改进PSO算法在图像配准中的应用

联合SA-PSO和PDA在传感器配准中的应用李伟;周林;柴秀丽【摘要】对含有系统误差的测量进行配准是准确进行数据关联的前提.实际中,许多不确定性因素导致系统误差,使其演化模型难以建立,从而导致传统配准方法不再适用.为此,提出一种基于优化SA-PSO(simulated annealing particle swarm optimization)的配准算法.由于传感器监视空域经常受到杂波的影响,在利用SA-PSO优化算法对系统误差进行配准时,不仅要考虑外界因素所引发系统误差的不确定性问题,还要考虑目标多个量测的归属问题.基于此,提出一种联合改进退火粒子群优化和概率数据关联的算法SA-PSO-PDA(simulated annealing and particle swarm optimization and probability data association),它综合考虑系统误差的随机性、寻优的最佳化和目标量测的多样性.仿真结果表明了所提算法具有可行性,且能较好地寻优系统误差参数.【期刊名称】《郑州大学学报（理学版）》【年(卷),期】2015(047)001【总页数】5页(P69-73)【关键词】系统误差;误差配准;粒子群(PSO);模拟退火(SA);概率数据关联(PDA)【作者】李伟;周林;柴秀丽【作者单位】河南大学环境与规划学院河南开封475004;河南大学计算机与信息工程学院河南开封475004;河南大学计算机与信息工程学院河南开封475004;河南大学计算机与信息工程学院河南开封475004【正文语种】中文【中图分类】TP391在多传感器监视系统中，数据关联和传感器配准都是多目标跟踪中的核心问题，已有的文献大多是分别对数据关联[1-5]和传感器配准[6-11]两类问题分别进行处理.在进行数据关联时，若使用带有系统误差的量测信息进行量测/量测或量测/航迹的互联，则必然会影响后续的目标跟踪精度.因此，有必要在数据关联过程中研究传感器配准问题.在实际环境中，影响系统误差的许多因素是不确定的，从而导致系统误差具有随机性，常用的传统配准方法不再适合解决此类系统误差，甚至还会给传感器量测增加新的误差.因此，寻找一个处理难以建模的系统误差配准方法尤为重要.研究人员对上述两类问题的解决多是分别进行的，对它们进行同时处理的研究较少.Okello[12]在高斯噪声假设的前提下，提出了一种基于贝叶斯方法的分布式系统误差配准和航迹-航迹融合方法.当动态系统误差呈现随机性时，其估计问题较难解决，但利用估计问题本质上可通过优化来解决的思想来估计随机系统误差.基于智能优化方法，Karniely[13]给出一种利用神经网络来估计传感器各类误差的算法.文献[14-16]也提出了解决具有随机性的系统误差配准方法.综合考虑杂波环境下低检测概率、高虚警、数据高冲突等所带来的目标量测不确定性，以及动态系统误差出现的随机性，本文提出了一种基于智能优化的联合改进粒子群和概率数据关联来估计系统误差的算法—SA-PSO-PDA.该算法主要是利用PDA获取关联概率信息来重构智能优化寻优所需的目标函数，并利用优化运算来估计系统误差.算法综合考虑如何解决PSO系统误差粒子的多样性，寻优的最佳化以及PDA回波多样性等3个问题.粒子群优化算法(particle swarm optimization, PSO)[17-18]中，需利用粒子群算法迭代地对目标函数的解进行寻优.由于需要对监视系统中的传感器的系统误差进行估计，需构造目标函数，使其作为求取适应值的参考表达式.模拟退火SA(simulated annealing)算法是一种接受新变量多种可能性的算法，从局部极值点跳出搜寻全局极值点，具有渐近收敛于最优解的特性.将SA引入到PSO中，可综合利用PSO快速寻优能力和SA概率突跳特性，保证群体的多样性，避免种群的退化.某一探测系统中，设{xAP,yAP}和{xBP,yBP}分别表示传感器A、B在中心坐标系中的坐标；{rA(k),θA(k)}和{rB(k),θB(k)}分别表示传感器的量测值；ΔrA,ΔθA,ΔrB,ΔθB分别表示传感器待配准的系统误差.图1为传感器和目标在二维坐标系中的系统误差的几何关系图.由图1可得被测目标坐标的真实和量测位置间关系：,其中,{xA(k),yA(k)}和{xB(k),yB(k)}分别表示从传感器A、B的测量转换到公共坐标系中的坐标.假设在同一时刻，对同一目标进行测量，则应有传感器对同一目标测量的笛卡尔坐标重合，即根据求解目标有且只有一个的原则，构建合理优化目标函数，将k时刻的目标函数描述成Fit(k)= {[rA(k)-ΔrA(k)]sin[θA(k)-ΔθA(k)]+xAP-[rB(k)-ΔrB(k)]sin[θB(k)-ΔθB(k)]-xBP}2+{[rA(k)-ΔrA(k)]cos[θA(k)-ΔθA(k)]+yAP-[rB(k)-ΔrB(k)]cos[θB(k)-ΔθB(k)]-yBP}2.设某一系统的状态方程和量测方程分别为：由于要用到两部传感器量测，且考虑传感器量测的归属，因此可用关联概率信息对k时刻的目标函数(1)式进一步变形,fvalue为某一较大正整数，,,其中,分别为传感器A、B测量和目标的互联概率，其获取步骤见文献[18].基于SA-PSO-PDA的系统误差配准算法流程图描述如图2所示.其中,n=1,2,…,N,为PSO初始化粒子个数；k-1|k-1,s和Pk-1|k-1,s为k-1时刻由传感器s得到的目标状态估计及其方差；iA=1,2,…,mk,为传感器A量测个数，iB=1,2,…,nk,为传感器B量测个数；k|k,s和Pk|k,s分别为k时刻由传感器s得到的目标状态估计及其方差；k,s为k时刻传感器s的系统误差；l为迭代次数.算法框图(图2)的“优化运算”模块具有以下步骤：1) 各个粒子的适应值通过目标函数Fk计算得到，并将当前各粒子的位置、适应值存于各自的个体极值中；找出所有粒子的个体极值中适应值最优的粒子，将其对应的位置、适应值存于全局极值gbest中.2) 给出模拟退火SA的初始温度t.3) 计算当前温度t下各粒子的个体极值适配值,4) 利用轮盘赌策略，从各个粒子的个体极值中重新寻找一个全局最优值全局极值，PSO算法更新各粒子的位置、速度.5) 通过Fk函数重新计算各粒子新的适应值，并对它们各自的个体极值及全局极值gbest进行更新.6) 利用SA算法进行退火.7)在运算精度或循环次数条件达到时结束搜索，否则转至步骤3)继续寻优操作.假设在某一系统中，用两个传感器A、B去观测同一个机动目标T.被测量目标在以一定的转弯角速度沿逆时针方向作匀速转弯机动，非线性量测函数T，系统误差T；目标状态的初始位置x0=[29 km,0.4 km/s,34.5 km,-0.4 km/s]T；转弯角速度ω=-0.05 rad/s，采样间隔τ=1；系统过程噪声uk均值为0，标准差为0.05I2×2高斯白噪声.量测噪声vk均值为0，标准差为blkdiag(Rγ,Rθ)的高斯白噪声，传感器的噪声标准差为；传感器位置为(-8 km,10 km)和(10 km,-10 km)，且其系统误差方差为；径向距和方位角系统误差范围都为(0～2 km)，(0.5～2°)；仿真中，假设传感器系统误差为及.PSO相关参数为：初始粒子个数为40个，迭代次数1 000次，正的学习因子c1=c2=1.2.