[发明专利]基于改进人工蜂群算法的图像配准方法

说明书

技术领域

本发明涉及图像处理领域，特别涉及一种基于改进人工蜂群算法的图像配准方法。

背景技术

随着科学技术的不断发展，人们获取图像的能力不断提高。获取的图像一般可以分为两大类：单模图像和多模图像。单模图像多指利用同一设备获得的图像，多模图像多指利用不同设备获得的图像。由于单模图像包含的数据存在明显的局限性以及多模图像在几何、光谱、分辨率等方面存在的差异性，从而出现了图像融合技术。图像融合技术可以将不同传感器或者同一传感器获得的多幅图像综合起来使用，从而实现对目标有一个更为全面、准确认识的目的。在图像融合处理中，图像配准是图像融合的第一步，也是实现融合的前提条件。只有找准了多幅图像之间的空间对应关系，才能得到理想的图像融合效果。

图像配准的方法主要有两类：基于灰度的方法和基于特征的方法。在基于灰度的方法中，基于互信息的方法最为常用。利用互信息作为度量图像相似性的优化算法一般有：Powell算法、粒子群算法、差分进化算法、人工蜂群算法等。这些优化算法虽然各有优点，但也都存在着各自的问题：Powell算法会随着搜索方向的退化导致搜索速度变慢；粒子群算法虽然收敛速度快，但容易陷入局部最优解；差分进化算法收敛速度慢，但全局搜索过程较粒子群算法更为详细；人工蜂群算法的收敛速度介于粒子群算法和差分进化算法之间，但在它的第二个搜索阶段，算法搜索空间容易局限于某一小块区域，全局搜索能力有待提高。

发明内容

为了解决以上现有技术中的缺陷，特别针对人工蜂群算法在第二搜索阶段的搜索空间容易局限于某一小块区域的问题，本发明提供一种基于改进人工蜂群算法的图像配准方法，以提高全局搜索能力。

基于改进人工蜂群算法的图像配准方法，包括以下步骤：

步骤1、确定待优化参数及适应度函数，初始化第一代人工蜂群，产生初始食物源；

步骤2、雇佣蜂寻找当前食物源的临近食物源，用贪心法在当前食物源与临近食物源之间作出选择；

步骤3、雇佣蜂分享食物源信息给观察蜂，观察蜂计算所有食物源的适应度值；

步骤4、观察蜂利用轮盘赌算法选择适应度值较小的食物源，同时引入差分策略进行临近食物源的二次搜索；

步骤5、重复步骤2-4，直至达到最大迭代次数；

步骤6、迭代结束，输出最优解。

适应度值的计算方法为：