CN111583311A - 一种pcba快速图像匹配方法 - Google Patents

Abstract

本发明公开了一种PCBA快速图像匹配方法，包括：构建源图像及其模板子图像的的图像金字塔；设置粒子群算法参数；在源图像的图像金字塔顶层初始化粒子群的位置和移动速度；对各层进行粗匹配和精匹配进而得到最佳匹配位置；输出最佳匹配位置。本发明鉴于图像金字塔的分层匹配思想，在不同层采用由粗到精的匹配方式，弥补粒子群算法准确性不足，而粒子群算法可以替代图像金字塔的遍历式匹配，进一步加快计算速度，提高了在PCBA目标检测过程中的图像匹配准确性及速度。

Description

一种PCBA快速图像匹配方法

技术领域

本发明属于图像处理领域，具体涉及一种PCBA快速图像匹配方法。

背景技术

图像匹配技术是视觉应用中的核心问题。图像匹配技术广泛应用于目标检测、视觉测量、视觉导航、图像拼接等领域。图像匹配通常使用灰度值或者特征根据度量关系计算相关性。由于匹配过程中相关性计算量大，耗时长，因此需要快速高效的搜索策略。

近年来，有许多学者把图像匹配中寻找最佳相似问题转换为寻优问题，应用在图像匹配领域。而粒子群算法是典型的优化算法之一，具有较强的的寻优能力，且在图像匹配领域取得了较好的结果。但是传统粒子群算法易过早收敛陷入局部最优解，易导致匹配准确性不高。因此有学者对影响粒子群优化的参数、位置和速度进行改进。最初研究此方面的学者为了平衡算法全局与局部的搜索能力，提出了线性调整惯性权重的粒子群算法。由于粒子群算法在迭代前期阶段和后期阶段进行全局与局部搜索，惯性权重在前期和后期阶段以较快速度下降会使得算法过早陷入局部最优解。除此以外，传统粒子群算法采用固定的学习因子引导个体和群体向最优解靠近，使得粒子无法在不同阶段更好的向最优解靠近。有学者根据算法特性动态调整学习因子，但是仅改变此项因素，也不能避免陷入局部最优解。后来有学者对陷入局部解的粒子进行激活操作，使得粒子跳出局部范围，并且为了增加粒子的多样性，引入混沌映射。虽然改进的粒子群算法性能都有提升，但是在PCBA目标检测过程中，由于匹配的相似区域较多，以上方法的准确性及速度均较低。

因此，如何提高在PCBA目标检测过程中的图像匹配准确性及速度，成为了本领域技术人员急需解决的问题。

发明内容

针对现有技术中存在的上述不足，本发明实际需要解决的问题是：如何提高在PCBA目标检测过程中的图像匹配准确性及速度。

为解决上述技术问题，本发明采用了如下的技术方案：

一种PCBA快速图像匹配方法，包括：

S1、构建源图像及其模板子图像的的图像金字塔；

S2、设置粒子群算法参数，所述粒子群算法参数包括种群个数m、空间维度K、迭代次数T；

S3、在源图像的图像金字塔顶层初始化粒子群的位置和移动速度，源图像的图像金字塔顶层作为当前层；

S4、计算当前层的粒子的适应度值，迭代更新粒子的位置及移动速度，计算粒子的最优适应度值并得到粗匹配位置；

S5、将粗匹配位置以α倍值传入下一层，α为降采样因子，将下一层作为当前层；

S6、在当前层的代入的粗匹配位置的预设尺寸的邻域范围内进行逐像素精匹配得到精匹配位置；

S7、若当前层为底层，执行步骤S8；否则，将当前层的精匹配位置作为新的粗匹配位置，返回执行步骤S5；

S8、输出底层的精匹配位置。

优选地，步骤S1中，构建图像金字塔的方法如下：

将图像与高斯函数多次卷积后获取到所述图像的低通滤波，然后进行二次下采样产生不同尺寸的图像构建成塔的形状，采用以下公式进行构建：

式中S、I及G分别表示尺度空间、图像及高斯函数，σ表示高斯模糊系数，

表示卷积，G(x,y)表示图像(x,y)处的高斯函数值，x₀表示中心点横坐标，y₀表示中心点纵坐标。

优选地，步骤S3中，依据以下公式初始化粒子群的位置和移动速度：

X_i＝L_X*rand

V_i＝L_V*rand

式中，X_i为第i个粒子的位置，V_i为第i个粒子的移动速度，L_X和L_V分别表示粒子群的位置和移动速度的边界值，rand表示均匀分布的随机数；

基于NCC系数计算第i个粒子的适应度值记为P_i，NCC系数表达式为：

式中T(x,y)表示模板子图像坐标为(x,y)处的灰度值，I_i,j(x,y)表示在源图像(i,j)处子图像的灰度值，

和

分别表示模板子图像和源图子图像的灰度均值，P、Q分别为模板子图x方向和y方向的尺寸，ξ(x,y)表示源图像(x,y)处NCC系数值。

优选地，基于以下公式更新粒子的位置及移动速度：

V_i(t+1)＝ωV_i(t)+c₁r₁(p_best-X_i(t))+c₂r₂(g_best-X_i(t))

