基于遗传算法的图像匹配共34页文档

维普资讯
第２ ９卷第 ２期 ２０ ０８年 ２月
通
信
学
报
Ｖｌ ．９ ０ ２ Ｎ ｏ２ 】 ．
Ｊ ｕ ｎ ｌ ｎ Ｃｏ ｏ ｒ ａ ｍｍｕ ｉａｉ ｎ ｏ ｎｃ ｔ ｓ ｏ
Ｆｅ ｒ ａｙ２ ０８ ｂｕ ｒ ０
基于遗传 算法 的导航实时图像 匹配算法
Ａｂ ｔ ａ ｔ ｎ ｏ ｄ ｒｔ ｅ ｅ ｕ ｒ ｍｅ ｔｔ ａ ｃ ｎ ｔｈ ｎ ｉｅ ａ ｉ ａ ｏ ｙ ｔ ｍ ｓ ｇ ｔａｒ ｒ ｆ ｐ ｓｔ ｎ ｅＴ ｒ ｓ ｒ ｃ ：Ｉ ｒ ｅ ｏ ｍｅ ｔｒ ｑ ｉｅ ｎ ｈ ｔ ｓ ｅ ｅ ｍａｃ ｉ ｇ ａｄ ｄ ｎ ｖ ｇ ｔ ｎ ｓ ｓｅ ｍｕ ｔ ｅ ｉｃ ａｔ ｏ ｉ ｏ ｌｏ ｉ ｉ ｒ ａ － ｍｅ ｙ ａ ｇ ｔｈ ｎ ｇ ｒｔｍ ａ ｅ ｎ ｇ ｎ ｔ ｇ ｒ ｈ ａ ｄ ｗｅｇ ｔｄ Ｈａ ｓ ｏ ｆ ｉｔｎ ｅ Ｗａ ｒ ｐ ｓ ｄ． ｅ ｌｔ ｌ ， ｌ ｉ ｉ ｌ ｍａ ｅ ｍａ ｃ ｉ ｇ ａ ｏ ｉ ｌ ｈ ｂ ｓ ｄ ｏ ｅ ｅ ｃａ ｏ ｔ ｍ ｎ ｉ ｈ ｅ ｕ ｄ ｒ ｄ ｓａ ｃ ｓ ｐ ｏ ｏ ｅ Ｉ ｉ ｌ ｉ ｎ
距 离图像匹配算法，并给 出了相应 的权值求解公式，利用加权 Ｈ ｕｄ ｒ 距离作 为遗传算法的适应度 函数 ，能够 ａ ｓｏｆ
明显减少 匹配搜索的计算量 ，提高 匹配结果的精度 。仿真分析表明 ，将遗传算法和加权 Ｈａ ｓｏｆ 距离算法相结 ｕｄｒ
合 的图像匹配算法能够很好地满足景象匹配辅助 导航系统 的实时性和精度 要求 。
’
ቤተ መጻሕፍቲ ባይዱ
ｂａ ｅ ｏ ｅ ｔｃａ ｇ ｒｔ ｓ ｄ ｎ ｇ ｎｅ ｉ ｌ ｏ ｉｈｍ
ＬＥ ＮＧ ｅ ｆ ｉ， Ｉ Ｊａ ． ｅ ， ＯＮＧ ｈ Ｘｕ ．ｅ Ｌ Ｕ ｎ ｙ ＸＩ ｉ Ｚ ｉ

ｍ ｅ ｓ ｒ ｓ ｄ ｖ ｌ ｐ ｄ ａ ｔ ｅ ｓ ｆ ｎ ｔｏ ｏ ｅ ｒ ｈ ｎ ｅ ｂ ｓ ａｃ ｉ ｇ ｐ ｉ ｔ ｉ ｃ ａ ｕ ｅ ｉ ｅ ｅ ｏ ｅ ｓａ ｆ ｎ ｓ ｕ ｃ ｎ ｆ ｒｓ ａ ｃ ｉ ｇ ｔ ｅ ｔｍ ｔ ｈ ｎ ｏ ｎ ．Ｓ ｎ ｅ ＣＧＡ ａ ｏ ｖ ｒ ｅ ｆ ｓ ｏ ａｈ ｇ ｕ ｌｔ ｏ ａ ｐ ｉ ｌ ｔ ｅ ｉ ｉ ｈ ｃ ｎ ｃ ｎ ｅ ｇ ａ ｔｔ ｉ ｈ ｑ ａ ｉｙ ｌ ｃ ｌｏ ｔｍａ ， ｈ ｎ ｅ ｔ ｏ Ｓａ ｃ ｒ ｃ ｎ ｐｅ ｄ ａ ｅ ｈ ｇ ， ｎ ｏ ｓ ｏ ｎ ｉ ｅ ｉ ｏｖ ｌｍｅ ｄ’ ｃ ｕ ａ ｙ ａ ｄ ｓ ｅ ｒ ｈ ａ ｄ ｉ ｉ ｒ ｂｕ ｔ ｏ ｓ ．Ｓ ｍｕｌｔｏ ｅ ｕ ｔ ｈ ｗ ａ ｅ ｐ ｏ ｏｓ ｄ ｍ ｅ ｏ ａ ｔ ｈ ｂｏ ｏ ｓ ｒ ｅ ｈ ｉ ｔｓ ｔ ａｉ ｎ ｒ ｓ ｌ ｓ ｏ ｔ ｔ ｓ ｈ ｈ ｔ ｒ ｐ ｅ ｔ ｄ ｃ ｎ ｍａ ｃ ｔ ｎ ｉ ｅ ｆｅ ｈ ｈ
的程度 ，用正态云算子完成概念空 间到数值空 间的转换 ，产 生种群 ，实现遗传操作 。文 献【０根据正态云模 型云 滴的随 １】 机性和稳定倾 向性特点 ’ｌ 利用云发生器代 替传 统的交叉、 ｌ， ｌ
变 异 算 子 ，提 出 了云 遗 传 算 法 （ ｌｕ ｎｔ ｌｏｉ ｍ， Ｃ ｏｄ Ｇｅｅｉ Ａ ｇ ｒｈ ｃ ｔ Ｃ Ａ） Ｇ 。本文基于云遗传 算法提 出一种 图像 匹配 的新方法。
Ｃｌｕ ｅ ｅｉ Ａｌｏ ｉ ｍ（ ＧＡ） Ｔ ｖ ｉ ａ ｍａ ｅ ｖ ｌｅ ｉｃｅ ｓｓ ｔｅ ｄｆ ｃ ｌ ｆｉ ｇ ｔ ｉｇ ｎ ｉ ｒ ｖ ｄ ｎ ｒ ｏ ｄ Ｇ ｎｔ ｇ ｒｈ Ｃ ｃ ｔ ． ｏ ａ ｏｄ ｍｅ ｎ ｉ ｇ ａｕ ｎ ｒａ ｅ ｈ ｉ ｕ ｔ ｏ ｉ ｙ ｍａ ｅ ｍａｃ ｎ ，ａ ｍｐ ｏ ｅ ｏｍ￣ｉ ｄ ｃ ｒ ｌｔ ｎ ｈ ｚ ｏｒ ａｉ ｅ ｅ ｏ

