[发明专利]一种基于侧抑制和混沌量子微粒群优化的图像匹配方法

说明书

【技术领域】

本发明是一种基于侧抑制和混沌量子微粒群优化(Chaotic mutated Quantum-BehavedPSO Based on Lateral Inhibition，LICQPSO)的图像匹配方法，属于计算机视觉信息处理领域。

【背景技术】

图像匹配是计算机视觉中一个非常重要的研究课题，广泛应用于图像配准、目标检测、目标识别和图像检索等领域中。图像匹配是指通过一定的匹配方法在两幅或多幅图像之间识别同名点，其实质是在基元相似性的条件下，按照一定的匹配准则搜索得到最相似的区域。图像匹配常用的一种方法是基于灰度的匹配。一个良好的匹配要求精度高、速度快，这在计算机视觉领域中也是至关重要的衡量因素。研究表明，图像匹配的速度主要取决于匹配方法的搜索策略。一个好的搜索策略不需要遍历图像上的每一个像素点便可以精确的找到最优匹配位置。可以说，在保证匹配精度的情况下搜索的像素点越少，方法的效率也就越高。

侧抑制(Lateral Inhibition，LI)是Hartline等人在对鲎视觉进行电生理实验时发现并证实的，是神经系统信息处理的基本原则之一。对鲎视觉系统的研究表明，侧抑制网络在信息预处理中主要功能有以下几个方面：

(1)可以突出边缘，增强反差；

(2)高通滤波器，将很大的输入变化范围压缩到网络本身的动态范围之内，有明显的亮度适应作用；

(3)可以对图像的细微间断处进行拟合，具有明显的聚类作用。

侧抑制在神经系统的信息处理中起到了重要的作用，可应用于图像处理、模式识别以及神经网络等领域。

微粒群优化(Particle Swarm Optimization，PSO)算法是由J.Kennedy和R.C.Eberhart等于1995年开发的一种演化计算技术，来源于对一个简化社会模型的模拟。PSO最初是为了图形化的模拟鸟群优美而不可预测的运动。而通过对动物社会行为的观察，发现在群体中对信息的社会共享提供一个演化的优势，并以此作为开发方法的基础。

PSO是基于群体的，根据对环境的适应度将群体中的个体移动到好的区域。将每个个体看作是D维搜索空间中的一个没有体积的微粒(点)，在搜索空间中以一定的速度飞行，这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整。第i个微粒表示为x_i＝(x_i1，...，x_id)，它经历过的最好位置(有最好的适应值)记为P_i＝(p_i1，...，p_id)，也称为P_best。在群体所有微粒经历过的最好位置的索引号用符号g表示，即P_g，也称为g_best。微粒i的速度用V_i＝(v_i1，...，v_id)表示。对每一代，它的第d维(1≤d≤D)根据如下方程进行变化：