X_i(t+1)＝X_i(t)+V_i(t+1)

式中，ω表示惯性权重，t表示当前迭代次数，c₁表示个体学习因子，c₂表示群体学习因子，r₁和r₂都是属于[0,1]范围内互不干扰的随机数，p_best为个体最优解，g_best为群体最优解，X_i(t)为第t次迭代后的第i个粒子的位置，X_i(t+1)为第t+1次迭代后的第i个粒子的位置，V_i(t)为第t次迭代后的第i个粒子的移动速度，V_i(t+1)为第t+1次迭代后的第i个粒子的移动速度；

式中，a和b表示非线性调整系数，ω_max表示最大惯性权重值，ω_min表示最小惯性权重值。

优选地，基于以下公式计算个体学习因子和群体学习因子：

式中，

和

为个体学习因子最大值和最小值，

和

为群体学习因子最大值和最小值。

优选地，当δ²＞ε时，基于以下公式更新粒子的位置及移动速度：

V_i(t+1)＝ωV_i(t)+c₁r₁(p_best-X_i(t))+c₂r₂(g_best-X_i(t))

X_i(t+1)＝X_i(t)+V_i(t+1)

式中，ω表示惯性权重，t表示当前迭代次数，c₁表示个体学习因子，c₂表示群体学习因子，r₁和r₂都是属于[0,1]范围内互不干扰的随机数，p_best为个体最优解，g_best为群体最优解，X_i(t)为第t次迭代后的第i个粒子的位置，X_i(t+1)为第t+1次迭代后的第i个粒子的位置，V_i(t)为第t次迭代后的第i个粒子的移动速度，V_i(t+1)为第t+1次迭代后的第i个粒子的移动速度；

式中，a和b表示非线性调整系数，ω_max表示最大惯性权重值，ω_min表示最小惯性权重值；

基于以下公式计算个体学习因子和群体学习因子：

式中，

和

为个体学习因子最大值和最小值，

和

为群体学习因子最大值和最小值；

当δ²≤ε时，X_i(t+1)＝rX_i(t)；

式中，P_i表示第i个粒子当前的适应度值，

为适应度均值，P_max和P_min分别为最大适应度值和最小适应度值，r为随机数，δ²为粒子集中程度，ε为实行扩展机制的阈值。

同现有技术相比，本发明具有以下有益效果：

本发明首先利用粒子群算法易过早收敛陷入局部解，且粒子寻优能力与影响参数变化相关的问题，提出改进的粒子群算法，来提高粒子群的寻优能力。并且利用粒子群概率性搜索特性减少匹配点数量，降低计算量。鉴于图像金字塔的分层匹配思想，在不同层采用由粗到精的匹配方式，弥补粒子群算法准确性不足。而粒子群算法可以替代图像金字塔的遍历式匹配，进一步加快计算速度。同时在噪声的干扰下，有较好的鲁棒性。