基于遗传算法的图像拼接技术摘要：遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法。

近年来,由于遗传算法在求解复杂优化问题上的巨大潜力及其在工业工程领域的成功应用,受到了国内外学者的广泛注。

本文介绍了遗传算法的基本理论, 描述了它的主要特点和基本性质;详述了遗传算法在碎片图像拼接复原技术中的主要应用，探讨了基于遗传算法的碎纸片拼接复原技术在实际生活中的作用，最后总结了目前遗传算法在碎片图像拼接中技术中存在的问题及其在今后的发展方向。

关键词：遗传算法数字图像处理图像拼接图像复原1 引言遗传算法( genetic algorithm,GA )是一种自适应启发式群体型概率性迭代式的全局收敛搜索算法,其基本思想来源于生物进化论和群体遗传学,体现了适者生存、优胜劣汰的进化原则。

使用遗传算法求解科学研究工作和工程技术中各种组合搜索和优化计算问题这一基本思想早在20世纪60年代初期就由美国Michigan大学的Holland教授提出, 其数学框架也于20世纪60年代中期形成。

由于GA的整体搜索策略和优化计算不依赖于梯度信息,所以它的应用范围非常广泛,尤其适合于处理传统方法难以解决的高度复杂的非线性问题。

它在自适应控制、组合优化、模式识别、机器学习、规划策略、信息处理和人工生命等领域的应用中越来越展示出优越性。

碎片拼接是指将一组物品的碎片依据其轮廓拼接出物品原来的形状的技术。

碎片拼接技术应用于各个领域包括文物、瓷器、照片等碎片的拼接。

三维物品的碎片拼接是模式识别领域的重点研究对象之一，对于三维物品的拼接，在采集图像信息时需要考虑角度、光线的各个因素，同样需要将三维的物品采集成二维的图像，进行碎片的图像拼接，所以二维图像的拼接便是三维实物拼接技术中的关键因素。

本文首先对碎片拼接的基本问题及过程作一个概要的阐述，然后提出几种传统的碎片拼接方法，在此基础上提出改进遗传算法用于碎片拼接，使其成为一种可行性高、准确率高的算法，同时指出该算法存在的不足与局限。

式中ｆｉ为个体的适应度。

而基于排序的分配方法是，选择只是取决于个体在种群中的序位，而不是实际的目标值。

有了选择概率之后，就可以开始实际的选择操作。

这里有很多种方法，如轮盘赌选择、随机遍历抽样、锦标赛选择等。

例如，轮盘赌选择方法类似于博彩游戏中的转盘游戏。

个体适应度按比例转化为选中概率，再转化成转盘上的扇区，如下图所示：图３．４轮盘赌选择方法扇区的大小代表着选中概率的大小。

④交叉／基因重组交叉／基因重组（（ｃｍｓ鲫ｖ例ｈｃｏｍｂｉｎａｔｉｏｎ）是把两个父个体的部分结构加以替换重组，生成新个体的操作。

重组的目的就是为了能够在下一代产生新的个体，就像人类社会的婚姻过程。

通过重组交叉过程，遗传算法的搜索能力得以飞跃地提高。

所以说，基因重组是遗传算法获得新的优良个体的最重要的手段。

如果是采用二进制编码，则可以采用单点交叉或多点交叉法。

如下图所示：ｌＩ图３．５单点交叉同，而在遗传算法中，图像染色体将由对应图像的特征向量的元素组成，不同长度的特征向量将导致染色体的长度也不尽相同，这将使遗传算法复杂化而难于控制；另一方面，由于图像的分辨率一般都比较大，不管是在图像特征的分析、抽取过程中，还是在遗传算法的具体实现过程中，都将消耗系统大量的时空资源，因而，必须对原始特征数据进行一定的预处理。

另外，在实验中还发现，如果将每个像素的特征值都加以考虑是没有必要的，尤其是在“图像检索”领域中，因为人们注重的往往是图像大体的特征，或者是图像较为突出的特点。

于是，本文采用“变单元均分”法对图像进行平均分割，并对分割所得到的每一区域中所含的像素的颜色特征值进行综合平均，即首先确定图像将被分割的数目，令其为某一正整数Ｎ，如果仍以图像Ｉ为例，应有Ｎ＜ｍ×ｎ，那么ｌ将被均分为Ｎ个不重叠的正方形图像区域（见图４．１）。

鼽…搠例…·－【浮】：……脚幅…航一蝴为…旧肛…孰一言，这些像素将分布于图像的边缘，忽略它们不会对检索结果有太大影响。

法来 进 一 步 简 化 和 减 少
本文 主要研 究深 度 图像 细配准 方法 。细 配准常 用
模 型 中点 的数 目。此外 ，
模 型 重 建 时 纹 理 映 射 也 是 建 立 逼 真 三 维 模 型 的
一
的方 法是 迭代 最近点 算法 Ｉ Ｐ和遗 传算 法 。Ｉ Ｐ算 法 Ｃ Ｃ
是一 种迭代 过 程 。它计算 一 幅图像 点之 间 的最 小均 方 误差 （ 或者 平方 距离 和 ） 以及另 一 幅图像 中分别 对应 的
基 于遗 传 算 法 的深 度 图像 配 准 方 法 研 究
文 章 编 号 ： ０ ３ ５ ５ （ ０ １ ０ — ０ ６０ １ ０ — ８ ０ ２ １ ） １０ １ — ４
、
２１ ０ １年
基 于遗传 算 法 的 深度 图像 配 准 方法 研 究
Ｒｅ ｅ ｒ ｈ ａ ｍ ｐ ｅ ｅ ａ ｉ ｎ ｏ ｎｇ ｍ ａ ｅ Ｒｅ ｉ ｔ ａ ｉ ｎ ｓ ａ ｃ ｎｄ Ｉ ｌ ｍ ｎｔ ｔｏ ｆ Ｒａ ｅ Ｉ ｇ ｇ ｓ ｒ ｔｏ ｂ ｓ ｄ ｏ ｅ ｅ ｉ ｇ ｒ ｔ ｍ ａ ｅ ｎ Ｇ ｎ ｔｃ Ａｉ ｏ ｉｈ
ｃｔｎ ｘａ ｐ ｅ Ｏ ｂｅ ｓ ｅ ｉｉｄ． ｉｉ ｇ ｅ ｍ ｌ ｓｔ ｐ ｃ ｆｅ
ＫＥＹＷ ＯＲＤＳ ｒ ｎ ｅ ｉ ｇ ａ ｇ ｍａ ｅ，ｇ ｎ ｔ ｌ ｏ ｉｈ ，ｉ ｇ ｅ ｉ ｔａ ｉｎ ｅ ｅ ｉ ａｇ ｒ ｍ ｃ ｔ ｍａ ｅ ｒ ｇ ｓ ｒ ｔｏ
准 。系统 论述 了遗传 算 法在 深度 图像 图像 配 准 的应用 ，并通过 实 验加 以具体 说 明。
【 关键 词】 深度 图像 ，遗传 算 法 ， 图像 配准
中 图 分 类 号 ：Ｔ ３ １ １ Ｐ ９． ４ 文 献 标 识 码 ：Ａ

