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 PDFInfo
- 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
Links
- 239000002245 particle Substances 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000009466 transformation Effects 0.000 claims abstract description 17
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 16
- 230000003247 decreasing effect Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 39
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method 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
- 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
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:
其中c由下式计算得出:
a和b的计算公式如下:
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5中,速度向量更新公式:
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:
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:
a和b的计算公式如下:
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:
表1 搜索效果对比
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:
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。
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)
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 |
-
2023
- 2023-04-17 CN CN202310402817.0A patent/CN116152316B/zh active Active
Patent Citations (19)
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)
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 | |
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 | |
CN105427333B (zh) | 视频序列图像的实时配准方法、系统及拍摄终端 | |
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 | |
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 | |
CN110516528A (zh) | 一种基于运动背景下的动目标检测和跟踪方法 | |
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 | |
Li et al. | Oriented-yolov5: A real-time oriented detector based on Yolov5 | |
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 | |
CN110210511A (zh) | 一种基于余弦测度的改进pca-sift图像配准方法 | |
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 |
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 |