附图说明

图1为一种面向PCBA目标检测的快速图像匹配方法的流程图；

图2为不同尺寸准确性对比图；

图3(a)至图3(f)为不同尺寸抗噪性对比图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

如图1所示，本发明公开了一种PCBA快速图像匹配方法，包括：

S1、构建源图像及其模板子图像的的图像金字塔；

S2、设置粒子群算法参数，所述粒子群算法参数包括种群个数m、空间维度K、迭代次数T；

S3、在源图像的图像金字塔顶层初始化粒子群的位置和移动速度，源图像的图像金字塔顶层作为当前层；

S4、计算当前层的粒子的适应度值，迭代更新粒子的位置及移动速度，计算粒子的最优适应度值并得到粗匹配位置；

迭代后得到的新的适应度值若大于之前的适应度值，则以新的适应度值替代之前的适应度值，当迭代次数等于迭代次数T时，停止迭代。

S5、将粗匹配位置以α倍值传入下一层，α为降采样因子，将下一层作为当前层；

S6、在当前层的代入的粗匹配位置的预设尺寸的邻域范围内进行逐像素精匹配得到精匹配位置；

预设尺寸具体可取5X5

S7、若当前层为底层，执行步骤S8；否则，将当前层的精匹配位置作为新的粗匹配位置，返回执行步骤S5；

S8、输出底层的精匹配位置。

由粒子群算法的特性知，该算法前期阶段依赖全局搜索，后期阶段依附局部搜索。改进的一些方法中惯性权重和学习因子前期的递变速度较快使得全局搜索时间较短，容易使算法陷入局部解。即使引入混沌映射或者激活操作增加了粒子多样性，但也无法完全避免陷入局部解的问题，尤其对于多峰问题。而图像匹配通常采用由粗到精的方式保证匹配准确性。图像金字塔的分层匹配思想可以在粒子群算法的基础上进一步提高匹配效果。在不同图像层采用由粗到精的匹配方式，可以弥补粒子群算法准确性不高的问题。而粒子群算法可以替代图像金字塔的遍历式匹配，进一步加快计算速度。本发明根据图像金字塔和粒子群算法的相关特性，将其结合能达到相辅相成的效果。进而实现提高在PCBA目标检测过程中的图像匹配准确性及速度的目的。

具体实施时，步骤S1中，构建图像金字塔的方法如下：

将图像与高斯函数多次卷积后获取到所述图像的低通滤波，然后进行二次下采样产生不同尺寸的图像构建成塔的形状，采用以下公式进行构建：

式中S、I及G分别表示尺度空间、图像及高斯函数，σ表示高斯模糊系数，

表示卷积，G(x,y)表示图像(x,y)处的高斯函数值，x₀表示中心点横坐标，y₀表示中心点纵坐标。

具体实施时，步骤S3中，依据以下公式初始化粒子群的位置和移动速度：

X_i＝L_X*rand

V_i＝L_V*rand

式中，X_i为第i个粒子的位置，V_i为第i个粒子的移动速度，L_X和L_V分别表示粒子群的位置和移动速度的边界值，rand表示均匀分布的随机数；

基于NCC系数计算第i个粒子的适应度值记为P_i，NCC系数表达式为：

式中T(x,y)表示模板子图像坐标为(x,y)处的灰度值，I_i,j(x,y)表示在源图像(i,j)处子图像的灰度值，

和

分别表示模板子图像和源图子图像的灰度均值，P、Q分别为模板子图x方向和y方向的尺寸，ξ(x,y)表示源图像(x,y)处NCC系数值。

P_i＝ξ(x,y)，即将第i个粒子所处位置对应的NCC系数值作为P_i。

图像匹配过程中，将源图像上一块尺寸与模板子图像尺寸相同的区域用来与模板子图像进行匹配，进而找出相关性最大的区域。源图像(i,j)处子图像即使其(i,j)处与模板子图像尺寸相同的区域。

具体实施时，基于以下公式更新粒子的位置及移动速度：

V_i(t+1)＝ωV_i(t)+c₁r₁(p_best-X_i(t))+c₂r₂(g_best-X_i(t))

X_i(t+1)＝X_i(t)+V_i(t+1)

式中，ω表示惯性权重，t表示当前迭代次数，c₁表示个体学习因子，c₂表示群体学习因子，r₁和r₂都是属于[0,1]范围内互不干扰的随机数，p_best为个体最优解，g_best为群体最优解，X_i(t)为第t次迭代后的第i个粒子的位置，X_i(t+1)为第t+1次迭代后的第i个粒子的位置，V_i(t)为第t次迭代后的第i个粒子的移动速度，V_i(t+1)为第t+1次迭代后的第i个粒子的移动速度；

式中，a和b表示非线性调整系数，ω_max表示最大惯性权重值，ω_min表示最小惯性权重值，非线性调整系数的具体取值可为a＝3.4，b＝0.07。

惯性权重是粒子移动的重要影响因子之一。惯性权重较大时，PSO算法的全局寻优能力强；惯性权重较小时，局部寻优能力强。有学者对惯性权重采用线性递减方式调整，虽然有效提高了该算法的性能，但是算法迭代的前期阶段以较快速度递减惯性权重值，容易使算法陷入局部最优。针对该问题，本发明采用倒S型函数衰减方式进行调整，使惯性权值在前期和后期阶段变换缓慢。这种变换方法可以让惯性权值在算法迭代前期和后期阶段能较长时间取得较大和较小值，平衡全局和局部搜索能力。

