论文部分内容阅读
摘 要：近几年来，经济与科技的高速发展带来了成像技术与信号技术等方面的变革，在这样一个背景之下，数字图像处理相关理论与实践逐渐被提到日程上来。要想深入研究和分析图像，就需要从图像处理技术方面着手，探讨其应用与发展趋势。本文立足于这一现状进行讨论，并结合QPSO算法做出深入分析，希望能够在一定程度上改善其融合效果。
关键词：图像融合；算法；应用
现如今，图像融合技术的发展为社会诸多领域都提供了便捷，无论是遥感、军事领域，还是医学研究，都得益于图像融合技术的存在与作用。在未来发展过程当中，进一步推动图像融合技术的发展必然是大势所趋。
1 图像融合技术相关概述
1.1 主要内容
所谓图像融合，其主要载体是多样化的传感器，以此为基础来对于同一对象的图像数据进行配准，然后采用一定的算法将各种图像数据所蕴含的信息优势或者互补性有效结合在一起，通过这样一种方式所得到的新的图像数据技术就是图像融合。关于具体内容上的划分，图像融合主要包含了3项内容，分别是像素级、特征级和决策级。上述3个级别各自有各自的特点，质量层次由低到高，共同组成了图像融合技术。
1.2 步骤
上图显示了图像融合的整体步骤，在图中I1至Im是m幅原始图像，在经历了若干程序之后，进行了特征变换。在此之后，对于每一幅原始图像采用合适的方法尽心融合，最终所得到的就是If，上述这一过程就是图像融合的步骤。
2 面向图像融合的优化方法
2.1 遗传算法（GA）
所谓遗传算法，其在很大程度上是从生物身上所汲取的灵感，和生物遗传学有着异曲同工之妙。在遗传算法当中，其最为显著的特征就是具有一定的适应度，基于这样一种特性，遗传算法不仅可以不受到种种条件的约束，还能够对于相关区域进行自定义的设定。遗传算法的另一个优点就是具有较强的通用性，原因在于遗传算法所需要进行的对象处理环节，最为重要的步骤就是，针对于可行解进行了编码的个体。基于上述的编码操作，遗传算法能够对结构当中的对象来进行操作，因而使其具有一定的通用性。当然，遗传算法也存在一定的弊端，譬如其在局部寻优能力方面，并不去其他的算法，这一点也深刻影响到这一算法的运作效率。
2.2 微粒群算法（PSO）
微粒群算法的产生和鸟群捕食有着相似的地方，其中有3点最为基本的原则，首先，像鸟类生活一样，飞离于最近的个体；其次，其飞向特定的目标；最后，飞向群体的中心。微粒群算法的基本算法和方式与鸟类的群体职能有着相似的地方，从而建立起来的模型。从本质和性质上来看，和上一章节所介绍的遗传算法比较，PSO算法也是一种优化工具，其重点和基本点就是迭代。PSO算法的一个较为显著的弊端就是，其不能够有效地对于整体进行宏观的搜索，所以在很多时候会满足于局部的优化性能。
2.3 基于量子行为的微粒群算法（QPSO）
QPSO的算法和PSO的算法有着很大的相似之处，前者在后者的基础之上建立起来的，并做出了相应的优化措施。具体而言，QPSO算法吸收了量子物理学思想当中部分思想，并修改了PSO算法当中的进化方法。这样一来，在更新粒子位置的过程当中，重点考虑到了各个粒子在当前的局部最优位置信息和全局最优物质信息。
3 优化算法在图像融合中的应用
3.1 基于遗传算法的实现
首先，在初始化环节，应当随机选择初始化一个种群，给初始种群基数、最大迭代次数赋值、初始化交叉概率Pc、变异概率Pm，并在同时，设置进化代数计数器。根据目标函数，计算每一个个体适应度大小。其次，在种群进化的环节当中，应当优先关注于适应性较强的元素，因为其更加方便与新的操作，其中不仅有交叉操作，还包含了变异操作。在最后的终止环节当中，所需要输出的内容是当前最优的个体，也是在这一环节当中，算法真正结束，所得到的是最佳融合效果的粒子值。
3.2 基于微粒群算法的实现
和遗传算法一样，微粒群算法的初始阶段，也需要把重点放在粒子群的选择上面，具有一定的随机性。在这一过程当中，要注意局部最优的原则，根据相应的目标函数，来对于粒子的大小进行有效计算。
第二个环节是关于粒子的优化，同样选择适应性较强的粒子，和遗传算法不同的是，如果微粒群算法的最后一个环节没能够将误差缩小到一定范围之内，那么就需要重复选择粒子，进行上述步骤。
3.3 基于量子行为的微粒群算法的实现
关于这种形式算法的运用，一个最为显著的特点就是比较，将所选择的每一个微粒的适应度和其自身经历过的最好的位置进行比较，通过比较选择最优的值。和微粒群算法大同小异，如果最终输出的结果不是最优，或者没有达到一个最小的误差范围，那么依旧要重复上述步骤，以此来实现最优的目标，也只有这样才能够得到最佳的融合效果。
4 结论
总的来说，在图像处理技术高速发展的背景之下，关于这一领域的理论研究与实践操作愈来愈多，与此同时，图像融合的相关算法也受到了前所未有的重视。在本文的研究当中，笔者结合当前图像处理技术发展状况进行研究，并结合相关实例深入分析了相关的融合算法。通过分析能够看出，伴随着图像融合应用领域的拓宽，相关算法也必然会不断延伸、稳定。
参考文献
[1]彭天强，彭波.智能图像处理技术[M].电子工业出版社，2014：289-290.
