CN116152316A - 一种基于自适应参数粒子群算法的图像配准方法 - Google Patents

一种基于自适应参数粒子群算法的图像配准方法 Download PDF

Info

Publication number
CN116152316A
CN116152316A CN202310402817.0A CN202310402817A CN116152316A CN 116152316 A CN116152316 A CN 116152316A CN 202310402817 A CN202310402817 A CN 202310402817A CN 116152316 A CN116152316 A CN 116152316A
Authority
CN
China
Prior art keywords
particle swarm
image
swarm algorithm
method based
registration method
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
Application number
CN202310402817.0A
Other languages
English (en)
Other versions
CN116152316B (zh
Inventor
孟凯
王宇
郭衍民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Institute Of Industrial Technology
Original Assignee
Shandong Institute Of Industrial Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Institute Of Industrial Technology filed Critical Shandong Institute Of Industrial Technology
Priority to CN202310402817.0A priority Critical patent/CN116152316B/zh
Publication of CN116152316A publication Critical patent/CN116152316A/zh
Application granted granted Critical
Publication of CN116152316B publication Critical patent/CN116152316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06T3/02—Affine transformations
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于数字图像处理领域，公开了一种基于自适应参数粒子群算法的图像配准方法，该方法中平衡全局搜索和局部搜索的权重w取值采用线性递减的概率密度函数。相比于传统粒子群算法，本发明搜索到的最终结果的MI值更高。同时，搜索到的四个仿射变换参数更接近实际结果。

