一种新的粒子群优化的图像匹配算法

2018-05-15 06:43王长清朱进进张佳伟
现代电子技术 2018年10期
关键词:粒子群算法图像匹配

王长清 朱进进 张佳伟

摘  要: 针对粒子群算法在图像匹配中易陷入局部最优、搜索速度慢以及匹配精度不高的问题,提出一种新的粒子群优化的图像匹配算法。首先,以改进的非线性惯性权重对粒子群算法进行优化,以此来平衡粒子在全局和局部的搜索能力;其次,提出添加动态扰动项对速度进行扰动,避免粒子在算法后期速度停滞为零而陷入局部最优。仿真结果表明,该算法提高了粒子的全局搜索能力和收敛精度,有效防止早熟现象,与基于标准的PSO图像匹配算法相比,所提算法具有收敛速度快、鲁棒性好以及匹配精度高的特点。

关键词: 图像匹配; 粒子群算法; 惯性权重; 速度扰动; 搜索速度; 收敛精度

中图分类号: TN911.73?34; TP391              文献标识码: A                    文章編号: 1004?373X(2018)10?0081?04

Abstract: In allusion to the problems that the particle swarm algorithm is prone to fall into local optimum, and has slow searching speed and low matching precision in image matching, a new image matching algorithm based on particle swarm optimization is proposed. The particle swarm algorithm is optimized by using the improved nonlinear inertia weight to balance the global and local searching capability of particles. The addition of the dynamic disturbance term is proposed to disturb the velocity so that the local optimum can be avoid when the velocity of particles falls to zero at the later stage of the algorithm. The simulation results show that this algorithm can improve the global searching capability and convergence precision of particles which can effectively prevent the premature phenomenon, and has the characteristics of faster convergence speed, better robustness, and higher matching precision in comparison with the standard PSO image matching algorithm.

Keywords: image matching; particle swarm algorithm; inertia weight; velocity disturbance; searching speed; convergence precision

0  引  言

图像匹配[1?3]是计算机视觉和图像处理中的一项重要技术,图像匹配方法目前主要有两大类:一类是基于灰度相关的匹配, 直接利用图像的灰度进行匹配, 匹配率较高,但计量大,速度较慢;另一类是基于特征的匹配, 需先对 图像提取特征,然后再对提取特征后的图像进行匹配,一般匹配速度较快,但匹配精度不高。利用群体智能算法对图像匹配算法进行优化,以达到提高速度的目的,成为近年来图像匹配算法领域研究的热点。粒子群优化算法(Particle Swarm Optimization,PSO)作为一种群体智能算法,通过群体和个体之间的协作和信息共享来实现复杂空间最优解的搜索,目前对PSO算法的改进已成为研究的热点。吴润秀等人提出了一种具有高斯扰动的局部引导粒子群优化算法[4],增加全局最优粒子控制的高斯扰动项,提高了算法的全局搜索能力。Lu等人提出了通过引进收缩因子k对惯性权重进行调整的异步改进的粒子群算法[5],提高了算法的稳定性。文献[6]提出一种新的邻域拓扑结构,降低粒子之间的联系,减缓粒子向最优粒子聚集的速度,提高了种群的多样性。文献[7]利用自组织层与时变加速系数对粒子群进行优化,用于增强粒子的全局搜索能力。 Liu等人基于侧抑制混沌研究粒子群优化的图像匹配[8],将侧抑制应用于提取的边缘图像的锐化,能够很好地突出原图像的特征。但以上算法都存在匹配精度、收敛速度和鲁棒性不能共存的问题。考虑到粒子群算法在改进中存在的问题及其在图像匹配中存在的缺陷,为了提高图像匹配的精度和速度,本文提出基于惯性权重和带有速度扰动项的粒子群算法的图像匹配。所提算法以归一化积相关函数作为适应度函数,改进的惯性权重用于平衡全局和局部搜索能力,并添加速度扰动项保证粒子在搜索后期具有跳出局部最优的能力,进而提高了算法的收敛速度、匹配精度和鲁棒性。

