[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

摘要

一种基于侧抑制和混沌量子微粒群优化的图像匹配方法，具体步骤如下：(1)运用侧抑制原理进行图像预处理，提取图像边缘；(2)初始化微粒群优化各参数；(3)计算各微粒的适应度值；(4)比较此次循环即k次循环时各个微粒的适应度值，由上一步得到的各个微粒的适应度值，其中最大适应度值即为全局最优值gbest；同时将上一步得到的每个微粒的适应度值分别与第k-1次循环时得到的该微粒的适应度值进行比较，较大的适应度值即为第k次循环时的该微粒自身的最优值Pbest；(5)根据微粒的适应度值进行PSO寻优；(6)当前循环次数加1，跳转至步骤3，重复运行，直至循环次数大于最大循环次数N；(7)结束运行，并输出最优匹配位置以及最优适应度值。

主权项

一种基于侧抑制和混沌量子微粒群优化的图像匹配方法，其特征在于：其具体步骤如下：步骤1：运用侧抑制原理进行图像预处理，提取图像边缘；1.1 读取图像并转换为灰度图像；依照不同格式的图像之间的转换矩阵，将不同格式的图像先转换为灰度图像，得到灰度图像中每个像素点的灰度值，以提取图像边缘；1.2 提取原图及待匹配模板的图像边缘；选择合适的侧抑制模型、抑制野和侧抑制系数分布，对待匹配模板和原图提取图像边缘；侧抑制模型如下： R ( m , n ) = I 0 ( m , n ) + Σ i = - M M Σ j = - N N α ij I 0 ( m + i , n + j ) - - - ( 8 ) 其中，I0(m，n)为原像素点(m，n)处的灰度值；αij为网络内(i，j)位置像素对中心像素的抑制竞争系数；R(m，n)是经侧抑制处理后原像素点(m，n)处的灰度值；I0(m+i，n+j)为原像素点(m+i，n+j)处的灰度值，M×N为抑制野；步骤2：初始化微粒群优化各参数2.1 初始化微粒群设定大小为M×2的数组P表示PSO的微粒群，其中M为该微粒群的规模即微粒总数；数组P的各列数值分别对应图像像素点在图像坐标系中的横坐标和纵坐标；为了达到微粒遍布整个图像空间的效果，采用如下的混沌映射迭代方程：x(k+1)＝μx(k)(1-x(k))               (13)其中，k为当前迭代次数，μ为控制参数，x为混沌向量；当x(1)≠0.25，0.5，0.75，且μ＝4时，方程(13)完全进入混沌状态；微粒群P的初始化如下：P(m+1，i)＝4P(m，i)(1-P(m，i))           (14)其中i＝1，2；m＝1，...，M；P(1，i)≠0.25，0.5，0.752.2 设LICQPSO的最大的迭代次数即循环次数为N，当前的循环次数为k；2.3 用混沌映射迭代方程初始化收缩扩张系数β采用混沌映射迭代方程针对每一维的微粒状态映射得到随迭代次数变化的二维数组，k为当前的循环次数；βi(k+1)＝4βi(k)(1-βi(k))，             (15)其中i＝1，2；βi(1)≠0.25，0.5，0.75步骤3：计算各微粒的适应度值步骤1中图像坐标为(m，n)处的灰度值经过步骤1侧抑制处理后变成了I(m，n)，接下来可由下列公式(16)计算每一个微粒的适应度值；本发明采用如下的适应度函数，计算各个微粒的适应度值 f = Σ i = 0 K - 1 Σ j = 0 W - 1 I ( m + i , n + j ) - - - ( 16 ) 其中，K×W为待匹配的模板的大小，f为适应度值，I(m+i，n+j)为处理后的二值图像在像素点(m+i，n+j)的灰度值；步骤4：比较此次循环即k次循环时各个微粒的适应度值，即由上一步得到的各个微粒的适应度值，其中最大适应度值即为全局最优值gbest；同时将上一步得到的每个微粒的适应度值分别与第k-1次循环时得到的该微粒的适应度值进行比较，较大的适应度值即为第k次循环时的该微粒自身的最优值Pbest；步骤5：根据微粒的适应度值进行PSO寻优根据如下公式计算出mbest及p(m，i)d： mbest ( i ) = 1 M Σ j = 1 M P ( j , i ) , i = 1,2 - - - ( 17 ) P(m，i)d＝φP(m，i)pd+(1-φ)P(k，i)gd，m＝1，…，M    (18)其中φ为[0，1]的随机数，m为第j个微粒；P(m，i)pd为第m个微粒经历过的最好位置，P(k，i)gd为迭代次数为k时的微粒群的最好位置；如果rand()＞0.5 P ( m , i ) = P ( m , i ) d - β | mbest ( i ) - P ( m , i ) | In 1 u - - - ( 19 ) 否则 P ( m , i ) = P ( m , i ) d + β | mbest ( i ) - P ( m , i ) | In 1 u - - - ( 20 ) 其中rand()、u为[0，1]的随机数；对当前的微粒进行迭代计算，产生新一代的微粒P(m，i)；然后由公式(16)给出的适应度函数计算新微粒的适应度值，并分别与所对应的当前代微粒适应度值进行比较；记录下所有在经历PSO计算后适应度值变得更好的微粒；步骤6：当前循环次数加1，即k＝k+1，跳转至步骤3，重复运行，直至循环次数大于最大循环次数N(即k＞N)；步骤7：结束运行，并输出最优匹配位置以及最优适应度值。