CN113643335A - 一种基于edf-de模型的三维图像配准方法及应用 - Google Patents
一种基于edf-de模型的三维图像配准方法及应用 Download PDFInfo
- Publication number
- CN113643335A CN113643335A CN202110792216.6A CN202110792216A CN113643335A CN 113643335 A CN113643335 A CN 113643335A CN 202110792216 A CN202110792216 A CN 202110792216A CN 113643335 A CN113643335 A CN 113643335A
- Authority
- CN
- China
- Prior art keywords
- individual
- elite
- difference
- neighborhood
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 230000035772 mutation Effects 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 16
- 239000010977 jade Substances 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013519 translation Methods 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 108090000623 proteins and genes Proteins 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims 1
- 230000004043 responsiveness Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 31
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 239000012634 fragment Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000013499 data model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000238097 Callinectes sapidus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000007704 transition Effects 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于图像处理技术领域，公开了一种基于EDF‑DE模型的三维图像配准方法及应用，所述基于EDF‑DE模型的三维图像配准方法包括：将三维扫描点云数据转化为txt文件格式；建模，结合刚体变化，设定待求参数；根据模型EDF‑DE建立求解机制；初始化种群个体，设定模型参数，初始化精英个体集合；自适应更新步长因子；计算全局精英差异与邻域精英差异；采用JADE算法进行变异操作；根据模型所求全局精英差异与邻域精英差异指导算法交叉，经选择操作，生成下一代个体；判断是否满足迭代结束条件；将搜索得到的最优解对原始图像进行旋转平移，最终得到配准后的结果图。本发明基于精英差异反馈策略自适应差分进化算法，提高配准成功率与效率。
Description
技术领域
本发明属于图像处理技术领域，涉及一种基于EDF-DE模型的三维图像配准方法及应用，尤其涉及一种基于精英差异反馈策略自适应差分进化算法的图像配准方法及应用。
背景技术
目前，图像配准是寻求两幅待配准图像的空间一一映射关系，目的将同一物体的不同时期的图像进行对比分析，以及融合显示，并且图像配准是图像拼接的前提，很大程度上图像配准的优劣效果影响图像处理的实际效果。近年来，图像配准技术用于处理考古文物碎片的配准，以及人工智能诸多领域皆存在配准的身影，在计算机视觉邻域得到了广泛的应用。但是基于处理现实生活图像的需求下，二维图像配准已经不能满足需求，人们开始由二维向三维过渡，相对于二维图像，三维点云数据包含物体的信息更多，涉及物体的各个方面，因素更充分、表达更加全面，因此，点云配准已经在工业制造的逆向工程、文物复原、医学三维图像构建等领域得到了应用。
由于图像之间存在较大的差异性，传统的特征算法很难得到高精度的匹配结果，并且针对数据量大，图像复杂及存在噪声的三维点云数据配准成为一大难点，尤其针对本文所采用兵马俑碎片扫描数据存在诸多噪声，特征缺失等缺点，造成拼接难度大，匹配效率低，因此不仅拼接效果是所要求，也要保证在有效时间内结果响应的确定性。
通过上述分析，现有技术存在的问题及缺陷为：
(1)基于处理现实生活图像的需求下，二维图像配准已经不能满足需求。
(2)传统的特征算法很难得到高精度的匹配结果。
(3)针对数据量大，图像复杂及存在噪声的三维点云数据配准成为一大难点，尤其针对本文所采用兵马俑碎片扫描数据存在诸多噪声，特征缺失等缺点，造成拼接难度大，匹配效率低，因此不仅拼接效果是所要求，也要保证在有效时间内结果响应的确定性。
解决以上问题及缺陷的难度为：数据量大、存在噪声，配准精度与时间复杂度之间存在冲突，为解决此冲突，需改进算法精度，在定义较少的种群以及迭代次数下，完成配准要求。
解决以上问题及缺陷的意义为：将点云配准问题建模成优化问题，针对大数据量配准问题，采用精英差异差分进化算法成功完成配准，并应用于兵马俑碎片配准，验证了本方法在配准领域的有效性，本发明应用于现实世界复杂三维图像配准，并且对于后续兵马俑碎片完成多目标拼接具有指导意义。
发明内容
针对现有技术存在的问题，本发明提供了一种基于EDF-DE模型的三维图像配准方法及应用，尤其涉及一种基于EDF-DE模型的基于EDF-DE模型的三维图像配准方法及应用。
本发明是这样实现的，一种基于EDF-DE模型的三维图像配准方法，所述基于EDF-DE模型的三维图像配准方法包括以下步骤：
步骤一，对数据进行预处理，将三维扫描点云数据进行格式转化，生成具有可描述位置关系的txt文件格式，本步骤去除了原始点云数据中冗余信息，减少数据量；
步骤二，根据配准要求进行建模，结合刚体变化，设定待求参数，本步骤将配准问题具体化为求解最优参数，复杂问题简单化；
步骤三，针对所求参数，根据所述模型EDF-DE建立求解机制，将请准优化模型应用于参数求解；
步骤四，初始化种群个体，设定模型参数，初始化精英个体集合，本步骤可定义模型初始参数，控制模型时间复杂度以及配准精度；
步骤五，自适应更新步长因子F；
步骤六，计算全局精英差异与邻域精英差异，本步骤精英差异可更快速指导种群进化；
步骤七，采用JADE算法具有档案存储变异算子进行变异操作，本步骤引入JADE变异操作，可生成更优变异个体；
步骤八，根据本模型所求全局精英差异与邻域精英差异指导算法交叉，经选择操作，生成下一代个体，本步骤生成更优中间个体，为种群进化作出贡献；
步骤九，判断是否满足迭代结束条件，若不满足则返回步骤五，若满足则进入下一步；
步骤十，将搜索得到的最优解对原始图像进行旋转平移，最终得到配准后的结果图。
进一步，步骤二中，所述待求参数x1，x2，x3，x4，x5，x6，前三个参数代表模型数据变化所需在x,y,z三个方向位移参数，后三个代表旋转角度；
所述根据配准要求进行建模，包括：
因x1，x2，x3，x4，x5，x66个参数代表源点云图像配准至目标图像所需刚体变换的位移以及旋转角度，故只要求解此6个参数即可完成三维点云数据配准，此问题建模成最优解问题，根据所述EDF-DE优化算法进行求解。
进一步，步骤四中，所述初始化种群个体，设定模型参数，初始化精英个体集合，包括：
针对待求的6个参数，初始化种群个体，个体维度为6维，设置模型参数步长因子下界F1，步长因子上界F0，邻域半径m，超参数v，超参数t，交叉概率CR，种群数量NP，最大迭代次数Gmax；全局精英差异与领域精英差异，精英差异结构为NP*Dim，针对每一个个体的每一个维度皆设置个体精英差异。
进一步，步骤五中，所述自适应更新步长因子F，包括：
F是DE算法的步长因子，用来控制两个基向量差的缩放程度，代表算法每次变化的一种步长；算法前期需要进行全局勘探，即在相应的维度范围内进行全局探索，因此需要较大步长才可以探索到较多区域；而在算法后期，因大部分个体都围绕到种群最优解附近，因此需要在局部精细搜索进而获得局部最优；此时，F的值应该较小，属于开发阶段，为此提出伴随迭代次数F自适应变化的方法，具体公式如下：
其中，F为自适应变化的步长因子，F0为步长因子上界，F1为步长因子下界，F∈[F1,F0]，g为当前迭代次数，Gmax为算法最大迭代次数。
进一步，步骤六中，所述计算全局精英差异，包括：
初始化全局精英差异Eg＝{e1,e2,...,eNP}，NP代表种群数量。每个精英差异ei,ei＝{ei1,ei2,...,eij}；其中j代表种群个体维度。Eg的生成方法如下，求解维度差，计算种群中个体xi与全局最优个体x_gbest之间的维度差记作Cg，计算方法如下：
Cg(i,j)＝x_gbesti,j-xi,j；
求得个体与最优值之间每个维度的差值后，根据Cg生成全局精英差异：
待进化个体在某维度差异值为1时，代表全局最优解在此维度大于待进化个体，待进化个体在此维度将会向正方向进化；当差异值为-1时，将会向负方向进化；差异值为0时，则代表待进化个体在此维度不需改变。
进一步，步骤六中，所述计算邻域精英差异，包括：
(1)构建加权欧氏距离
引入个体维度权重因子p对距离计算进行扰动，权重因子较大时，代表个体多样性较大，反之个体多样性较小；mean_d＝{mean_d1,mean_d2,...,mean_dj}代表每个维度所有个体的平均值，pi＝{pi1,pi2,...,pij}分别代表第i个个体在第j个维度的权重因子，维度均值mean_d和权重因子p的计算公式如下：
其中，j代表个体的维度，i代表种群个体；当个体某个维度与对应维度均值之间的差异越大，权重因子p会越大；将维度权重因子p应用于欧氏距离，用来计算个体之间的距离；构成多样性加权欧式距离公式如下：
计算个体xc和个体xi的加权欧氏距离公式中，pi,j对应于第i个个体的第j个维度的权重因子；pi,j较大时，个体之间的距离dp会变小，即求xc与个体xi的距离时，当xi对应的p值较大时，说明个体xi距种群聚集点距离较远，则个体xc与xi之间的加权欧式距离会更小，因此实现了通过个体多样性来对欧氏距离加权扰动。
(2)多样性扰动构建邻域策略
构建邻域按多样性权重因子加权欧式距离计算邻域中心与种群个体之间的距离，经权重因子扰动，距邻域中心较近个体多样性较强，选择与邻域中心距离小于邻域半径的个体构建邻域，以此来实现多样性扰动构建邻域的目的；创建个体邻域中，绿色个体为邻域中心，红色个体为多样性较大的个体，黑色个体为多样性较小的个体；多样性较小的黑色个体相应的p值小，经扰动与邻域中心计算的距离会变大，多样性较大的红色个体p值大，与邻域中心计算的距离会变小，最终得到经多样性扰动所构建的邻域。
(3)邻域精英生成
针对每个个体采用多样性扰动邻域构建策略构建邻域，以个体xi作为邻域中心，给定邻域半径m，构建邻域中心为xc，邻域半径为m的邻域，记作U(xc,m)；对邻域U(xc,m)中个体进行适应度值从低到高排序，选择邻域中适应度值最小的个体为邻域精英x_lbest，由以下公式计算x_lbest与种群个体xi之间差异量Cl：
Cl(i,j)＝x_lbesti,j-xi,j；
由以下公式计算邻域精英差异El：
进一步，步骤七中，所述采用JADE算法具有档案存储变异算子进行变异操作，包括：
变异策略采用JADE算法具有外部档案变异策略，具体公式如下：
其中，xi为父代个体，xp best为种群前top个个体中随机选择，xr2为当前种群与进化失败个体档案并集中选择。
进一步，步骤八中，所述根据本模型所求全局精英差异与邻域精英差异指导算法交叉，经选择操作，生成下一代个体，包括：
(1)交叉操作
精英差异交叉策略以全局精英差异和邻域精英差异为参考，从待变异个体xi和变异个体v之间选择分量形成实验个体u，取代二项式交叉采用交叉率CR控制交叉；因全局精英差异和邻域精英差异结构相同，故用E统一代表Eg和El，交叉公式为：
由交叉公式可看出，只会选择满足条件的变异个体基因组成实验向量，否则保留待进化个体原始基因；通过变异个体与待变异个体求差判定正负，再与精英差异值进行比对，可以有效从变异个体中选择出可以帮助待进化个体向精英个体学习的基因。
(2)选择操作
根据贪心算法的思想，结合步骤(1)所求中间个体u及待进化个体x，使用目标函数对中间个体和待进化个体进行评价，选择其中较优个体进入下一代。
进一步，步骤九中，所述判断是否满足迭代结束条件，包括：
根据最大迭代次数，判断当前个体是否满足终止条件，如果满足停止条件，输出相应的最优值，如若未满足最终迭代条件循环进入下一代，直到满足条件为止。
本发明的另一目的在于提供一种如所述基于EDF-DE模型的三维图像配准方法在工业制造图像处理中的应用。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的基于EDF-DE模型的三维图像配准方法，基于精英差异反馈策略自适应差分进化算法，并将其成功应用于三维点云数据配准，将配准问题建模成优化问题，提高了配准的成功率与效率。首先，本发明通过种群个体适应度评估，找出当前种群全局最优个体，并与待进化个体判定生成全局精英差异；其次，提出基于多样性扰动邻域生成策略，构建个体邻域，并基于邻域最优个体与待进化个体判定生成邻域精英差异；最后通过全局精英差异与邻域精英差异指导DE算法交叉策略，平衡了DE算法的收敛性与多样性。同时，本发明步长因子F采用自适应调整策略，进而降低算法陷入搜索停滞的可能。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述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。
图1是本发明实施例提供的EDF-DE模型流程图。
图2是本发明实施例提供的模型精英差异生成示例示意图。
图3是本发明实施例提供的模型多样性扰动邻域构建示意图。
图4是本发明实施例提供的模型在3个测试函数上测试结果图。
图5是本发明实施例提供的兵马俑碎片碎片数据实体图。
图6是本发明实施例提供的点云实例配准效果图。
图7是本发明实施例提供的兵马俑数据配准效果图。
图8是本发明实施例提供的基于EDF-DE模型的三维图像配准方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于EDF-DE模型的三维图像配准方法及应用，下面结合附图对本发明作详细的描述。
如图8所示，本发明实施例提供的基于EDF-DE模型的三维图像配准方法包括以下步骤：
S101，对数据进行预处理，将三维扫描点云数据进行格式转化，生成具有可描述位置关系的txt文件格式；
S102，根据配准要求进行建模，结合刚体变化，设定待求参数；
S103，针对所求参数，根据所述模型EDF-DE建立求解机制；
S104，初始化种群个体，设定模型参数，初始化精英个体集合；
S105，自适应更新步长因子F；
S106，计算全局精英差异与邻域精英差异；
S107，采用JADE算法具有档案存储变异算子进行变异操作；
S108，根据本模型所求全局精英差异与邻域精英差异指导算法交叉，经选择操作，生成下一代个体；
S109，判断是否满足迭代结束条件，若不满足则返回S105，若满足则进入下一步；
S110，将搜索得到的最优解对原始图像进行旋转平移，最终得到配准后的结果图。
本发明提供的基于EDF-DE模型的三维图像配准方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的基于EDF-DE模型的三维图像配准方法仅仅是一个具体实施例而已。
下面结合实施例对本发明的技术方案作进一步描述。
实施例1
针对现有技术存在的问题解，本发明的目的是提出一种基于精英差异反馈策略自适应差分进化算法，并将其应用于三维图像配准。具体实现方法如下：
第1步：对数据预处理，将三维扫描点云数据转换格式，处理成txt文件格式。
第2步：根据配准要求进行建模，结合刚体变化，设定待求参数x1，x2，x3，x4，x5，x6，前三个参数代表模型数据变化所需在x,y,z三个方向位移参数，后三个代表旋转角度。
第3步：针对所求参数，根据本文所提模型EDF-DE建立求解机制。
第4步：初始化种群个体，设定模型参数，初始化精英个体集合。
第5步：自适应更新步长因子F。
第6步：计算全局精英差异与邻域精英差异。
第7步：采用JADE算法具有档案存储变异算子进行变异操作。
第8步：根据本模型所求全局精英差异与邻域精英差异指导算法交叉，经选择操作，生成下一代个体。
第9步：判断是否满足迭代结束条件，若不满足则返回步骤5，若满足则进入下一步。
第10步：将搜索得到的最优解对原始图像进行旋转平移，最终得到配准后的结果图。
进一步的，针对三维点云数据，进行格式转化，生成具有可描述位置关系的txt文件。
进一步的，所述第2步中建模过程如下：因x1，x2，x3，x4，x5，x66个参数代表源点云图像配准至目标图像所需刚体变换的位移以及旋转角度，故只要求解此6个参数即可完成三维点云数据配准，此问题建模成最优解问题，根据本发明所提EDF-DE优化算法进行求解。
进一步的，所述第3、4步具体操作为：针对待求的6个参数，初始化种群个体，个体维度为6维，设置模型参数步长因子下界F1，步长因子上界F0，邻域半径m，超参数v，超参数t，交叉概率CR，种群数量NP，最大迭代次数Gmax。全局精英差异与领域精英差异，精英差异结构为NP*Dim，针对每一个个体的每一个维度皆设置个体精英差异。
进一步的，所述第5步具体包括如下步骤：F是DE算法的步长因子，用来控制两个基向量差的缩放程度，代表算法每次变化的一种步长。算法前期需要进行全局勘探，即在相应的维度范围内进行全局探索，因此需要较大步长才可以探索到较多区域；而在算法后期，因大部分个体都围绕到种群最优解附近，因此需要在局部精细搜索进而获得局部最优；此时，F的值应该较小，属于开发阶段，为此提出一种伴随迭代次数F自适应变化的方法，具体公式如下：
其中，F为自适应变化的步长因子，F0为步长因子上界，F1为步长因子下界，F∈[F1,F0]。g为当前迭代次数，Gmax为算法最大迭代次数。
进一步的，所述第6步具体包括如下步骤：
步骤6-1：精英差异是一种离散指引算子，全局精英差异作用旨在加入全局最优个体的影响机制，促进个体在全局最优值附近开发，以精英差异值为指导，进行矢量化交叉，具体示意如图2所示(图中精英个体和待进化个体的数值为迭代过程中的随机数值)。以下为4维问题的精英差异生成示例，图中分别为待进化个体、精英个体和精英差异，其中待进化个体的4个维度分别设为：3、2、17、-8，精英个体代表当前迭代种群中最优个体或邻域中最优个体，分别设为：7、-3、12、-8。精英个体与待变异个体对应维度求差，若差值大于0，则对应精英差异维度值为1；若差值小于0，则对应精英差异维度为-1；若差值等于0，则对应精英差异维度为0。
步骤6-2(全局精英差异求解)：初始化全局精英差异Eg＝{e1，e2,...,eNP}，NP代表种群数量。每个精英差异ei，ei＝{ei1,ei2,...,eij},其中j代表种群个体维度。Eg的生成方法如下，求解维度差，计算种群中个体xi与全局最优个体x_gbest之间的维度差记作Cg，计算方法如下：
Cg(i,j)＝x_gbesti,j-xi,j (2)
式(2)可求得个体与最优值之间每个维度的差值，根据Cg生成全局精英差异：
如式(2)和式(3)可求出全局精英差异。待进化个体在某维度差异值为1时，代表全局最优解在此维度大于待进化个体，待进化个体在此维度将会向正方向进化；当差异值为-1时，将会向负方向进化；差异值为0时，则代表待进化个体在此维度不需改变。
步骤6-3(邻域精英差异求解)：
步骤6-3-1(构建加权欧氏距离)：引入个体维度权重因子p对距离计算进行扰动，权重因子较大时，代表个体多样性较大，反之个体多样性较小。mean_d＝{mean_d1,mean_d2,...,mean_dj}代表每个维度所有个体的平均值，pi＝{pi1,pi2,...,pij}分别代表第i个个体在第j个维度的权重因子，维度均值mean_d和权重因子p的计算公式如下：
其中，j代表个体的维度，i代表种群个体，如式(5)所示，当个体某个维度与对应维度均值之间的差异越大，权重因子p会越大。将维度权重因子p应用于欧氏距离，用来计算个体之间的距离。构成多样性加权欧式距离公式如下：
式(6)用于计算个体xc和个体xi的加权欧氏距离，pi,j对应于第i个个体的第j个维度的权重因子。pi,j较大时，个体之间的距离dp会变小，即求xc与个体xi的距离时，当xi对应的p值较大时，说明个体xi距种群聚集点距离较远，则个体xc与xi之间的加权欧式距离会更小，因此实现了通过个体多样性来对欧氏距离加权扰动。
步骤6-3-2(多样性扰动构建邻域策略)：构建邻域按式(6)多样性权重因子加权欧式距离计算邻域中心与种群个体之间的距离，经权重因子扰动，距邻域中心较近个体多样性较强，选择与邻域中心距离小于邻域半径的个体构建邻域，以此来实现多样性扰动构建邻域的目的。创建个体邻域示意图如图3所示，绿色个体为邻域中心，红色个体为多样性较大的个体，黑色个体为多样性较小的个体。多样性较小的黑色个体相应的p值小，经扰动与邻域中心计算的距离会变大，多样性较大的红色个体p值大，与邻域中心计算的距离会变小，最终得到经多样性扰动所构建的邻域。
步骤6-3-3(邻域精英生成)：首先针对每个个体采用多样性扰动邻域构建策略构建邻域，以个体xi作为邻域中心，给定邻域半径m，构建邻域中心为xc，邻域半径为m的邻域，记作U(xc,m)。对邻域U(xc,m)中个体进行适应度值从低到高的排序，选择邻域中适应度值最小的个体为邻域精英x_lbest，由式(7)计算x_lbest与种群个体xi之间差异量Cl，由式(8)计算邻域精英差异El。
Cl(i,j)＝x_lbesti,j-xi,j (7)
进一步的，所述第7步具体包括如下步骤：变异策略采用JADE算法具有外部档案变异策略，具体公式如下：
其中xi为父代个体，xp best为种群前top个个体中随机选择，xr2为当前种群与进化失败个体档案并集中选择。
进一步的，所述第8步具体包括如下步骤：
步骤8-1(交叉操作)：精英差异交叉策略以全局精英差异和邻域精英差异为参考，从待变异个体xi和变异个体v之间选择分量形成实验个体u，取代了二项式交叉采用交叉率CR控制交叉。因全局精英差异和邻域精英差异结构相同，故用E统一代表Eg和El，交叉公式示为：
由式可看出，只会选择满足条件的变异个体基因组成实验向量，否则保留待进化个体原始基因。实际上，通过变异个体与待变异个体求差判定正负，再与精英差异值进行比对，可以有效从变异个体中选择出可以帮助待进化个体向精英个体学习的基因。
步骤8-2(选择操作)：根据贪心算法的思想，结合步骤8-1所求的中间个体u以及待进化个体x，使用目标函数对中间个体和待进化个体进行评价，选择其中较优个体进入下一代。
进一步的，所述第9步具体包括如下步骤：根据最大迭代次数，判断当前个体是否满足终止条件，如果满足停止条件，输出相应的最优值，如若未满足最终迭代条件循环进入下一代，直到满足条件为止。
本发明的有益效果是提出一种新的精英差异自适应差分进化优化模型结构，并成功应用于三维点云数据配准，将配准问题建模成优化问题，提高了配准的成功率与效率。首先，通过种群个体适应度评估，找出当前种群全局最优个体，并与待进化个体判定生成全局精英差异；其次，提出基于多样性扰动邻域生成策略，构建个体邻域，并基于邻域最优个体与待进化个体判定生成邻域精英差异；最后通过全局精英差异与邻域精英差异指导DE算法交叉策略，平衡了DE算法的收敛性与多样性。同时，本算法步长因子F采用自适应调整策略，进而降低算法陷入搜索停滞的可能。
实施例2
本发明实施例提供的基于EDF-DE模型的三维图像配准方法具体包括以下步骤：
步骤1：选取测试模型所用测试函数(为cec2017测试函数中第16、17、21测试函数)为目标函数作为测试用例1，收集测试配准所用示例点云数据作为测试用例2，采集兵马俑点云数据模型作为测试用例3，兵马俑碎片实体图如图5所示。
步骤2：清洗收集到的数据。包括但不限于以下方式：统一格式/单位、去除无效数据、去除不合理数据、去除离群噪声点、填充数据。
步骤3：针对数据分别进行三个实例测试。第一，针对测试优化函数，生成优化迭代曲线图；第二，针对配准测试用例，将源点云数据data进行旋转、平移操作生成目标点云数据model，对源数据根据EDF-DE模型进行优化生成结果点云数据Tdata，以Tdata与model_data之间的误差作为目标函数，评价配准效果；第三，针对兵马俑同一碎片不同时期不同位置的点云数据，采用EDF-DE模型进行求解，绘制配准效果点云图，其中针对配准要求，建立目标函数公式如下：
fitness＝1/(1+norm(Tdata-model))
其中，fitness为适应度，norm()为矩阵2范数；Tdata为经模型优化后刚体变换所得点云数据，model为目标点云数据；
步骤4：建立初始EDF-DE模型，对三个测试用例进行测试。初始模型流程图如图1所示，可以看出，EDF-DE主要包括6个部分：初始化、精英差异生成、步长因子更新、变异、交叉与选择操作。算法由初始化种群开始，在迭代过程中，根据过程①生成精英差异，自适应更新步长因子，经具有外部档案变异策略生成变异个体，根据过程②交叉策略生成实验个体，通过选择策略生成新种群，若未满足终止条件，将进行下一次迭代。其中精英差异生成如过程①：对当代种群所有个体适应度评估找出全局精英，针对每一个待进化个体，通过本文邻域生成策略构建邻域，结合适应度值以邻域内最优个体作为邻域精英；使用精英差异生成方法将待进化个体分别与全局精英和邻域精英生成精英差异。交叉操作如过程②：采用二项式交叉和本文所提精英差异交叉两种策略进行交叉，二项式交叉保留了传统交叉随机性的优点，精英差异交叉具有学习功能，向全局最优和邻域最优学习，两种策略交替运行、协同合作。其中精英差异交叉策略以过程①所生成精英差异为前提，全局精英差异和邻域精英差异择一反馈指导交叉，平衡了算法的收敛性与多样性。设置模型所需参数步长因子下界F1＝0.1，步长因子上界F0＝0.8，邻域半径m＝7，超参数v＝0.5，超参数t＝0.7，交叉概率CR＝0.5，种群数量NP，最大迭代次数Gmax。全局精英差异与领域精英差异，精英差异结构为NP*Dim。
步骤5：初始化种群N，N表示种群规模。针对测试用例1的测试函数，设置个体维度为30维，目的测试本模型精度；针对配准测试用例以及兵马俑点云数据。均设置6维度个体，用于求解点云数据的平移距离以及旋转角度。
步骤6：针对以上3个测试用例，分别进行以下相同步骤进行优化求解。首先初始化步长因子：
其中F为自适应变化的步长因子，F0为步长因子上界，F1为步长因子下界，F∈[F1,F0]。g为当前迭代次数，Gmax为算法最大迭代次数。
步骤6：求解全局精英差异，初始化全局精英差异Eg＝{e1，e2,...,eNP}，NP代表种群数量。每个精英差异ei，ei＝{ei1,ei2,...,eij},其中j代表种群个体维度。Eg的生成方法如下，求解维度差，计算种群中个体xi与全局最优个体x_gbest之间的维度差记作Cg，计算方法如下：
Cg(i,j)＝x_gbesti,j-xi,j (2)
式(2)可求得个体与最优值之间每个维度的差值，根据Cg生成全局精英差异：
步骤7：针对待进化个体，求解相应的邻域精英差异。
步骤7-1根据如下公式分别计算维度均值与维度权重因子，mean_d＝{mean_d1,mean_d2,...,mean_dj}代表每个维度所有个体的平均值，pi＝{pi1,pi2,...,pij}分别代表第i个个体在第j个维度的权重因子，维度均值mean_d和权重因子p的计算公式如下：
其中j代表个体的维度，i代表种群个体，如式(5)所示，当个体某个维度与对应维度均值之间的差异越大，权重因子p会越大。将维度权重因子p应用于欧氏距离，用来计算个体之间的距离。构成多样性加权欧式距离公式如下：
步骤7-2：构建邻域按式(6)多样性权重因子加权欧式距离计算邻域中心与种群个体之间的距离，进而构建邻域。