3  仿真实验

为了验证本文提出的改进的粒子群(Improved Particle Optimization,IPOS)算法的有效性,测试环境为英特尔Pentium(奔腾) G645 @ 2.90 GHz双核,Windows XP专业版。在Matlab中编写程序,将本文算法与PSO图像匹配算法的仿真结果进行对比,各项试验参数如下:粒子数N为40,加速度因子C1=C2=2,最大迭代次数为80,[wmax=0.9],[wmin=0.4],理想适应度值为1,实验中取待匹配分辨率为512×512 的Lena图像,以该图坐标(200,200)为左上角,截取分辨率为100×100的子图作为模板图,即理想的匹配位置为(200,200)。新算法基本流程图如图1所示。

在无噪声环境下,原图像和模板图分别如图2a)、图2b)所示,利用本文IPSO算法进行图像匹配,实验的匹配结果如图2c)所示,图中的绿色线框部分为模板图,将图2b)模板图放在匹配位置时,图像匹配边缘衔接光滑,纹理自然完整,可以实现匹配位置的精确定位。

为了验证IPSO算法的有效性,将IPSO算法的粒子迭代次数与适应度值的关系仿真结果和PSO算法进行比较,实验结果如图3所示。由图3可知,此次对PSO算法的测试在32代达到全局最优,有4次陷入局部最优解,而IPSO算法在第8代达到全局最优解,即达到收敛的理想位置(200,200),没有陷入局部最优,之后,粒子的适应度值曲线呈水平直线。对本文IPSO算法和PSO算法总共进行30次试验,其性能如表1所示。

由表1可知,本文IPSO算法在匹配精度和搜索速度上比PSO算法性能更强。为了测试IPSO算法的鲁棒性能,在Lena原图像中加入均值为0,方差为0.008的Gaussian噪声,如图4a)所示。通过利用IPSO算法進行图像匹配,实验匹配结果如图4b)所示。图中的绿色线框部分为模板图,见图4c)。将图4c)模板放入匹配位置时,图像匹配边缘衔接光滑,可以实现匹配位置的精确定位。

为了验证IPSO算法在Gaussian噪声下的鲁棒性,将IPSO算法的粒子迭代次数与适应度值的关系仿真结果和PSO算法进行比较,实验结果如图5所示。

由图5可知,此次对PSO算法的测试在43代达到全局最优,有6次陷入局部最优解,而IPSO算法在第10代达到全局最优,达到收敛的理想位置(200,200),仅有两次很短的时间陷入局部最优解,此后,粒子的适应度值曲线呈水平直线。对本文IPSO算法和PSO算法总共进行30次试验,其性能如表2所示。

由表2知,当原图像受到噪声环境干扰时,本文的IPSO算法依然能够得到精确的匹配结果,并且在算法的搜索速度上依然大于PSO算法,验证了本文算法具有较好的鲁棒性。

4  结  论

本文通过研究图像匹配算法中PSO算法的不足,以提高算法的匹配精度、收敛速度以及抗干扰能力为研究目标,提出一种新的粒子群优化的图像匹配算法。新算法对粒子群算法的速度更新公式进行改进,使其具有跳出局部最优进行全局搜索的能力。实验仿真表明,在搜索速度和精度上,本文提出的算法比PSO算法显著提升了性能,并且具有一定的抗干扰能力。

参考文献

[1] 刘莹,曹剑中,许朝晖,等. 基于灰度相关的图像匹配算法的改进[J].应用光学,2007,28(5):536?540.

LIU Ying, CAO Jianzhong, XU Zhaohui, et al. Improvement of image matching algorithm based on gray correlation [J]. Journal of applied optics, 2007, 28(5): 536?540.

[2] 陈丽芳,刘渊,须文波.改进的归一互相关法的灰度图像模板匹配方法[J].计算机工程与应用,2011,47(26):181?183.

CHEN Lifang, LIU Yuan, XU Wenbo. Improved normalized correlation method of gray image template matching method [J]. Computer engineering and applications, 2011, 47(26): 181?183.

[3] ZHANG Yi, LU Kai, GAO Yinghui. Fast image matching algorithm based on affine invariants [J]. Journal of Central South University, 2014, 21(5): 1907?1918.

