一種基于實數(shù)編碼克隆選擇算法的圖像配準(zhǔn)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像配準(zhǔn)領(lǐng)域，涉及目標(biāo)函數(shù)的優(yōu)化方法，具體是一種基于克隆選擇 算法的圖像配準(zhǔn)方法。
【背景技術(shù)】
[0002] 圖像配準(zhǔn)技術(shù)作為一項非常重要的研究課題，已經(jīng)被廣泛應(yīng)用于計算機視覺、模 式匹配、醫(yī)學(xué)圖像分析和遙感圖像處理。由于層出不窮的新型傳感器，人們對圖像的獲取 能力快速提升。新型傳感器有著各種不同的特性，因而不同種類的遙感圖像也不斷多了起 來。鑒于傳感器在獲得圖像信息時候，在各個方面例如光譜信息、幾何大小和時間先后等都 有著明顯的差異，所以利用單一的圖像信息很難滿足實際情況。為了能夠更好的獲得不同 圖像的各類信息，從而得到更高分辨率的遙感圖像，需要充分利用多模態(tài)圖像的優(yōu)勢，對利 用不同設(shè)備不同成像條件下的圖像進(jìn)行融合，圖像融合的前提就是圖像配準(zhǔn)。簡而言之，其 主要目的就是將對同一場景在不同時刻，不同角度或者不同傳感器拍攝的兩幅圖像進(jìn)行對 齊。
[0003] 現(xiàn)階段圖像配準(zhǔn)的方法主要有兩種類型：基于灰度的圖像配準(zhǔn)方法和基于特征的 圖像配準(zhǔn)方法。
[0004] 基于灰度的圖像配準(zhǔn)方法不需要對圖像進(jìn)行特征提取，而是使用整幅圖像或者圖 像的子區(qū)域來估算兩幅圖像之間的灰度一致性，常用的相似性度量方法有：互相關(guān)，相位相 關(guān)和互信息。盡管此類方法的計算復(fù)雜度比較高，但是此類方法已經(jīng)被證明在圖像配準(zhǔn)中 取得了很好的效果。其中，互信息具有以下特點：第一，它不需要對不同模態(tài)的圖像進(jìn)行灰 度對應(yīng)性的假設(shè)。第二，互信息對噪聲具有很好的魯棒性。第三，在兩幅圖像達(dá)到精確配準(zhǔn) 時，互?目息取得最大值。
[0005] 基于特征的圖像配準(zhǔn)方法需要先對圖像的特征，包括點，線或區(qū)域進(jìn)行檢測，之后 對檢測到的特征進(jìn)行一一匹配，然后由匹配的特征估計兩幅圖像之間的空間變換關(guān)系，進(jìn) 而配準(zhǔn)圖像。常用的特征檢測方法有：Harris角點檢測、Canny檢測算子、圖像分割的方法 和相位一致提取特征點等，得到特征點之后需要利用空間關(guān)系或者不變描述子對特征進(jìn)行 一一對應(yīng)。當(dāng)有足夠多的特征時，基于特征的圖像配準(zhǔn)方法能夠很容易地求得接近全局最 優(yōu)的變換參數(shù)。
[0006] 通常，圖像配準(zhǔn)問題在確定相似性度量標(biāo)準(zhǔn)之后可以轉(zhuǎn)換為函數(shù)的優(yōu)化問題，在 相似性度量達(dá)到最大值時得到配準(zhǔn)的圖像。常見的函數(shù)優(yōu)化方法有遺傳算法、粒子群算法 等。遺傳算法是基于達(dá)爾文生物進(jìn)化理論自然選擇和遺傳學(xué)機理而發(fā)展起來的進(jìn)化算法， 它隨機產(chǎn)生初始種群，接著對初始種群的每個個體進(jìn)行適應(yīng)度評價，迭代開始后選擇適應(yīng) 度高的個體以一定的概率進(jìn)行交叉、變異操作，產(chǎn)生新的個體，再對新個體進(jìn)行適應(yīng)度的評 價，通常設(shè)置一定的迭代次數(shù)或者當(dāng)目標(biāo)函數(shù)達(dá)到某一閾值后迭代停止，輸出最終的解。其 缺點是計算復(fù)雜度高，容易過早收斂，并且容易陷入局部最優(yōu)。
[0007] 人工免疫系統(tǒng)（Artificial Immune system，AIs)是模仿自然免疫系統(tǒng)功能的一 種智能方法，它實現(xiàn)一種受生物免疫系統(tǒng)啟發(fā)，通過學(xué)習(xí)外界物質(zhì)的自然防御機理的學(xué)習(xí) 技術(shù)，提供噪聲忍耐、無教師學(xué)習(xí)、自組織、記憶等進(jìn)化學(xué)習(xí)機理，結(jié)合了分類器、神經(jīng)網(wǎng)絡(luò) 和機器推理等系統(tǒng)的一些優(yōu)點，因此具有提供新穎的解決問題的潛力?？寺。–lone)免疫 是生物免疫系統(tǒng)理論的重要學(xué)說。由于遺傳和免疫細(xì)胞在增殖中的基因突變，形成了免疫 細(xì)胞的多樣性，這些細(xì)胞的不斷增殖形成了無性繁殖系。細(xì)胞的無性繁殖稱為克隆。
[0008] 1958年Burnet等提出了著名的克隆選擇學(xué)說，其中心思想為：抗體是天然產(chǎn)物， 以受體的形式存在于細(xì)胞表面，抗原可與之選擇性地反應(yīng)?？乖c相應(yīng)抗體的反應(yīng)可導(dǎo)致 細(xì)胞克隆性增值，該群體具有相同的抗體特異性，其中某些細(xì)胞克隆分化為抗體生成細(xì)胞， 另一些形成免疫記憶細(xì)胞以參加之后的二次免疫反應(yīng)，克隆選擇是生物體免疫系統(tǒng)自適應(yīng) 抗原刺激的動態(tài)過程，在這一過程中，所體現(xiàn)的學(xué)習(xí)、記憶、抗體多樣性等生物特性正是人 工免疫系統(tǒng)所借鑒的。基于信息處理的觀點，可以認(rèn)為，克隆選擇的實質(zhì)就是在一代進(jìn)化 中，在候選解集的附近，根據(jù)親合度大小，產(chǎn)生一個變異解的群體。克隆選擇算法是通過抗 體一抗原親合度實現(xiàn)個體間的競爭，并有效地調(diào)節(jié)過度競爭，以保持抗體群的多樣性。
[0009] 作為一種新的全局優(yōu)化搜索算法，免疫克隆選擇算法在算法實現(xiàn)上兼顧全局搜 索和局部搜索，并構(gòu)造記憶單元，將遺傳算法的記憶單個最優(yōu)個體變?yōu)橛洃浺粋€最優(yōu)解的 群體。在一般的遺傳算法中，交叉是主要算子，變異是背景算子，但克隆選擇算法則恰恰相 反，并且實驗證明免疫克隆選擇算法性能優(yōu)于相應(yīng)的遺傳算法。另外，克隆算子本身的選擇 機制具有記憶功能，因此可以保證算法以概率1收斂到最優(yōu)解，而標(biāo)準(zhǔn)的遺傳算法則不能。
[0010] 本發(fā)明將免疫克隆選擇算法應(yīng)用到圖像配準(zhǔn)中，并且采用實數(shù)編碼的方法，根據(jù) 適應(yīng)度函數(shù)的大小，不斷更新種群克隆的規(guī)模，來求得最優(yōu)的圖像配準(zhǔn)參數(shù)，達(dá)到了較好的 圖像配準(zhǔn)效果。通過實驗數(shù)據(jù)分析，本發(fā)明方法優(yōu)于傳統(tǒng)的遺傳算法。

【發(fā)明內(nèi)容】

[0011] 本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于克隆選擇算法的圖像 配準(zhǔn)方法，提高對配準(zhǔn)參數(shù)估計的準(zhǔn)確性，實現(xiàn)對參考圖像和浮動圖像的正確配準(zhǔn)。
[0012] 本發(fā)明的技術(shù)方案步驟包括如下：
[0013] (1)輸入分辨率相同的參考圖像imageR和浮動圖像images ;
[0014] (2)抗體種群初始化：隨機產(chǎn)生抗體種群，A表示抗體集，抗體集A由臨時抗體集A, 和記憶抗體集Am組成，N = r+m，r表示臨時抗體集A 中的臨時抗體數(shù)量，m表示記憶抗體 集Ani中的記憶抗體數(shù)量，N是抗體集A中抗體的總數(shù)量；
[0015] (3)用A代表參考圖像imageR、B代表浮動圖像images構(gòu)建歸一化互信息函數(shù) MI(A，B)作為目標(biāo)函數(shù)：
[0017] 其中，H⑷是圖像A的邊緣熵，
> 是圖像A 中第i級灰度級出現(xiàn)的概率，M為圖像A中灰度級的級數(shù)，H(B)為圖像B的邊緣熵， CN 105184764 A I兄明書 3/7 頁
PB(j)是圖像B中第j級灰度級出現(xiàn)的概率，N為圖像B中灰 度級的級數(shù)
是圖像A和圖像B之間的聯(lián)合熵，p(i，j)是圖像A 中第i級灰度級、圖像B中第j級灰度級這一對點在圖像A和圖像B這兩幅圖像中同一位 置同時出現(xiàn)的聯(lián)合概率，且
h(i，j)是圖像A和圖像B的聯(lián)合直方圖，η是 圖像A和圖像B重疊區(qū)域像素的個數(shù)，其中聯(lián)合直方圖的定義如下：
[0019] h(a，b) (0彡a彡Κ-1，0彡b彡L_1，K和L是兩幅圖像中灰度值的范圍）表示圖像 A中灰度級為a，圖像B中灰度級為b的像素對的個數(shù)；
[0020] (4)利用克隆選擇算法對歸一化互信息函數(shù)MI (A，B)進(jìn)行優(yōu)化
[0021 ] 4a)計算種群的抗體親和力，即歸一化互信息函數(shù)MI (A，B)的值；
[0022] 4b)抗體選擇：對抗體親和力按照降序排列，選取抗體親和力最高的前k個個體作 為臨時抗體集A」
[0023] 4c)抗體克?。哼x擇出來的k個抗體將會被獨立克隆，克隆的次數(shù)也是不定的，具 體的規(guī)則是：親和度越高，親和力序號i越小，被克隆的次數(shù)就越多，相反，親和度越低，親 和力序號i越大，被克隆次數(shù)越少，抗體被克隆的總數(shù)量N。如下式：
[0025] 其中，β是一個乘法因子，N是抗體集合A中的抗體總數(shù)量，親和力序號i的取值 范圍為1到k，round()是一個自變量算子，表示向最近的整數(shù)取整，N。的第i項 對應(yīng)第i個抗體被克隆的規(guī)模大小。
[0026] 4d)抗體變異：對克隆后的抗體做變異操作。產(chǎn)生一個0到1之間的隨機數(shù)，如果 這個數(shù)小于預(yù)先設(shè)定的變異概率，則對相應(yīng)的參數(shù)進(jìn)行變異：
[0027] χ_= X+ δ * λ
[0028] 其中，x_為變量x變異后的參數(shù)，δ = 〇. 為窄化搜索區(qū)域因子，χ_ 為變量X的最大值，Xmin為變量X的最小值，λ為〇到1之間的一個隨機數(shù)，用于調(diào)節(jié)X變 異的步長；
[0029] 4e)形成記憶抗體集：重新計算通過上述變異操作后抗體種群中每個抗體的適應(yīng) 度值也就是親和力的大小，若通過上述變異操作后種群中的抗體親和力高于4中所對應(yīng)的 變異之前的抗體的親和力，就用變異操作后的抗體替換原來4中的，形成記憶抗體集A
[0030] 4f)抗體記憶：模擬人工免疫系統(tǒng)生物選擇中的5%的B細(xì)胞的自然消亡，即從抗 體集A中刪