Description

一种基于自适应参数粒子群算法的图像配准方法
技术领域
本发明属于数字图像处理领域，尤其涉及一种基于自适应参数粒子群算法的图像配准方法。
背景技术
图像配准被描述为寻找将测试图像映射到参考图像的几何变换的任务。图像配准广泛应用于许多领域，包括医学图像处理、计算机视觉和遥感图像处理等。图像配准技术大致分为基于特征的配准技术和基于图像灰度值的配准技术。前者需要分别从测试图像和参考图像中提取特征，然后将它们进行匹配以建立两幅图像之间的几何变换。第二种方法则利用图像的灰度值，计算测试图像和参考图像之间的相似性，常用的评价相似性的技术为信息论中的互信息技术。
粒子群算法是一种基于随机搜索的智能优化算法。以互信息作为目标函数，粒子群算法可以用来完成图像配准功能。在应用到图像配准中，粒子群算法在搜索最优解时，由于粒子可能会陷入局部最优点，从而造成搜索阻塞。
发明内容
为了解决图像配准时，粒子群陷入局部最优的问题，本发明提出了一种基于自适应参数粒子群算法的图像配准方法，其中平衡全局搜索和局部搜索的权重w取值采用线性递减的概率密度函数，更利于粒子群跳出局部最优点，从而整个搜索过程不会阻塞。
具体内容包括以下步骤：
步骤1：获取图像A和B，将图像A利用仿射变换得到图像B。
步骤2：初始化粒子群算法的参数集合。
步骤3：利用仿射变换矩阵T，得到图像A的变换后图像
Figure SMS_1
，计算图像B和A’之间的互信息/>
Figure SMS_2
，作为粒子群算法搜索的目标函数f(*)。
步骤4：记录当前迭代次数t下的粒子群所能搜索到的全局最优位置向量gb(t)和每个粒子搜索到的最优位置向量
Figure SMS_3
。
步骤5：算法迭代到t+1次，更新粒子群的速度向量和位置向量，更新过程中涉及的平衡全局搜索和局部搜索的权重w取值的概率密度函数为线性递减函数，计算方法如下：
Figure SMS_4
，t为迭代次数。
其中c由下式计算得出：
Figure SMS_5
，r为0到1之间的随机数。
a和b的计算公式如下：
Figure SMS_6
，
Figure SMS_7
，/>
Figure SMS_8
。
Figure SMS_9
和/>
Figure SMS_10
分别按下式计算得出：
Figure SMS_11
，T为迭代总次数，T=500。
步骤6：如果t<T，则完成配准，否则t=t+1，再次从步骤3循环执行。
优选的，步骤1中，将图像A利用仿射变换得到图像B，其中四个参数值分别为 s=0.8，θ=-35°， cx=-50，cy=200，分别表示缩放、旋转和平移。
优选的，步骤2中，所述参数集合包括搜索迭代总次数T=500，当前迭代参数t=0，总维度D=4，粒子群规模 N=20，各个粒子的速度向量
Figure SMS_12
和位置向量/>
Figure SMS_13
，其中i为第i个粒子。
优选的，步骤2中，四维粒子群算法中的速度向量为
Figure SMS_14
，位置向量为
Figure SMS_15
，其中i为第i个粒子，上标0~3表示第几维。
优选的，步骤3中，根据当前粒子群的参数集合、速度向量集合、位置向量集合，利用仿射变换矩阵T，得到图像A的变换后图像
Figure SMS_16
，T具体形式如下：
Figure SMS_17
，其中，/>
Figure SMS_18
为一组变量集合，分别表示缩放、旋转和平移。利用信息论相关理论，计算图像B和A’之间的互信息
Figure SMS_19
，并作为粒子群算法搜索的目标函数f(*)。
优选的，步骤3中，位置向量与仿射变换的4个分量相对应，分别为：
Figure SMS_20
，
Figure SMS_21
，/>
Figure SMS_22
，/>
Figure SMS_23
。
优选的，步骤5中，速度向量更新公式：
Figure SMS_24
，其中c=1.49445，/>
Figure SMS_25
和/>
Figure SMS_26
为0到1之间的任意值，d表示维度，取值范围为0~3，w是平衡全局搜索和局部搜索的权重，一般取值范围为0.9~0.4。
位置向量更新公式：
Figure SMS_27
。
优选的，步骤5中，按照下式更新位置向量
Figure SMS_28
：
Figure SMS_29
。
与现有技术相比，本发明取得了以下几方面的有益效果：
1.在搜索过程中，w值不是固定值，随着搜索进度而改变，因此搜索到全局最优的概率更高；
2.w总体取值特征为：迭代开始阶段w值较大，结束阶段w值较小。该特点可以在全局搜索和局部搜索中间保持平衡；
3.每次迭代，w取值都是符合线性递减概率密度的随机值。随机值的特点更利于粒子群跳出局部最优点，从而整个搜索过程不会阻塞。
附图说明
图1是本发明的流程图。
图2是本发明具体实施方式步骤1中的8幅图像。
具体实施方式
请参照图1，本发明提供了一种基于自适应参数粒子群算法的图像配准方法，包括以下步骤：
步骤1：实验中挑选了如图2所示的8幅图像，包含4幅医学图像和4幅自然图像，作为图像A，利用仿射变换（四个参数值分别为 s=0.8，θ=-35°， cx=-50，cy=200，分别表示缩放、旋转和平移），得到图像B。
步骤2：初始化粒子群算法的参数集合，包括搜索迭代总次数T=500，当前迭代参数t=0，总维度D=4，粒子群规模 N=20，各个粒子的速度向量
Figure SMS_30
和位置向量/>
Figure SMS_31
，其中i为第i个粒子。
四维粒子群算法中的速度向量
Figure SMS_32
，位置向量
Figure SMS_33
，其中i为第i个粒子，上标0~3表示第几维。
步骤3：根据当前粒子群的参数集合、速度向量集合、位置向量集合，利用仿射变换矩阵T，得到图像A的变换后图像
Figure SMS_34
，T具体形式如下：
Figure SMS_35
，
其中，
Figure SMS_36
为一组变量集合，位置向量与仿射变换的4个分量相对应，分别为：/>
Figure SMS_37
，/>
Figure SMS_38
，/>
Figure SMS_39
，/>
Figure SMS_40
。利用信息论相关理论，计算图像B和A’之间的互信息/>
Figure SMS_41
，并作为粒子群算法搜索的目标函数f(*)。
步骤4：记录当前迭代次数t下的粒子群所能搜索到的全局最优位置向量gb(t)和每个粒子搜索到的最优位置向量
