论文部分内容阅读
现在日益发展的社会中,图像的模式识别运用越来越广泛,图像识别的目的就是通过对图像传感器采集到的图像进行分析研究,提取出目标的特征,本文主要选取了图像识别中的一个重要分支——图像匹配作为主要研究对象。图像匹配即两幅图像间的亮度和空域上的映射,主要目的就是找到最优的空域坐标变换和亮度变换。遗传算法以其简单、鲁棒性强、不需要很多先验知识等特点,使它能适应于不同的环境、问题,并且在大多数情况下都能得到最优解,因此将遗传算法运用于图像匹配,具有十分重要的意义。
传统的匹配方法如模板匹配法等,在时间和精度上相互矛盾的,针对该问题,本文提出了基于遗传算法的图像识别。遗传算法来源于进化论和遗传学说,是把问题的解表示成生物进化中的“染色体”,把问题置于“环境”中,从中选择出较适应环境的“染色体”进行复制、交叉、变异产生更适应环境的新一代“染色体”群,一代一代进化,最后收敛到最适应环境的一个“染色体”,即是问题的最优解。遗传算法具有自适应的迭代寻优搜寻和直接对结构对象进行操作的算法特点,同时也是一种基于种群进化的全局优化搜索算法,具有隐含的并行性。通过群体适应度控制的遗传操作,使群体不断优化,从而找到满意解或最优解。利用遗传算法的这种优势可以屏蔽掉模板匹配目标过程中对复杂参数的确定过程。因此,本文利用遗传算法的随机搜索和优化技术,将遗传算法的迭代寻优搜索作为图像模板匹配的搜索策略,在基于标准遗传算法的图像匹配的基础上,改进了基于混沌遗传算法的图像匹配和基于免疫的小生境遗传算法的多目标图像匹配。混沌遗传算法将混沌变量引入遗传算法,通过利用混沌随机、各态历经和规则的优越性达到超越由于标准遗传算法的单纯随机性带来的缺陷。由于遗传算法中需要随机设置的参数很多,这种单纯的随机不能确定客观现实,以至于遗传算法陷入一种关键的基因缺陷的局势,破坏了寻优工作的效率,导致个体过早集中和种群收敛。如果遗传进化操作融合混沌的方式进行种群进化,虽然各代在短时间里看起来像是随机的,但是从长远来看,它们存在一些细腻的内在联系,混沌遗传算法就是结合混沌现象的遍历性和遗传算法的反演性,进行遗传操作,因为混沌的遍历性,可以使得寻优过程慢慢向最优点靠近,慢慢在最小范围搜索,逐渐混沌化,因而可以避免过早收敛问题。基于免疫的小生境遗传算法就是利用免疫机制的抗体浓度调节机制,构造初始群体,增加抗体的多样性,然后利用免疫系统的记忆机制,记忆保存每代的最优个体,加速其寻优的速度。三种遗传算法的运用对象也有不同,根据自己特点,标准遗传算法主要用于单峰图像,混沌遗传算法主要用于复杂的非线性图像,免疫的小生境遗传算法主要用于多目标图像匹配。通过实验得到,混沌遗传算法可以克服标准遗传算法过早收敛的缺点;而将免疫的小生境技术和遗传算法结合使用,维持了多样性。并用实验将三种方法相互比较,时间上,免疫的小生境遗传算法用时最低,精度上,免疫的小生境遗传算法的匹配精度最高,并能较好的保存进化过程中的有用信息。
本文主要围绕以下几个方面进行研究工作:
1. 设计实现标准遗传算法和改进的遗传算法程序如混沌遗传算法和免疫的小生境遗传算法。设计试验程序所需的遗传算法的进化函数模块,包括人口模型、编码、解码、适应度函数、尺度变换、选择、交叉、变异和终止准则等。
2. 将遗传算法应用于图像匹配。结合传统的图像匹配算法,设计基于遗传算法和传统匹配相似性度量方法的匹配算法,包括标准的和改进的遗传算法。其中,研究了基于混沌遗传算法的图像匹配方法,改进了基于免疫的小生境遗传算法的多目标匹配算法,获得了较好的实验结果。
3. 研究二进制编码方案和实数数码方案,将自然数编码方案应用于模板匹配并编程实现。
本课题将遗传算法与图相匹配结合,解决了传统图像匹配的问题,并提高了匹配的效率,具有较强的实际意义。