基于遗传算法的图像处理算法优化研究在当今数字化的时代，图像处理技术已渗透到众多领域，例如医疗影像的诊断、地理图像的分析、艺术图像的修饰等。

然而，随着图像处理的应用场景变得更加复杂，传统的算法已经无法满足实际需求，因而需要对算法进行优化。

目前，基于遗传算法的图像处理算法优化是一种较为成熟的方法，它是一种模拟自然进化的方法，能够通过对算法参数进行优化来提高算法的效率和准确率。

本文将从算法基础、优化开展、实验结果以及发展趋势等方面进行探讨。

一、算法基础遗传算法是一种雷同于自然界中遗传进化的计算方法，它基于生物进化原理，通过模拟自然界中进化过程，以求得最优解。

算法的流程包括：初始化种群，选择适应度较好的个体，进行交叉、变异等操作产生新的子代，并根据预先设置的终止条件判断是否终止算法。

基于遗传算法的图像处理优化方法基于现有的图像处理算法，通过调整算法的参数来达到最优化处理效果。

首先需要明确需要优化的目标，例如：降低处理时间、提高处理效率、改进处理结果等，然后对目标进行具体的定义和优化策略的制定，最后实施优化。

二、优化开展优化过程中，取决于优化目标和算法本身，优化策略也有所不同。

本文以图像处理时间优化为例，介绍基于遗传算法的图像处理算法优化的开展步骤。

（1）选择适当的遗传算法参数，例如：种群大小、交叉概率、变异概率等，并进行初始化。

（2）确定优化目标，例如：降低处理时间，其目标函数可定义为图像处理时间与原始图像大小的乘积。

（3）针对图像处理中的参数进行调整，例如：高斯平滑的滤波参数、边缘检测的阈值等。

（4）对每个种群个体进行适应度评价，按照目标函数得到每个个体的适应度值。

（5）进行选择、交叉、变异等操作，产生下一代种群。

（6）判断终止条件。

如果终止条件满足，则算法终止。

否则，回到步骤（4）。

三、实验结果本文采用遗传算法对图像处理算法进行优化，并与传统算法进行对比。

实验结果表明，基于遗传算法的图像处理算法优化能够显著地降低图像处理时间和提高处理效率。

人工智能及识别技术本栏目责任编辑：李桂瑾１图像配准的概念医学图像配准是医学图像处理的一项基本任务，它可以把来自不同模态或不同时间的多幅图像进行配准，然后为图像的进一步后处理提供保证。

如在医学图像融合中，是要把相对应的组织结构融合在一起，而待融合的图像往往来自于不同的成像设备，它们的成像方位、角度和分辨率等因子都是不同的，所以这些图像中相应组织的位置、大小等都有差异，必须先进行配准变换，才能实现准确地融合。

医学图像配准就是寻求两幅图像问的几何变换关系，通过这一几何变换，使其中一幅医学图像（浮动图像Ａ）与另外一幅医学图像（参考图像Ｂ）上的对应点达到空间上的一致。

这种一致是指人体上的同一解剖点在两张匹配图像上具有相同的空间位置。

配准的结果应使两幅图像上所有的解剖点，或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配（ｍａｔｃｈｉｎｇ）。

２图像配准的基本流程Ｂｒｏｗｎ等人提出，配准方法是山特征空间、搜索空间、搜索算法和相似性测度四个不同方面的组合。

特征空间是指对待配准的图像的特征信息的提取：搜索空间是进行变换的方式及变换的范围：搜索算法决定下一步变换的具体方法以及得到最优的变换参数：相似性测度是用来度量图像间相似性的一种标准。

按照这种组合，得出一般配准的基本步骤如下：（１）分割图像特征的提取：用于配准的图像一般都包含一定的特征量来反映其相似性，因此我们可以选择合适的特征量来确定图像的几何变换（如待配准图像的边界，图像上的对应解剖特征点，图像的外标记点等），根据具体情况，选择合适的特征量以提高几何变换的准确性。

（２）根据特征对，确定几何变换：几何变换就是将一幅图像中的坐标点变换到另一幅图像的坐标系中，经过特征提取后，配准问题就转换为求解两幅图像中对应点的变换问题。

根据图像中口标的变形形式不同，变换也有线性变换和非线性变换两种形式。

线性变换又包括刚体变换（（ｒｉｇｉｄｂｏｄｙｔｒａｎｓｆｏｒｍａｔｉｏｎ），仿射变化（ａｆｆｉｎｅｔｒａｎｓｆｏｒｍａｔｉｏｎ），投影变化（ｐｒｏｊｅｃｔｉｖｅｔｒａｎｓｆｏｒｍａｔｉｏｎ）。