Figure SMS_42
。
步骤5：算法迭代到t+1次，按照下式更新粒子群的速度向量和位置向量：
速度向量更新公式：
Figure SMS_43
，
其中c=1.49445，
Figure SMS_44
和/>
Figure SMS_45
为0到1之间的任意值，d表示维度，取值范围为0~3，w是平衡全局搜索和局部搜索的权重，一般取值范围为0.9~0.4。
位置向量更新公式：
Figure SMS_46
。/>
优选的，按照下式更新位置向量
Figure SMS_47
：
Figure SMS_48
。
在本发明中，w取值的概率密度函数为线性递减函数，计算方法如下：
Figure SMS_49
，t为迭代次数。
其中c由下式计算得出：
Figure SMS_50
，r为0到1之间的随机数。
a和b的计算公式如下：
Figure SMS_51
，
Figure SMS_52
，/>
Figure SMS_53
。
Figure SMS_54
和/>
Figure SMS_55
分别按下式计算得出：
Figure SMS_56
，
T为迭代总次数，T=500。
步骤6：如果t<T，则完成配准，否则t=t+1，再次从步骤3循环执行。
表1给出了8幅图像的平均结果，粒子群算法参数：迭代总次数T=500，总维度D=4，粒子群规模 N=20，仿射变换四个参数的实际结果 s=0.8，θ=-35°，cx=-50，cy=200。
所述传统粒子群算法中第t代的w的计算方法：
Figure SMS_57
，其他内容与本实施例保持一致。
表1 搜索效果对比
Figure SMS_58
MI为图像B和仿射变换后图像B’之间的互信息值。该值越大表明B与B’具有更高的相似性。△θ、 △cx、 △cy、△s分别为算法搜索到的结果与真实值的差，该值越小，表明算法搜索到的结果越接近实际结果。
由实验结果可以看出，相比于传统粒子群算法，本发明搜索到的最终结果的MI值更高。同时，搜索到的四个仿射变换参数更接近实际结果。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于自适应参数粒子群算法的图像配准方法，其特征在于，包括以下步骤：
步骤1：获取图像A和B，将图像A利用仿射变换得到图像B；
步骤2：初始化粒子群算法的参数集合；
步骤3：利用仿射变换矩阵T，得到图像A的变换后图像
Figure QLYQS_1
，计算图像B和A’之间的互信息/>
Figure QLYQS_2
，作为粒子群算法搜索的目标函数f(*)；
步骤4：记录当前迭代次数t下的粒子群所能搜索到的全局最优位置向量gb(t)和每个粒子搜索到的最优位置向量
Figure QLYQS_3
；
步骤5：算法迭代到t+1次，更新粒子群的速度向量和位置向量，更新过程中涉及的平衡全局搜索和局部搜索的权重w取值的概率密度函数为线性递减函数，计算方法如下：
Figure QLYQS_4
，t为迭代次数，其中c由下式计算得出：
Figure QLYQS_5
，r为0到1之间的随机数；
a和b的计算公式如下：
Figure QLYQS_6
，
Figure QLYQS_7
=0.99，
Figure QLYQS_8
=0.01；
Figure QLYQS_9
和
Figure QLYQS_10
分别按下式计算得出：
Figure QLYQS_11
，T为迭代总次数，T=500；
步骤6：如果t<T，则完成配准，否则t=t+1，再次从步骤3循环执行。
2.根据权利要求1所述的一种基于自适应参数粒子群算法的图像配准方法，其特征在于，步骤1中，将图像A利用仿射变换得到图像B，其中四个参数值分别为s=0.8，θ=-35°，cx=-50，cy=200，分别表示缩放、旋转和平移。
3.根据权利要求1所述的一种基于自适应参数粒子群算法的图像配准方法，其特征在 于，步骤2中，所述参数集合包括搜索迭代总次数T=500，当前迭代参数t=0， 总维度D=4，粒 子群规模 N=20，各个粒子的速度向量
Figure QLYQS_12
和位置向量
Figure QLYQS_13
，其中i为第i个粒子。
4.根据权利要求3所述的一种基于自适应参数粒子群算法的图像配准方法，其特征在 于，四维粒子群算法中的速度向量为
Figure QLYQS_14
，位置向量为
Figure QLYQS_15
，其中i为第i个粒子，上标0~3表示第几维。
5.根据权利要求1所述的一种基于自适应参数粒子群算法的图像配准方法，其特征在于，步骤3中，根据当前粒子群的参数集合、速度向量集合、位置向量集合，利用仿射变换矩阵T，得到图像A的变换后图像
Figure QLYQS_16
，T具体形式如下：
Figure QLYQS_17
，其中
Figure QLYQS_18
为一组变量集合；利用信息论相 关理论，计算图像B和A’之间的互信息
Figure QLYQS_19
，并作为粒子群算法搜索的目标函数f(*)。
6.根据权利要求1所述的一种基于自适应参数粒子群算法的图像配准方法，其特征在于，步骤5中，速度向量更新公式：
Figure QLYQS_20
，其中c= 1.49445，
Figure QLYQS_21
和
Figure QLYQS_22
为0到1之间的任意值，d表示维度，取值范围为0~3；w是平衡全局搜索和 局部搜索的权重，取值范围为0.9~0.4；位置向量更新公式：
Figure QLYQS_23
。
7.根据权利要求6所述的一种基于自适应参数粒子群算法的图像配准方法，其特征在 于，步骤5中，按照下式更新位置向量
Figure QLYQS_24
：
Figure QLYQS_25
。/>
CN202310402817.0A 2023-04-17 2023-04-17 一种基于自适应参数粒子群算法的图像配准方法 Active CN116152316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310402817.0A CN116152316B (zh) 2023-04-17 2023-04-17 一种基于自适应参数粒子群算法的图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310402817.0A CN116152316B (zh) 2023-04-17 2023-04-17 一种基于自适应参数粒子群算法的图像配准方法

