CN112862866A - 基于麻雀搜索算法的图像配准方法及系统、计算设备 - Google Patents
基于麻雀搜索算法的图像配准方法及系统、计算设备 Download PDFInfo
- Publication number
- CN112862866A CN112862866A CN202110393748.2A CN202110393748A CN112862866A CN 112862866 A CN112862866 A CN 112862866A CN 202110393748 A CN202110393748 A CN 202110393748A CN 112862866 A CN112862866 A CN 112862866A
- Authority
- CN
- China
- Prior art keywords
- image
- registered
- sparrow
- registration
- optimal individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000287127 Passeridae Species 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000010845 search algorithm Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 45
- 230000009466 transformation Effects 0.000 claims description 31
- 238000013519 translation Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于麻雀搜索算法的图像配准方法,所述方法包括:对目标对象进行图像采样处理,得到第一图像、第二图像,其中,所述第一图像作为参考图像,所述第二图像为所述目标对象的待配准图像;对参考图像和待配准图像进行滤波预处理,得到各待配准图像对应的预处理后的图像;通过麻雀搜索算法建立每个预处理后的图像的空间优化信息模型;通过所述空间优化信息模型对所述预处理后的图像的坐标进行空间几何变化,使用归一化的联合直方图计算参考图像和待配准图像的互信息值;当互信息值达到最大时,得到配准参数,采用双线性插值法得到对应该待配准图像的配准图像。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于麻雀搜索算法的图像配准方法及系统、计算设备及计算机可存储介质。
背景技术
图像配准的方法迄今为止,在国内外的图像处理研究领域,已经报道了相当多的图像配准研究工作,产生了不少图像配准方法。总的来说,各种方法都是面向一定范围的应用领域,也具有各自的特点。比如计算机视觉中的景物匹配和飞行器定位系统中的地图匹配,依据其完成的主要功能而被称为目标检测与定位,根据其所采用的算法称之为图像相关等等。
具体地说,对于一组图像数据集中的两幅图像,通过寻找一种空间变换把一幅图像(浮动图像,moving image)映射到另一幅图像(参考图像,fixed image)上,使得两图中对应于空间同一位置的点一一对应起来。图像配准在计算机视觉、医学图像处理、材料力学、遥感等领域有广泛应用。由于可应用图像配准的图像类型众多,暂时无法开发出可满足所有用途的通用优化方法。
发明内容
本发明的目的是提供一种基于麻雀搜索算法的图像配准方法及系统、计算设备及计算机可存储介质,用以提高多级分辨率图像配准的精准度和效率的问题。
本发明提供的技术方案如下:
一种基于麻雀搜索算法的图像配准方法,所述方法包括:
对目标对象进行图像采样处理,得到第一图像、第二图像,其中,所述第一图像作为参考图像,所述第二图像为所述目标对象的待配准图像;
对参考图像和待配准图像进行滤波预处理,得到各待配准图像对应的预处理后的图像;
通过麻雀搜索算法建立每个预处理后的图像的空间优化信息模型;
通过所述空间优化信息模型对所述预处理后的图像的坐标进行空间几何变化,使用归一化的联合直方图计算参考图像和待配准图像的互信息值;
当互信息值达到最大时,得到配准参数,采用双线性插值法得到对应该待配准图像的配准图像。
优选的,所述通过麻雀搜索算法建立每个预处理后的图像的空间优化信息模型具体包括:
计算麻雀个体的位置的适应度函数,其中,所述麻雀个体的位置表示空间优化信息模型中的位置,所述适应度函数表示所述参考图像和所述预处理后的图像的相似度值;
根据所述适应度函数将所述麻雀个体分为探索者和追随者;
若所述探索者的位置更新,得到第一最优个体;
所述追随者利用探索者更新的位置信息,得到第二最优个体;
当发现者或跟随者随机选择警戒者更新位置,得到第三最优个体;