李红梅
（ 广东 白云学院计算机系 广州 ５ １ ０ ４ ５ ０ ）
摘
要
图像匹配算法的研究是模式识别学科研究的一个分支 ， 针对 图像 匹配速度问题 ， 论 文提 出一种 改进的遗传算 法的快速 图像 匹
配算法 。该算法首先确定问题的参数空间 ， 通过对参数空 间编码和种群初始化得到待 匹配 的多个初始位置 ， 然后利用模板 图和当前搜素 子 图的直方图信息 ， 分别构建参考序列和 比较序列 ， 以两序列间 的灰色关联度为适应度 函数 通过改进 的遗传算子实现遗传操作 ， 对遗传 个体 进行 迭代寻优 ， 找出图像中的最佳匹配点 。实验结果表明 ， 基于该算法的图像匹配具有运算量小 、 匹配精确 等优点 ， 实时性得 到了明显 的提
高。
关键词
遗传算法 ； 图像 匹配 ； 适应度 函数 ； 多父体杂交
Ｔ Ｐ ３ ０ １ ． ６ ＤＯ Ｉ ： １ ０ ． ３ ９ ６ ９ ￣． ｉ ｓ ｓ ｎ １ ６ ７ ２ － ９ ７ ２ ２ ． ２ ０ １ ３ ． １ １ ． ０ ３ ４
中图分类号
Ｉ ｍａ ｇ ｅ Ｍａ ｔ ｃ ｈ ｉ ｎ ｇ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ Ｂａ ｓ ｅ ｄ ｏ ｎ Ｇｅ ｎ ｅ ｔ ｉ ｃ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ
ｉ ｍａ ｇ ｅ ｍａ ｔ ｃ ｈｉ ｎ ｇ ｆ ｏ ｒ ｓ ｌ ｏ ｗ ｓ ｐ ｅ ｅ ｄ，ａ ｎ ｉ ｍａ ｇ ｅ ｍａ ｔ ｃ ｈ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ａ ｎ ｅ ｗ ｇｅ ｎ ｅ ｔ ｉ ｃ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ．Ｉ ｎ ｔ ｈ ｅ ｍｅ ｔ ｈｏ ｄ，ｍ ａ ｔ ｃ ｈ ｉ ｎ ｇ ｐ ａ ｒ ａ ｍｅ —

７０ ） １１
作者简 介： 周春燕 （９ ５ ， ， 北唐 山人 ， １ ８ 一） 女 河 硕士研 究生 ， 究方 向 研
为机 器视觉 、 处理技 术 ； 图像 贾
像处理 、 机器视觉技术。
渊， 博士 ， 副研 究员 ， 研究 方 向为图
测算法 。它 得
０ 引 言
立体 视觉 的研究 工作 起 始 于 ２ ０世纪 ６ ０年代 中 期， 是近 几 十年 计 算 机 视 觉 领域 的 一个 热 门研 究 问 题 …。它 的基本原理 是融 合两 个或 多个视 点 的信息 ， 以获取不 同视 角下的 同一个物 体 的图像 ， 通过三 角测 量原理计算 图像像 素 间 的位置偏 差 （ 即视差 ） 获得 来
ｏ ｎｅ ｉ ｇ ｒ ｔ ｍ ｎ Ｇｅ ｔｃ Ａｌ ｏ ｉｈ
ＺＨＯＵ ｕ Ｃｈ ｎ－ｙ ｎ ，ＪＡ ａ Ｉ Ｙｕａ ｎ
（ ｏｌ ｅｏ ｏ ｕｅ ｃ．ｎ ｅｈ 。Ｓｕｈ ｅｔ ｎｖ ｒｔ ｆ ｃ ｎｅａｄＴ ｃｎ ｌｇ ， ａｙ ｇ６ １０ ， ｈｎ ） Ｃ ｌｇ ｆ ｍｐｔ Ｓ ｉａｄＴ ｃ ． ｏ ｔｗ ｓ Ｕ ｉｅｓｙｏ ｉ ｃ ｅｈ ｏｏ ｙ Ｍｉ ａ ２０ ０ Ｃ ｉａ ｅ Ｃ ｒ ｉ Ｓｅ ｎ ｎｎ
ｌ ｒｔ ａｇｏ ｉ ｍ ．Ｅｘ ｒｍｅ ｔｌ ｒ ｓ ｌｓ ｓ ｏ ｔ ｔｔ ｅ ｐ ｏ ｏ ｅ ｔ ｏ ｓｅ ｆ ｃ ｖ ． ｈ ｅ ｐ ｉ ｎ ａ ｕ ｔ ｈ ｗ ｈａ ｈ ｒ ｐ ｓ ｄ ｍｅ ｄ ｉ ｆｅ ｔ ｅ ｅ ｈ ｉ Ｋｅ ｒ ｓ：ｔ ｒ ｏ ｍ ａｃ ｉ ｇ； ｎ ｔ ｌ ｏ ｔ ｍ ；ｅ ｇ ｅ ｅ ｔｏ Ｒａ ｋ ｔａ ｓｏ ｍ ｙ ｗｏ ｄ ｓｅ ｅ ｔｈ ｎ ｇｅ ｅ ｃ ａｇ ｒ ｈ ｉ ｉ ｄ ｅ ｄ ｔ ｃ ｎ； ｎ ｒ ｆ ｒ ｉ ｎ

基于遗传算法的图像处理与优化算法研究摘要：遗传算法是一种优化算法，通过模拟生物进化的过程来解决复杂的优化问题。

在图像处理领域，遗传算法被广泛应用于图像增强、图像分割和特征提取等问题上。

本文通过对不同场景下基于遗传算法的图像处理与优化算法进行研究，探索其在图像处理中的应用，并分析优化算法在遗传算法中的调参方法和性能评估指标。

1. 引言图像处理是计算机视觉领域的重要研究方向。

图像的质量和分析结果对于计算机视觉应用的成功与否有着重要的影响。

然而，由于图像的复杂性和多变性，传统的图像处理方法往往无法满足需求。

基于遗传算法的图像处理与优化算法可以通过优化图像处理过程的参数，提高图像质量和提取特征的准确性。

2. 遗传算法的基本原理遗传算法是一种模拟自然进化过程的优化算法。

它通过一系列的演化操作，如选择、交叉和变异等，从候选解的群体中寻找出适应度最高的解。

遗传算法的基本流程包括初始种群的生成、适应度评估、选择操作、交叉操作、变异操作和终止条件的判断。

3. 基于遗传算法的图像增强图像增强是改善图像质量和增强图像细节的过程。

基于遗传算法的图像增强算法通过优化图像增强过程中的参数，改善图像的对比度、亮度和细节。

例如，可以通过调整适应度函数来使图像更清晰、更亮，并去除噪声等不必要的细节。

实验结果表明，基于遗传算法的图像增强方法在多个指标上优于传统的图像增强方法。

4. 基于遗传算法的图像分割图像分割是图像处理中的重要任务，旨在将图像划分为若干个子区域，以便进行后续的分析和处理。

基于遗传算法的图像分割算法通过自动确定最佳的分割结果，提高分割的准确性和稳定性。

例如，可以通过优化阈值选择过程和区域生长过程来实现图像分割。

实验结果表明，基于遗传算法的图像分割方法在多个图像数据集上取得了优异的性能。

5. 基于遗传算法的特征提取特征提取是图像处理中一个关键的步骤，它可以从图像中提取出能够代表图像内容的特征。

基于遗传算法的特征提取算法通过寻找最佳的特征组合，提高图像分类和识别的性能。

基于遗传算法的图像特征优化研究众所周知，计算机视觉在生活中扮演了不可或缺的角色，从商业到医学再到工业，都有着广泛的应用。

在计算机视觉的研究中，图像特征提取一直是一个重要而又关键的领域。

在这个过程中，我们使用一系列手工设计的算法来从图像中提取所需的信息。

然而，以上的方法虽然亦可行，但其效率与准确度有限。

因此，逐渐崛起的基于遗传算法的图像特征优化研究变得愈发重要。

本文将介绍遗传算法及其应用于图像特征优化的优势，并分析目前遗传算法在该领域中的研究现状及未来展望。

一、遗传算法简介遗传算法是一种仿生学的计算模型，以生物进化论为基础，通过模拟优胜劣汰的进化理论，通过算法模型生成可优化的结果。

其主要包含以下流程：首先，随机生成一组初始的“个体群”，每个个体代表一组解决方案。

然后，根据预设的遗传算法过程，对这些个体进行选择、交叉、变异等操作。

最后，通过不断迭代的过程，将过程中得到的最佳个体作为最终的解决方案。

二、遗传算法在图像特征优化中的应用在图像特征优化过程中，使用遗传算法能生成最优化的图像特征。

对于图像特征优化任务，我们首先选择一组基础特征，然后使用测量方法（如精度，召回率）将基础特征与工作目标的关系量化为适应度功能。

随后，遗传算法通过选择、交叉、变异等基本操作，改进基础特征，直到适合任务要求结局的最优特征。

三、在图像搜索和分析中的应用实例（1）图像搜索图像搜索是图像处理中的一项重要任务，它的目标是为了找到与查询图像最相似的图像。

这通常遵循基于每个图像特征提取算法生成的特征向量。

前人已证明，相比于基于人工创建的功能算法，使用遗传算法进行特征选择会使图像搜索更加高效准确。

（2）图像分类和识别除了图像搜索外，遗传算法还可以用于图像分类和识别应用。

可以使用为每个图像创建的特征向量，其中包含图像的一般信息。

然后，通过特定的算法选择特征分类器。

使用遗传算法来选择最佳特征分类器能够提高分类器准确性。

四、遗传算法在图像特征优化中的研究现状及未来展望为了通过遗传算法的优势提高图像分类和识别的准确性，许多学者已经将其引入图像特征选择领域的研究中。

基于遗传算法的指纹图匹配算法及应用研究
指纹识别是一种基于个体生物特征的身份验证技术，指纹图匹配是指将两个指纹图像
进行比对，以确定它们是否来自同一指纹。

指纹图匹配技术在现代生物特征识别中广泛应用，然而，由于指纹图像的复杂性和变异性，指纹图匹配仍然是一个挑战性的问题。

为了
提高指纹图匹配的准确性和效率，我们可以采用遗传算法优化指纹特征提取和匹配过程。

本文提出了一种基于遗传算法优化的指纹图匹配算法，它包括以下步骤：
1. 指纹图像预处理：对原始指纹图像进行去噪、增强和细化等处理，以提取出指纹
的有效特征。

2. 特征提取：利用方向图、频率图等方法提取指纹的特征点，建立指纹特征描述子。

3. 特征匹配：将待匹配的指纹特征描述子与数据库中的指纹特征描述子进行比对，
得到相似度。

4. 遗传算法优化：将特征提取和匹配的过程作为遗传算法的目标函数，利用遗传算
法搜索最优解。

5. 指纹图像识别：根据遗传算法优化后的特征提取和匹配算法，对指纹图像进行识
别和验证。

该算法的主要优点是能够在较短的时间内找到最优解，从而提高指纹图匹配的准确性
和效率。

并且，由于采用了遗传算法，该算法的鲁棒性和适应性也比较好。

本文还对该算法进行了实验评估，评估结果表明，该算法比传统的指纹识别算法具有
更高的准确度和更快的处理速度。

同时，该算法还可以应用于人脸识别、掌纹识别等其他
生物特征识别领域。

综上所述，基于遗传算法的指纹图匹配算法具有广泛的应用前景和研究意义，未来还
可以进一步探索该算法的优化和改进方法。

基于遗传算法的指纹图匹配算法及应用研究【摘要】指纹图匹配在生物识别领域有着重要的应用价值，而基于遗传算法的指纹图匹配算法具有较高的匹配精度和鲁棒性。

本文通过对遗传算法的概述和指纹图匹配算法原理的介绍，提出了一种基于遗传算法的指纹图匹配算法设计，并进行了实验验证。

实验结果表明，该算法在指纹图匹配中具有较好的效果。

在应用研究部分，探讨了该算法在实际场景中的应用情况，展示了其在生物识别系统中的潜在优势。

研究总结指出基于遗传算法的指纹图匹配算法有望在生物识别领域取得更多突破，展望未来该算法在实际应用中的进一步发展和完善。

通过本文研究，为指纹图匹配技术的发展提供了新的思路和方法。

【关键词】遗传算法、指纹图匹配、算法原理、算法设计、实验验证、应用研究、研究背景、研究意义、研究目的、研究总结、展望未来。

1. 引言1.1 研究背景指纹图匹配技术是一种广泛应用于生物识别、安全认证和犯罪侦查等领域的重要技术。

随着科技的不断发展和社会的不断进步，对指纹图匹配算法的要求也越来越高。

传统的指纹图匹配算法存在着计算复杂度高、匹配速度慢和准确率不高等问题。

基于遗传算法的指纹图匹配算法应运而生。

遗传算法是一种模拟自然选择和遗传机制的优化算法，能够在搜索空间中寻找到最优解。

通过引入遗传算法，可以有效地提高指纹图匹配算法的匹配准确率和匹配速度。

研究基于遗传算法的指纹图匹配算法具有重要的意义和价值。

在现实生活中，指纹图匹配技术被广泛应用于门禁系统、银行金库、国土安全等领域。

提高指纹图匹配算法的准确性和效率，可以加强这些领域的安全性和便利性。

本研究旨在探讨基于遗传算法的指纹图匹配算法的设计与应用，为相关领域的技术发展和应用提供有力支持。

1.2 研究意义指纹图匹配技术是生物特征识别领域中的重要研究方向，可以用于指纹识别、安全认证等领域。

基于遗传算法的指纹图匹配算法在指纹识别中具有较高的准确性和鲁棒性，能够有效地处理指纹图中的噪声和变形。

2、初始种群的设定 群体中个体一般是随机产生，当然也可从 随机生成的个体中选出最好的个体组成初 始群体。但此处有一个关键的问题，就是 如何确定群体规模的大小。根据模式定理 可知规模M越大越好，但M过大又会使计算 效率降低，并且若使用比例选择，此时会 影响群体的多样性。而M过小又会造成未成 熟收敛。故实际应用中通常取群体规模为 几十至几百。
编码时常用算术交叉法、离散交叉，变异 操作常用均匀变异、正态变异、非一致性 变异、自适应变异、多级变异等。根据经 验可知，将几种交叉或变异算子按一定概 率混合使用，将会得到很好的效果。
5、控制参数的设定 控制参数主要是指群体规模、迭代次数和 使用遗传操作的概率等。对于传统的GA是 以交叉操作为主，变异操作为维持群体多 样性的一个辅助性算子，即应用时应选择 较大的交叉概率，较小的变异概率。对此 标准遗传算法都设为固定值。对于改进后 的GA，选择、交叉和变异的概率则需视情 况而定。
经常采用的编码技术主要有一维染色体编 码、多参数映射编码、可变染色体长度编 码、二维染色体编码、树结构编码等。其 中一维染色体编码根据基于不同的符号集 又可分为二进制编码、实数编码和字符编 码等;多参数映射编码主要应用于多参数优 化问题中，将不同的参数映射为不同的编 码子串，然后进行相应的遗传操作;可变染 色体长度编码主要以Golbdegr等人提出的 MesysGA(mGA)为代表;后两种编码是针对不 同应用领域的特点而设计的，分别应用于 图像处理，人工智能等特定领域。
通过比较参考图像和输入图像在各个位置 的相关系数，相关值最大的点就是最佳匹 配位置。
（2）、序贯相似检测算法 序贯相似匹配算法（SSDA）是一种快速图像匹配 算法，它使用下式作为相似性度量:
1 m n D(i, j ) m n a 1 b1

