基于混合遗传算法和表面间平均体积度量的深度像匹配

提出了一种利用改进的遗传算法和表面间平均体积测度进行深度像匹配的方法.与现有基于距离的误差评判不同,该方法通过衡量深度像重叠区域内每个三角形所对应三维空间的大小来指导深度像的配准.另外,遗传算法的使用避免了困扰ICP算法的初值选取问题,退火选择、最优个体迁移以及动态的空间退化都保证文中所提出的混合遗传算法比传统的遗传算法具有更快的收敛速度,能够有效地完成深度像的精确匹配.实验结果表明该算法具有较高的配准精度,收敛速度快而且抗噪声能力强.     

并行混合遗传算法在深度像配准中的应用研究

实现了基于并行混合遗传算法的深度像精确配准,并比较了四种不同测度下算法的收敛速度和配准精度。根据进程数将种群划分为相应数量的子种群,每一个进程维护一个子种群的交叉、变异和选择,并通过采用环状的最优个体迁移策略和退火选择算子,实现了基于粗粒度并行混合遗传算法的深度像精确配准。此外,还比较了点对均值、中值、点面距离以及表面间平均体积四种测度下算法的性能和优劣。实验结果表明,并行计算技术的应用能够有效加速遗传算法的收敛,减少算法的运行时间。     

ICP框架下基于表面间平均体积测度的深度像配准

提出一种利用深度像重叠区域间的空间体积作为误差度量的精确配准算法.通过寻找2幅深度像重叠区域内的有效三角形对,并将这些三角形对所夹的三维空间作为误差测度来指导深度像的配准;然后将对应三角形的质心作为对应点对,估计出新的空间位置转换关系.实验结果表明:该算法具有较高的配准精度,收敛速度快并且具有一定的抗噪声能力.     

基于改进ICP算法的点云自动配准技术

在零件的型面检测过程中,通常有数据采集、曲面重构、曲面配准和误差求取几个步骤。其中,曲面之间的配准是检测中关键的一环。针对传统的经典ICP(Iterative Closest Point)算法在配准过程中受噪声干扰大、鲁棒性差的缺点,在应用点云主方向贴合的粗略配准基础上,以经典的ICP算法为基础,提出了点云数据的欧氏距离阈值去噪和点云的方向矢量夹角阈值两种方法改进ICP算法,并应用改进算法作为点云之间的精确配准算法。对于经过初始配准的点云数据使用欧氏距离阈值法剔除点云间点对的噪声,并经点云各点间的方向矢量夹角阈值进行对应点采样,提高了传统ICP算法的效率和精度。经飞机和汽车零件点云配准实验验证,本算法的配准误差在±1μm内。算法具有设计简洁,响应快速的特点,有实际工作意义。     

图像配准技术在颅像重合中的应用

该文将图像配准技术应用于颅像重合,从而实现颅骨与照片的配准。首先简要介绍了常用的几种图像配准算法,然后根据颅像配准的特点选择基于特征点映射的配准算法,并结合加权值的思想使颅像配准效果更加理想,最后对颅像配准的误差来源进行了分析。试验证明,采用基于加权值的特征点映射配准算法获得了较好的配准效果。     

一种新的卫星多光谱图像自动配准算法

针对小卫星独立相机多光谱成像系统波段间配准的非线性误差问题,提出了一种多光谱图像波段间自动配准算法,该算法综合利用互信息、遗传算法和MQ几何校正模型进行多光谱图像的自动配准。在算法中,以互信息作为配准的相似性度量,获得了很高的配准精度;利用遗传算法的快速搜索特性,可以较快的完成搜索并获得整体的最优解;利用MQ几何模型可以精确的建立图像之间的几何关系。试验表明该算法对于多光谱图像波段间非线性几何关系,能够取得非常高的波段间自动配准精度,整体配准误差在一个像元以内。     

基于特征点的合成孔径雷达复图像自动配准算法

提出了一种干涉合成孔径雷达复图像对的自动配准算法,利用Harris特征点检测算子,完成了特征点检测;根据匹配点对之间最大相关和距离相近的结论设计了匹配算法,进行了特征点对的匹配;首先通过Harris特征点检测算子提取特征点;其次根据提出的匹配算法建立点的对应关系;最后利用两步法完成复图像的亚像元级配准;实验结果表明,该算法具有较高的配准精度。     

结合纹理信息的深度像匹配

利用图像的相关性在不同深度像对应的纹理图中自动选取特征点对;然后根据Hausdorff距离判断对应点对的有效性,并利用这些对应点对获得相应的深度点对,从而计算出2个深度像之间的初始位置变换关系;最后结合一种改进的带纹理的ICP算法实现深度像的精确配准.实验结果证明:该算法不仅适用于自由曲面的深度像匹配,而且适用于规则对称物体的匹配.     