具体实施时，基于以下公式计算个体学习因子和群体学习因子：

式中，

和

为个体学习因子最大值和最小值，

和

为群体学习因子最大值和最小值，学习因子的最大值及最小值的取值可为

粒子群依赖个体竞争与群体协作进行寻优，因此，除了调整惯性权值外，本发明还对学习因子进行了调整，学习因子c₁、c₂的变化分别影响个体和群体粒子向最优解靠近。迭代前期阶段较大概率依赖粒子个体移动经验进行全局搜索，迭代后期主要依赖群体移动经验进行局部搜索。传统粒子群算法使用固定的学习因子，无法在不同阶段更好的引导个体和群体向最优解靠近。因此依据PSO算法的特性，算法在迭代前期阶段学习因子c₁取较大值c₂取较小值能增强全局搜索能力，后期阶段学习因子c₁取较小值c₂取较大值能增强局部搜索能力。为了在不同阶段更好的发挥全局与局部搜索能力，本发明采用了上述新的学习因子。

具体实施时，当δ²＞ε时，基于以下公式更新粒子的位置及移动速度：

V_i(t+1)＝ωV_i(t)+c₁r₁(p_best-X_i(t))+c₂r₂(g_best-X_i(t))

X_i(t+1)＝X_i(t)+V_i(t+1)

式中，ω表示惯性权重，t表示当前迭代次数，c₁表示个体学习因子，c₂表示群体学习因子，r₁和r₂都是属于[0,1]范围内互不干扰的随机数，p_best为个体最优解，g_best为群体最优解，X_i(t)为第t次迭代后的第i个粒子的位置，X_i(t+1)为第t+1次迭代后的第i个粒子的位置，V_i(t)为第t次迭代后的第i个粒子的移动速度，V_i(t+1)为第t+1次迭代后的第i个粒子的移动速度；

式中，a和b表示非线性调整系数，ω_max表示最大惯性权重值，ω_min表示最小惯性权重值；

基于以下公式计算个体学习因子和群体学习因子：

式中，

和

为个体学习因子最大值和最小值，

和

为群体学习因子最大值和最小值；

当δ²≤ε时，X_i(t+1)＝rX_i(t)；

式中，P_i表示第i个粒子当前的适应度值，

为适应度均值，P_max和P_min分别为最大适应度值和最小适应度值，r为随机数，δ²为粒子集中程度，ε为实行扩展机制的阈值。

虽然对参数影响因子进行动态调整能有效提高寻优能力，但是无法完全避免过早收敛陷入局部解，因此本发明还可以利用方差能表现数据离散程度的特性判别粒子是否收敛陷入局部解。为了使粒子能跳出局部解并且扩大搜索范围，本发明还可引入扩展机制，其中扩展行为就是随机化粒子原始位置。当δ²≤ε时，表示粒子群集中，容易陷入局部解，此时随机化粒子位置，扩展了粒子的多样性跳出局部解同时使搜索范围扩大，粒子群集中程度依据实际应用确定。

为验证本发明公开的一种PCBA快速图像匹配方法的有效性，使用本发明公开的一种PCBA快速图像匹配方法与传统粒子群算法(PSO算法)和改进的粒子群算法(AMPSO算法、CPSO算法)分别在6种不同尺寸下进行时间、准确性和鲁棒性比较。准确性和鲁棒性比较结果如图2和图3(a)至图3(f)所示。表一是运行时间比较结果。

表一 运行时间比较

从以上实验可以看出，本发明改进了粒子群优化的影响参数，采用变化较平稳的惯性权值均衡全局与局部搜索能力，使用新的学习因子提高寻优能力，并引入扩展机制扩大粒子搜索范围，避免陷入局部最优解，同时与图像金字塔相结合，在不同层采用由粗到精的匹配方式，提高了匹配准确性并缩短了匹配时间。无论在计算速度、匹配准确性或者鲁棒性任一方面，相较于传统粒子群算法和改进的粒子群算法都有很大的提升。验证了面向PCBA目标检测应用的有效性。

以上仅是本发明优选的实施方式，需指出是，对于本领域技术人员在不脱离本技术方案的前提下，还可以做出若干变形和改进，上述变形和改进的技术方案应同样视为落入本申请要求保护的范围。

Claims (6)