基于遗传算法的匹配跟踪图像分解
全部作者：
刘德伟司菁菁
第1作者单位：
北京邮电大学
论文摘要：
基于遗传算法提出了1种新的匹配跟踪图像分解策略。

该算法通过对生成函数进行不同的2维几何变换，构造各向异性的原子，能够有效地捕捉图像中的不同特征。

同时，本算法将遗传算法结合到了匹配跟踪的过程中，从构造的冗余原子字典中快速地选择出与图像当前特征最匹配的原子。

实验结果表明，本算法明显降低了原子搜索的运算量，并且支持感兴趣区域优先搜索。

另外，本文最后还提出了1种在低维空间实现高维空间匹配跟踪分解的思路。

关键词：
图像分解匹配跟踪遗传算法 (浏览全文)
发表日期：
2007年04月18日
同行评议：
（暂时没有）
综合评价：
（暂时没有）
修改稿：。

基于遗传算法的快速图像相关匹配*朱　红　赵亦工　(西安电子科技大学测控工程与仪器系,陕西,西安,710071)摘要　采用遗传算法研究了图像相关匹配问题,提出了快速图像相关匹配算法在最优匹配的前提下,其计算量较SSDA 算法降低了一个数量级以上;可以采用NP RO D 匹配准则,改善在低图像对比度条件下的匹配精度;该算法每帧图像匹配计算时间基本恒定,便于工程应用.关键词　图像相关匹配,遗传算法,快速计算.引言图像相关匹配跟踪技术是光电成像系统对运动和静止面目标跟踪的基本手段.对于近距离面目标或尺寸很大的面目标,目标图像占据视场的大部分或充满视场,图像相关匹配的数据量和计算量很大.图像相关匹配的计算实时性在一定程度上决定了该技术的实用性.在工程上常用的快速图像相关匹配算法有两种:序贯相似检测算法(SSDA )[1]和多分辨率塔形结构算法(M PSA)[2].SSDA 算法能够保证图像匹配的全局最优性,但SSDA 算法只能采用M AD 匹配准则,不能采用NPROD 匹配准则,并且随目标位置不同,每帧图像所需的匹配时间不定,不便于工程实现.MPSA 算法可采用M AD 和NPROD 匹配准则,每帧图像所需的匹配时间基本恒定,但M PSA 算法原理上存在失配的可能,特别是低对比度条件下失配的可能性更大,它以匹配精度的损失换得速度的提高.因此,在保证最优匹配精度的前提下大幅度降低图像相关匹配的计算量是人们关注研究课题.图像相关匹配的计算量取决于它寻找最佳匹配位置时采用的搜索策略.现有的方法均采用遍历式搜索策略,因而计算量的降低有限,如果不采用新的搜索策略,则难以在计算量的降低上取得实质性的突破.这是现有图像相关匹配算法的共同缺陷.遗传算法是近年发展起来的新理论和新方法[3],其主要优点是简单、通用、鲁棒性和适于并行处理.它采用非遍历寻优搜索策略,可以保证寻优搜索的结果具有全局最优性,所需的计算量较之遍历式搜索小得很多.国外学者已经将遗传算法用于研究点模式匹配问题[5].本文将遗传算法用于图像相关匹配算法的研究,提出了快速图像相关匹配算法.在同样的匹配效果条件下,该算法在计算速度上较SSDA 算法提高了一个数量级以上,并且可以采用NPROD 匹配准则,提高在低信噪比条件下的匹配精度;该算法还具有每帧图像匹配计算时间基本恒定的优点,便于在实际系统中采用.1　算法原理将遗传算法用于图像相关匹配问题,要解决以下五个问题:第18卷第2期1999年4月红外与毫米波学报J.Infrared M illim.Waves V o l.18,N o.2A pril,1999X 国防预研基金(编号:94J 1A.5.2)资助项目稿件收到日期1998-09-25,修改稿收到日期1998-12-071.1　图像相关匹配问题解的编码图像相关匹配的目的是寻找模板的最优匹配位置,其坐标就是图像相关匹配的最优解,因此,最简单的编码方式是将坐标对应的二进制编码直接作为基因串.本文为避免在某些相邻空间位置(例如:127与128)所对应的二进制编码在码形上的很大差别对算法收敛性和匹配精度的不利影响,选择格雷码(Gray Co de)编码方案.Gr ay 码是一种循环码,Gr ay 码中数值相邻的码字之间只有一个比特位不同,满足空间位置相邻编码码形相似的要求.1.2　度量匹配程度的适应度函数本文为了突出重要信息,提高对不同类型目标匹配定位的精度和跟踪可靠性,采用多子模板匹配方法.匹配模板划分如下:M (x ,y )=M 1(x 1,y 1)∪M 2(x 2,y 2)∪.....∪M N (x N ,y N ),(1)式(1)中M i (x i ,y i )(i =1,2,...N )为各个子模板.实时图像以同样的方式划分,由各个子模板与子图像分别进行相关匹配,得到匹配度量函数R i (x ,y )(i =1,2,.....,N ),综合匹配度量函数R (x ,y )的定义为它们的加权和,并直接将其取为遗传算法中的适应度函数f (x ,y )f (x ,y )=R (x ,y )=£N i =1m i R i (x ,y ).(2)根据跟踪目标类型(固定目标或运动目标)确定匹配模板的划分方式(例如:等分模板和内外波门模板等),以及权系数的选择.图1和图2分别给出了对同一幅图像进行相关匹配得到的单模板匹配度量函数曲面和九分模板(3×3等分)匹配度量函数曲面,其中,中心子模板权系数m 4=0.2,其余m i =0.1,i ∈{0,1,2,3,5,6,7,8}.可以看出多子模板匹配度量函数曲面得到锐化,匹配度量函数曲面的锐化使匹配定位的精度提高.图1　单模板匹配度量函数F ig .1T he measuring functionby single maskmatching 图2　多子模板匹配度量函数Fig .2T he measuring funct ion by mult imask matching1.3　遗传操作(1)复制操作[3]:遗传算法根据适应度选择复制的父体,使品性好的父体被优先复制.本文采用线性化的“车轮选择”父体复制方法.该方法对父代中的个体按适应度赋予一个代表其品性的等级,它能够缩小个体间在适应度上的差距,使得适应度较低的父体也有一定的146红外与毫米波学报18卷复制概率,避免算法过早收敛陷入局部最优解.(2)交叉算子、突变算子和贪婪算子:交叉算子的效果是使来自父代的遗传物质组合在一起产生更优良的子代.本文采用均匀交叉算子,即子代染色体中的每一基因等概率地取自两个不同父体中的同一基因.复制操作和交叉算子产生的子代与其父代具有相象的品性,突变算子的效果是产生与父代品性有很大区别的子代,目的是使搜索过程摆脱局部最优区域.本文采用均匀突变算子,即按照一定的概率将子代染色体中的每一基因“反转”(1变成0,0变成1),产生新的突变染色体.对于某一代“人口”中适应度最高的个体,可以认为与其相邻的染色体可能具有更优良的品性,贪婪算子的作用就是对这些邻近的染色体进行搜索,以其最优者取代本代“人口”中适应度最高的个体.(3)稳态无重复制技术[4]:利用上述遗传操作产生的子代与其父代进行对比,剔除重复的个体,并且将子代中的若干最优者取代父代中的最差者,从而生成新一代“人口”,目的是保留父代中的优良品性,使“人口”的适应度不断提高.1.4　遗传算法的初始化(1)限制区域均匀随机初始化方法:从原理上讲,遗传算法为了搜索到最优解,需要较多的人口和进化代数,当人口数和进化代数产少时,遗传算法搜索到的解的质量与“初始化人口”的质量有很大的关联性.本文针对图像相关匹配问题提出了一种限制区域人口初始化方法.首先将实时图像划分为N ×M 个小矩形区域,然后再采用随机初始化的方式获得位于该区域内的数个“初始人口”.计算所有初始人口的相关匹配度量函数,并根据匹配度量函数从中选择一定数量的人口作为遗传算法的“初始化人口”.这种初始化方法可以保证初始化人口均匀分布于整个解空间,以较少的人口和进化代数获得最优解.(2)序列图像跟踪时的初始化方法:图像相关匹配用于目标跟踪时,由于序列图像各帧之间的相关性,在已知前帧图像的匹配位置后,在后帧图像的匹配搜索时,搜索的重点区域图3　初始人口在x 方向上服从的概率分布F ig.3Pr obability dist ribution ofinit ial po pulatio n in x direction是前帧图像匹配位置的周围区域.因此,可以采用下述的初始化方法.在标准的初始化方法中,初始人口将在整个匹配搜索区域均匀随机地产生.本文采用的初始化方案初代人口服从于特定的二维分布,由于本初始化方法对于x 和y 方向上的操作是相互独立的,我们以x 方向上的初始化为例加以说明.初始人口在x 方向上服从如图3所示的离散概率分布.图3所示的概率分布可以用下述公式表达:p (x )=a (x m -b )õx 0≤x <(x m -b ),a (x m -b )≤x <(x m +b ),a (X -x m +b )(X -x ) (x m +b )≤x ≤X ;(3)(4)147　2期朱　红等:基于遗传算法的快速图像相关匹配148红外与毫米波学报18卷式中(x m,y m)为上帧图像匹配得到的目标位置,参数b由上帧图像的匹配置信度和目标移动的速度决定,当置信度高且目标移动速度慢时则b减小,初始化人口相对集中在(x m,y m)附近较小的范围内;反之,当置信度低或目标移动速度快则b增大,初始化人口将分散在以(x m,y m)为中心的较大范围上.1.5　遗传算法中各个参数的确定遗传算法中的参数,例如:人口数、进化代数、交叉操作概率和突变操作概率等,对算法的收敛速度和结果的全局最优性产生影响.