改進PSO算法在圖像配準中的應(yīng)用.pdf

1、群體智能從上個世紀自誕生以來便使得優(yōu)化領(lǐng)域得到了巨大發(fā)展。一些學(xué)者在對生物群體行為進行研究時從中得到了很大的啟發(fā)，并由此提出了很多基于群體智能的優(yōu)化算法，其中一種就是粒子群算法(PSO，ParticleSwarm Optimization)。所謂的粒子群算法實際上是全局優(yōu)化算法的一種，該算法的實質(zhì)是基于群體搜索策略進行的啟發(fā)式行為。粒子群算法所具有的核心思想其實是根據(jù)鳥類的群體行為得到的啟發(fā)。此算法自提出后就得到了廣泛的關(guān)注，并且隨后便

2、逐步成為了學(xué)者們的研究熱點，這完全是因為微粒群算法(PSO算法)本身具有參數(shù)較少、實現(xiàn)簡單等特點。除此之外，這種方法同樣還具有一定的智能性以及社會性。目前，PSO算法已經(jīng)在圖像處理、參數(shù)優(yōu)化、數(shù)據(jù)挖掘、信號處理、神經(jīng)網(wǎng)絡(luò)、模式識別等領(lǐng)域得到了廣泛的應(yīng)用，并且取得了很好的優(yōu)化效果。
　　 圖像配準(Image Registration)是目前圖像處理中的熱點，這在很大程度上是因為它是圖像融合的前提，無論是在實驗上還是實際應(yīng)用中它都

3、具有十分重要的研究價值。就圖像配準而言，它的定義是將不同時間里存在的不同成像設(shè)備，或者是由于氣候、照度、攝像角度等不同而獲取的兩幅及其以上幅圖像進行相應(yīng)的配準與疊加。由于圖像配準是將對時間或環(huán)境迥異的多幅圖像在空間上進行的幾何變換，因此，就使得圖像與圖像之間的相對應(yīng)的結(jié)構(gòu)像素點在空間上出現(xiàn)一致性[1][2]。過去的幾年來，該技術(shù)得到了迅猛的發(fā)展。就圖像配準步驟而言，它一般包括三個步驟:首先，確定參考圖像與浮動圖像的坐標系，并且定義坐標系

4、之間的關(guān)系;其次，定義相似性測度作為判別準則;最后，應(yīng)用優(yōu)化算法。其中，第二步與第三步是圖像配準的核心。這里對于浮動圖像和參考圖像的相似性測度本文選擇的是峰值信噪比(PSNR)。
　　 本文主要工作歸納如下:
　　 首先，對圖像配準和標準PSO算法的理論基礎(chǔ)以及研究現(xiàn)狀進行簡要介紹，對圖像配準和PSO算法的原理、算法流程等特點進行了分析。
　　 其次，文章針對標準PSO易陷于局部最優(yōu)的問題，對標準PSO進行了改進