基于LTS Hausdorff距离与遗传算法的图像配准方法

提出了一种基于LTS Hausdorff距离与遗传算法的图像配准方法。算法首先对参考图像和待配准图像进行压缩、二值化和边缘检测预处理,然后在此基础上结合遗传算法对待配准图像进行配准操作。     

基于多薄板样条的多视角非刚性配准算法EI北大核心CSCD

为解决多视角配准中带有低频非刚性形变的深度数据容易产生累积误差、重叠区域未对齐等问题,提出一种基于多薄板样条的多视角非刚性配准算法.首先通过局部迭代最近点刚性配准算法得到重叠视角深度数据之间的对应点;然后基于多薄板样条的全局优化能量公式为每个视角求解一个薄板样条变换,使所有对应点之间距离的平方和最小;最后将优化后的薄板样条变换应用于每个视角的深度数据.通过在优化模型中引入初始点位置约束,该算法能使配准后的数据尽可能保持初始形状.为了加快求解速度,迭代地求解每个薄板样条变换,并且在优化过程中增量式地引入径向基函数.实验室结果表明,文中算法有较高的精度和效率,能够有效地减少累积误差并且提升重叠区域的对齐效果.     

Precision range image registration using a robust surface interpenetration measure and enhanced genetic algorithms

This paper addresses the range image registration problem for views having low overlap and which may include substantial noise. The current state of the art in range image registration is best represented by the well-known iterative closest point (ICP) algorithm and numerous variations on it. Although this method is effective in many domains, it nevertheless suffers from two key limitations: it requires prealignment of the range surfaces to a reasonable starting point; and it is not robust to outliers arising either from noise or low surface overlap. This paper proposes a new approach that avoids these problems. To that end, there are two key, novel contributions in this work: a new, hybrid genetic algorithm (GA) technique, including hill climbing and parallel-migration, combined with a new, robust evaluation metric based on surface interpenetration. Up to now, interpenetration has been evaluated only qualitatively; we define the first quantitative measure for it. Because they search in a space of transformations, GA are capable of registering surfaces even when there is low overlap between them and without need for prealignment. The novel GA search algorithm we present offers much faster convergence than prior GA methods, while the new robust evaluation metric ensures more precise alignments, even in the presence of significant noise, than mean squared error or other well-known robust cost functions. The paper presents thorough experimental results to show the improvements realized by these two contributions.     

点到邻域重心距离特征的点云拼接

不规则曲面的拼接是3维拼接中的难点,提出采用不规则曲面点与其一邻域点重心间的距离作为刚性特征对点云进行粗配准,使用迭代最邻近点算法和刚性特征进行精配准。实验结果表明,刚性特征迭代最邻近点算法的误差收敛速度显著提高。当点云为重心距离大于10的差姿态时,该算法与不进行粗配准的迭代最邻近点算法相比,收敛速度和拼接质量都有较大提高。     

一种基于混合优化算法的医学图像配准方法

为了实现脑部多模医学图像配准,提出了一种基于混合优化算法的配准方法。该算法采用遗传算法中的杂交思想改进了混沌粒子群算法,并用最大互信息测度对脑部MRI及CT图像进行配准。该改进算法可有效地避免优化算子陷入局部极值,而且算法收敛快。实验结果证明了提出的基于遗传思想的改进混沌粒子群优化算法对多模医学图像配准具有有效性。     

遗传算法在圆度误差评定中的应用

针对传统最小二乘圆优化算法评定圆度误差局部收敛的问题,提出基于遗传算法的圆度误差评定方法。介绍了遗传算法基本原理和运算流程,在建立最小二乘圆数学模型的基础上,推导出待优化的目标函数,并详细描述了基于遗传算法的圆度评定优化步骤。实例计算结果表明该算法能比传统优化算法收敛到更精确的解,并具有较高的稳定性,能有效地克服局部收敛的问题。     

基于邻域曲率的低特征辨识度点云配准方法

在对特征辨识度低的点云进行配准的过程中,传统的基于局部特征提取和匹配的方法通常精度不高,而基于全局特征匹配的方法精度和效率也难以保证。针对这一问题,提出一种改进的局部特征配准方法。在初步配准阶段,设计了一种基于法向量投影协方差分析的关键点提取方法,结合快速特征直方图(FPFH)对关键点进行特征描述,定义多重匹配条件对特征点进行筛选,最后将对应点的最近距离之和作为优化目标进行粗匹配;在精配准阶段,采用以点到平面的最小距离作为迭代优化对象的改进迭代最近点(ICP)算法进行精确配准。实验结果表明,在配准特征辨识度低的点云时,相较于其他三种配准方法,该方法能保持高配准精度的同时降低配准时间。     

基于遗传算法求任意函数的数值积分

针对复杂函数的数值积分问题,给出了若干个任意分割积分区间的数值积分的误差结果,并提出一种基于遗传算法的不等距节点分割的数值积分方法。该方法初始时在积分区间内任意选取一定的节点,通过遗传算法优化这些节点,在相邻节点间利用Simpson公式近似计算积分,最后得到较准确的积分结果。数值计算结果表明,该方法计算精度高,而且可以计算奇异函数及震荡函数的积分。