虽然从概念上能够定性地分析它们之间的相互关系,但要通过解析的途径精确分析它们之间的相互关系具有较大的难度.因此,实际中一般是根据具体问题的要求大致确定参数的取值范围,再通过实验的方式确定合适的参数值.2　实验结果以实际采集的红外图像利用上述基于遗传算法的图像相关匹配算法进行计算机仿真,结果如下:2.1　图像参数、目标类型和匹配方式实时图像尺寸为N1×N2=460×256;匹配模板的尺寸为M1×M2=64×64.考虑到跟踪地面低对比度固定面目标时,匹配模板中的各个区域具有同等的重要性,所以在下面的仿真过程中无论M AD匹配准则或Nprod匹配准则,均采用单模板匹配.2.2　仿真过程及参数人口数=30;进化代数=20.(1)匹配位置编码方式:Gray码.(2)初始化:按四分之一模板的面积对实时图像进行划分,将实时图像划分为14×8= 112个矩形区域,采用随机初始化的方式获得位于该区域内的两个“初始人口”.计算所有初始人口的相关匹配度量函数,选择适应度最高的30个人口作为遗传算法的“初始化人口”.(3)线性化等级指标为10-40(等级增量d=1,窗口基值w=10).(4)交叉操作概率=1.0(无条件交叉);突变操作概率=0.01.(5)贪婪搜索区域:最大适应度人口对应的空间匹配位置周围3×3领域.(6)稳态无重复替代:逆向比较,即子代中的最优者与父代中的最差者比较,子代中次最优者与父代中的次最差者比较,余者类推.如果前者大于后者,即用前者取代后者.2.3　仿真参数选择依据原理上讲,对于一定数量的人口,遗传算法为了搜索到全局最优解,需要较多的进化代数.当人口数和进化代数较少时,遗传算法能否搜索到全局最优解,既与算法的处理过程和参数的选择有关,也与具体问题的性质有关.上述初始化参数的选择,使得在每一个四分之一模板面积大小的区域内有2个人口,因此初始化所得到的30个初始化人口的匹配精度小于二分之一模板尺寸,即小于32个像素(理想情况匹配精度达到四分之一模板尺寸,即16个像素).由于遗传算法的处理过程中引入了贪婪算子,使得每一代人口中适应度最大的人口从局部最优匹配位置向全局最优区配位置至少移动一个像素,再考虑到其它遗传操作带来的寻优搜索能力,经20代人口进化后,将搜索到全局最优匹配位置.仿真计算表明:在进化代数超过15代后,30个人口将集中在最优匹配位置周围大约10×10个像素的区域内,当进化代数达到20代时,获得全局最优匹配位置.2.4　匹配计算量分析遗传算法大幅度减少了图像相关匹配中模板匹配的次数,计算量大幅度降低,从理论上做如下分析.(1)原始相关匹配.窗匹配次数=(460-64+1)×(256-64+1)=101569.(2)遗传算法相关匹配.窗匹配次数=(初始化)+(代数)×[(人口数)+(贪婪搜索)]=(2×112)+20×(30+8)=984.(3)计算效率=101569/984≌103(倍),考虑到遗传算法在遗传操作时所需的额外计算量,实际的计算效率低于上述值.2.5　仿真计算结果分析从图4(a)中取定匹配模板,在图4(b)中进行全场相关匹配.用P166M M X 微机计算结果如表1所示.仿真中所选的图像亮度很高但对比度很低,图像中大部分区域没有明显的结构特征,某些匹配模板相似度很大(模板3和4,5和6,7和9),某些模板包含的是匀质区(模板10),因此属于难度较大的图像相关匹配例子.图4　相隔若干帧的两幅地面目标红外图像F ig .4T wo infr ared imag es of o bjects on the gr oundsepar ated fro m sever al fr ames表1　MAD 匹配准则下不同匹配算法计算性能比较Table 1Comparison of computation perf ormance of dif ferentmatching algorithms under MAD matching criterion序号原始位置原始算法SS DA 遗传算法匹配位置时间/s 匹配位置时间/s 匹配位置时间/s 1(198,96)(198,96)43.7(198,96)22.14(198,96)0.662(271,116)(271,116)43.7(271,116)22.08(271,116)0.663(118,102)(118,102)43.7(118,102)22.47(118,102)0.664(40,102)(40,102)43.7(40,102)22.57(40,102)0.665(138,16)(138,16)43.7(138,16)10.87(138,16)0.666(278,16)(279,16)43.7(279,16)14.06(279,16)0.667(198,165)(198,165)43.7(198,165)23.18(198,165)0.668(98,176)(99,176)43.7(99,176)24.17(99,176)0.669(358,96)(358,96)43.7(358,96)22.41(358,96)0.66149　2期朱　红等:基于遗传算法的快速图像相关匹配150红外与毫米波学报18卷从表1可见:在所有匹配位置上,匹配结果与传统方法相同.在匹配计算所需的时间上,SSDA算法的速度比原始算法提高一倍左右,但所需的计算时间与匹配模板在图像中的位置有很大关系.对于同样的匹配效果,遗传算法的速度较SSDA算法提高一个数量级以上,且匹配时间基本恒定(遗传算法中随机判决运算所带来的计算量波动,相比较而言,可以忽略).采用Npr od匹配准则获得的匹配结果类似,差别在于传统算法需时134s,而遗传算法需时只2s.我们利用上述仿真程序做过数百幅不同种类图像的相关匹配实验,得到相同的结果,由于篇幅的限制,本文仅给出其中一个难度较大的典型例子.REFERENCES1　Bar nea D I,Silver man H E.A class o f algo rithms fo r digit al imag e r egistrat ion,I EE E,1972,C-21(2):179-1862　K ashef B G.A surv ey of new techniques fo r imag e r egistrat ion and mapping,SP I E,1983,443:222-239 3　G oldber g D E.Op timiz ation and M achine L ear ning,M a ssachuset ts:A ddison W esley,19894　D avis L.H andbook of Genetic A lgorithms,N ew Y o rk:Van N ostr and R einhold,19915　A nsari N,et al.Dy namic,Genetic and Chaotic P rogr amming.John Wiley&Sons,I nc.,1992FAST IMAGE CORRELATIVE MATCHING BASED ONGENETIC ALGORITHM XZHU Hong　ZHAO Yi-Go ng(Department of M easurement-control an d Equipment,Xid ian University,Xi’an,Sh aanxi710071,Ch ina)Abstract　The problem of im age correlativ e matching w as studied by m eans of genetic al-gor ithm and a fast im age corr elative matching algorithm w as presented.With the condition of optimum m atching,the com putation amo unt of the algorithm w as reduced more than10 times compared w ith SSDA algo rithm.The NPROD matching criterion can be emplo yed in this alg orithm to improv e the matching precisio n for the case of lo w im ag e contr ast.The co mputatio n tim e is nearly constant for matching each frame o f imag es in the presented al-gor ithm,w hich bring s convenience to the practical application.Key words　image correlation matching,genetic algor ithm,fast computation.X T he project supported by the Prelimin ary Research Fou ndation of National Defen seReceived1998-09-25,revis ed1998-12-07。

基于遗传算法的影像匹配
魏明果;刘德富;刘润泽
【期刊名称】《三峡大学学报（自然科学版）》
【年(卷),期】2001(023)001
【摘要】Firstly,the basic principle of genetic algorithms isdescribed.And then,the problem of the-best-searching in the process of image matching is solved by using the genetic algorithms.Finally,through many mathematic testings,the reliability of the genetic algorithms in the image matching is definitely proved.%阐述了遗传算法的基本原理，应用遗传算法解决了在影像匹配过程中的全局寻优问题，通过数学试验，表明了遗传算法在影像匹配过程中的可靠性.
【总页数】4页(P78-81)
【作者】魏明果;刘德富;刘润泽
【作者单位】三峡大学理学院,;三峡大学土木水电学院,;长江水利委员会物测院,【正文语种】中文
【中图分类】O242.1
【相关文献】
1.基于遗传算法的遥感影像匹配定位的研究 [J], 徐建斌;洪文;吴一戎
2.基于小波变换和遗传算法的遥感影像匹配方法的研究 [J], 徐建斌;洪文;吴一戎
3.基于遗传算法的快速影像匹配技术的研究 [J], 郭海涛;刘智;张保明
4.一种基于遗传算法的影像匹配方法研究 [J], 李国;巩丹超;郭海涛
5.基于遗传算法的快速影像匹配技术的研究 [J], 郭海涛;刘智;等
因版权原因，仅展示原文概要，查看原文内容请购买。