[4] 吴润秀,孙辉,朱德刚,等.具有高斯扰动的局部引导粒子群优化算法[J].计算机工程与科学,2016,38(6):1183?1192.

WU Runxiu, SUN Hui, ZHU Degang, et al. A particle swarm optimization algorithm based on local guidance and Gauss perturbation [J]. Computer engineering & science, 2016, 38(6): 1183?1192.

[5] LU Y, LIANG M, YE Z, et al. Improved particle swarm optimization algorithm and its application in text feature selection [J]. Applied soft computing, 2015, 35(C): 629?636.

[6] HUANG V L, SUGANTHAN P N, LIANG J J. Comprehensive learning particle swarm optimizer for solving multiobjective optimization problems [J]. International journal of intelligent systems, 2006, 21(2): 209?226.

[7] RATNAWEERA A, HALGAMUGE S K, WATSON H C. Self?organizing hierarchical particle swarm optimizer with time?varying acceleration coefficients [J]. IEEE transactions on evolutionary computation, 2004, 8(3): 240?255.

[8] LIU F, DUAN H, DENG Y. A chaotic quantum?behaved particle swarm optimization based on lateral inhibition for image matching [J]. International journal for light and electron optics, 2012, 123(21): 1955?1960.

[9] 皮倩瑛,叶洪涛.一种动态调节惯性权重的粒子群算法[J].广西科技大学学报,2016,27(3):26?32.

PI Qianying, YE Hongtao. Particle swarm optimization algorithm for dynamic adjustment of inertia weight [J]. Journal of Guangxi University of Science and Technology, 2016, 27(3): 26?32.

[10] 陈寿文.基于质心和自适应指数惯性权重改进的粒子群算法[J].计算机工程与应用,2015,51(5):58?64.

CHEN Shouwen. Improved particle swarm optimization algorithm based on centroid and self?adaptive exponential inertia weight [J]. Computer engineering and applications, 2015, 51(5): 58?64.

[11] 谢承旺,邹秀芬,夏学文,等.一种多策略融合的多目标粒子群优化算法[J].电子学报,2015,43(8):1538?1544.

XIE Chengwang, ZOU Xiufen, XIA Xuewen, et al. A multi?objective particle swarm optimization algorithm integrating multiply strategies [J]. Acta electronica sinica, 2015, 43(8): 1538?1544.

[12] DAS S, KONAR A, CHAKRABORTY U K. Improving particle swarm optimization with differentially perturbed velocity [C]// Proceedings of the 7th Annual Conference on Genetic and Evolutionary Computation. Washington: ACM, 2005: 177?184.

[13] ZHAO Xinchao. A perturbed particle swarm algorithm for numerical optimization [J]. Applied soft computing, 2010, 10(1): 119?124.

[14] LIAN K L, JHANG J H, TIAN I S. A maximum power point tracking method based on perturb?and?observe combined with particle swarm optimization [J]. IEEE journal of photovoltaics, 2014, 4(2): 626?633.

[15] HAQ A N, KARTHIKEYAN K, SIVAKUMAR K, et al. Particle swarm optimization (PSO) algorithm for optimal machining allocation of clutch assembly [J]. International journal of advanced manufacturing technology, 2006, 27(9/10): 865?869.

[16] PERLIN H A, CHIDAMBARAM C, LOPES H S. Template matching in digital images with swarm intelligence [J]. Encyclopedia information science and technology, 2015, 10: 1?9.

[17] GUO Y F, KAI H. Efficient image matching algorithm using distance transform and particle swarm optimization [J]. Advanced materials research, 2012, 341/342: 753?757.

猜你喜欢
粒子群算法图像匹配
基于图像匹配和小波神经网络的RFID标签三维位置坐标测量法
一种用于光照变化图像匹配的改进KAZE算法
蚁群算法的运用及其优化分析
电力市场交易背景下水电站优化调度研究
基于粒子群算法的产业技术创新生态系统运行稳定性组合评价研究
无线传感器网络联盟初始结构生成研究
交通堵塞扰动下多车场车辆路径优化
挖掘机器人图像匹配算法研究
基于SIFT和LTP的图像匹配方法
基于降落图像匹配的嫦娥三号着陆点位置评估