[2]吴连喜.数字图像融合[M].西安交通大学出版社，2013：23-35.
[3]张密.图像处理和分析基础[M].北京高等教育出版社，2013：1-118.
（作者单位：北方民族大学）
关键词：图像融合；算法；应用
现如今，图像融合技术的发展为社会诸多领域都提供了便捷，无论是遥感、军事领域，还是医学研究，都得益于图像融合技术的存在与作用。在未来发展过程当中，进一步推动图像融合技术的发展必然是大势所趋。
1 图像融合技术相关概述
1.1 主要内容
所谓图像融合，其主要载体是多样化的传感器，以此为基础来对于同一对象的图像数据进行配准，然后采用一定的算法将各种图像数据所蕴含的信息优势或者互补性有效结合在一起，通过这样一种方式所得到的新的图像数据技术就是图像融合。关于具体内容上的划分，图像融合主要包含了3项内容，分别是像素级、特征级和决策级。上述3个级别各自有各自的特点，质量层次由低到高，共同组成了图像融合技术。
1.2 步骤
上图显示了图像融合的整体步骤，在图中I1至Im是m幅原始图像，在经历了若干程序之后，进行了特征变换。在此之后，对于每一幅原始图像采用合适的方法尽心融合，最终所得到的就是If，上述这一过程就是图像融合的步骤。
2 面向图像融合的优化方法
2.1 遗传算法（GA）
所谓遗传算法，其在很大程度上是从生物身上所汲取的灵感，和生物遗传学有着异曲同工之妙。在遗传算法当中，其最为显著的特征就是具有一定的适应度，基于这样一种特性，遗传算法不仅可以不受到种种条件的约束，还能够对于相关区域进行自定义的设定。遗传算法的另一个优点就是具有较强的通用性，原因在于遗传算法所需要进行的对象处理环节，最为重要的步骤就是，针对于可行解进行了编码的个体。基于上述的编码操作，遗传算法能够对结构当中的对象来进行操作，因而使其具有一定的通用性。当然，遗传算法也存在一定的弊端，譬如其在局部寻优能力方面，并不去其他的算法，这一点也深刻影响到这一算法的运作效率。
2.2 微粒群算法（PSO）
微粒群算法的产生和鸟群捕食有着相似的地方，其中有3点最为基本的原则，首先，像鸟类生活一样，飞离于最近的个体；其次，其飞向特定的目标；最后，飞向群体的中心。微粒群算法的基本算法和方式与鸟类的群体职能有着相似的地方，从而建立起来的模型。从本质和性质上来看，和上一章节所介绍的遗传算法比较，PSO算法也是一种优化工具，其重点和基本点就是迭代。PSO算法的一个较为显著的弊端就是，其不能够有效地对于整体进行宏观的搜索，所以在很多时候会满足于局部的优化性能。
2.3 基于量子行为的微粒群算法（QPSO）
QPSO的算法和PSO的算法有着很大的相似之处，前者在后者的基础之上建立起来的，并做出了相应的优化措施。具体而言，QPSO算法吸收了量子物理学思想当中部分思想，并修改了PSO算法当中的进化方法。这样一来，在更新粒子位置的过程当中，重点考虑到了各个粒子在当前的局部最优位置信息和全局最优物质信息。
3 优化算法在图像融合中的应用
3.1 基于遗传算法的实现
首先，在初始化环节，应当随机选择初始化一个种群，给初始种群基数、最大迭代次数赋值、初始化交叉概率Pc、变异概率Pm，并在同时，设置进化代数计数器。根据目标函数，计算每一个个体适应度大小。其次，在种群进化的环节当中，应当优先关注于适应性较强的元素，因为其更加方便与新的操作，其中不仅有交叉操作，还包含了变异操作。在最后的终止环节当中，所需要输出的内容是当前最优的个体，也是在这一环节当中，算法真正结束，所得到的是最佳融合效果的粒子值。
3.2 基于微粒群算法的实现
和遗传算法一样，微粒群算法的初始阶段，也需要把重点放在粒子群的选择上面，具有一定的随机性。在这一过程当中，要注意局部最优的原则，根据相应的目标函数，来对于粒子的大小进行有效计算。
第二个环节是关于粒子的优化，同样选择适应性较强的粒子，和遗传算法不同的是，如果微粒群算法的最后一个环节没能够将误差缩小到一定范围之内，那么就需要重复选择粒子，进行上述步骤。
3.3 基于量子行为的微粒群算法的实现
关于这种形式算法的运用，一个最为显著的特点就是比较，将所选择的每一个微粒的适应度和其自身经历过的最好的位置进行比较，通过比较选择最优的值。和微粒群算法大同小异，如果最终输出的结果不是最优，或者没有达到一个最小的误差范围，那么依旧要重复上述步骤，以此来实现最优的目标，也只有这样才能够得到最佳的融合效果。
4 结论
总的来说，在图像处理技术高速发展的背景之下，关于这一领域的理论研究与实践操作愈来愈多，与此同时，图像融合的相关算法也受到了前所未有的重视。在本文的研究当中，笔者结合当前图像处理技术发展状况进行研究，并结合相关实例深入分析了相关的融合算法。通过分析能够看出，伴随着图像融合应用领域的拓宽，相关算法也必然会不断延伸、稳定。
参考文献
[1]彭天强，彭波.智能图像处理技术[M].电子工业出版社，2014：289-290.
[2]吴连喜.数字图像融合[M].西安交通大学出版社，2013：23-35.
[3]张密.图像处理和分析基础[M].北京高等教育出版社，2013：1-118.
（作者单位：北方民族大学）