传感器对目标进行探测时，PD=0.99,PG=0.997，跟踪门选用椭圆形波门,且门限阈值取16，杂波密度λ取0.01.SA相关参数为退火常数,=0.2.图3为目标的真实轨迹、传感器配准前的量测以及杂波图，量测会和目标真实轨迹存在一定偏差；杂波的存在会引发量测-航迹关联问题.图4给出利用SA-PSO-PDA算法配准前后的测量比较图.图5给出了两种算法对系统误差估计的RMSE曲线图.由于系统误差无模型，利用PDA算法，需先获取目标状态估计，然后对已知量测方程模型进行反解得到系统误差估计.可以看出，SA-PSO-PDA算法比PDA算法更好地估计传感器的系统误差.从图5可分析，两种算法都可用于估计传感器系统误差，但SA-PSO-PDA算法达到收敛稳定的时间更短，且RMSE值明显小于PDA算法.为更精确地对两种算法性能进行分析，表1统计了稳态精度(1～70 s间的RMSE平均值)以及计算量(仿真所耗费的平均机时).两种算法在稳态精度方面，与单一粒子PDA算法的处理过程相比，SA-PSO-PDA 算法在每拍的系统误差初始估计是一系列值，对每一初始估计值都进行PDA滤波处理、PSO寻优处理及SA模拟退火处理，得到传感器的系统误差估计，它是多粒子的处理过程，因此，使用所提算法得到的估计精度要高于PDA算法.在计算量方面，由于在每拍需对每一个粒子都进行PDA滤波处理、PSO寻优处理以及SA寻优处理，因此所提算法耗时要比PDA算法长.鉴于此，可通过平衡估计性能和计算量来对相关参数进行设置.SA-PSO-PDA算法利用PDA回波的概率信息，构建SA-PSO寻优所需的目标函数，充分考虑了系统误差的不确定性和回波的多样性，从根本上对PDA算法进行优化.与PDA算法相比，SA-PSO-PDA算法有更高的精度，但计算量方面有所增加.因此，根据不同的任务需求，可通过参数设置来平衡精度和计算量.【相关文献】[1] Sittler R W．An optimal data association problem in surveillance theory[J]．IEEE Trans on Military Electronics，1964，8(2)：125-139．[2] Morefield C．Application of 0-1 integer programming to multitarget tracking problems[J]．IEEE Trans on Automatic Control，1977， 22(3)：302-317．[3] Singer R，Sec R G．A new filter for optimal tracking in dense multitarget environments[C]// Proceedings of the Ninth Allerton Conference Circuit Circuit and System Theory.Urbana-Champaign,1971:201-211．[4] Bar-Shalom Y，Kirubarajan T，Lin X．Probabilistic data association techniques for target tracking with applications to sonar，radar and EO sensors[J]．IEEE Aerospace and Electronic Systems Magazine，2005，20(8)：37-54．[5] Berteskas D P．The auction algorithm for assignment and other network flow problems：a tutorial[J]．Interfaces，1990，20(4)：133-149．[6] Dana M P．Registration：A Prerequisite for Multiple Sensor Tracking[M]．Norwood，MA：Artech House，1990．[7] Zhou Y F，Henry L．An exact maximum likelihood registration algorithm for data fusion[J]．IEEE Trans Signal Processing，1997，45(6)：1560-1572．[8] McMichael D W，Okello N N．Maximum likelihood registration of dissimilar sensors[C]//Proceedings of the Australian Data Fusion Symposium.Adelaide，1996：31-34．[9] 宋强，何友，杨俭．基于UKF 的目标状态与系统偏差的联合估计算法[J]．弹箭与制导学报，2007，27(3)：311-313．[10]Lin X D，Bar-shalom Y，Kirubarajan Y T．Exact multisensor dynamic bias estimation with local tracks[J]．IEEE Trans on Aerospace and Electronic Systems，2004，40(2)：576-588．[11]Li Z H，Chen S Y，Leung H．Joint data association，registration，and fusion using EM-KF[J]．IEEE Trans on Aerospace and Electronic Systems，2010，46(2)：496-507．[12]Okello N N，Challa S．Joint sensor registration and track-to-track fusion for distributed trackers[J]．IEEE Trans on Aerospace and Electronic Systems，2004，40(3)：808-823．[13]Haim K，Hava T S．Sensor registration using neural networks[J]．IEEE Trans on Aerospace and Electronic Systems，2000，36(1)：85-100．[14]王波，李瑞涛，王灿林，等．一种改进的变异粒子群算法研究[J]．军械工程学院学报，2006，18(3)：50-52.[15]王波，王灿林，董云龙．吸收变异的粒子群算法及应用[J]．海军航空工程学院学报，2006，21(4)：410-412.[16]Clerc M，Kennedy J．The particle swarm-explosion, stability，and convergence in a multidimensional complex space[J]．IEEE Trans on Evolutionary Computation，2002，6(1)：58-73．[17]魏新红，张凯.一种改进的PSO-Means聚类优化算法[J].河南科技大学学报：自然科学版，2011，32(2)：41-44.[18]何友，修建娟，张晶炜，等．雷达数据处理及应用[M]．北京：电子工业出版社，2008．。

