• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      多聚焦圖像融合算法

      2012-10-20 08:35:54
      微型電腦應用 2012年9期
      關(guān)鍵詞:微粒全局灰度

      張 攀

      0 引言

      隨著計算機技術(shù)、傳感器技術(shù)以及信息處理技術(shù)的不斷發(fā)展,圖像融合作為信息融合的一種強有力的工具,在自動目標識別、軍事以及醫(yī)學圖像等領(lǐng)域有著廣泛的應用。該技術(shù)就是將各種傳感器對同一場景,獲得的不同源圖像在空間和時間上進行配準,利用各圖像所含信息優(yōu)勢上的互補性,通過一定的算法獲得對同一場景更為清晰、全面、精確的圖像描述[1]。

      1 粒子群算法

      1.1 基本粒子群算法原理

      粒子群優(yōu)化算法的基本原理:設(shè)初始化群體規(guī)模為M,將種群中每個個體看成搜索空間中的一個微粒,微粒根據(jù)自身的飛行經(jīng)驗以及同伴的飛行經(jīng)驗,動態(tài)地調(diào)整自己在空間中的飛行速度。通過不斷的調(diào)整粒子的速度與位置,迭代搜索到最優(yōu)解。在每一次迭代中,粒子往往依靠自身經(jīng)驗和同伴經(jīng)驗進行運動決策。粒子根據(jù)自身經(jīng)驗找到的最優(yōu)解記為pBest個體最優(yōu),種群中所有粒子當前經(jīng)歷的最優(yōu)位置,則稱之為gBest全局最優(yōu)值。

      按照粒子的兩個最優(yōu)值,來更新自己的速度與位置,如公式(1)、(2)

      其中,V是粒子的速度,Present代表粒子的當前位置,pBest為個體最優(yōu)值,gBest為全局最優(yōu)值,參數(shù)c1和c2稱為學習因子,通常c1=c2=2,加權(quán)系數(shù)w一般取值在0.1到0.9之間。通過分析基本粒子群的一些特點,可以知道公式中包含3個部分,分別代表微粒先前的速度、微粒本身的思考以及微粒間的社會信息共享。

      粒子不斷學習更新自己的位置,最終落到解空間中最優(yōu)解所在的位置,完成搜索。最后輸出全局最優(yōu)解gBest 。

      1.2 基本粒子群算法流程

      (1)初始化種群,設(shè)群體規(guī)模為M。隨機初始化各個粒子,包括粒子的隨機位置和速度。初始化pBest和gBest的位置。

      (2)根據(jù)種群粒子的適應度函數(shù)計算每個微粒的適應度值。

      (3)對每個粒子,將其當前適應值與其個體歷史最佳(pBest)對應的適應值作比較。如果當前的適應值更高,則更新為當前歷史最優(yōu)(pBest)。

      (4)對每個粒子,將其當前適應值與全局最優(yōu)對應的適應值(gBest)作比較,如果更好,即當前的適應值更高,則更新粒子群當前全局最優(yōu)值(gBest)。

      (5)更新粒子的速度極其位置,進行種群進化,進化公式根據(jù)方程1)和方程(2)。

      (6)檢查終止條件,(通常為尋找到足夠好的解或者達到設(shè)定的迭代次數(shù),或者群體最優(yōu)解停滯不再變化),若滿足條件,則結(jié)束;否則跳轉(zhuǎn)到步驟(2)。

      經(jīng)典的粒子群優(yōu)化算法在求解連續(xù)空間的優(yōu)化問題上,能夠顯示出優(yōu)良的性能,然而在解決離散問題上,效果就不是很理想了。

      2 二進制粒子群算法

      在二進制粒子群算法中,每個粒子由一個二進制位串表示,其位置更新過程,如圖1所示:

      圖1 二進制粒子群算法中新粒子的生成過程

      任一粒子位置和它的歷史最優(yōu)位置、全局最優(yōu)位置的差異分別由兩個位串表示,稱為差異向量,每個位串均有 D個比特位,每一位表示兩個位置向量對應元素相同與否,如果相同則該位的值是 0,否則值為 1(Hamming距離)。這一比較過程類似“異或(xor)”運算。然后,隨機生成兩個不同的向量c1和c2,分別和兩個差異向量進行“與(and)”運算。這兩個隨機二進制位串的作用相當于實值PSO算法中的隨機數(shù),為算法增加了探測和開發(fā)的能力。速度向量由上一步得到的兩個位串進行“或(or)”運算生成。最后,通過將粒子速度向量和位置向量進行“異或(xor)”運算得到新的位置向量[3]。

      3 實驗結(jié)果分析

      3.1 灰度圖像實驗

      源圖像選擇一幅清晰的灰度圖像作為標準參考圖像,源圖像的灰度級別為0~255。分別對源圖像進行模糊化處理,生成兩幅目標聚焦不同的圖像,作為兩幅待融合的實驗圖像,如表1所示:

      表1 灰度圖像融合數(shù)據(jù)

      BPSO算法比PSO算法表現(xiàn)出明顯的速度優(yōu)勢。但兩種算法均不能實現(xiàn)完全的重構(gòu),究其原因,是群體智能的共同缺陷,在高維復雜空間容易陷入局部極值。

      3.2 模糊區(qū)域有重疊的多聚焦圖像實驗

      融合數(shù)據(jù),如表2所示:

      表2 聚焦目標有重疊模糊區(qū)域的多聚焦圖像融合數(shù)據(jù)

      實驗中 RMSE的最小值沒有等于零的情況,這說明聚焦目標有重疊模糊區(qū)域的多聚焦圖像是無法實現(xiàn)精確重構(gòu)的,兩種算法中 RMSE的最小值均為 1.9699,這說明RMSE=1.9699就是最好的融合效果了

      3.3 多聚焦非配準圖像

      如圖2(a)和(b)所示:

      圖2 (a)

      圖2 (b)

      數(shù)字相機攝取的一對多聚焦圖像,大小為256×256,其中一幅圖像中,聚焦點在鐘表上,而另一幅圖像聚焦點在書架上。

      我們分別采用兩種群智能優(yōu)化的融合算法對兩幅待融合的多聚焦灰度圖像進行融合實驗。

      圖2 多聚焦非配準圖像

      顯而易見,圖2(d)、(e)這2幅融合圖像明顯優(yōu)于(c)圖,因為圖 2(c)圖上帶有很多噪聲。因此通過兩種算法的圖像融合方法所獲得的圖像要比單純采用數(shù)字相機自動聚焦方法所得到的圖像質(zhì)量高得多。

      4 結(jié)束語

      粒子群算法通過群體中個體之間的協(xié)作來尋找最優(yōu)解。粒子群進化的一個顯著優(yōu)勢,就是在群體中各粒子存在著信息共享,使整個群體的運動在問題求解空間中,產(chǎn)生從無序到有序的演化過程,從而獲取最優(yōu)解。由于粒子群算法具有簡單的計算形式和參數(shù)設(shè)置、良好的收斂性能等優(yōu)點,在各類優(yōu)化問題研究領(lǐng)域,顯示出了相當?shù)臐摿Α?/p>

      [1]李樹濤,王耀南,張昌凡.基于視覺特性的多聚焦圖像融合[J].電子學報.2001,12 1699~1701.

      [2]梁軍.粒子群優(yōu)化算法在最優(yōu)化問題中的研究.[D]廣西師范大學.2008.

      [3]吳啟迪,汪鐳.智能微粒群算法研究及應用.江蘇:[M]江蘇教育出版社,2005.

      [4]焦李成,公茂果,王爽等.自然計算、機器學習與圖像理解前沿[M].陜西:西安電子科技大學出版社,2008.

      [5]Karathanassi V, Kolokousis P, Ioannidou S.A comparison study on fusion methods using evaluation indicators[J].International journal of remote sensing, 2007,28(10):2309~2341.

      猜你喜歡
      微粒全局灰度
      Cahn-Hilliard-Brinkman系統(tǒng)的全局吸引子
      采用改進導重法的拓撲結(jié)構(gòu)灰度單元過濾技術(shù)
      量子Navier-Stokes方程弱解的全局存在性
      塑料微粒的旅程
      塑料微粒的旅程
      塑料微粒的旅程
      基于灰度拉伸的圖像水位識別方法研究
      落子山東,意在全局
      金橋(2018年4期)2018-09-26 02:24:54
      致今天的你,致年輕的你
      基于最大加權(quán)投影求解的彩色圖像灰度化對比度保留算法
      自動化學報(2017年5期)2017-05-14 06:20:56
      宜阳县| 阿克| 嘉峪关市| 乌兰浩特市| 长寿区| 曲靖市| 且末县| 平凉市| 河曲县| 瑞安市| 唐海县| 长宁区| 郑州市| 东乌| 基隆市| 武安市| 嘉黎县| 建水县| 陕西省| 丘北县| 遵义市| 湘阴县| 若尔盖县| 文昌市| 独山县| 武宁县| 西乌珠穆沁旗| 盘锦市| 怀仁县| 富源县| 安陆市| 新乡县| 芒康县| 宁阳县| 宁海县| 周宁县| 昭苏县| 西林县| 岳西县| 田阳县| 朔州市|