选取所述第一最优个体、所述第二最优个体和所述第三最优个体中适应度函数较高的个体为第四最优个体,第四最优个体的位置即为空间优化信息模型的最优参数,其中,所述空间信息优化模型由3个参数构成,包括:X方向平移量tx,Y方向平移量ty,旋转角度θ,每个麻雀个体在空间中的位置可由一个1×3维的矩阵P表示:
P=(tx,ty,θ)
3个参数构成的空间信息优化模型矩阵的一般式为:
进一步的,所述使用归一化的联合直方图计算参考图像和待配准图像的互信息值,具体包括:
采用归一化的联合直方图计算条件熵、信息熵和联合熵,再通过条件熵、信息熵和联合熵计算互信息值,将互信息值作为适应度函数的配准结果。
进一步的,所述通过所述空间优化信息模型对所述预处理后的图像的坐标进行空间几何变化具体包括:
通过空间信息优化模型对待配准图像进行空间几何变换,计算变换之后的待配准图像与参考图像的互信息值,当互信息值达到最大时,得到空间信息优化模型中的最优参数,所述最优参数使互信息值达到最大,所述空间几何变换具体如下:
点(x1,y1)经过刚体变换到点(x2,y2),即:
点(X,Y)经过刚体变换到点(X`,Y`),其中,旋转角度θ也可以用旋转角度α表示,旋转角度θ和旋转角度α取值相同。
为了实现本发明的发明目的,本发明实施例还提供了一种基于麻雀搜索算法的图像配准系统,所述系统包括:
采样模块,用于对目标对象进行图像的采样处理,得到第一图像、第二图像;其中,第一图像作为参考图像,第二图像作为待配准图像;
预处理模块,用于对所述参考图像、待配准图像进行滤波预处理,得到各待配准图像对应的预处理后的图像;
第一建模模块,用于通过麻雀搜索算法建立每个预处理后的图像的空间优化信息模型;
配准模块,用于通过空间优化信息模型对预处理后的图像的坐标进行空间几何变换,使用归一化的联合直方图计算参考图像和待配准图像的互信息值,得到配准参数后,采用双线性插值法得到对应该待配准图像的配准图像。
进一步的,所述第一建模模块具体包括:
计算单元,用于计算麻雀个体位置的适应度函数,所述麻雀个体位置表示空间优化信息模型,所述适应度函数表示所述参考图像和所述预处理后的图像的相似度值;
分类单元,用于根据所述适应度函数将所述麻雀个体分为探索者和追随者;
探索单元,用于当所述麻雀个体中的探索者的位置更新,得到第一最优个体;
追随单元,用于将所述追随者利用探索者的更新位置信息,作为第二最优个体;
预警单元,用于当所述探索者或追随者移动到一个新的位置,得到第三最优个体;
选取单元,用于选取所述第一最优个体、所述第二最优个体和所述第三最优个体中适应度函数较高的个体为第四最优个体,所述第四最优个体为所述首度空间优化信息模型的最优参数。
进一步的,所述配准模块具体包括:
空间几何变换单元,用于通过空间信息优化模型对待配准图像进行空间几何变换;每次通过空间信息优化模型对待配准图像进行空间几何变换,计算变换之后的待配准图像与参考图像的互信息值,当互信息值达到最大时,得到空间信息优化模型中的最优参数,所述最优参数使互信息值达到最大,其中,所述空间几何变换具体如下:
点(x1,y1)经过刚体变换到点(x2,y2),即:
点(X,Y)经过刚体变换到点(X`,Y`),其中,旋转角度θ也可以用旋转角度α表示,旋转角度θ和旋转角度α取值相同。
为了实现本发明的发明目的,本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机可以执行上述任意实现图像配准的方法。
根据本发明提供的具体实施例,本发明达到了以下技术效果:
通过采用麻雀搜索算法建立空间优化信息模型,麻雀算法能够进行全局搜索,不易陷入局部最优,寻优能力强,收敛速度快,且麻雀算法计算复杂度低,计算速度快,有跳出局部最优解的能力。因此,采用麻雀搜索算法能够快速精确的找到最优解,即建立空间优化信息模型,从而通过此空间优化信息模型能够提高多级分辨率图像配准的精准度和效率。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,用户设备准入方法和装置、用户设备切换方法和装置的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1为本发明实施例提供的一种基于麻雀搜索算法的图像配准方法的流程图;
图2为本发明实施例提供的一种基于麻雀算法的图像配准系统的框图;
图3为本发明实施例提供的第一建模模块的组成框图;
图4为本发明实施例提供的计算单元的框图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘制了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
本发明的目的是提供一种基于麻雀搜索算法的图像配准方法及系统,用以提高多级分辨率图像配准的精准度和效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,一种基于麻雀搜索算法的图像配准方法包括以下步骤:
步骤101:对目标对象进行图像的采样处理,采样处理后包括第一图像以及第二图像的多个图像,所述第二图像作为待配准图像;其中只有第一图像才是空间坐标参数准确的图像即参考图像。
所述图像采样,实际上是获得图像的全局灰度信息,即灰度值;图像配准一般是指参考图像和待配准图像之间特征一对一映射的过程;
如果将参考图像和待配准图像看做成一个二维矩阵,待配准图像和参考图像在点(x,y)的灰度值分别表示为I1(x,y)和I2(x,y),那么这两幅图像间的配准关系可以用如下公式表示:
I2(x,y)=g(I1(f(x,y)))
公式中,f代表二维的空间几何变换函数;g表示一维的灰度变换函数;
配准的主要任务就是:寻找最佳的空间变换函数f与灰度变换函数g,使两幅图像实现最佳对准。
由于此处配准空间变换是基于灰度变换的,发明人经过研究发现,在有些情况下,灰度变换关系的求解并不是必需的,为了减少计算量并提高配准精度,寻找空间几何变换关系f便成为配准的关键所在,于是,上面的公式可改写为更简单的表示形式:
I2(x,y)=I1(f(x,y))
步骤102:对各第一图像即参考图像以及多个第二图像即待配准图像进行高斯低通滤波预处理,得到各待配准图像对应的预处理后的图像;
步骤103:通过麻雀搜索算法建立每个预处理后的图像的空间优化信息模型;
如图2所示,在步骤103中,通过麻雀搜索算法建立每个所述预处理后的图像的空间优化信息模型的方法具体包括以下步骤:
步骤1031:计算麻雀个体位置的适应度函数;所述麻雀个体的位置表示空间优化信息模型,所述适应度函数表示所述参考图像和所述预处理后的图像的相似度值;
适应度函数表示所述参考图像和所述预处理后的图像的相似度值,在本发明实施例中,采用互信息值作为适应度函数的衡量配准结果,计算公式如下:
其中,IR为参考图像,IF为待配准图像,MI(IR;IF)是参考图像和待配准图像的相似度值即互信息值。
互信息值是一种典型的Kullback-Leibler散度,即其形式可以表现为:
MI(IR;IF)=DKL(PRF||PR*PF),
DKL即为Kullback-Leibler散度,其中PRF为参考图像R和待配准图像F的联合概率密度分布,其中,PRF(x,y)由两幅图像的联合直方图计算得出,而PR和PF则分别为参考图像R和待配准图像F的边缘概率密度分布,其中,PR(x)和PF(y)分别由图像联合直方图分别计算得出:
PR(x)=∑FPRF(x,y)
PF(x)=∑RPRF(x,y)
其中,JH是两幅图像的联合直方图;Cij是联合直方图中每一个元素,Cij表示每一个位置(i,j)上共有Cij组灰度对,表示在第一幅图像中的灰度值是i,而在第二幅图像中的灰度值是j。
在本发明实施例中,优选的,还可以采用归一化的联合直方图计算条件熵、信息熵和联合熵,再通过条件熵、信息熵和联合熵计算互信息值,将互信息值作为适应度函数来衡量配准结果的好坏;
本发明实施例的一种实施方式下,使用的是香农熵,它是对事物状态不确定性的一种衡量,作为一种概率统计方法,如果假设随机事A有n种不同的结果,每一种结果可能性几率为p1,p2,pn,那么它的信息熵定义为如公式:
H(A)=-∑ipilogpi
从公式可以看出香农熵本质上即是对全部事件的发生几率进行加权求和而取得的。当一个随机变量所有可能性等概率发生时,信息熵能够取得最大值。
在本发明图像配准方法的另一实施例中,还可以用“熵”表示图像的信息量的大小。
用H表示图像的熵,用A表示一幅图像,i表示图像的灰度值,所有熵值均大于零,即H>0。灰度值分布的均匀程度越强,熵值能够取得的越大。
另外,用B表示另一幅图像,j表示其灰度值,若想求图像A与图像B的联合熵,就必须让图像A的灰度i与图像B的灰度j同时出现,先求其联合概率p(i,j),联合熵可以表示为:
H(A,B)=-∑i,jpi,jlogpi,j
互信息值就是用来度量两个变量即图像A和B之间的相关性,即所度量的就是参考图像和待配准图像的相似性大小。
对于图像A和B,用如下公式定义互信息值:
其中,PA(a)和PB(b)分别是图像A和B的边缘概率分布,PA,B(a,b)表示联合概率分布,互信息值I(A,B)值越大,表明图A和B具有高相似性。
步骤1032:根据所述适应度函数将所述麻雀个体分为探索者和追随者;
步骤1033:在搜索过程中,若所述探索者的位置更新,得到第一最优个体;
步骤1034:所述追随者利用探索者更新的位置信息,得到第二最优个体;
所述追随者中的麻雀个体利用探索者占据的最优位置,更新位置信息,得到第二最优个体;
步骤1035:当发现者或跟随者随机选择警戒者更新位置,得到第三最优个体;当麻雀个体意识到了危险,发现者或跟随者,随机选择警戒者更新位置,得到第三最优个体;
步骤1036:选取所述第一最优个体、所述第二最优个体和所述第三最优个体中适应度函数较高的个体为第四最优个体,第四最优个体的位置即为空间优化信息模型的最优参数,所述第四最优个体表示所述首度空间优化信息模型。