Publications (2)

Publication Number Publication Date
CN116152316A true CN116152316A (zh) 2023-05-23
CN116152316B CN116152316B (zh) 2023-07-07

Family

ID=86339187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310402817.0A Active CN116152316B (zh) 2023-04-17 2023-04-17 一种基于自适应参数粒子群算法的图像配准方法

Country Status (1)

Country Link
CN (1) CN116152316B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050196047A1 (en) * 2004-02-03 2005-09-08 Yuri Owechko Object recognition system incorporating swarming domain classifiers
CN104268869A (zh) * 2014-09-23 2015-01-07 中山大学 一种基于粒子群算法的多级分辨率遥感影像自动配准方法
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
CN105184764A (zh) * 2015-05-07 2015-12-23 西安电子科技大学 一种基于实数编码克隆选择算法的图像配准方法
CN105354800A (zh) * 2015-10-08 2016-02-24 西安电子科技大学 基于图像结构的粒子群优化非凸压缩感知图像重构方法
CN105957097A (zh) * 2016-07-08 2016-09-21 湖北科技学院 基于混合互信息和改进粒子群优化的图像配准方法
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
CN108133258A (zh) * 2016-12-01 2018-06-08 南京理工大学 一种混合全局优化方法
CN108830372A (zh) * 2018-06-08 2018-11-16 湖北工业大学 一种解决旅行商问题的自适应粒子群优化方法
CN109767462A (zh) * 2018-12-29 2019-05-17 西安电子科技大学 基于量子粒子群的VideoSAR帧间配准方法
CN111222286A (zh) * 2020-01-07 2020-06-02 东北电力大学 一种基于输电线路状态估计的参数优化方法
CN111814839A (zh) * 2020-06-17 2020-10-23 合肥工业大学 基于自适应变异的天牛群优化算法的模板匹配方法
AU2020103709A4 (en) * 2020-11-26 2021-02-11 Daqing Oilfield Design Institute Co., Ltd A modified particle swarm intelligent optimization method for solving high-dimensional optimization problems of large oil and gas production systems
CN113222096A (zh) * 2021-04-30 2021-08-06 桂林理工大学 一种面向云计算任务调度的改进粒子群算法
CN113705762A (zh) * 2021-09-09 2021-11-26 中国石油大学(华东) 一种基于混沌理论的自适应粒子群优化算法
CN114444648A (zh) * 2022-04-08 2022-05-06 中国人民解放军96901部队 一种基于强化学习和粒子群算法的智能寻优方法
CN114757322A (zh) * 2022-04-07 2022-07-15 重庆大学 一种多样搜索策略离散粒子群算法
CN114757323A (zh) * 2022-04-18 2022-07-15 湖北经济学院 基于动态局部进化的高斯粒子群优化算法
CN115660026A (zh) * 2022-10-26 2023-01-31 国网福建省电力有限公司莆田供电公司 一种基于郊狼粒子群算法的扩展德拜模型参数辨识方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050196047A1 (en) * 2004-02-03 2005-09-08 Yuri Owechko Object recognition system incorporating swarming domain classifiers
CN104268869A (zh) * 2014-09-23 2015-01-07 中山大学 一种基于粒子群算法的多级分辨率遥感影像自动配准方法
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
CN105184764A (zh) * 2015-05-07 2015-12-23 西安电子科技大学 一种基于实数编码克隆选择算法的图像配准方法
CN105354800A (zh) * 2015-10-08 2016-02-24 西安电子科技大学 基于图像结构的粒子群优化非凸压缩感知图像重构方法
CN105957097A (zh) * 2016-07-08 2016-09-21 湖北科技学院 基于混合互信息和改进粒子群优化的图像配准方法
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
CN108133258A (zh) * 2016-12-01 2018-06-08 南京理工大学 一种混合全局优化方法
CN108830372A (zh) * 2018-06-08 2018-11-16 湖北工业大学 一种解决旅行商问题的自适应粒子群优化方法
CN109767462A (zh) * 2018-12-29 2019-05-17 西安电子科技大学 基于量子粒子群的VideoSAR帧间配准方法
CN111222286A (zh) * 2020-01-07 2020-06-02 东北电力大学 一种基于输电线路状态估计的参数优化方法
CN111814839A (zh) * 2020-06-17 2020-10-23 合肥工业大学 基于自适应变异的天牛群优化算法的模板匹配方法
AU2020103709A4 (en) * 2020-11-26 2021-02-11 Daqing Oilfield Design Institute Co., Ltd A modified particle swarm intelligent optimization method for solving high-dimensional optimization problems of large oil and gas production systems
CN113222096A (zh) * 2021-04-30 2021-08-06 桂林理工大学 一种面向云计算任务调度的改进粒子群算法
CN113705762A (zh) * 2021-09-09 2021-11-26 中国石油大学(华东) 一种基于混沌理论的自适应粒子群优化算法
CN114757322A (zh) * 2022-04-07 2022-07-15 重庆大学 一种多样搜索策略离散粒子群算法
CN114444648A (zh) * 2022-04-08 2022-05-06 中国人民解放军96901部队 一种基于强化学习和粒子群算法的智能寻优方法
CN114757323A (zh) * 2022-04-18 2022-07-15 湖北经济学院 基于动态局部进化的高斯粒子群优化算法
CN115660026A (zh) * 2022-10-26 2023-01-31 国网福建省电力有限公司莆田供电公司 一种基于郊狼粒子群算法的扩展德拜模型参数辨识方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AGHILA RAJAGOPAL等: "A Deep Learning Model Based on Multi-Objective Particle Swarm Optimization for Scene Classification in Unmanned Aerial Vehicles", 《IEEE ACCESS》, vol. 8, pages 135383 - 135393, XP011801846, DOI: 10.1109/ACCESS.2020.3011502 *
SANJEEV SAXENA等: "A New Non Linear Inertia Weight Approach in PSO for Faster Rigid Image Registration", 《2019 6TH INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING AND INTEGRATED NETWORKS (SPIN)》, pages 607 - 612 *
杨博雯: "粒子群优化算法的惯性权重研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2022, no. 3, pages 140 - 372 *
许乐: "海鸥优化算法的改进及应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2022, no. 5, pages 140 - 124 *

