改进量子遗传算法在图像匹配算法中的研究与应用

徐梅

【摘 要】量子遗传算法是将量子理论与遗传算法相结合应用的一种智能算法。其高并行性而杰出的全局性越来越引起人们的眷注，将其应用到各类优化问题中去。本文就是在图像匹配过程中利用改进的量子遗传算法，实验证明量子遗传算法是有效的，可以很好的缩短匹配时长并提高匹配精度。

【关键词】量子遗传算法；图像匹配；相似度检测

中图分类号： TP18；TP391.41 文献标识码： A 文章编号： 2095-2457（2018）27-0086-003

DOI：10.19694/j.cnki.issn2095-2457.2018.27.038

当前社会是一个数字化的信息社会，人们在日常生活、工作、进修、科研生产中，无处不在获取数字图像信息，并使用數字图像得到所需的信息。这就需要对图像处理与分析的技术进一步的有所提高，而其中的关键所在就是图像匹配，因此研究图像匹配技术是非常有必要的。图像匹配是指使用某种方法来确定两个匹配图像或相应图案的相对空间位置。通常，图像匹配是一个计算过程，这意味着要匹配的较小的图像可以正确地定位在较大的参考图像上。近年来，量子遗传算法（QGA）在图像匹配中得到了广泛的应用。虽然取得了一些良好的效果，但仍存在一些问题需要解决。尤其是对于不同领域内的不同类型的图像匹配。

1 基本的图像匹配技术

在现实应用中各类图像匹配一般有四项基本因素：特征空间，相似性测度，搜索空间和搜索算法。目前，主要有基于区域（Area-based）和基于特征（Feature-based）的图像匹配算法。一般，我们可以从匹配概率、匹配速度、匹配精度和匹配适应性几个方面来评价匹配算法的性能。

2 量子遗传算法

量子遗传算法是将量子力学应用于遗传算法的过程。算法结构描述如图1所示。

2.1 种群初始化

首先对种群规模和变量个数进行确定，同时对种群进行编码，其编码长度及方式与基本遗传算法相同。当采用[a，b]为变量区间，串长CL如公式（1）所示.

2.2 观测状态和评估

通过观测状态Q（t）测量得到解P（t）并进行解码。对应的公式（4）、（5）计算。

2.3 种群染色体进化

第三步通过量子门U（t）来更新Q（t），进行个体进化，主要由二进制解P（t）和保存的最优解决定，U（t）公式如（6）所示：

2.4 遗传操作

最后进行遗传操作，主要由量子选择、量子交叉、量子变异组成。

3 图像匹配的基本流程

图像匹配的基本流程如图2所示，一般先进行预处理图像，再对图像进行几何变换。

3.1 预处理图像

图像预处理主要含有图像校正和增强。在普通的图像匹配中如果需要匹配的两组图像满足要求，则不需要进行此步操作，但是这一步可以提高图像匹配的质量，可以更加有效的降低图像匹配所花费的时间，并提高匹配质量。

3.2 几何变换图像

几何变换即指对待匹配对象进行一定的平移、旋转等操作。可以采用双线性插值法，具体步骤如下：

3.3 相似性测度

3.4 最优化

主要目的是减少搜索点，提高搜索精度和速度。

4 基于改进的量子遗传算法的图像匹配

（1）首先，选择参数空间和编码方式，设置算法参数并进行相似度测度定义。

其中，参数空间选择X，Y方向的平移和旋转角度。参数为：群体大小为30，染色体长度为20，进化步长为0.02。模拟退火参数：初始温度1000，新解数和最大循环次数设置为5，冷却系数为0.7。分组的量子遗传算法的参数设置是：种群分为组、每组中的个体数是10、染色体体长度是20、最大遗传代数是200、旋转门步进角是 0.01。

（2）初始化种群。

（3）计算个体的相似性测度值。通过观测量子染色体计算得到像素点的位置，再通过插值计算进行个体适应度值的计算。

（4）更新个体，并保留最优值。

（5）判断终止条件，不满足，则返回到步骤（3），否则就结束。

（6）输出结果。

5 仿真实验

基准图像选用采用大小（490×490）Lena图像，待匹配图像的平移量是（30，60），采用改进的量子遗传算法和普通量子遗传算法的仿真结果如表1所示。

从两种算法的进化曲线可以看出，在匹配过程中改进的量子遗传算法除了每一代的计算时间比较长以外，不仅在成功率，还有计算精度，都要比普通量子遗传算法要好。

此外，为了进一步说明基于改进的量子遗传算法在搜索能力、匹配速度和成功率方面的优越性，本文增加了椒盐噪声和高斯噪声进行仿真比较。

5.1 椒盐噪声

基准图像的大小是（490*490），平移量的大小是（30，60）。仿真如表2所示。

5.2 高斯噪声

基准图像的大小是（490*490），加入高斯噪声待匹配图像其平移量的大小是（30，60），仿真如表3所示。

结合仿真结果可以得出，从成功率等多个算法指标上来衡量比较，改进后的算法图像匹配的抗干扰性、搜索能力方面都相比较有一定的优越性。

6 总结

经过长期的发展，图像匹配技术无论哎生产和生活总的作用和贡献越来越大，对图像匹配技术要求也越来越高。本文通过对改进的量子遗传算法应用到图像匹配中来，很好的缩短匹配时长并提高匹配精度，可以更好的应用与图像匹配工作中去。

【参考文献】

[1]钱洁.量子进化算法研究现状综述[J].控制与决策，2011，26（3）：0321-0326.

[2]王兴林，李茂军.基于改进量子遗传算法的Flow-Shop 调度求解[J].计算技术与自动化，2010，29（3）：82-85.

[3]王胜兵，张鹏飞.一种利用精英保留改进的量子遗传算法[J].海军工程大学学报，2010，22（1）：5-7，38.

[4]王娜.求解TSP的改进遗传算法[D].西安：西安电子科技大学，2010.

[5]章毓晋.图象分割[M].北京：科学出版社，2001.