第四最优个体的位置即为空间优化信息模型的最优参数,利用最优参数可建立起首度空间信息优化模型,其中,所述空间信息优化模型由3个参数构成,包括:X方向平移量tx,Y方向平移量ty,旋转角度θ,每个麻雀个体在空间中的位置可由一个1×3维的矩阵P表示:
P=(tx,ty,θ)
3个参数构成的空间信息优化模型矩阵的一般式为:
在本发明的另一实施例中,还可以采用仿射变换来建立空间信息优化模型,空间信息优化模型由5个参数构成,包括X方向平移量dX,Y方向平移量dy,X方向缩放Sx,Y方向缩放Sy和旋转角度θ。每个麻雀个体在空间中的位置可由一个1×5维的矩阵P表示:
P=dx,dy,Sx,Sy,θ,
5个参数构成的首度空间信息优化模型矩阵的一般式为:
S104.通过空间优化信息模型对预处理后的图像的坐标进行空间几何变换,使用PV插值法统计、联合直方图并计算参考图像R和待配准图像F的互信息值;
S105.得到最后配准参数后,采用双线性插值法得到对应该待配准图像的配准图像。
本发明实施例中,所述配准参数为最优配准参数,取的是互信息值达到最大时的配准参数;迭代中,每次优化算法通过待配准图像在经过(x水平平移,y垂直平移,旋转角度θ)后,计算互信息值;如果,这个互信息值最大,那么这个(x水平平移,y垂直平移,旋转角度θ)是最优参数,对待配准图像经过(x水平平移,y垂直平移,旋转角度θ)后的图像进行双线性插值处理,得到最后的图像。
从配准后图像的输出像素出发,找到原始图像上对应的坐标位置,由于该位置的坐标值可能不是整数,因此,需要利用原始图像上该对应位置周围像素点的灰度值通过插值法求出该位置的灰度值,然后将求得的灰度值赋给配准后的图像的像素点。
根据本发明提供的具体实施例,本发明达到了以下技术效果:采用麻雀搜索算法建立空间优化信息模型,麻雀搜索算法能够进行全局搜索,不易陷入局部最优寻优能力强,收敛速度快;且麻雀搜索算法计算复杂度低,计算速度快,有跳出局部最优解的能力;因此采用麻雀搜索算法能够快速精确的找到最优解,即建立空间优化信息模型,从而通过此空间优化信息模型能够提高多级分辨率图像配准的精准度和效率。
如图2所示,本发明还提供了一种基于麻雀搜索算法的图像配准系统。所述系统包括:
采样模块1,用于对目标对象进行图像的采样处理,得到第一图像、第二图像;其中,第一图像作为参考图像,第二图像作为待配准图像;
预处理模块2,用于对所述参考图像、待配准图像进行滤波预处理,得到各待配准图像对应的预处理后的图像;
第一建模模块3,用于通过麻雀搜索算法建立每个预处理后的图像的空间优化信息模型;
配准模块4,用于通过空间优化信息模型对预处理后的图像的坐标进行空间几何变换,使用归一化的联合直方图计算参考图像和待配准图像的互信息值,得到配准参数后,采用双线性插值法得到对应该待配准图像的配准图像。
本发明实施例中,所述配准参数为最优配准参数,取的是互信息值达到最大时的配准参数;迭代中,每次优化算法通过待配准图像在经过(x水平平移,y垂直平移,旋转角度θ)后,计算互信息值;其中,旋转角度θ也可以用旋转角度α表示,旋转角度θ和旋转角度α取值相同。如果,这个互信息值最大,那么这个(x水平平移,y垂直平移,旋转角度θ)是最优参数,对待配准图像经过(x水平平移,y垂直平移,旋转角度θ)后的图像进行双线性插值处理,得到最后的图像。
其中,所述空间几何变换具体如下:
点(x1,y1)经过刚体变换到点(x2,y2),即:
点(X,Y)经过刚体变换到点(X`,Y`)。
从配准后图像的输出像素出发,找到原始图像上对应的坐标位置,由于该位置的坐标值可能不是整数,因此,需要利用原始图像上该对应位置周围像素点的灰度值通过插值法求出该位置的灰度值,然后将求得的会肚子赋给配准后的图像的像素点。
如图3所示,第一建模模块3包括:
计算单元301,用于计算麻雀个体位置的适应度函数,所述麻雀个体位置表示空间优化信息模型,所述适应度函数表示所述参考图像和所述预处理后的图像的相似度值;
分类单元302,用于根据所述适应度函数将所述麻雀个体分为探索者和追随者;
探索单元303,用于当所述麻雀个体中的探索者的位置更新,得到第一最优个体;
追随单元304,用于将所述追随者利用探索者的更新位置信息,作为第二最优个体;
预警单元305,用于当所述探索者或追随者移动到一个新的位置,得到第三最优个体;
选取单元306,用于选取所述第一最优个体、所述第二最优个体和所述第三最优个体中适应度函数较高的个体为第四最优个体,所述第四最优个体为所述首度空间优化信息模型的最优参数,其中,所述空间信息优化模型由3个参数构成,包括:X方向平移量tx,Y方向平移量ty,旋转角度α,每个麻雀个体在空间中的位置可由一个1×3维的矩阵P表示:
P=(tx,ty,θ)
3个参数构成的空间信息优化模型矩阵的一般式为:
其中,旋转角度θ也可以用旋转角度α表示,旋转角度θ和旋转角度α取值相同。
在本发明的另一实施例中,还可以采用仿射变换来建立空间信息优化模型,空间信息优化模型由5个参数构成,包括X方向平移量dX,Y方向平移量dy,X方向缩放Sx,Y方向缩放Sy和旋转角度θ。每个麻雀个体在空间中的位置可由一个1×5维的矩阵P表示:
P=dx,dy,Sx,Sy,θ,
5个参数构成的首度空间信息优化模型矩阵的一般式为:
如图4所示,计算单元301具体包括:
计算条件熵3011,用于计算条件熵;
计算信息熵3012,用于计算信息熵;
计算联合熵3013,用于计算联合熵;
计算互信息值3014,结合条件熵、信息熵和联合熵,用于计算互信息值;
计算对比结果3015,根据计算得来的互信息值,用于衡量结果好坏。
所述系统采用麻雀搜索算法建立空间优化信息模型,麻雀搜索算法能够进行全局搜索,不易陷入局部最优寻优能力强,收敛速度快。且麻雀搜索算法计算复杂度低,计算速度快,有跳出局部最优解的能力。因此采用麻雀搜索算法能够快速精确的找到最优解,即建立空间优化信息模型,从而通过此空间优化信息模型能够提高多级分辨率图像配准的精准度和效率。
以上系统的各个单元或模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些单元可以全部以软件通过处理器调用的形式实现;也可以全部以硬件的形式实现;还可以部分单元通过软件通过处理器调用的形式实现,部分单元通过硬件的形式实现。
例如,以上各单元的功能可以以程序代码的形式存储于存储器中,由处理器调度该程序代码,实现以上各个单元的功能。该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,CPU)或其它可以调用程序的处理器。再如,以上各个单元可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(ASIC),或,一个或多个数字信号处理器(DSP),或,一个或者多个现场可编程门阵列(FPGA)等。再如,结合这两种方式,部分功能通过处理器调度程序代码的形式实现,部分功能通过硬件集成电路的形式实现。且以上功能集成在一起时,可以以片上系统(system-on-a-chip,SOC)的形式实现。
为了实现本发明的发明目的,本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机可以执行上述任意实现图像配准的方法。
该计算机可读存储介质中存储有用于进行信号处理的程序,当其在计算机上运行时,使得计算机执行如前述所示实施例描述的图像配准方法所执行的步骤,或者,使得计算机执行如前述图1所示实施例描述的图像配准方法所执行的步骤。
本申请实施例提供的计算设备等具体可以为芯片,芯片包括:处理单元和存储单元,所述处理单元例如可以是处理器,该存储单元可以是存储器,该处理单元可执行存储单元存储的计算机执行指令,以使计算设备内的芯片执行上述所示实施例描述的计算设备所执行的步骤,或者,使得执行设备内的芯片执行如前述图1所示实施例描述的图像配准方法所执行的步骤。
可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元,如只读存储器(Read-Only Memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(Random Access Memory,RAM)等。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于麻雀搜索算法的图像配准方法,其特征在于,所述方法包括:
对目标对象进行图像采样处理,得到第一图像、第二图像,其中,所述第一图像作为参考图像,所述第二图像为所述目标对象的待配准图像;
对参考图像和待配准图像进行滤波预处理,得到各待配准图像对应的预处理后的图像;
通过麻雀搜索算法建立每个预处理后的图像的空间优化信息模型;
通过所述空间优化信息模型对所述预处理后的图像的坐标进行空间几何变化,使用归一化的联合直方图计算参考图像和待配准图像的互信息值;
当互信息值达到最大时,得到配准参数,采用双线性插值法得到对应该待配准图像的配准图像。
2.根据权利要求1所述的方法,其特征在于,所述通过麻雀搜索算法建立每个预处理后的图像的空间优化信息模型具体包括:
计算麻雀个体的位置的适应度函数,其中,所述麻雀个体的位置表示空间优化信息模型,所述适应度函数表示所述参考图像和所述预处理后的图像的相似度值;
根据所述适应度函数将所述麻雀个体分为探索者和追随者;
若所述探索者的位置更新,得到第一最优个体;
所述追随者利用探索者更新的位置信息,得到第二最优个体;
当发现者或跟随者随机选择警戒者更新位置,得到第三最优个体;
选取所述第一最优个体、所述第二最优个体和所述第三最优个体中适应度函数较高的个体为第四最优个体,第四最优个体的位置即为空间优化信息模型的最优参数,所述空间信息优化模型由3个参数构成,包括:X方向平移量tx,Y方向平移量ty,旋转角度θ,每个麻雀个体在空间中的位置可由一个1×3维的矩阵P表示:
P=(tx,ty,θ)
3个参数构成的空间信息优化模型矩阵的一般式为:
3.根据权利要求1所述的方法,其特征在于,所述使用归一化的联合直方图计算参考图像和待配准图像的互信息值,具体包括:
采用归一化的联合直方图计算条件熵、信息熵和联合熵,再通过条件熵、信息熵和联合熵计算互信息值,将互信息值作为适应度函数的配准结果。
5.一种基于麻雀搜索算法的图像配准系统,其特征在于,所述系统包括:
采样模块,用于对目标对象进行图像的采样处理,得到第一图像、第二图像;其中,第一图像作为参考图像,第二图像作为待配准图像;
预处理模块,用于对所述参考图像、待配准图像进行滤波预处理,得到各待配准图像对应的预处理后的图像;
第一建模模块,用于通过麻雀搜索算法建立每个预处理后的图像的空间优化信息模型;
配准模块,用于通过空间优化信息模型对预处理后的图像的坐标进行空间几何变换,使用归一化的联合直方图计算参考图像和待配准图像的互信息值,得到配准参数后,采用双线性插值法得到对应该待配准图像的配准图像。
6.根据权利要求5所述的系统,其特征在于,所述第一建模模块具体包括:
计算单元,用于计算麻雀个体位置的适应度函数,所述麻雀个体位置表示空间优化信息模型,所述适应度函数表示所述参考图像和所述预处理后的图像的相似度值;
分类单元,用于根据所述适应度函数将所述麻雀个体分为探索者和追随者;
探索单元,用于当所述麻雀个体中的探索者的位置更新,得到第一最优个体;
追随单元,用于将所述追随者利用探索者的更新位置信息,作为第二最优个体;
预警单元,用于当所述探索者或追随者移动到一个新的位置,得到第三最优个体;
选取单元,用于选取所述第一最优个体、所述第二最优个体和所述第三最优个体中适应度函数较高的个体为第四最优个体,所述第四最优个体为所述首度空间优化信息模型的最优参数。
8.一种计算设备,其特征在于,所述计算设备包括处理器和存储器,所述处理单元与所述存储单元耦合,其特征在于,
所述存储单元,用于存储程序;
所述处理单元,用于执行所述存储单元中的程序,使得所述计算设备执行如权利要求1-4中任一项所述的方法。
9.一种计算机存储介质,其特征在于,包括程序,当程序在计算机上运行时,使得计算机执行如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110393748.2A CN112862866A (zh) | 2021-04-13 | 2021-04-13 | 基于麻雀搜索算法的图像配准方法及系统、计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110393748.2A CN112862866A (zh) | 2021-04-13 | 2021-04-13 | 基于麻雀搜索算法的图像配准方法及系统、计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112862866A true CN112862866A (zh) | 2021-05-28 |
Family
ID=75992492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110393748.2A Pending CN112862866A (zh) | 2021-04-13 | 2021-04-13 | 基于麻雀搜索算法的图像配准方法及系统、计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862866A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344828A (zh) * | 2021-06-30 | 2021-09-03 | 太原理工大学 | 一种基于混沌麻雀搜索算法的煤岩分界图像增强方法 |
CN113409276A (zh) * | 2021-06-22 | 2021-09-17 | 济南大学 | 基于互信息配准消除冗余背景的模型加速方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050147325A1 (en) * | 2003-12-29 | 2005-07-07 | Shoupu Chen | Method of image registration using mutual information |
CN104200463A (zh) * | 2014-08-06 | 2014-12-10 | 西安电子科技大学 | 基于傅立叶梅林变换和最大互信息理论的图像配准方法 |
CN104318583A (zh) * | 2014-11-14 | 2015-01-28 | 武汉大学 | 一种可见光宽带光谱图像配准方法 |
CN104331891A (zh) * | 2014-11-04 | 2015-02-04 | 杭州电子科技大学 | 一种融合显性度量和隐性度量的多模图像配准方法 |
CN104376543A (zh) * | 2014-11-28 | 2015-02-25 | 湖北工业大学 | 一种基于杜鹃搜索算法的自适应图像增强方法 |
CN106056537A (zh) * | 2016-05-20 | 2016-10-26 | 沈阳东软医疗系统有限公司 | 一种医学图像拼接方法及装置 |
US20170140538A1 (en) * | 2015-11-16 | 2017-05-18 | Le Holdings (Beijing) Co., Ltd. | Image preprocessing method and electronic device for image registration |
CN108305282A (zh) * | 2018-01-31 | 2018-07-20 | 湖北工业大学 | 一种基于杂交水稻算法的图像配准方法及系统 |
CN108520494A (zh) * | 2018-04-04 | 2018-09-11 | 西安电子科技大学 | 基于结构条件互信息的sar图像与可见光图像配准方法 |
CN108682025A (zh) * | 2018-05-23 | 2018-10-19 | 沈阳东软医疗系统有限公司 | 一种图像配准方法及装置 |
-
2021
- 2021-04-13 CN CN202110393748.2A patent/CN112862866A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050147325A1 (en) * | 2003-12-29 | 2005-07-07 | Shoupu Chen | Method of image registration using mutual information |
CN104200463A (zh) * | 2014-08-06 | 2014-12-10 | 西安电子科技大学 | 基于傅立叶梅林变换和最大互信息理论的图像配准方法 |
CN104331891A (zh) * | 2014-11-04 | 2015-02-04 | 杭州电子科技大学 | 一种融合显性度量和隐性度量的多模图像配准方法 |
CN104318583A (zh) * | 2014-11-14 | 2015-01-28 | 武汉大学 | 一种可见光宽带光谱图像配准方法 |
CN104376543A (zh) * | 2014-11-28 | 2015-02-25 | 湖北工业大学 | 一种基于杜鹃搜索算法的自适应图像增强方法 |
US20170140538A1 (en) * | 2015-11-16 | 2017-05-18 | Le Holdings (Beijing) Co., Ltd. | Image preprocessing method and electronic device for image registration |
CN106056537A (zh) * | 2016-05-20 | 2016-10-26 | 沈阳东软医疗系统有限公司 | 一种医学图像拼接方法及装置 |
CN108305282A (zh) * | 2018-01-31 | 2018-07-20 | 湖北工业大学 | 一种基于杂交水稻算法的图像配准方法及系统 |
CN108520494A (zh) * | 2018-04-04 | 2018-09-11 | 西安电子科技大学 | 基于结构条件互信息的sar图像与可见光图像配准方法 |
CN108682025A (zh) * | 2018-05-23 | 2018-10-19 | 沈阳东软医疗系统有限公司 | 一种图像配准方法及装置 |
Non-Patent Citations (3)
Title |
---|
刘洪;李良荣;王蓓;: "改进的基于最大归一化互信息的医学图像配准算法", 贵州大学学报(自然科学版), no. 03, 15 May 2008 (2008-05-15) * |
李慧慧;冯前进;陈武凡;: "引入高斯函数的互信息法多模态图像配准", 中国医学物理学杂志, no. 06, 15 November 2010 (2010-11-15) * |
郭莉莉: "基于人工蜂群算法的SPECT-B超甲状腺图像配准", 中国优秀硕士学位论文全文数据库信息辑, no. 2, 15 February 2016 (2016-02-15), pages 2 - 4 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409276A (zh) * | 2021-06-22 | 2021-09-17 | 济南大学 | 基于互信息配准消除冗余背景的模型加速方法 |
CN113344828A (zh) * | 2021-06-30 | 2021-09-03 | 太原理工大学 | 一种基于混沌麻雀搜索算法的煤岩分界图像增强方法 |
CN113344828B (zh) * | 2021-06-30 | 2023-05-30 | 太原理工大学 | 一种基于混沌麻雀搜索算法的煤岩分界图像增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107230225B (zh) | 三维重建的方法和装置 | |
JP5063776B2 (ja) | 幾何学変換に基づく一般化統計的テンプレートマッチング | |
WO2012177336A2 (en) | Systems and methods for estimating the geographic location at which image data was captured | |
CN112270719B (zh) | 相机标定方法、装置及系统 | |
US20120182442A1 (en) | Hardware generation of image descriptors | |
CN112990228B (zh) | 图像特征匹配方法和相关装置、设备及存储介质 | |
CN112862866A (zh) | 基于麻雀搜索算法的图像配准方法及系统、计算设备 | |
CN111179433A (zh) | 目标物体的三维建模方法及装置、电子设备、存储介质 | |
CN113298870B (zh) | 一种物体的姿态跟踪方法、装置、终端设备和存储介质 | |
CN112328715A (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
KR101941878B1 (ko) | 무인항공기 영상 자동 기하보정을 위한 처리시스템 | |
Ma et al. | Mismatch removal via coherent spatial mapping | |
KR20170036747A (ko) | 장면 내 키포인트를 추적하기 위한 방법 | |
Eichhardt et al. | Affine correspondences between central cameras for rapid relative pose estimation | |
CA2787856A1 (en) | Systems and methods for estimating the geographic location at which image data was captured | |
US11475595B2 (en) | Extrinsic calibration of multi-camera system | |
Freundlich et al. | Exact bias correction and covariance estimation for stereo vision | |
KR20200000111A (ko) | 3차원 피사체 인식의 안티-스푸핑 방법 | |
CN117372487A (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
Dan et al. | Multifeature energy optimization framework and parameter adjustment-based nonrigid point set registration | |
CN116977671A (zh) | 基于图像空间定位的目标跟踪方法、装置、设备及存储介质 | |
CN116091998A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
EP3089109A1 (en) | Method and apparatus for multiple image registration in the gradient domain | |
KR20160148806A (ko) | 방향정보를 이용한 객체 검출기 생성 방법, 이를 이용한 객체 검출 장치 및 방법 | |
Walvoord et al. | Geoaccurate three-dimensional reconstruction via image-based geometry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |