CN114120011B - 一种利用群体智能算法提高图像匹配精度和速度的方法 - Google Patents
一种利用群体智能算法提高图像匹配精度和速度的方法 Download PDFInfo
- Publication number
- CN114120011B CN114120011B CN202111418019.4A CN202111418019A CN114120011B CN 114120011 B CN114120011 B CN 114120011B CN 202111418019 A CN202111418019 A CN 202111418019A CN 114120011 B CN114120011 B CN 114120011B
- Authority
- CN
- China
- Prior art keywords
- image
- matching
- intelligent algorithm
- speed
- group intelligent
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006978 adaptation Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种利用群体智能算法提高图像匹配精度和速度的方法。该方法是由个体和群体之间的互动形成,不需要进行集中控制和全局模型就可以在最短时间内快速找到最佳解决方案,节约搜索的时间,提高匹配速度。其包括以下步骤:(1)对待匹配图像进行预处理,进行图像下采样操作;(2)初次匹配:以图像相似度作为适应函数,在下采样后的图像上使用群体智能算法确定初次匹配位置;(3)精匹配:以初次匹配位置作为搜索中心,在原图上使用群体智能算法进行一定范围内的匹配,得到最终匹配结果。
Description
技术领域
本发明涉及图像匹配方法及应用技术领域,特别是涉及一种利用群体智能算法提高图像匹配精度和速度的方法,属于图像处理领域。
背景技术
在各种视觉应用中,图像匹配是一项基本而关键的任务,它用来识别来自两个或者多个图像中相同或相似的部分。而在工业视觉领域中,图像的匹配精度和匹配速度是两个非常重要的指标。如何在保证高匹配速度的同时达到较高的匹配精度,这是工程上需要不断优化的问题。
在实际应用中,初次匹配阶段一般以人工对位为主。这种方式受操作员的技能水平以及工作状态影响较大,且花费的匹配时间较长,不利于工业生产。
而智能群体算法正好可以解决这个问题。群体智能算法是个体和群体之间相互作用形成的简单行为,这项工作不需要集中控制和全局模型,就能在问题领域中快速找到最佳解决方案。
发明内容
本发明提出了一种利用群体智能算法提高图像匹配精度和速度的方法,使用群体智能算法减少计算量,加快匹配效率。
为了克服现有技术存在的缺陷,本发明的技术方案如下:
一种利用群体智能算法提高图像匹配精度和速度的方法,包括如下步骤:
S1.图像预处理:对源图像进行下采样处理;
S2.初次匹配:在下采样后的图像上,以图像相似度作为适应函数,使用群体智能算法进行初次匹配;
S3.精匹配:由初次匹配得到的匹配结果作为搜索中心,在原图上使用群体智能算法进行一定范围内的匹配,得到匹配结果;
在上述一种利用群体智能算法提高图像匹配精度和速度的方法中,所述图像预处理为对原图进行下采样操作包括对一幅图像I尺寸为M*N,对其进行s倍的下采样,即得到(M/s)*(N/s)尺寸的分辨率图像。若为矩阵形式的图像,即为把原始图像s*s窗口内的图像变为一个像素,可为窗口内所有像素的均值。
进一步地,在上述一种利用群体智能算法提高图像匹配精度和速度的方法中,所述群体智能算法包括:
将图像匹配的数学模型定义为X=[x,y],其中x,y为横纵坐标。目标函数为选择的图像相似度计算函数F(X)。
(1)初始化种群规模、迭代次数等参数;
(2)根据图像大小设置搜索范围Xmax、Xmin。在图像匹配范围,即解空间内随机初始化种群X={X1,X2,X3,...,XN},其中N为种群个数。每个个体代表一个匹配位置。生成个体的公式如下:
X=(Xmax-Xmin)*u(e)+Xmin
其中,u(e)为[0,1]的随机因子
(3)根据图像相似度适应函数计算个体适应值;
(4)挑选部分个体进行社会协作操作;
(5)竞争操作,生成新一代种群;
(6)重复(3)~(5)的操作,直至满足迭代终止条件;
(7)输出匹配位置。
进一步地,在上述一种利用群体智能算法提高图像匹配精度和速度的方法中,所述图像相似度包括:
所述图像相似度是指对于两幅图像之间内容的相似程度进行计算,根据所得数值来判断图像内容的相近程度。相近程度可根据图像的直方图、图像之间的距离(欧氏距离、汉明距离、余弦距离)、感知哈希算法等计算。
进一步地,在上述一种利用群体智能算法提高图像匹配精度和速度的方法中,所述由初次匹配得到的匹配结果作为搜索中心包括:
若初次匹配结果为[x,y],则在精匹配中实际中心位置为[x*s,y*s],其中s为下采样的规模。
本发明采用群体智能算法对图像匹配这一问题进行优化,该算法在图像匹配领域应用上具有抗噪能力强、搜索速度快的特点,可以同时满足高精度和高速度的两项指标,减少计算量,加快匹配效率。
附图说明
图1为本发明中利用群体智能算法提高图像匹配精度和速度的方法流程框图;
图2为本发明中初次匹配流程框图;
图3为本发明中精匹配流程框图;
图4为源图进行下采样预处理;
图5为模板图进行下采样预处理;
图6为初次匹配结果;
图7为精匹配的搜索范围。
具体实施方式
在本申请的描述中,需要说明的是,本文所用到的图片单位是基于像素的,仅是为了便于描述本申请和简化描述,因此不能理解为对本申请的限制。
还需要说明的是,本申请实施例不仅适用于所拍摄的图片,任何图像采集装置采集的图像均可以执行本申请实施例提供的方法来提高图像匹配速度。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1,所示为本发明中利用群体智能算法提高图像匹配精度和速度的方法流程框图,图2为本发明中初次匹配流程框图,图3为本发明中精匹配流程框图;具体包括以下步骤:
步骤S1:图像预处理:对源图像进行下采样处理;
步骤S2:初次匹配:在下采样后的图像上,以图像相似度作为适应函数,使用群体智能算法进行初次匹配;
步骤S3:精匹配:由初次匹配得到的匹配结果作为搜索中心,在原图上使用群体智能算法进行一定范围内的匹配,得到匹配结果;
步骤S1中,下采样是指对一幅图像I尺寸为M*N,对其进行s倍的下采样,即得到(M/s)*(N/s)尺寸的分辨率图像;若为矩阵形式的图像,即为把原始图像s*s窗口内的图像变为一个像素,可为窗口内所有像素的均值;
所述群体智能算法包括:
将图像匹配的数学模型定义为X=[x,y],其中x,y为横纵坐标;
目标函数为选择的图像相似度计算函数F(X);包括以下步骤:
(1)定义种群规模、迭代次数等参数;
(2)根据图像大小设置搜索范围Xmax、Xmin;在图像匹配范围,即解空间内随机初始化种群X={X1,X2,X3,...,XN},其中N为种群个数;每个个体代表一个匹配位置;生成个体的公式如下:
X=(Xmax-Xmin)*u(e)+Xmin
其中,u(e)为[0,1]的随机因子;
(3)根据图像相似度适应函数计算个体适应值;
(4)挑选部分个体进行社会协作操作;
(5)竞争操作,生成新一代种群;
(6)重复(3)~(5)的操作,直至满足迭代终止条件;
(7)输出匹配位置。
在一种优选实施方式中,利用群体智能算法提高图像匹配精度和速度的方法的具体步骤的描述:
S1:对大小为7000*7000的原图进行下采样,设下采样规模为10,则生成700*700的缩略图,如附图4所示;在原图上取左上角坐标为[1250,1684],大小为1500*1500的模板图,进行相同规模的下采样,生成150*150的模板缩略图,如附图5所示;
S2:对于下采样过后的图像进行群体智能算法搜索:
1)初始化种群规模N1、迭代次数T1等参数;
2)此问题的横纵坐标搜索范围为[0,550],在此搜索范围内随机初始化种群:
根据图像大小设置搜索范围Xmax、Xmin。在图像匹配范围,即解空间内随机初始化种群X={X1,X2,X3,...,XN},其中N为种群个数。每个个体代表一个匹配位置。生成个体的公式如下:
X=(Xmax-Xmin)*u(e)+Xmin
3)根据图像相似度适应函数计算个体适应值;
4)挑选部分个体进行社会协作操作;
5)竞争操作,生成新一代种群;
6)重复(3)~(5)的操作,直至满足迭代终止条件;
7)输出匹配位置[125,168]
参考附图6:
图中矩形框的位置即是初次匹配结果[125,168]的位置。
S3:根据初次匹配得到匹配结果为[125,168]。由于下采样规模为10,因此在原图上实际位置为[1250,1680]。以此坐标为搜索中心,设定搜索范围为[-200,200],即大小为400*400。在此范围内再次进行群体智能算法搜索:
1)初始化种群规模N2、迭代次数T2等参数;
2)此时问题的横坐标搜索范围为[1050,1450],纵坐标搜索范围为[1480,1880],在此搜索范围内随机初始化种群,参考附图7,矩形框即为有可能的匹配位置:
根据图像大小设置搜索范围Xmax、Xmin。在图像匹配范围,即解空间内随机初始化种群X={X1,X2,X3,...,XN},其中N为种群个数。每个个体代表一个匹配位置。生成个体的公式如下:
X=(Xmax-Xmin)*u(e)+Xmin
3)根据图像相似度适应函数计算个体适应值;
4)挑选部分个体进行社会协作操作;
5)竞争操作,生成新一代种群;
6)重复(3)~(5)的操作,直至满足迭代终止条件;
7)输出匹配位置[1250,1684]。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (3)
1.一种利用群体智能算法提高图像匹配精度和速度的方法,其特征在于,包括以下步骤:
步骤S1:图像预处理:对源图像进行下采样处理;
步骤S2:初次匹配:在下采样后的图像上,以图像相似度作为适应函数,使用群体智能算法进行初次匹配;
步骤S3:精匹配:由初次匹配得到的匹配结果作为搜索中心,在原图上使用群体智能算法进行一定范围内的匹配,得到匹配结果;
步骤S1中,下采样是指对一幅图像I尺寸为M*N,对其进行s倍的下采样,即得到(M/s)*(N/s)尺寸的分辨率图像;若为矩阵形式的图像,即为把原始图像s*s窗口内的图像变为一个像素,可为窗口内所有像素的均值;
所述群体智能算法包括:
将图像匹配的数学模型定义为X=[x,y],其中x,y为横纵坐标;目标函数为选择的图像相似度计算函数F(X);包括以下步骤:
(1)定义种群规模、迭代次数等参数;
(2)根据图像大小设置搜索范围Xmax、Xmin;在图像匹配范围,即解空间内随机初始化种群X={X1,X2,X3,...,XN},其中N为种群个数;每个个体代表一个匹配位置;生成个体的公式如下:
X=(Xmax-Xmin)*u(e)+Xmin
其中,u(e)为[0,1]的随机因子;
(3)根据图像相似度适应函数计算个体适应值;
(4)挑选部分个体进行社会协作操作;
(5)竞争操作,生成新一代种群;
(6)重复(3)~(5)的操作,直至满足迭代终止条件;
(7)输出匹配位置。
2.根据权利要求1所述的利用群体智能算法提高图像匹配精度和速度的方法,其特征在于,
所述图像相似度是指对于两幅图像之间内容的相似程度进行计算,根据所得数值来判断图像内容的相近程度;相近程度可根据图像的直方图、图像之间的距离、感知哈希算法等计算。
3.根据权利要求1所述的利用群体智能算法提高图像匹配精度和速度的方法,其特征在于,由初次匹配得到的匹配结果作为搜索中心包括:
若初次匹配结果为[x,y],则在精匹配中实际中心位置为[x*s,y*s],其中s为下采样的规模。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418019.4A CN114120011B (zh) | 2021-11-25 | 2021-11-25 | 一种利用群体智能算法提高图像匹配精度和速度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418019.4A CN114120011B (zh) | 2021-11-25 | 2021-11-25 | 一种利用群体智能算法提高图像匹配精度和速度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114120011A CN114120011A (zh) | 2022-03-01 |
CN114120011B true CN114120011B (zh) | 2024-04-09 |
Family
ID=80373844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111418019.4A Active CN114120011B (zh) | 2021-11-25 | 2021-11-25 | 一种利用群体智能算法提高图像匹配精度和速度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120011B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264503A (zh) * | 2019-06-18 | 2019-09-20 | 上海理工大学 | 一种基于cs搜索的图像配准方法 |
CN112200203A (zh) * | 2020-11-04 | 2021-01-08 | 西安交通大学 | 斜视场下弱相关散斑图像的匹配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104917931B (zh) * | 2015-05-28 | 2018-03-02 | 京东方科技集团股份有限公司 | 运动图像补偿方法及装置、显示装置 |
-
2021
- 2021-11-25 CN CN202111418019.4A patent/CN114120011B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264503A (zh) * | 2019-06-18 | 2019-09-20 | 上海理工大学 | 一种基于cs搜索的图像配准方法 |
CN112200203A (zh) * | 2020-11-04 | 2021-01-08 | 西安交通大学 | 斜视场下弱相关散斑图像的匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114120011A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875935B (zh) | 基于生成对抗网络的自然图像目标材质视觉特征映射方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN112613097A (zh) | 一种基于计算机视觉的bim快速化建模方法 | |
CN113034600B (zh) | 基于模板匹配的无纹理平面结构工业零件识别和6d位姿估计方法 | |
CN111125397B (zh) | 一种基于卷积神经网络的布料图像检索方法 | |
CN112233129A (zh) | 基于深度学习的并行多尺度注意力机制语义分割方法及装置 | |
CN110490915B (zh) | 一种基于卷积受限玻尔兹曼机的点云配准方法 | |
CN111368637B (zh) | 一种基于多掩模卷积神经网络的搬运机器人识别目标方法 | |
CN112419191A (zh) | 基于卷积神经网络的图像运动模糊去除方法 | |
CN113808180A (zh) | 一种异源图像配准方法、系统及装置 | |
CN113421210B (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
CN109829857B (zh) | 一种基于生成对抗网络的倾斜图像的矫正方法及装置 | |
CN107193979B (zh) | 一种同源图片检索的方法 | |
CN114120011B (zh) | 一种利用群体智能算法提高图像匹配精度和速度的方法 | |
CN109816710B (zh) | 一种双目视觉系统高精度且无拖影的视差计算方法 | |
CN112084855A (zh) | 一种基于改进ransac方法对视频流的外点剔除方法 | |
CN114926488A (zh) | 基于广义Hough模型和改进金字塔搜索加速的工件定位方法 | |
CN112069923B (zh) | 3d人脸点云重建方法及系统 | |
CN112529081A (zh) | 基于高效注意力校准的实时语义分割方法 | |
CN113240579A (zh) | 一种工业产品缺陷智能检测方法、装置及其计算机存储介质 | |
CN112381725A (zh) | 基于深度卷积对抗生成网络的图像修复方法及装置 | |
CN112200831A (zh) | 一种基于动态模板的密集连接孪生神经网络目标跟踪方法 | |
CN113361609B (zh) | 一种应用于人机协作的基于各向异性过滤的模板匹配方法 | |
Nag et al. | Generating Vectors from Images using Multi-Stage Edge Detection for Robotic Artwork | |
CN112801894B (zh) | 一种使用迭代滤波处理的深度图像修复方法 |
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 |