基于混合优化算法的医学图像配准方法别术林;刘杰;唐子淑;邱禧荷【摘要】Image registration algorithm based on mutual information has high complexity and low speed.To solve the problem , a new image registration method based on improved genetic algorithm and Powell algorithm is proposed in this paper .Considering the shortages of the standard genetic algorithm , such as prematurity and slow convergence that may result in mismatching , in this paper , we improve the crossover operation of the genetic operations .At the same time , we combine the improved genetic algorithm and Powell algorithm.The method makes full use of the global search capability of genetic algorithm and the local search capability of Powell pared with Powell algorithm and the traditional genetic algorithm , this algorithm we proposed can effectively improve the image registration velocity and noise immunity .%基于互信息的图像配准算法计算复杂度高，配准速度慢。

GA-PSO算法在图像配准中的研究∗王程杨静张倩山东大学计算机科学与技术学院，山东济南 250061摘要：本文在分析遗传算法(GA)和粒子群优化算法(PSO)优越性与不足的基础上，提出了GA和PSO结合的混合算法来优化互信息。

算法产生下一代个体时，不仅采用交叉和变异算子，而且在重新定义局部最优粒子的基础上，引入了粒子群优化算法，有效地结合了遗传算法的全局收敛性和粒子群优化算法的局部搜索能力。

实验证明该方法，速度快，配准精度高，达到亚像素级。

关键词：图像配准互信息粒子群优化遗传算法1 引言医学影像学的发展为临床诊断和治疗提供了有效的辅助手段。

不同的医学影像可以提供人体相关脏器和组织的不同信息，如CT和MRI提供解剖结构信息,而PET和SPECT提供功能信息。

在实际临床应用中单一模态图像往往不能提供医生所需要的足够信息，通常需要将不同模态图像融合在一起，得到更丰富的信息以便了解病变组织或器官的综合信息，从而做出准确的诊断或制订出合适的治疗方案。

而融合首先要解决这几幅图像的严格对齐问题，即配准问题。

医学图像配准即通过寻找一种空间变换[1]，使两幅图像的对应点达到空间位置和解剖位置的完全一致,配准的结果应使两幅图像上所有解剖点、或至少是所有具有诊断意义上的点都达到匹配。

图像配准的主要目的是去除或抑制待配准图像和参考图像之间几何不一致，包括平移旋转和形变。

它是图像处理和分析的关键步骤，是图像对比，数据融合，变化检测和目标识别的必要前提。

医学图像配准方法基本上可分为前瞻性和回溯性两种。

前瞻性配准是基于外部特征的图像配准(有框架)，回溯性配准即是基于内部图像特征的图像配准(无框架)。

近年来,引入了信息论中的一些概念,如联合熵、相对熵和互信息[2],精度较高,可以达到亚像素级。

互信息是信息论中的一个基本概念,是两个随机变量统计相关性的测度,当两幅图像基于共同解剖结构的图像达到最佳配准时,它们对应像素的灰度互信息应达到最大。

多尺度变换和粒子群优化的图像融合方法那彦;王赟鹏【摘要】在图像融合领域,基于多尺度变换的图像融合方法是研究的热点,文中提出了一种基于多尺度变换和粒子群优化的图像融合方法,对基于多尺度变换得到的融合图像,利用粒子群优化进行进一步处理,并讨论了优化算法中初始图像质量对最终结果的影响.实验结果表明,该算法具有较好的融合结果,且优化时选取偏差大的初始图像粒子,能够获得更好的融合结果.【期刊名称】《电子科技》【年(卷),期】2015(028)007【总页数】4页(P137-139,144)【关键词】图像融合;多尺度变换;粒子群优化;初始图像粒子【作者】那彦;王赟鹏【作者单位】西安电子科技大学电子工程学院,陕西西安710071;西安电子科技大学电子工程学院,陕西西安710071【正文语种】中文【中图分类】TP391.41图像融合技术在机器视觉和图像处理等领域有广泛的应用，它是将两个或多个传感器获取的图像加以综合处理而获得新图像［1］。

随着不同变换的提出和发展，更多的变换被用于图像融合领域，例如:Wavelet变换、Contourlet变换、NSCT、Curvelet变换。

但是，使用单一变换进行图像融合得到的结果往往不是最优的。

为解决这一问题，本文提出了一种基于多尺度变换和粒子群优化的图像融合方法，对基于单一变换得到的融合结果在空域继续进行优化，并讨论了优化算法中初始图像质量对最终融合结果的影响。

实验结果表明，文中提出的多尺度变换和粒子群优化的图像融合质量，优于基于四种不同变换的融合结果，且粒子群优化时选取偏差大的初始图像粒子，能够获得更好的融合结果。

1 多尺度变换的基本理论Fourier分析反映了时间函数和频谱函数之间的关系，但尽管Fourier变换有很好的局部化频域的能力，却不具有局部化时间域的能力，后者对非平稳信号的研究和处理起到很大作用。

因此从Fourier分析发展到了小波的理论和分析方法。

小波变换是在有限宽度的范围内进行正交或者非正交的变换。

医学图像配准与分割方法的改进与性能评估摘要：医学图像配准与分割方法在医学影像领域具有重要的应用价值。

本文将重点讨论医学图像配准与分割方法的改进与性能评估。

首先介绍图像配准与分割的基本概念和常用方法，然后详细讨论一些改进的方法，包括基于深度学习的方法、多模态图像配准与分割方法以及基于传统算法的优化方法。

最后，介绍医学图像配准与分割方法的性能评估指标和常用评估方法。

一、引言医学图像配准与分割是医学影像处理和分析的关键技术之一。

图像配准是将不同时间点或不同模态的医学影像进行对齐，以便进行更准确的分析和诊断。

图像分割是将图像中感兴趣的区域从背景中分离出来，以便进行定量分析和病灶检测。

准确的图像配准与分割方法可以提高医学影像的诊断准确性和临床应用的效果。

二、基本概念和常用方法图像配准的目标是找到两个或多个图像之间的几何变换关系，使得它们在空间上对齐。

常用的图像配准方法包括特征点匹配、互信息和归一化互相关等。

特征点匹配方法通过提取图像中的关键点，然后利用特征描述子进行匹配，从而得到几何变换关系。

互信息是一种统计量，用来衡量两个随机变量之间的相关性。

归一化互相关是一种基于区域的配准方法，通过计算两个图像之间的相似度来寻找最优的配准变换。

图像分割的目标是将图像中的像素划分成不同的区域或对象。

常用的图像分割方法包括阈值分割、边缘检测和基于区域的方法等。

阈值分割方法通过设定一个阈值，将图像中的像素分为目标和背景两类。

边缘检测方法通过检测图像中的边缘来实现分割。

基于区域的方法通过将图像分成若干个区域，然后根据不同的特征进行合并或分裂，最终得到分割结果。

三、改进的方法为了提高医学图像配准与分割的准确性和稳定性，许多改进的方法被提出。

1. 基于深度学习的方法深度学习是近年来在医学影像处理中取得重要突破的技术之一。

深度学习的主要优势是可以自动从数据中学习图像的特征表示，并进行端到端的训练和推理。

在图像配准方面，深度学习可以通过学习到的特征表示来更好地匹配不同时间点或不同模态的图像。

东北大学研究生考试试卷阅卷人：考试日期：__学号：注意事项1．考前研究生将上述项目填写清楚2．字迹要清楚,保持卷面清洁3．交卷时请将本试卷和题签一起上交东北大学研究生院基于PSO算法的图像匹配技术摘要：图像匹配问题是图像处理中的一个经典问题,在计算机视觉、模式识别和医学图像处理等方面有着广泛的应用.本文主要介绍了在基于灰度图像匹配算法基础上,以匹配相似性度量函数为判断标准,结合智能算法中的粒子群算法来实现图像准确而快速的匹配.关键词：图像匹配；相似性度量；粒子群算法；离散空间1 引言数字图像配准是指将从同一场景拍摄的具有重叠区域的图像通过特征匹配方法,找出图像之间的对应关系.目前,图像配准技术广泛应用于医学、生物、信息处理和其它领域,它已成为图像处理应用中不可或缺的技术.图像匹配问题主要有两种对应的问题模型:一是两幅<或者多幅>来自不同传感器、不同视角或不同时间的图像需找出对应关系,经过匹配步骤可得出两幅图像的差别所在,为下一步处理作基础；二是根据已知的图像模式在另一幅图像中搜索类似模板的目标.图像匹配技术是数字图像处理领域的一项重要研究,已在计算机视觉、虚拟现实场景、航空航天遥感测量、医学影像分析、光学和雷达跟踪等领域有着重要的应用价值.大体图像匹配的应用领域概括起来主要有以下几个方面:1.计算机视觉和模式识别.包括图像分割、物体识别、形状重建、运动跟踪和特征识别.2.医学图像分析.包括医学成像信息诊断,生物医学信号处理等.3.遥感信息处理.包括特定目标的定位和识别等.随着科学技术的发展,图像匹配技术在近代信息处理领域中的应用范围越来越广泛,而图像数据量庞大这一显著特点,严重制约了图像匹配技术的实时应用.图像匹配的准确性和实时性是现今在具体应用上存在的一对矛盾体,如何在保持匹配准确性的同时,提高其匹配速度是现阶段急需解决的问题,也是目前对匹配算法的研究重点.在序列目标图像分析、跟踪、识别,工业实时检测等实际应用中,一般是根据已知的图像模式,然后在另一幅图像中搜索类似模板的目标.2 图像匹配说明2.1图像匹配流程图像匹配是一个多步骤过程,总的来说,大概可分为图像输入、图像预处理、匹配有用信息提取、图像匹配、输出结果等.由于所采用的方法各异,不同的匹配算法之间步骤也会有很大不同,但它们的大致过程是相同的.图像匹配流程图如图2.1所示：图2.1图像匹配流程图2.2 基于灰度的图像匹配算法国内外现阶段对图像匹配研究主要是以提高匹配的精度和速度为主,同时对匹配方法的通用性与鲁棒性也有一定要求.图像匹配方法大致可分为两类:第一类是基于灰度的图像匹配算法;第二类是基于特征的图像匹配算法.本文主要讲述第一类基于灰度的图像匹配算法.这类方法直接利用图像的灰度信息进行匹配,通过象素对之间某种相似性度量<如相关函数、协方差函数、差平方和、差绝对值和等>的全局最优化实现匹配,不需进行图像分割和图像特征提取,因而可以避免由这些预处理所造成的精度损失.这类匹配方法需要解决的问题是:匹配速度比较慢,对灰度信息变化、光照变化、噪声非常敏感,没有充分利用灰度统计特性,对每一点的灰度信息依赖较大,不适应于匹配对象存在旋转和缩放情况下的匹配问题.本节这里主要利用了基于灰度的图像匹配算法中较为简单的MAD算法,并结合智能算法中的粒子群算法的寻优优势,从而实现了较为快速而准确的图像匹配.MAD算法即平均绝对差算法,是Leese最早提出来的一种匹配算法.原理如图2.2所示：基于灰度的MAD其中d<x,y>为相似性度量函数在偏移量为<x,y>时的匹配度量值.由公式可以看出,当d<x,y>取值最小时认为<x,y>是最佳匹配位置.3 ＰＳＯ算法图像匹配3.1 ＰＳＯ算法简介粒子群优化算法<PSO>是一种进化计算技术,1995年由Eberhart 博士和kennedy 博士提出,源于对鸟群捕食的行为研究.该算法最初是受到飞鸟集群活动的规律性启发,进而利用群体智能建立的一个简化模型.粒子群算法在对动物集群活动行为观察基础上,利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得最优解.PSO 算法从这种模型中得到启示并用于解决优化问题.PSO 算法中,每个粒子表示空间中的一个解.所有的粒子都有一个由适应度函数决定的适应值<fitness value>,每个粒子还有一个速度决定他们飞翔的方向和距离.然后粒子们就追随当前的最优粒子在解空间中搜索.PSO 算法初始化为一群随机粒子<随机解>.然后通过迭代找到最优解.在每一次迭代中,粒子通过跟踪两个"极值"来更新自己.第一个就是粒子本身所找到的最优解,这个解叫做个体极值pbest.另一个极值是整个种群目前找到的最优解,这个极值是全局极值gbest.粒子群算法的速度和位置迭代公式为：其中：i v ,i x 为每个粒子的速度和位置.pbest[i],gbest[]如前所述.rand<>表示〔0,1〕之间的均匀随机数据.1c ,2c 为学习因子,w 称为惯性权值,1c 和2c 为正常数,称为学习因子,它们的具体含义为：1.惯性权值w保持粒子原有飞行速度的系数,控制粒子飞行速度变化,通过w 调节PSO 算法的全局与局部寻优能力.当w 取值较大时,粒子飞行速度变化幅度较大,全局寻优能力强,局部寻优能力弱;反之当w 取值较小时局部寻优能力强,全局寻优能力弱.选择一个合适的w 可以平衡全局和局部搜索能力,这样可以以最少的迭代次数找到最优解,这是因为开始较大的惯性权重可以遍历比较大的范围,后来小的权重有较好的局部搜索能力.2.学习因子12,c c1c 和2c 代表了粒子向自身历史最优值和全局最优值推进的随机学习权值,1c 的大小标志着粒子的认知能力.当1c =0,粒子没有认知能力,只受"社会知识"影响,在粒子间相互影响下,有能力达到新的搜索空间,收敛速度比标准算法快,但碰到复杂问题比标准算法更容易陷入局部极值.2c 的大小标志着粒子的社会信息交换共享能力,当2c =0时,没有社会信息共享,只有"自身认知"的能力.由于粒子之间没有信息交互,等价于众多单个粒子的飞行,因而得到最优解的概率很小.如果1c =2c =0,说明粒子以当前速度飞行,直到边界.为了确定1c 和2c 对算法性能的影响,Kennedy 对以下4种模型做了大量的计算：〔1〕认知模型,2c =0;〔2〕社会模型,1c =0；〔3〕完全模型,1c =2c ；〔4〕无私模型,也是一种社会模型,唯一不同的是,无私模型中每一个粒子获取自身历史最优值时只考虑其他粒子的信息而不包括自己.认知模型只考虑粒子自身的信息,而没有与社会信息的交流和共享,Kennedy 计算后发现该模型收敛速度比较慢;社会模型只考虑社会因素,倾向于向社会学习,收敛速度比较快,但容易早熟.同时,为了平衡群体因素和个体因素的影响,普遍认为1c 和2c 取值为2效果较好,不过在文献中也有其它的取值,但是一般1c =2c 并且范围在0和4之间.3.2 ＰＳＯ算法图像匹配流程本文主要是用PSO 算法实现快速图像匹配,主要是用基于灰度的MAD 算法匹配方法函数作为适应度函数的判断标准,在数字图像二维离散空间快速寻优,找到适应度函数具有最优值所对应的位置,此位置就是匹配的结果,从而实现图像匹配.由于PSO 算法的智能性和快速收敛性,所以参数设置合理,就可以实现快速而准确的图像匹配.匹配程序的流程图如图3.1所示.图3.1PSO 算法图像匹配的程序流程图3.3 ＰＳＯ算法的参数设置参数设置与粒子寻优过程设计说明：若基准图的大小为M 行N 列,实时图的大小为S 行J 列,则粒子一维方向的位置范围为[1,M-S+1],二维方向的位置范围为[1,N-J+1].粒子位置和速度的多样化适于粒子在全局搜索解,尽可能地发挥算法的搜索能力,否则很可能漏掉最优解,而使算法找到次优解.所以粒子群的初始化位置为[1：M-S+1,1：N-J+1]范围内的均匀分布的随机数据.当粒子超出最大位置时,将粒子所在维度设置为最大位置.粒子最大速度的选择通常凭经验给定,一般设置为粒子范围宽度的10%-20%,根据实际情况和多次试验的结果,所以粒子两个维度的最大速度均设置为10.所以粒子群的初始化位置为[-10：10,-10：10]的均匀分布的随机数据.学习因子1c 和2c 均设置为2.大的惯性因子w 可以使算法不易陷入局部最优,到算法后期,小的惯性因子可以使收敛速度加快,使收敛更加平稳,时变权重可以在某一个范围内变化,一般在迭代过程中按照某种规律递减.在本文中,粒子惯性权重w 最大值为1,最小值为0.4,迭代过程中粒子权重随着迭代次数线性递减.4 实验结果与展望4.1实验结果图像匹配结果如下：输入的基准图像和实时图像为：图4.1 输入的基准图像图4.2 输入的实时图像程序运行输出的结果为：图4.3 输出的PSO 寻优匹配结果本文对该算法的匹配率进行了试验：共进行了30次试验,成功匹配29次,匹配成功率96.67%,达到了较好的匹配准确率.本文也对本算法和全遍历法在模板匹配次数和时间效率上进行了试验测试.结果如表1所示.表1 本算法和全遍历算法比较算法全遍历法 PSO 算法 运行时间0.62s 0.51s 模板匹配次数 121*121=14641 60*120=7200实验中发现群体数目不易过大或过小.过大,PSO 算法的优化性能得不到体现；过小,有可能会出现所求得的最优解的精度达不到要求.迭代次数亦是如此,次数过多会加大运算量,降低算法的效率,过少,可能会导致最终解的精度不够.在上述实验图像和环境下,经过多次实验后,发现群体数在60左右,迭代次数在120次左右时,能得到较满意的结果.理论上讲,图像匹配问题按上述实验图像的情况,其计算量为〔M-S+1〕×〔N-J+1〕=14641次模板匹配计算,而PSO 算法则只需要〔群体数目×迭代次数〕次模板匹配计算,在实验中群体数为60,迭代次数为120,所以模板匹配计算的次数为7200次.同时时间效率上也要优于全遍历法,而且这种优势在需要遍历位置更多时,会表现得更加明显.4.2 展望为更加减少计算量,提高算法的效率,本算法有如下改进方向.1.进一步优化参数,在保证匹配率的前提下,降低粒子数和迭代次数.2.优化PSO 算法,例如引入收缩因子,并将速度的限制放宽、将学习因子1c 、2c 采取自适应时变调整策略.3.粒子群算法与其它智能算法的融合.在基本PSO 算法中加入禁忌<Tabu>算法,将基本PSO 和遗传算法相结合,进一步提出杂交PSO.5参考文献[1] 纪震,廖惠连,吴青华.粒子群算法与应用[M],科学,2009.01[2] 江铭炎,袁东风.人工鱼群算法与其应用[M],科学,2012.01[3] 刘锦峰.图像模板匹配快速算法研究[D].中南大学.硕士学位论文.2007.05[4] 何志明.群体智能算法在图像匹配中的应用[D].陕西师范大学.硕士学位论文.2010.05[5]李小林.混合粒子群优化算法与其在图像匹配中的应用研究[D].西安电子科技大学.硕士学位论文.2010.6[6] 鹿艳晶,马苗.基于灰色粒子群优化的快速图像匹配算法[J].计算机工程与应用.2009.45<10>.[7] 王维真,熊义军,魏开平,何文雅.基于粒子群算法的灰度相关图像匹配技术.2010.46.<12>.附录在此附上pso算法的源码,遍历法以与截取实时图像的源码详见程序文件夹.%------本程序目的是用pso算法来对图像进行匹配-----------------------tic%------------------界面变量清理---------------------------------close allclearclc%-----------读取图片信息-----------------------------f=imread<'lena_basic.jpg'>;[row1,colu1]=size<f>;t=imread<'lena_time.jpg'>;[row2,colu2]=size<t>;%------------------参数设置--------------------------------------------w_max=1; % 惯性权重最大值w_min=0.4; % 惯性权重最小值p_num=60; % 粒子规模数量p_dim=2; % 粒子维数c1=2;c2=2; % 学习因子v_max=10; % 速度上限v_min=-10;% 速度下限p_iter=120; % 迭代最大次数次数设定p_position_min=1;p_position_max=row1-row2+1;%------------------初始化,位置和速度------------------------------------p_position=zeros<p_num,p_dim>; % 先设定一个空的矩阵,来放置粒子当前位置信息,注意行和列的设定p_speed=zeros<p_num,p_dim>; % 先设定一个空的矩阵,来放置粒子当前速度信息,注意行和列的设定for k_ini=1:p_num % 范围最大值为粒子的个数p_position<k_ini,:>=round<p_position_min+...<p_position_max-p_position_min>*rand<1,p_dim>>; % 初始化位置,位于p_position_min到p_position_max之间的随机均匀分布的数据p_speed<k_ini,:>=round<-10+20*rand<1,p_dim>>; % 初始化速度,位于-10到10之间的随机均匀分布的数据end%----------------------计算初始化粒子的最优值数据-------------------------p_local_position=p_position; % 初始化后,各个粒子当前初始化的位置为各自记忆最优位置% p_local_position中为各个粒子的历史记忆最优位置p_local_value=zeros<1,p_num>; % 各个粒子的记忆最优位置的最优值for k1=1:p_num % 寻找初始化后,当前全局最优粒子〔本例是求最大值〕% p_local_value<k1>=pute_fit<p_position<k1,:>,p_dim>; % 计算各个粒子当前的适应度函数值temp=p_position<k1,:>;f_temp1=f<temp<1>:temp<1>+row2-1,temp<2>:temp<2>+colu2-1>;f_temp2=abs<f_temp1-t>;p_local_value<k1>=sum<sum<f_temp2>>/<row2*colu2>;% p_local_value<k1>计算各个粒子当前的适应度函数值% p_local_value为保存各个粒子适应度函数数据endp_global_value=p_local_value<1>; % 先假定第一个粒子拥有当前初始化全局最优值p_global_position=p_position<1,:>; % 即假定第一个粒子为当前初始化全局最优粒子位置for k2=1:p_num % 寻找初始化后,当前全局最优粒子if p_global_value>=p_local_value<k2> %*********判断条件********p_global_value=p_local_value<k2>; % 更新全局最优值信息p_global_position=p_position<k2,:>; % 更新全局最优粒子位置信息endend%----------------------------中心主程序-----------------------------------------%---------更新粒子位置和速度,通过判断条件,找出全局最优值-------------------------% while expression% statements% endflag_stop=0; % 迭代结束的标志k_iter=0; % 迭代的次数初始化while flag_stop==0 % 判断迭代标志,是否循环%------------更新速度和位置信息-------------------------w=w_max-0.6*k_iter/p_iter; % 更新惯性权重值% ticfor kd=1:p_dimfor kn=1:p_nump_speed<kn,kd>=round<w.*p_speed<kn,kd>+... % 粒子自身速度<c1*rand<1>>.*<p_local_position<kn,kd>-p_position<kn,kd>>+... % 粒子的自身学习<c2*rand<1>>.*<p_global_position<kd>-p_position<kn,kd>>>; % 粒子的社会全局学习if p_speed<kn,kd>>v_max % 最大速度制约p_speed<kn,kd>=v_max;endif p_speed<kn,kd><v_min % 最大速度制约p_speed<kn,kd>=v_min;endp_position<kn,kd>=round<p_position<kn,kd>+p_speed<kn,kd>>; % 更新粒子的位置if p_position<kn,kd><p_position_min % 最小位置制约p_position<kn,kd>=p_position_min;endif p_position<kn,kd>>p_position_max % 最大位置制约p_position<kn,kd>=p_position_max;endendend%---------适应函数值的比较,来记录记忆个体最优,和找到全局最优---------------------------%---------来记录记忆个体最优---------------------------% ticfor kn=1:p_numtemp=p_position<kn,:>;f_temp1=f<temp<1>:temp<1>+row2-1,temp<2>:temp<2>+colu2-1>;f_temp2=abs<f_temp1-t>;p_fit_new<kn>=sum<sum<f_temp2>>/<row2*colu2>;% p_fit_new<kn>计算当前位置的适应度函数值if p_fit_new<kn><=p_local_value<kn>p_local_value<kn>=p_fit_new<kn>; % 更新个体记忆最优值p_local_position<kn,:>=p_position<kn,:>; % 更新个体记忆最优位置endend%---------找到全局最优<通过上面找到的个体最优〕--------------------------- % ticp_global_value=p_local_value<1>; % 先假定第一个粒子拥有目前全局最优值for kn=1:p_num % 寻找当前全局最优粒子if p_global_value>=p_local_value<kn>p_global_value=p_local_value<kn>; % 更新全局最优值信息p_global_position=p_position<kn,:>; % 更新全局最优粒子位置信息endend% t3=toc%----------是否改变迭代标志的判断------------------------if k_iter>=p_iter % 判断迭代次数是否达到要求flag_stop=1;endk_iter=k_iter+1; %更新迭代次数数据信息end%-------------------------输出最优值的信息--------------------------------disp<'*************************************************************'> disp<'函数的全局最优位置坐标为：'>p_global_positionimshow<f>,title<'原始基准图像'>;figure,imshow<t>,title<'实时图像'>;figure,imshow<f>,title<'PSO寻找匹配结果'>hold onrectangle<'Position',[p_global_position<1>,p_global_position<2>,row2,colu2],'edgecolor','w','LineWidth',2> hold offtoc % 显示程序总用时间disp<'*************************************************************'>。

PSO算法优化BP神经网络的EIT图像重建算法谢莉莉;汪鹏;陈丽【摘要】针对阻抗断层图像重建这个严重病态的非线性的逆问题,提出一种基于PSO优化BP神经网络的EIT图像重建算法.该算法在基本BP算法的误差反向传播调整权值的基础上,再引入PSO算法进行权值修正.该算法不仅能很好地适应EIT的病态非线性特性,而且可以克服基本BP算法收敛速度慢和易陷于局部极值的局限.实验结果表明该方法速度快并且能够有效提高图像分辨率.【期刊名称】《制造业自动化》【年(卷),期】2011(033)002【总页数】3页(P45-46,53)【关键词】粒子群算法;BP神经网络;权值调整;电阻抗成像;病态【作者】谢莉莉;汪鹏;陈丽【作者单位】天津职业大学电子信息工程学院,天津,300410;河北工业大学计算机科学与软件学院,天津,300401;河北工程大学信息与电气工程学院,邯郸,056038【正文语种】中文【中图分类】TP3930 引言电阻抗成像（EIT）是利用对物体表面的电测量来重建反映物体内部结构及功能变化图像的一种新颖的计算机影像技术。

EIT在工业监测、无损探伤等方面也引起工业界极大关注[1]。

EIT的实现一般是通过在物体表面设置一定数量的电极，在选定的电极上施加一定模式的电流，然后测量各电极的电压，再将这些已知的电流、电压数据，依据图象重建算法，构造出物体内部的未知阻抗图像[2]。

我们构造了一套实时电阻抗成像的实验系统，系统具有32个电极，采用相邻电极注入电流及相邻电极测量电压采集。

如图1所示，不同模式的电流由恒流源通过多路选择开关施加到物体表面电极，由高精度的A/D采集模块通过多路选择开关采集各相邻电极的电压数据，最后由微控制器（51单片机）将数据预处理并控制传输给计算机，再重建出阻抗分布图像。

图1 采集系统结构图EIT图象重建是一个高度病态、非线性的反问题，它是目前EIT技术中关键的研究课题。

目前成像算法主要分为基于非迭代的线性动态成像和基于迭代的非线性静态成像两类[3]。

基于g-l-PSO算法的灰度图像增强方法
罗圣敏
【期刊名称】《微电子学与计算机》
【年(卷),期】2010(0)6
【摘要】规则化Beta函数给出了灰度图像对比度变换函数的统一表达形式,但是Beta函数的参数需要根据具体图像而确定,难于找出合理的参数值.首先分析了传统PSO算法的不足,使用种群的局部最优解为遗传依据,全局最优解为变异依据,提出综合的g-l-PSO算法.将g-l-PSO算法用于确定Beta函数的参数,通过适应度评估,可以获取最适合当前图像的参数值.通过三幅Pout图像的增强效果分析,可知该灰度图像增强方法切实可行.
【总页数】5页(P109-113)
【关键词】粒子群算法;图像增强;规则化Beta函数
【作者】罗圣敏
【作者单位】清远职业技术学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于自适应细菌觅食算法的灰度图像增强方法 [J], 翟自勇;赵卫国;王欢
2.基于WT和Retinex理论的低照度灰度图像增强算法 [J], 徐庆;崔金鸽;陈炳权
3.基于大气灰度因子的红外图像增强算法 [J], 王笛; 沈涛; 孙宾宾; 崔晓荣
4.基于灰度补偿与多尺度Retinex算法的彩色图像增强方法研究 [J], 谌贻会
5.基于遗传菌群趋药性算法的灰度图像增强 [J], 杨凡
因版权原因，仅展示原文概要，查看原文内容请购买。

基于PSO算法的图像处理应用研究现状综述摘要：粒子群优化(PSO)算法是一种源于人工生命和鸟群捕食行为的优化技术，PSO算法通过粒子搜寻自身的个体最好解和整个粒子群的全局最好解来更新完成优化。

该算法原理简单、所需参数较少、易于实现,目前已经应用到很多领域，其中就包括应用于图像处理问题。

本文在此基础上，总结概括了PSO算法应用于图像处理问题上的研究现状，具体地分为应用于图像分割问题、图像识别问题、图像压缩问题、图像融合问题和其他图像处理领域的一些问题。

并简要的展望了关于PSO算法应用于图像处理问题上的若干发展方向，以期可以为以后的学者提供一个值得深入研究探讨的指导。

关键词：PSO算法；图像处理；图像分割；图像识别；图像融合1 引言Eberhart和Kennedy[1]通过对Heppner鸟类模型进行研究，认为鸟类寻找栖息地与对一个特定问题寻找解很类似，并通过修正该模型，使其具有社会性和智能性，以使微粒能够降落在最优解处而不降落在其它解处，提出了粒子群算法。

粒子群算法的基本思想是模拟鸟类的群体行为构建的群体模型。

粒子群算法作为一种进化计算，同样沿用进化计算中“群体”和“进化”的概念，同样是依据微粒的个体适应值进行计算。

在PSO算法中，粒子群中的微粒表示问题的一个候选解，是由速度和位置两部分组成的个体，在n维搜索空间中飞行。

微粒一方面具有自我性，可以根据自我的经验去判断飞行的速度和位置；另一方面具有社会性，可以根据周围微粒的飞行情况去调整自己的飞行速度和位置，不断地寻找个性和社会性之间的平衡。

设Xi=(xi1，xi2…xin)为微粒i当前位置，Vi=(vi1，vi2…vin)为微粒i的当前速度。

在进化过程中，记录微粒到当前为止的历史最好位置为Pi=(pi1，pi2…pin)，所有微粒的全局最好位置为Pg=(pg1，pg2…pgn)。

最初始的PSO算法的进化方程可描述为：（1），（2）为了改善(1)式的收敛性能，Y.Shi与R.C.Eberhart[2]于1998年首次在速度进化方程中引入惯性权重，(1)式变为：（3）其中，w称为惯性权重，用来实现全局搜索和局部开发能力之间的平衡。