t+1)＝X_a,d(t)+F×(X_b,d(t)-X_c,d(t))

式中，a,b,c为三个在种群中随机选择的不同个体，与i也不相同，t为当前迭代次数，F为比例因子；

所述交叉：

$\mathrm{trial}(t+1)=\left\{\begin{array}{c}\begin{array}{ccccc}{V}_{i,d}(t+1)& \mathrm{if}& \mathrm{rand}<\mathrm{CR}& \mathrm{or}& d=\mathrm{drand}\end{array}\\ \begin{array}{cc}{X}_{i,d}\left(t\right)& \mathrm{otherwisr}\end{array}\end{array}\right.$

式中，rand表示为一个在[0,1]之间产生的随机数，drand为随机选择的一个维数，保证至少有一维发生了变异；

所述选择：

$X_i(t+1)=\left\{\begin{array}{c}\begin{array}{ccc}\mathrm{trial}& \mathrm{if}& f\left(\mathrm{trial}\right)>f\left(X_i\left(t\right)\right)\end{array}\\ \begin{array}{cc}{X}_i\left(t\right)& \mathrm{otherwise}\end{array}\end{array}\right..$

8.根据权利要求1所述的新型的图像配准方法，其特征在于，所述替代策略有两种，分别是局部替代策略和全局替代策略，其中，局部替代策略的执行条件为全局最优位置连续α代不更新，执行局部替代策略，即：

对于每一维随机选择一个个体，让其对应维用自己与全局最优位置中间的某一位置替代，如下公式所示：

for i＝1:4

X(r(i),i)＝X(r(i),i)+rand×(P_g(i)-X(r(i),i))

end

式中，i表示1到4维，r(i)为在[1,NP]之间随机选择的个体，r(1)≠r(2)≠r(3)≠r(4)，P_g为当前全局最优位置；

全局替代策略的执行条件为局部替代策略连续执行β次，全局最优位置依然没有更新，执行全局替代策略，即：

对于每一维随机选择一个个体，让其对应维用在搜索空间内重新随机初始化的值来替代，如下公式所示：

for i＝1:4

X(r(i),i)＝irange_l(i)+rand×(irange_r(i)-irange_l(i))

end

式中，irange_l(i)和irange_r(i)分别表示种群中每个个体第i维的最小值和最大值。