Also Published As

Publication number Publication date
CN116152316B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN107886529B (zh) 一种用于三维重建的点云配准方法
CN110097093B (zh) 一种异源图像精确匹配方法
CN108594816B (zh) 一种通过改进orb-slam算法实现定位与构图的方法和系统
CN105427333B (zh) 视频序列图像的实时配准方法、系统及拍摄终端
CN108376408A (zh) 一种基于曲率特征的三维点云数据快速加权配准方法
CN105184766B (zh) 一种频域边界能量模型的水平集图像分割方法
Du et al. New iterative closest point algorithm for isotropic scaling registration of point sets with noise
CN107563323A (zh) 一种视频人脸特征点定位方法
CN108416801B (zh) 一种面向立体视觉三维重建的Har-SURF-RAN特征点匹配方法
CN112115291A (zh) 一种基于深度学习的三维室内模型检索方法
Wu et al. 3D scene reconstruction based on improved ICP algorithm
Cheng et al. UAV image matching based on surf feature and harris corner algorithm
CN116152316B (zh) 一种基于自适应参数粒子群算法的图像配准方法
CN110909778A (zh) 一种基于几何一致性的图像语义特征匹配方法
Elghoul et al. Fast global SA (2, R) shape registration based on invertible invariant descriptor
Zou et al. Shape-based retrieval and analysis of 3D models using fuzzy weighted symmetrical depth images
CN116894876A (zh) 基于实时图像的6-dof的定位方法
Demiröz et al. Affordable person detection in omnidirectional cameras using radial integral channel features
CN111339342A (zh) 一种基于角度三元中心损失的三维模型检索方法
JP2023029236A (ja) オブジェクト検出モデルを訓練するための方法及びオブジェクト検出方法
CN116026340A (zh) 一种适用于多尺度连续变焦条件的室内定位方法
KR101279484B1 (ko) 영상 처리 장치 및 방법
Qiu et al. Feature Splatting: Language-Driven Physics-Based Scene Synthesis and Editing
Zheng et al. Road central contour extraction from high resolution satellite image using tensor voting framework
Sun et al. Selective embedding with gated fusion for 6d object pose estimation

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