步骤7-3：针对每个个体采用多样性扰动邻域构建策略构建邻域，以个体xi作为邻域中心，给定邻域半径m，构建邻域中心为xc，邻域半径为m的邻域，记作U(xc,m)。对邻域U(xc,m)中个体进行适应度值从低到高的排序，选择邻域中适应度值最小的个体为邻域精英x_lbest，由式(7)计算x_lbest与种群个体xi之间差异量Cl，由式(8)计算邻域精英差异El。
Cl(i,j)＝x_lbesti,j-xi,j (7)
步骤8：对待进化个体采用变异公式，执行变异操作，具体变异公式如下：
步骤9：根据所生成的变异个体，与待进化个体采用如下规则交叉，生成中间个体，从待变异个体xi和变异个体v之间选择分量形成实验个体u，因全局精英差异和邻域精英差异结构相同，故用E统一代表Eg和El，交叉公式示为：
步骤10：针对测试用例1待进化个体x与生成的中间个体u皆为30维度，将此中间个体与待进化个体通过测试函数测试，经选择操作选择较优进入下一代；针对测试用例2以及兵马俑碎片点云数据的个体维度皆为6维度，分别表示配准所需位移与旋转角度，用此个体维度对原始数据data进行刚体变换生成Tdata，用Tdata与目标数据model_data进行计算误差，经选择操作选择误差较小者进入下一代。
步骤11：更新种群，判断是否满足终止条件，若模型未达到最大迭代次数，继续返回步骤6，若算法达到最大迭代次数，将最优个体的维度值作为结果参数返回。针对测试用例1的3个测试函数(cec2017测试函数的16、17、21)生成结果图如图4所示；对于配准测试用例2和用例3，将模型输出的最优个体的6个维度作为刚体变换参数，对原始点云数据进行旋转平移，得到配准后点云图像，针对测试用例2点云配准数据配准效果图如图6所示；针对测试用例3兵马俑碎片点云数据配准效果如图7所示。
通过图4可看出，相比于其他优化模型，本发明在3个测试上的收敛速度、收敛精度均优于其他模型。通过图6可以看出，绿色三维点云模型为原始数据data，蓝色点云数据为目标数据model,最终绿色数据经本发明所提EDF-DE模型求解最优参数，经刚体变换为红色模型Tdata，与目标数据重合，说明变换后的模型与目标模型已经配准成功，说明本发明在三维点云数据配准上具有较好的配准效果，通过图7可以看出本发明针对兵马俑比较复杂的点云数据也具有较强性能。这证明本发明可以更好的适应三维点云配准。
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。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明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，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、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SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于EDF-DE模型的三维图像配准方法，其特征在于，所述基于EDF-DE模型的三维图像配准方法包括以下步骤：
步骤一，对数据进行预处理，将三维扫描点云数据进行格式转化，生成具有可描述位置关系的txt文件格式；
步骤二，根据配准要求进行建模，结合刚体变化，设定待求参数；
步骤三，针对所求参数，根据所述模型EDF-DE建立求解机制；
步骤四，初始化种群个体，设定模型参数，初始化精英个体集合；
步骤五，自适应更新步长因子F；
步骤六，计算全局精英差异与邻域精英差异；
步骤七，采用JADE算法具有档案存储变异算子进行变异操作；
步骤八，根据本模型所求全局精英差异与邻域精英差异指导算法交叉，经选择操作，生成下一代个体；
步骤九，判断是否满足迭代结束条件，若不满足则返回步骤五，若满足则进入步骤十；
步骤十，将搜索得到的最优解对原始图像进行旋转平移，最终得到配准后的结果图。
2.如权利要求1所述的基于EDF-DE模型的三维图像配准方法，其特征在于，步骤二中，所述待求参数x1，x2，x3，x4，x5，x6，前三个参数代表模型数据变化所需在x,y,z三个方向位移参数，后三个代表旋转角度；
所述根据配准要求进行建模，包括：因x1，x2，x3，x4，x5，x66个参数代表源点云图像配准至目标图像所需刚体变换的位移以及旋转角度，故只要求解此6个参数即可完成三维点云数据配准，此问题建模成最优解问题，根据所述EDF-DE优化算法进行求解。
3.如权利要求1所述的基于EDF-DE模型的三维图像配准方法，其特征在于，步骤四中，所述初始化种群个体，设定模型参数，初始化精英个体集合，包括：针对待求的6个参数，初始化种群个体，个体维度为6维，设置模型参数步长因子下界F1，步长因子上界F0，邻域半径m，超参数v，超参数t，交叉概率CR，种群数量NP，最大迭代次数Gmax；全局精英差异与领域精英差异，精英差异结构为NP*Dim，针对每一个个体的每一个维度皆设置个体精英差异。
4.如权利要求1所述的基于EDF-DE模型的三维图像配准方法，其特征在于，步骤五中，所述自适应更新步长因子F，包括：F是DE算法的步长因子，用来控制两个基向量差的缩放程度，代表算法每次变化的一种步长；在局部精细搜索进而获得局部最优；此时，F的值应该较小，属于开发阶段，采用伴随迭代次数F自适应变化的方法，具体公式如下：
其中，F为自适应变化的步长因子，F0为步长因子上界，F1为步长因子下界，F∈[F1,F0]，g为当前迭代次数，Gmax为算法最大迭代次数。
5.如权利要求1所述的基于EDF-DE模型的三维图像配准方法，其特征在于，步骤六中，所述计算全局精英差异，包括：初始化全局精英差异Eg＝{e1,e2,...,eNP}，NP代表种群数量；每个精英差异ei,ei＝{ei1,ei2,...,eij}；其中j代表种群个体维度；Eg的生成方法如下，求解维度差，计算种群中个体xi与全局最优个体x_gbest之间的维度差记作Cg，计算方法如下：
Cg(i,j)＝x_gbesti,j-xi,j；
求得个体与最优值之间每个维度的差值后，根据Cg生成全局精英差异：
待进化个体在某维度差异值为1时，代表全局最优解在此维度大于待进化个体，待进化个体在此维度将会向正方向进化；当差异值为-1时，将会向负方向进化；差异值为0时，则代表待进化个体在此维度不需改变。
6.如权利要求1所述的基于EDF-DE模型的三维图像配准方法，其特征在于，步骤六中，所述计算邻域精英差异，包括：
(1)构建加权欧氏距离，引入个体维度权重因子p对距离计算进行扰动，权重因子较大时，代表个体多样性较大，反之个体多样性较小；mean_d＝{mean_d1,mean_d2,...,mean_dj}代表每个维度所有个体的平均值，pi＝{pi1,pi2,...,pij}分别代表第i个个体在第j个维度的权重因子，维度均值mean_d和权重因子p的计算公式如下：
其中，j代表个体的维度，i代表种群个体；当个体某个维度与对应维度均值之间的差异越大，权重因子p会越大；将维度权重因子p应用于欧氏距离，用来计算个体之间的距离；构成多样性加权欧式距离公式如下：
计算个体xc和个体xi的加权欧氏距离公式中，pi,j对应于第i个个体的第j个维度的权重因子；pi,j较大时，个体之间的距离dp会变小，即求xc与个体xi的距离时，当xi对应的p值较大时，说明个体xi距种群聚集点距离较远，则个体xc与xi之间的加权欧式距离会更小，因此实现了通过个体多样性来对欧氏距离加权扰动；
(2)多样性扰动构建邻域策略，构建邻域按多样性权重因子加权欧式距离计算邻域中心与种群个体之间的距离，经权重因子扰动，距邻域中心较近个体多样性较强，选择与邻域中心距离小于邻域半径的个体构建邻域，以此来实现多样性扰动构建邻域的目的；创建个体邻域中，绿色个体为邻域中心，红色个体为多样性较大的个体，黑色个体为多样性较小的个体；多样性较小的黑色个体相应的p值小，经扰动与邻域中心计算的距离会变大，多样性较大的红色个体p值大，与邻域中心计算的距离会变小，最终得到经多样性扰动所构建的邻域；
(3)邻域精英生成，针对每个个体采用多样性扰动邻域构建策略构建邻域，以个体xi作为邻域中心，给定邻域半径m，构建邻域中心为xc，邻域半径为m的邻域，记作U(xc,m)；对邻域U(xc,m)中个体进行适应度值从低到高排序，选择邻域中适应度值最小的个体为邻域精英x_lbest，由以下公式计算x_lbest与种群个体xi之间差异量Cl：
Cl(i,j)＝x_lbesti,j-xi,j；
由以下公式计算邻域精英差异El：
7.如权利要求1所述的基于EDF-DE模型的三维图像配准方法，其特征在于，步骤七中，所述采用JADE算法具有档案存储变异算子进行变异操作，包括：变异策略采用JADE算法具有外部档案变异策略，具体公式如下：
其中，xi为父代个体，xp best为种群前top个个体中随机选择，xr2为当前种群与进化失败个体档案并集中选择。
8.如权利要求1所述的基于EDF-DE模型的三维图像配准方法，其特征在于，步骤八中，所述根据本模型所求全局精英差异与邻域精英差异指导算法交叉，经选择操作，生成下一代个体，包括：
(1)交叉操作，精英差异交叉策略以全局精英差异和邻域精英差异为参考，从待变异个体xi和变异个体v之间选择分量形成实验个体u，取代二项式交叉采用交叉率CR控制交叉；因全局精英差异和邻域精英差异结构相同，故用E统一代表Eg和El，交叉公式为：
由交叉公式可看出，只会选择满足条件的变异个体基因组成实验向量，否则保留待进化个体原始基因；通过变异个体与待变异个体求差判定正负，再与精英差异值进行比对；
(2)选择操作，根据贪心算法的思想，结合步骤(1)所求中间个体u及待进化个体x，使用目标函数对中间个体和待进化个体进行评价，选择其中较优个体进入下一代。
9.如权利要求1所述的基于EDF-DE模型的三维图像配准方法，其特征在于，步骤九中，所述判断是否满足迭代结束条件，包括：根据最大迭代次数，判断当前个体是否满足终止条件，如果满足停止条件，输出相应的最优值，如若未满足最终迭代条件循环进入下一代，直到满足条件为止。
10.一种如权利要求1～9任意一项所述基于EDF-DE模型的三维图像配准方法在工业制造图像处理中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110792216.6A CN113643335B (zh) | 2021-07-13 | 2021-07-13 | 一种基于edf-de模型的三维图像配准方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110792216.6A CN113643335B (zh) | 2021-07-13 | 2021-07-13 | 一种基于edf-de模型的三维图像配准方法及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113643335A true CN113643335A (zh) | 2021-11-12 |
| CN113643335B CN113643335B (zh) | 2024-04-12 |
Family
