張 攀
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]。
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)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。
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]。
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。
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
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。
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.