1.一种PCBA快速图像匹配方法，其特征在于，包括：

S1、构建源图像及其模板子图像的的图像金字塔；

S2、设置粒子群算法参数，所述粒子群算法参数包括种群个数m、空间维度K、迭代次数T；

S3、在源图像的图像金字塔顶层初始化粒子群的位置和移动速度，源图像的图像金字塔顶层作为当前层；

S4、计算当前层的粒子的适应度值，迭代更新粒子的位置及移动速度，计算粒子的最优适应度值并得到粗匹配位置；

S5、将粗匹配位置以α倍值传入下一层，α为降采样因子，将下一层作为当前层；

S6、在当前层的代入的粗匹配位置的预设尺寸的邻域范围内进行逐像素精匹配得到精匹配位置；

S7、若当前层为底层，执行步骤S8；否则，将当前层的精匹配位置作为新的粗匹配位置，返回执行步骤S5；

S8、输出底层的精匹配位置。

2.如权利要求1所述的一种PCBA快速图像匹配方法，其特征在于，步骤S1中，构建图像金字塔的方法如下：

将图像与高斯函数多次卷积后获取到所述图像的低通滤波，然后进行二次下采样产生不同尺寸的图像构建成塔的形状，采用以下公式进行构建：

式中S、I及G分别表示尺度空间、图像及高斯函数，σ表示高斯模糊系数，

表示卷积，G(x,y)表示图像(x,y)处的高斯函数值，x₀表示中心点横坐标，y₀表示中心点纵坐标。

3.如权利要求1所述的一种PCBA快速图像匹配方法，其特征在于，步骤S3中，依据以下公式初始化粒子群的位置和移动速度：

X_i＝L_X*rand

V_i＝L_V*rand

式中，X_i为第i个粒子的位置，V_i为第i个粒子的移动速度，L_X和L_V分别表示粒子群的位置和移动速度的边界值，rand表示均匀分布的随机数；

基于NCC系数计算第i个粒子的适应度值记为P_i，NCC系数表达式为：

式中T(x,y)表示模板子图像坐标为(x,y)处的灰度值，I_i,j(x,y)表示在源图像(i,j)处子图像的灰度值，

和

分别表示模板子图像和源图子图像的灰度均值，P、Q分别为模板子图x方向和y方向的尺寸，ξ(x,y)表示源图像(x,y)处NCC系数值。

4.如权利要求1所述的一种PCBA快速图像匹配方法，其特征在于，基于以下公式更新粒子的位置及移动速度：

V_i(t+1)＝ωV_i(t)+c₁r₁(p_best-X_i(t))+c₂r₂(g_best-X_i(t))

X_i(t+1)＝X_i(t)+V_i(t+1)

式中，ω表示惯性权重，t表示当前迭代次数，c₁表示个体学习因子，c₂表示群体学习因子，r₁和r₂都是属于[0,1]范围内互不干扰的随机数，p_best为个体最优解，g_best为群体最优解，X_i(t)为第t次迭代后的第i个粒子的位置，X_i(t+1)为第t+1次迭代后的第i个粒子的位置，V_i(t)为第t次迭代后的第i个粒子的移动速度，V_i(t+1)为第t+1次迭代后的第i个粒子的移动速度；

式中，a和b表示非线性调整系数，ω_max表示最大惯性权重值，ω_min表示最小惯性权重值。

5.如权利要求4所述的一种PCBA快速图像匹配方法，其特征在于，基于以下公式计算个体学习因子和群体学习因子：

式中，

和

为个体学习因子最大值和最小值，

和

为群体学习因子最大值和最小值。

6.如权利要求1所述的一种PCBA快速图像匹配方法，其特征在于，当δ²＞ε时，基于以下公式更新粒子的位置及移动速度：

V_i(t+1)＝ωV_i(t)+c₁r₁(p_best-X_i(t))+c₂r₂(g_best-X_i(t))

X_i(t+1)＝X_i(t)+V_i(t+1)

式中，ω表示惯性权重，t表示当前迭代次数，c₁表示个体学习因子，c₂表示群体学习因子，r₁和r₂都是属于[0,1]范围内互不干扰的随机数，p_best为个体最优解，g_best为群体最优解，X_i(t)为第t次迭代后的第i个粒子的位置，X_i(t+1)为第t+1次迭代后的第i个粒子的位置，V_i(t)为第t次迭代后的第i个粒子的移动速度，V_i(t+1)为第t+1次迭代后的第i个粒子的移动速度；

式中，a和b表示非线性调整系数，ω_max表示最大惯性权重值，ω_min表示最小惯性权重值；

基于以下公式计算个体学习因子和群体学习因子：

式中，

和

为个体学习因子最大值和最小值，

和

为群体学习因子最大值和最小值；

当δ²≤ε时，X_i(t+1)＝rX_i(t)；

式中，P_i表示第i个粒子当前的适应度值，

为适应度均值，P_max和P_min分别为最大适应度值和最小适应度值，r为随机数，δ²为粒子集中程度，ε为实行扩展机制的阈值。

Images