ID=78417333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110792216.6A Active CN113643335B (zh) | 2021-07-13 | 2021-07-13 | 一种基于edf-de模型的三维图像配准方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113643335B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN108955689A (zh) * | 2018-07-13 | 2018-12-07 | 北京工业大学 | 基于自适应细菌觅食优化算法的rbpf-slam方法 |
| CN113034554A (zh) * | 2021-02-27 | 2021-06-25 | 西北大学 | 基于混沌反向学习的鲸鱼优化的破损俑体碎片配准方法 |
-
2021
- 2021-07-13 CN CN202110792216.6A patent/CN113643335B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN108955689A (zh) * | 2018-07-13 | 2018-12-07 | 北京工业大学 | 基于自适应细菌觅食优化算法的rbpf-slam方法 |
| CN113034554A (zh) * | 2021-02-27 | 2021-06-25 | 西北大学 | 基于混沌反向学习的鲸鱼优化的破损俑体碎片配准方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴克晴;杜望;: "基于精英解学习的邻域搜索差分演化算法", 江西理工大学学报, no. 05 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113643335B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113191387A (zh) | 结合无监督学习与数据自增强的文物碎片点云分类方法 | |
| Lin et al. | Evolutionary architectural search for generative adversarial networks | |
| CN113987236B (zh) | 基于图卷积网络的视觉检索模型的无监督训练方法和装置 | |
| CN115905691B (zh) | 一种基于深度强化学习的偏好感知推荐方法 | |
| CN113627471A (zh) | 一种数据分类方法、系统、设备及信息数据处理终端 | |
| Fan et al. | Neighborhood centroid opposite-based learning Harris Hawks optimization for training neural networks | |
| JP2024500459A (ja) | マルチ・レベル多目的自動機械学習 | |
| CN116167413A (zh) | 深度卷积神经网络量化剪枝联合优化的方法及系统 | |
| WO2022265573A2 (en) | Automatically and efficiently generating search spaces for neural network | |
| CN110852435A (zh) | 一种基于神经进化计算模型 | |
| CN117853269A (zh) | 基于机器学习的供热数据优化方法、装置及设备 | |
| CN113643335A (zh) | 一种基于edf-de模型的三维图像配准方法及应用 | |
| CN116543259A (zh) | 一种深度分类网络噪声标签建模与纠正方法、系统及存储介质 | |
| CN116628537A (zh) | 多视图聚类方法、装置、存储介质及电子设备 | |
| CN114974400B (zh) | 一种全局生物网络比对方法 | |
| CN110648355A (zh) | 一种图像跟踪方法、系统及相关装置 | |
| CN114119930B (zh) | 基于深度学习的三维模型修正方法、装置及存储介质 | |
| Wang et al. | Research on the prediction model of greenhouse temperature based on fuzzy neural network optimized by genetic algorithm | |
| CN114663312A (zh) | 一种针对图像降噪的网络自动搜索方法及图像降噪方法 | |
| JP7207128B2 (ja) | 予測システム、予測方法、および予測プログラム | |
| Al-Behadili | Stochastic local search algorithms for feature selection: a review | |
| CN111581411B (zh) | 高精度人脸形状库的构建方法、装置、设备及存储介质 | |
| CN114912589B (zh) | 一种基于全连接神经网络优化的图像识别方法 | |
| Wang et al. | Stochastic optimal competitive Hopfield network for partitional clustering | |
| Wang et al. | Intelligent volume visualization for medical datasets |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |