改进HD距离和遗传算法的图像匹配研究
基于遗传算法的快速图像相关匹配
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。
基于遗传算法的医学影像配准技术研究
基于遗传算法的医学影像配准技术研究医学影像配准技术在临床医学中具有重要的应用价值。
传统的配准方法受到了许多限制，如计算复杂度高、易受到噪声和图像变形的干扰等。
为了解决这些问题，本文提出了一种基于遗传算法的医学影像配准技术。
该方法通过优化变换模型参数，实现图像间的准确对齐。
实验结果表明，该方法在提高配准精度和鲁棒性方面具有明显优势。
1. 引言医学影像在临床诊断和治疗中起着至关重要的作用。
然而，由于不同设备和不同时间采集到的影像存在一定差异，这给临床应用带来了一定困难。
因此，对不同时间或者不同设备采集到的影像进行精确对齐是十分必要的。
2. 相关工作目前已经存在多种医学影像配准方法，如基于特征点匹配、基于互信息的方法等。
然而，这些方法存在一些问题，如计算复杂度高、易受到噪声和图像变形的干扰等。
因此，需要寻找一种更加高效、鲁棒性更强的医学影像配准方法。
3. 方法介绍本文提出了一种基于遗传算法的医学影像配准技术。
该方法首先将待配准图像分成若干个重叠区域，并提取出每个区域的特征。
然后，通过遗传算法优化变换模型参数，使得待配准图像与参考图像在特征上具有最大相似度。
最后，将优化得到的变换模型应用到待配准图像上，实现图像间的准确对齐。
4. 实验结果为了验证所提出方法的性能，在多组医学影像数据上进行了实验。
实验结果表明，在计算复杂度和配准精度方面，所提出方法均具有明显优势。
此外，在受到噪声和图像变形干扰时，所提出方法也能够保持较好的鲁棒性。
5. 讨论与分析通过对实验结果进行分析可以发现，在医学影像配准问题中应用遗传算法是可行的。
遗传算法能够通过优化变换模型参数，实现对图像的准确对齐。
此外，遗传算法还能够处理图像变形和噪声等干扰，提高配准的鲁棒性。
6. 结论本文提出了一种基于遗传算法的医学影像配准技术。
实验结果表明，该方法在提高配准精度和鲁棒性方面具有明显优势。
未来可以进一步优化该方法，并在更多实际医学影像数据上进行验证。
改进的Hausdorff距离和遗传算法在图像匹配中的应用
改进的Hausdorff距离和遗传算法在图像匹配中的应用臧铁飞;沈庭芝;陈建军;顾建军
【期刊名称】《北京理工大学学报》
【年(卷),期】2000(20)6
【摘要】研究模板和图像间的有效匹配 .将部分 Hausdorff距离的计算进行改进 ,提出一种改进的部分 Hausdorff距离作为检测模板和图像中物体轮廓相似性的测度 ,可以较大地减少计算量 .同时把遗传算法引入图像匹配识别 .由于遗传算法的高并行性和鲁棒性 ,可以较快地完成全局搜索 ,而不会陷入局部最优 ,因此该算法和改进的 Hausdorff距离相结合能有效地检测出具有平移、旋转和尺度变化的物体 .【总页数】5页(P733-737)
【关键词】Hausdorff距离;数字图像处理;图像匹配;遗传算法
【作者】臧铁飞;沈庭芝;陈建军;顾建军
【作者单位】北京理工大学电子工程系
【正文语种】中文
【中图分类】TN911.73;TP18
【相关文献】
1.改进 Hausdorff距离和量子遗传算法在激光制导中的应用 [J], 张腾飞;张合新;孟飞;强钲捷;杨小冈
2.一种改进的部分Hausdorff距离检测技术和遗传算法在图像匹配识别中的应用[J], 沈庭芝;臧铁飞;朱少娟;方力
3.基于Hausdorff距离和免疫遗传算法在图像匹配的应用研究 [J], 孟飞;王仕成;杨小冈;张合新
4.鲁棒Hausdorff距离在SAR／惯性组合导航图像匹配中的应用研究 [J], 冷雪飞;刘建业;熊智;邢广华
5.基于改进Hausdorff距离在图像匹配中的算法 [J], 徐文科;王国刚
因版权原因，仅展示原文概要，查看原文内容请购买。
基于Hausdorff距离和遗传算法的图像配准方法研究的开题报告
基于Hausdorff距离和遗传算法的图像配准方法研究的开题报告一、研究背景及意义图像配准（image registration）是指将两幅或多幅图像进行空间变换，以实现不同图像间几何位置的相对对应。
它在医学影像诊断、视频监控、数字图像处理等领域都有着广泛的应用。
其中，通过计算图像之间的相似度来进行图像配准是一种常见的方法。
目前，基于Hausdorff距离计算的图像配准方法被广泛应用，它可以快速准确地计算出两幅图像间的相似程度，但其存在的缺陷是只能得到全局的匹配结果，难以对局部信息进行精细调整。
因此，如何提升图像配准效果，使其能够更好地适应于特定的应用场景，一直是图像配准领域的研究热点。
本研究旨在探究基于Hausdorff距离和遗传算法的图像配准方法，以提高图像配准的精度和效率，实现更广泛的应用。
二、研究内容1. 国内外研究现状分析对于基于Hausdorff距离的图像配准方法，国内外学者已经进行了大量的研究。
通过对文献的综述和分析，掌握当前研究的进展和不足，引出本研究的创新点和意义。
2. 遗传算法在图像配准中的应用介绍遗传算法的基本原理和产生的背景，重点讨论遗传算法在图像配准中的应用。
分析其优缺点，总结现有算法的应用效果和存在的问题。
3. 基于Hausdorff距离和遗传算法的图像配准模型研究本研究将基于Hausdorff距离和遗传算法，提出一种新的图像配准模型。
通过对模型的详细设计和实现，探究其最优解的求解方法。
4. 模型测试与分析使用多组图像测试数据，对本研究提出的图像配准模型进行性能测试，并与其他图像配准方法进行比较。
分析测试结果，验证模型的有效性和可行性。
三、预期目标本研究旨在提出一种基于Hausdorff距离和遗传算法的图像配准模型，并实现模型的性能测试与分析。
预期达到以下目标：1. 通过对图像配准领域的深入研究，掌握常见的图像配准方法及其局限性。
2. 理论分析遗传算法在图像配准中的优势和适用条件。
基于遗传算法的图像匹配
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
一种基于改进Hausdorff距离的图像匹配方法
一种基于改进Hausdorff距离的图像匹配方法
甘新胜
【期刊名称】《指挥控制与仿真》
【年(卷),期】2012(034)004
【摘要】Hausdorff距离(HD)是图像匹配常用的相似性准则.针对HD在实际图像中难以匹配的问题,提出了基于核密度函数的HD改进形式,该HD是通过对各个最小距离值进行核密度函数计算,并将函数值的和的均值作为单向HD值,无向的HD 值取两个单向值的最小值.实验结果表明,提出的改进HD在遮挡、局部变化情况下比其它的HD距离具有较好匹配效果.
【总页数】4页(P117-119,123)
【作者】甘新胜
【作者单位】江苏自动化研究所,江苏连云港222006
【正文语种】中文
【中图分类】E919;TP274
【相关文献】
1.一种改进的Hausdorff距离的图像匹配算法仿真分析 [J], 康建新
2.一种鲁棒型Hausdorff距离图像匹配方法 [J], 孙瑾;顾宏斌;秦小麟;周娜
3.一种改进的部分Hausdorff距离检测技术和遗传算法在图像匹配识别中的应用[J], 沈庭芝;臧铁飞;朱少娟;方力
4.基于改进Hausdorff距离和人工蜂群算法的图像匹配 [J], 杨飚;周阳
5.基于改进Hausdorff距离在图像匹配中的算法 [J], 徐文科;王国刚
因版权原因，仅展示原文概要，查看原文内容请购买。
Hausdorff距离在图像匹配中的应用
！墨垡皇ｉ垫查！墨ＱＱ圣±蔓旦塑整蔓！兰Ｑ塑：Ｉ团岛圈墨髓＾…ｆ４．曰、：土§Ｊ。
ｒ小，¨的外部点被剔除。
同时参数ｆ也影响着计算速度，因此钆ＴＳ似徊卜击蚤姒口）（。
㈤塞篡薹主蓍慧雾慧？地肭耕鞑威毗其中参数Ⅳ同部分ＨＤ中的志相似，表示＾×Ⅳ＾，＾是一个给定的分数＾∈［ｏ，１］，Ｎ＾表示集合Ａ中点的个数。
如（口）（１）表示序列（如（口）（１）≤如（口）。
，≤…≤如Ｑ）。
Ⅳ．，）中的第ｉ个距离值。
可见＾ＬＴｓ（Ａ，曰）是将大的距离值剔除后，再对保留下来的距离值求平均。
所以，即使目标被遮掩或因噪声而退化，这种匹配方法也能产生较好结果。
因为在距离序列（如（拉）㈣≤如（口）。
∞≤…≤如（口）ｃⅣ．，）中，大的距离值通常是从外部点计算得到的，所以，在实验中，我们用可以剔除外部点的代价函数来代替欧几里德距离范数。
有向距离ｂ（Ａ，曰）定义为：１旦＾（Ａ，曰）一吉∑ＩＤ（ｄ口（口））（订（５）代价函数Ｐ是凸的对称函数，而且在零点有唯一的一个最小值。
在实验中，采用的代价函数ｌＤ定义为：ｆＩ引，ＩｚＩ≤ｒＰ∽净Ｉｒ，…＞ｒＩｒ，Ｊｚｌ＞ｒ其中ｒ是用来剔除外部点的域值，因此产生较大距离３实验结果图１（ａ）为一幅１６０×１６０像素的灰度图像，图中的多边形物体为目标图像，它被圆形、三角形等物体所遮掩。
图１（ｂ）为用于匹配的多边形的模板。
图１（ｃ）为图１（ａ）经过边缘检测等预处理后的二值化边缘图像，图１（ｄ）为图１（ｂ）的二值化边缘图像。
图ｌ（ｅ）为采用改进的Ｈａｕｓｄｏｒｆｆ距离作为度量，图１（ｃ）与图１（ｄ）的匹配结果，所保留窗口的中心即为目标中心，可以看到匹配结果是正确的。
图１（ｆ）为采用基于点点对应的传统的匹配算法，图１（ｃ）与图１（ｄ）的匹配结果，可以看到匹配结果有误。
在实验中，因为在改进的Ｈａｕｓｄｏｒｆｆ距离中嵌入了求平均运算，所以比部分ＨＤ得到更加准确的匹配位置；因为有效地剔除了外部点，所以它们得到比ＭＨＤ更好的结果。
图像匹配中的一种改进遗传算法
计 算 。遗 传算 法具 有高 度 并行 、 局 搜 索 和 鲁 棒 性 强 等特 点 ， 在 优 化 和 自适 应 问题 方 全 其 面 表现 出来 的潜 能为人 们 解决 大 型 、 杂非 线性 系统 的优 化 提供 了可能 。通 过 对 图像 匹 复 配 问题 的数学 建模 ， 可以将 其抽 象 为 一 个 数 值 函数 的优 化 问题 （ 配 目标 函数 因 匹配 图 匹
高 图像 匹配速度 ， 满足 匹配 实时性要 求的新 的 匹配搜 索 策略 。 大量 实验 结 果 表 明 ， 于该 算法 的 图像 匹配具 有 匹配速 度快 、 基 匹配精度 高等优 点 。
关键词 ： 图像 匹配 ； 改进 遗传 算法 ； 自适 应遗传 算 法
１ 引 言
经典 的 图像 匹配算 法 是利用 匹配 图像之 间灰 度 或特 征 的相 关性 ， 过枚 举 计 算 来 完 通 成 匹配 。此类算 法 匹配 范 围大且 搜 索效 率低 ， 法满 足某 些 条 件下 对 图像 匹配 的实 时 性 无 要 求 。为此 ， 人们 使用 了各 种快 速 匹配算 法 ， Ｇｏｈｔｓ ｙ的两 阶段 相关 匹 配算 法 ， ｌ 如 ｓ ａｂ Ｖｅ— ｅｙ的分 层金 字塔 匹配算 法Ⅲ 和 各 种 直 角 坐标 极 坐 标 投 影 法等 。但 是 ， 随着 目标 图像 ｒ 伴
尺 寸 的增长 ， 配搜 索空 间也 急剧 扩大 ， 些方法 均 表现 出有较 大 的局限性 。 匹 这
遗 传算 法 （ ｎ ｔ ｇ ｒ ｈ 简称 ＧＡ） Ｇｅ ｅｉ Ａｌｏ ｉ ｍ， ｃ ｔ 是一 种 宏观 意 义 下 的进 化 计 算 方 法 。该 算 法 使用 群体 搜索 技术 ， 可行 解 集 合 的一 个 子 集 内进 行搜 索 操 作 ， 核 心 思想 是借 鉴 了 在 其
基于遗传算法的医学图像配准方法改进
０ 引言
由于 医 影像 学可在 临床 诊断 中为 医疗 工作 提供 多模 态
的医学 图像 而被广 泛应用 。但 现有 的成像技 术仍 有易 受 噪声
干扰 、 分 辨率低 、 实 时性 差 等局 限 ， 为 了详 细掌 握 病 人病 变 部 位 的具 体情 况 ， 就必 须利用 不 同成 像技 术 的优 势 ， 借 助于计 算 机图像 处理技 术 ， 使 不 同的图像进 行融 合 ， 得到更 为全 面 的信 息， 从而 做 出正 确 的 诊 断并 给 定 治 疗 方 案 。图像 配 准 技 术作 为现代 医学 影像 学 的一 项关 键 技术 ， 已越来 越 多 的应 用 到医疗 工作 当 中。医学 图像配 准 通过 寻 找 空 间变 换 ， 使两 幅
图像 中 的关 键 点 达 到 医生 所 要 求 的解 剖结 构上 的一 致 ，
图１ Ｐ ｏ ｗ ｅ ｌ ｌ 算 法 流 程
所 以配准 的优 劣将直 接影 响到 图像 融 合 的质 量 ， 从 而 影 响 到 医生对 医疗 工作 的决策 。而 图像配 准算法 又是 直接 影响 配准 效果 的关键 因素 。 医学 图像 配 准的算 法 众多 ， 按 配准 的过 程 可分 为 基 于 特 征点 的图像 配 准和基 于灰度 的 图像 配 准 ， 虽然 基 于灰 度 的 图 １中判断 Ｔ最 优 是 基 于 误 差 最 小 原 则 进行 的 阀 值 判
遗传 算 法全局搜 索 能力好 的特 点 对 Ｐ ｏ ｗ ｅ ｌ ｌ 算法进 行优化 。并 通过 实验论 证 ， 证 明 了使得 其 配准精度 和速 度 均得 到 了提 高 ， 从 而 验证 了本 算法 的有 效性。
关键 词 ： 图像 配准 ； 图像 融合 ； Ｐ ｏ ｗ ｅ ｌ ｌ 算法
一种基于遗传算法的改进图像匹配方法
约束 条件 的限制 ，能够有 效地解 决传 统方 法难 以解决 的 问题 。
遗传算法求解问题的关键步骤是： ①定义初始种群 、 确定基因 的编码和解码方法 ； 构造适应度函数 ； ② ③设计遗传算子 ， 对染
色体 进行遗 传进 化操 作 。 １２ 伪并 行遗传 算 法 ． 在遗传 算法 的应 用过程 中 。 一个 比较 突 出的问题是 它容 易 ，
熟； ②适应度的计算量较大导致算法运行速度不能满足系统的
实时性 要求 。 因此 。要将 遗 传算 法 实 际应 用 于 图像 匹 配 中并 保 证收 敛
表示 取值 范 围较大 的 目标 变量 ， 能够便 于处 理 目 变量 之 并且 标
间 复杂 的约束 条件 。基 于此 ， 文采 用浮 点数编码 的方 法 。 本
局 部 极 值 的 可 能 性 并 同 时 提 高 了搜 索 速 度 。
关 键词 ： 图像 匹配 ； 模板 匹配 ； 遗传 算 法 ； 并行 遗传 算法 伪
中 图 分 类 号 ：Ｐ １ Ｔ ３２ 文献标 识码 ： Ａ 文 章 编 号 ：６ ２ ７ ０ （０ ８ ０ － ０ ２ ０ １ ７ — ８ ０ ２ ０ ）６ ０ ７ － ３
对各 类 匹配 问题 具有 很强 的适应 性 。但是 。 由于其需 要搜 寻 区
域上 所有 点 ， 以效率很 低 。 于 多数应 用 ， 所 对 待搜寻 目标 在搜 寻 区域 上往 往是 少数 ． 意味着 大量 计算 浪费 在根本 不可 能是 目 这
传 算 法进 行 改进 ， 使其 具有 克 服早 熟现 象 的能 力 ， 成 了伪并 形
配速 度 ， 近年来 人们 提 出了许 多理论 和方法 。 研究 表 明 ， 在各 种
匹配 算法 中 ，传 统 的相关 匹配算 法能 够获得 较高 的 匹配精 度 ，
基于遗传算法的图像匹配算法研究
（ 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 —
基于遗传算法的图像配准研究及改进
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
基于改进遗传算法的图像相关匹配
基 于 改进 遗传 算 法 的 图像 相 关 匹配
孙 国 玺
（ 茂名学 院计算机与电于信息学 院． 东 茂名 ５５０ ） 广 ２００
摘
要 ： 针对 图像匹配的教学特点 ， 设计一种新 的改进遗 传算 法用－￣ 关 图像 匹配。根 据基 因位 的影响和 参 Ｉｎ ＇
数调整策略 ， 采用半确定性和大 变异结合 ， 明距 离控制的方法 。仿真结果表 明， 汉 新算法在收敛性 能上 大大优 于
遗 传算法 是一 种模 拟 自然进 化 的高性 能搜 索 方法 ， 它将 问题 的解空 间 与数学 的染 色体 空 间对应 ， 在染 色体空 间进行数 学搜 索 ， 找最 优解 。模式 定 理指 出 ， 有低 阶 、 距 以及 平 均适 应 度 高 于 群体 平 均 适应 寻 具 短 度 的模 式将在子 代 中 以指数 级增 长 ， 这样从 一 方 面证 明 了遗 传 算法 向适应 度 高 的方 向迭 代 的可 能 性 和必
以上 。
归一 化 图像 相 关 匹 配算 法
图像 匹配 的过程 主要 涉及 匹配特 征 、 似性 测度 和 匹配 策 略三个 方 面的确定 ， 相 而其 中匹 配策 略尤 为重
要 。设模 板 Ｔ ｘ ｙ 尺寸 为 ｍ×ｎ 搜索 图 ． （ ，） ， Ｓ的尺 寸为 Ｍ×Ｎ Ｔ在 Ｓ上 叠 放平 移 ， 板 Ｔ下覆 盖 的 搜 索子 图 ， 模
２ ２ 遗传 算子 设计 ．
遗传算法的算子主要包括选择、 交叉、 变异三种操作子 ， 仅仅简单 的三种算子 的组合却决定了整个遗 传算 法 的搜索性 能 。一些 研究 表 明 ， 叉 作 用对 遗传 算 法 的性 能影 响 不 大¨ 。 而通 过 对 Ｗａｈ多项 式 交 ｌ ｓ
个 坐标 编码 的串联 ， 虑象 素 的唯一 确定性 ， 用二 进 制编 码 。 考 采
基于改进遗传算法的图像匹配定位
基于改进遗传算法的图像匹配定位傅超斌;南开来【摘要】为了提高彩色图形匹配效率,提出一种针对大图搜索匹配的改进遗传算法搜索策略.针对图像匹配问题的特点,以及根据遗传算法的优化策略,对其初始种群及交叉变异操作进行改进,从而加快图形匹配定位速度,提高其结果的可靠性.【期刊名称】《微型机与应用》【年(卷),期】2017(036)023【总页数】3页(P44-45,49)【关键词】遗传算法;优化策略;图像匹配定位【作者】傅超斌;南开来【作者单位】杭州电子科技大学计算机学院,浙江杭州310018;杭州电子科技大学计算机学院,浙江杭州310018【正文语种】中文【中图分类】TP391遗传算法在边界搜索(Blind Search)、组合优化(Combine Optimization)、机器学习(Machine Learning)领域有不少的应用[1]。
图像匹配是计算机视觉的一个关键技术，遗传算法搜索法是图像匹配中一种常用的搜索法，通过图像匹配可以快速确定待匹配大图像中是否有目标图像，若有则可同时确定其位置。
遗传算法(Genetic Algorithm，GA)是模拟生物进化过程的遗传选择和自然淘汰的计算模型，是由美国学者Holland于1975年首先提出[3]。
其基本思想很简单：一个原始问题的参数被转换成一些基因编码，通常被表示为二进制染色体。
初始的染色体个体都是随机生成的，然后根据一些标准来评判其个体的适应度。
个体适应度的优劣决定了其染色体继续影响搜索的机会。
适应度越优的个体也越有可能被选择作为创建下一代的一部分，通过不同个体间的随机信息交换，使得优秀个体不断被保留遗传，从而不断产生更优的染色体。
后代继承了直系祖先的大部分基因信息，且整体优于祖先群体，进而使其种群不断往优发展。
Holland提出的模式定理奠定了遗传算法的数学基础，其数学表达形式为：m(H,t+1)≥m(H,t)(f(H)/)[1-Pc(δ(H)/(l-1))-O(H)Pm]其中，m(H,t+1)为t+1代中模式H的个体数，m(H,t)为t代中模式H的个体数，f(H)为t代中模式H的个体平均适应度为t代种群中所有个体的平均适应度，Pc和Pm分别为交叉和变异概率，δ(H)和O(H)分别为模式H的定义矩和模式阶，l为染色体长度。
基于遗传算子改进阈值的遥感图像分割算法研究
总676期第十四期2019年5月河南科技Henan Science and Technology 基于遗传算子改进阈值的遥感图像分割算法研究刘芳华余丽萍（郑州轻工业大学，河南郑州450000）摘要：针对复杂背景遥感图像分割准确率不高的问题，提出了一种基于遗传算子改进阈值的遥感图像分割算法。
通过对遗传算法中选择、交叉、变异等算子的优化设计，增强变异的多样性，加快搜索的收敛速度，以获取遥感图像分割的最佳阈值。
实验仿真结果表明：该算法降低了阈值搜索时间，同时取得了良好的图像分割结果。
关键词：遗传算法；阈值分割；遥感图像中图分类号：TP751文献标识码：A 文章编号：1003-5168（2019）14-0037-02Remote Sensing Image Segmentation Based on ImprovedThreshold of Genetic OperatorLIU Fanghua YU Liping （Zhengzhou University of Light Technology ，Zhengzhou Henan 450000）Abstract:Aiming at the low accuracy of remote sensing image segmentation in complex background,a remote sens⁃ing image segmentation algorithm based on improved threshold of genetic operator was proposed.Through the optimi⁃zation designofselection,crossover and mutation operators in genetic algorithm,the diversity of mutation was en⁃hanced,and the convergence speed of search was accelerated to obtain the optimal threshold of remote sensing imagesegmentation.The simulation results show that the algorithm reduces the search time of threshold and achieves good image segmentation results.Keywords:Genetic Algorithms ；threshold segmentation ；remote sensing images1研究背景遥感图像是由装载在如卫星、航天飞机等远离地表的平台上的遥感器拍摄得到的地面图像。
自适应遗传算法在多模图像配准中的应用
自适应遗传算法在多模图像配准中的应用摘要：本文提出了一种改进的自适应遗传算法并应用到多模图像配准的优化过程中，该方法采用进化前后期分别调整交叉概率和变异概率、二次交叉以及移民策略等来克服传统遗传算法容易陷入局部最优的缺点。
实验结果表明了该算法的可行性和有效性。
关键字：遗传算法；图像配准；交叉；变异Application of Adaptive Genetic Algorithm in Multimodality ImageRegistrationAbstract: An improved adaptive genetic algorithm is proposed, and the method is applied to the optimization process of multimodality image registration. This method includes adjusting the probability of crossover and mutation in the evolutionary process, second crossover and emigration strategies. The method can overcome the disadvantage of traditional genetic algorithm that is easy to get into a local optimum answer. The experiment indicates the validity and feasibility of this algorithm.Key words: Genetic algorithm; Image registration, Crossover, Mutation.1 引言在做医学图像分析时，经常要将同一患者的几幅图像放在一起分析，从而得到该患者的多方面的综合信息，提高医学诊断和治疗的水平。
基于改进的HD距离的星图识别算法
基于改进的HD距离的星图识别算法
基于改进的HD距离的星图识别算法
在基于星敏感器的航天飞行器的自主天文导航中,星图识别是关键技术之一.将改进的HD距离算法用于星图识别,避免了由于个别星体出现较大噪声,以及流星等干扰星出现时发生误匹配的问题.在匹配时利用了星图的全部空间结构信息,具有强的抗星敏感器畸变、噪声和旋转能力,同时也不需要复杂的特征提取算法.仿真实验显示它具有较高的实用价值.
作者：陈艳平王广君 CHEN Yan-ping WANG Guang-jun 作者单位：陈艳平,CHEN Yan-ping(合肥学院计算机科学与技术系,安徽,合肥,230022)
王广君,WANG Guang-jun(中国地质大学信息技术教学实验中心,武汉)
刊名：天文研究与技术－国家天文台台刊PKU英文刊名：ASTRONOMICAL RESEARCH & TECHONOLGY-PUBLICATIONS OF NATIONAL ASTRONOMICAL OBSERVATORIES OF CHINA 年，卷(期)：2007 4(2) 分类号：V324.24 关键词：天文导航星敏感器星图识别 HD距离。
基于遗传算法的指纹图匹配算法及应用研究
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。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
【 ｓ ａ ｔ Ａｍｉ ａ ｈ ｐｏｌｍ ｏ ｔａ Ａｂｔ ｃ】 ｉ ｎ ｔ ｅ ｒｂｅ ｓ ｆ ｈｔ ｔｈｎ ｐｉｔ ｏ ｉ －ｅｏ ｔ ｎ ｍ ｇ ｉ ｉ ｃｌ ｏ ｅｅ ｎ ａｄ ｈ ｒ ｇ ｔ ｍａ ｉｇ ｏｎｓ ｒ ｈｇ ｒｓｌ ｉ ｉ ａｅ ｓ ｆ ｕｔ ｄｔ ｍｉｅ ｎ ｔｅ ｃ ｆ ｈ ｕｏ ｄｉ ｔ ｒ
像及 复杂场合 的匹配精度要求 ， 而限制了 ＳＨ＂ 子应 从 Ｉ 算
用 】 。在模板 匹配方法 中 ， 图像 匹配 测度 Ｈ ｕｄ ｒ（ Ｄ ａｓｏｆ Ｈ ）
策 略的并 行遗传算 法 （ ｕｔ ｓ ａ ｇ ａａ ｅ Ｇ ｎｔ １ Ｍ ｌ—ｔ ｔ ｙＰ ｒ ｌ ｅｅｃＡ ． ｉ ｒｅ ｌｌ ｉ
ｇｒｈ Ｍ Ｐ Ａ）在并行遗传算法上采 用不 同的算法策 ｏｉ ｍ， Ｓ Ｇ ， ｔ
距离 ， 能有 效进行图像搜索 ， 因具 有计算 快捷 、 不需点对 点精确匹配和对局部非相似变形不敏感等优点而得到广
泛应 用 ， 但经 典 ＨＤ 离采用 的最大最 小距离对 出格噪 距
略， 以增加群 体 的多样性及 算法 的稳健性 ， 对概 率加权
ｌ ｏｉ ｍ ｔｋ ｓ ｈ ａ ｉ ｔ ｏ ａａｌｌ ｒｃ ｓｉｇ ｏ ｈ －ｔａｅ ｐ ｒ ｌｌ ｅ ｅｉ ｇ ｒｈ ａｇ ｒ ｈ ｔ ａ ｅ ｔｅ ｂｌｙ ｆ ｐ ｒ ｅ ｐｏ ｅｓｎ ｆ ｍｕ ｉｓｒｔｇ ｉ ｌ ｙ ａａ ｅ ｇ ｎ ｔ ａ ｏ ｔｍ ｔ ｏ ｔ ｚ Ｈａ ｓ ｏｆ ｉｔｎ ｅ ｆｒ ｌ ｃｌ ｉ ｏ ｐｉ ｅ ｎ ｄ ｒ ｄｓａ ｃ ｍｉ ｏ ｉ ｒｖｎ ｈ ｍａｃ ｉｇ ｓ ｅ ｄ ｈ ｘ ｅｉ ｎａ ｒｓ ｌ ｈ ｗ ｔａ ｈ பைடு நூலகம் ｒｐ ｓｄ ａｇ ｒｈ ｈ ｓ ｏ ｕ ｔｅｓ ｆｒｎ ｉｅ ｏｔｔ ｎ ａ ｇｅ ｍｐ ｏ ｉｇ ｔｅ ｔｈｎ ｐ ｅ ．Ｔ ｅ ｅ ｐ ｒ ｍｅ ｔｌ ｅｕｔ ｓ ｏ ｈ ｔｔｅ ｐ ｏｅ ｏｉ ｍ ａ ｒｂ ｓ ｓ ｏ ｏｓ ，ｒ ａｉ ｎ ｌ ｓ ｏ ｌ ｔ ｎ ｏ ａ ｄ ｂｏ ｋ ｎ ｍｐ ｏ ｅ ｔｅ ｍａｃ ｉｇ ｓ ｅ ｄ ａ ｄ ｔｅ ｃ ｍｐ ｔ ｇ ｓ ｅ ｄ ｅ ｅｔ ｅｙ ｎ ｌｃ ，ａ ｄ ｉ ｒｖ ｈ ｔｈｎ ｐ ｅ ｎ ｈ ｏ ｕｉ ｐ ｅ ｆ ｃｉ ｌ． ｎ ｖ
。
式 中：Ｉ．Ｊ 点集 Ａ和点集 间 的距离 范式 。式 （ ） Ｊ Ｉ 是 １称
为双 向 Ｈ Ｄ距 离 的最基 本形 式 ，（ 和 ｈ Ｂ， 分别 ｈＡ， （ Ａ）
距 离 ， 两 者 中 的 较 大 者 为 两 集 合 的 双 向 ＨＤ距 离 取
Ｈ（ Ｂ）度量 了两个点集 间的最 大不 匹配程度 。 Ａ， ，
Ｈ Ｄ距离 对 变形不 敏感 ， 噪声 和 图像 遮挡退 化 等 对
比较敏感 ， 献［］ 文 ８采用 加权 平均 的方式 实 现 ， 取得 了较
。
轮盘赌选择 、 一点交叉 、 大变异
， 最佳个体保 留 、 一点交叉 、 大变异
好效 果 ， 但算 法的权值 由图像 的边沿 特征 值 化分布情 二 况来决定 。本 文提 出 Ｐ Ｄ， ＷＨ 是针对两 张图片的 ｈ Ａ， （ Ｂ） 距离 出现 的概率来进行加权处理 。具体公式为
（ ｏｅｅｏ ｏ ｐ ｔ ｎ ｌ ｔ ｎ ｎｏｍ ｔ ｎ ｕｎ ｄｎ ｎ ｅｓｙｏ ｅ ｏｈｍｉ ｌＴｃｎｌ ｙ ｕ ｎｄ ｎ ｏ ｉｇ ５ ５０ ，Ｃ ｉ Ｃ ｌｇ ｆ Ｃｍ ｕ ｒａｄ Ｅｅ ｒ ｉ Ｉ ｒ ａｉ ，Ｇ ａ ｇｏｇ Ｕ ｉ ｒｔ ｆ Ｐｔ ｃｅ ｃ ｅｈｏｏ ，Ｇ ａｇ ｏｇ Ｍａ ｍｎ ２ ００ ｈｎ ｌ ｅ ｃ ｃ ｆ ｏ ｏ ｖ ｉ ｒ ａ ｇ ａ）
领域 有广阔的应用前景 。随着 图像 清晰度 的提高 ， 图像 的微小细节变得清 晰， 图像 匹配的要求进一步提高 ， 对 目 前主要采用 特征点 匹配和模块 匹配等方法 。在特征点 匹 配方面 ，ｏ ｅ 出的尺度不变特征变换 （Ｉ’） Ｌｗ 提 ＳＦ 方法匹配 Ｔ
该方法仍存在 匹配计算量大等 问题 ， 许多学者提 出采用
构框 图如图 １ 所示 。
式 中： 加权 函数 叫（ ） ０ 是此 距 离 的权 值 ， 由该距 离 出现 的 概率决定 ， 概率越大 ， 最后为该值 的可能性 越大 ， 公式 为
２ ￡ Ｊ ：
ｎ ａ
：
／ １ ，
（） ３ × ） （） ｃ ４
ｉｉ（￣ ｎ ｈ ｆ
酬
ｐｏ ｏ ｅ ． Ｔ ｅ ｒｂ ｂｌｙ ｒｐ ｓ ｄ ｈ ｐ ｏ ａ ｉ ｔ ｗｅｇ ｔ ｄ ｉ ｉ ｈ ｅ Ｈａ ｓ ｏ ｉｔ ｎ ｅ ｓ ｓ ｄ ｏ ｅ ｕ ｅ ｏ ｓ ， ｏ ｔ ｅ ｓ ｍｐ ｃ ｆｒ ｕ ｄ ｆ ｄ ｓａ ｃ ｉ ｕ ｅ ｔ ｒ ｄ ｃ ｎ ｉｅ ｕ ｌ ｒ ｉ ａ ｔ ｏ ｍａ ｃ ｉ ｇ ａ ｄ ｈ ｒ ｐ ｓ ｄ ｉ ｔ ｈｎ ， ｎ ｔ ｅ ｐ ｏ ｏ ｅ
Ｒｅ ｅ ｒ ｈ ｎ ｍ ａ ｅ Ｍ ａ ｃ ｎ ｏ ｍ ｐｒ ｖ ｄ ｓ ａ ｃ ｏ Ｉ ｇ ｔ ｈｉ ｇ ｆ Ｉ ｏ ｅ ＨＤ ｓａ ｅ Ｄｉｔ ｎｃ Ｇｅ ｔｃ ｎｅ ｉ Ａｌ ｏ ｉｈｍ ｇ ｒｔ
Ｈ Ｕ ｉｓ ｅ ｇ Ｊｎ ｈ ｎ ，ＰＥＮＧ ｈｐｎｇ ＨＯＵ Ｊｎ Ｚ ｉｉ ，Ｚ ｉｇ
４ ６
２ １第 ５第 ５ （第６ ） ０ 年 ３ ｌ 总 ３期 １ 卷 期 ５
Ｄ ｇｔ ｄｏ ｉｉ ｌ ｅ ｌ ａ
数字 钡频 ｌ
集合 ＝ ａ， … ， ｝ ｛。 ：…， ， ｛。 ， ， ｂ， ， ｂ｝则这两个点集合 ａ ｂ
之间的 Ｈ 距 离Ｉ定义为 Ｄ ｌ １ ］
日∽ ， ＝ ａ（（ Ｂ） （ Ａ ） Ｂ） ｍ ｘｈＡ， ， Ｂ， ） ｈ ＝
ｃ ｍｐ ｔｔ ｎ ｓ ａ ｇ ， ａ ａｇ ｒｔ ｍ ｃ ｍｂ ｎ ｄ ｏ ｕａ ｉ ｉ ｌｒ ｅ ｎ ｌｏ ｉ ｏ ｈ ｏ ｉｅ ｗｉ ｗｅｇ ｔ ｄ ｔ ｈ ｉ ｈ ｅ Ｈａ ｓ ｏｆ ｉｔ ｃ ａ ｄ ｕ ｄ ｒ ｄ ｓａ ｅ ｎ ｍｕ ｔ ｓ ａｅ ｙ ｐ ｒ ｌ ｌ ｅ ｅ ｉ ｌｇ ｒ ｈ ｎ ｌ － ｔ ｔ ｇ ａ ａ ｅ ｇ ｎ ｔ ａ ｏ ｔ ｍ ｉ ｉ ｒ ｌ ｃ ｉ ｓ
ｍａ （ ａ ｍ ｌ一 Ｉｍａ ｌ － ｌ ｘｍ ｘ ｌ ６ Ｉ ｍ ｌ ａ） ｉａ Ｉ ｉｂ １ ｎ ｘ ｎ
。
高遗传算法 在图像 匹配中不用根 据每一 幅图片进行修改
算法参数 ， 文提 出了一种稳健性 强 、 本 收敛性速度快 的多 策略并行遗 传算法 （ Ｓ Ｇ ） ＭＰ Ａ。 Ｍ Ｐ Ａ采用 并行 算法 的结 构 ， ＳＧ 采用 ８ 个并 行分 支 ， 并 构建 ８ 不同的选择 、 个 交叉 、 异的遗传操作 为并行策 变
Ｐ Ｏ算法 遗传算法等智能算法对其进行优化 ， Ｓ 吸 以加快
图像匹配 的速度 。冷雪飞等人嘲 采用遗 传算法的导航实 时图像匹配算法 ， 提高算法 的抗干扰能力等性能 ， 能够 文 献 ［— Ｏ应 用 改进 的遗 传算 法 提 高图像 匹 配 的收敛 速 ９ １］ 度 ， 各种不同 的图像 匹配场 合 ， 适用 取得 了较好 的效果 ，
【 ｙ ｗｏｄ ］ｉ ｇ ａｃｉｇ ａｓｏｆ ｄｓ ｎ ｅ ｍｕｔ ｓａｅｙ ｐｒｌ ｌｇｎｔ ｇｒｈ Ｋｅ ｒ ｓ ｍａｅｍ ｔｈ ；Ｈ ｕｄｒ ｉａ ｃ； ｌ－ｔ ｔｇ ａａ ｅ ｅｅｉ ａ ｏ ｔ ｎ ｔ ｉ ｒ ｌ ｃ ｌ ｉ ｍ
０ 引 言
图像 匹配是图像理解 和计算机视觉中的关键技术之
Ｈ Ｄ距离 进行寻优 ， 现 图像 匹配 。实验结 果表 明该 算 实
声和遮挡非常敏感 ， 导致距离计算的严重错误 将 。许多 研究者对其理论形式进行 了改进 ， 文献【— ］ ５ ６提出 了部分 Ｈ Ｄ距 离 、 加权 ＨＤ 离 以及稳健统计 量 Ｌ Ｓ ＨＤ等方法 距 Ｔ—
处 理 含 有 严 重 遮 挡 或 退 化 问 题 的 图像 ， 提 高 匹 配 的 抗 能
但算法使用时 ， 必须对不 同的图像设 置特殊 的参数 ， 参数
选择对结果影 响大 ， 算法稳健性较差 。本文提 出一种多
精度高－对 角度 、 － ， 尺度变化 以及亮度变化 都有较强 的稳
健性 ， 但该方 法需对 图像进行 高斯 函数 的多尺度变换
及获取 图像 的极值点等 复杂运算 ， 无法满足 高分辨力 图
Ｊ一 ＿ ｌ ｏ Ｊ ｍ ａ ０ ，Ｄ ｘ 凡 ｍ ｉ 凡 ａ ， Ｄ
式 中： 点集 中特征 点的总数 ， （ ， 是 点集 Ａ中 ｎ是 ｈ ａ ）
的特征点 ａ 点集 的距 离 ，ｉ ６ 是 点集 中的特征 到 ｈ（ ） ，
ｌ ｇ ｔｌ ｉ ｅ ｉ ｄｏ Ｄｉ ａ ｖ
ｌ 数字 颜频
文章编号 ：０ ２ ８９ （ｏ １— ０ ６ ０ １０ — ６ ２ ２ ｌ ）５ ０４ — ４ １
改进 ＨＤ距离和遗传算法的图像 匹配研究
刘晋 胜 ， 彭志平 ， 周 靖
（ 广东石油化 工学院 计算机与 电子信息学院， 广东 茂名 ５ ５ ０ ） ２ ０ ０
略， 采用是遗传算法 中较 常见及经 典的操作方法 ， 进行 图
表 １ 算法策略配置
策略
．
对应 如表 １ 所示 。 称 为从 集合 到 集 合和从 集合 到 集 合 的单 向 Ｈ 像 匹配 ， Ｄ
。 内容 策 略 内容 。 一 轮盘赌选择 、 一点交叉及 ． 最佳个体保 留 、 一点交叉及 普 通 变异 普 通 变异
法有效 ， 能满足高分辨力图像 匹配要求。
１ 改进 ＨＤ距 离
Ｈ Ｄ距 离是 描述 两 组点 集 之 间相 似 程度 的一种 量
度， 它是两个 点集之 间距离 的一种定义形 式 ： 假设有两组
干扰能力 ， 增强其在图像匹配中的应用 ， 本文采用概率加
基金项 目： 广东省 自然科学基金项 目（ １２ ０ ０ ２０ ０ ３ ８ ５ ５０ ０ ０ ０ ０ ）