采用改进梯度互信息和粒子群优化算法的红外与可见光图像配准算法

针对传统互信息图像配准容易产生局部极值,以及传统梯度互信息配准方法计算量大等问题,在互信息和梯度方法基础上构建了一种改进的梯度互信息方法,该方法直接统计梯度图像的互信息,有效地将图像梯度信息和灰度信息结合起来,不仅保证了配准精度,而且较传统梯度互信息方法减少了计算量。在参量优化的过程中,针对传统粒子群优化算法易陷入局部极值的缺点,提出了改进的粒子群优化算法,该算法在传统粒子群优化算法基础上引入混沌优化思想和遗传算法中的杂交思想,不仅能够有效抑制局部极值,而且加快了收敛速度。多种红外与可见光图像配准实验结果证明,文中提出的算法能够有效提高配准精度和速度。     

采用GPU并行架构的基于互信息和粒子群算法的异源图像配准

对于异源可见光与红外图像配准,以互信息为相似性度量条件,以粒子群算法为搜索算法,在搜索空间中搜索极大值点,通过改变图像分辨率,由粗到精,逐步实现可见光图像与红外图像的配准,对粒子群算法、统计互信息和仿射变换3个部分的内在并行性,利用CUDA C语言实现GPU-CPU异构编程.实验证明,在不降低精度的前提下提高了算法效率,得到了很好的加速比,算法正确匹配率高,鲁棒性好,计算效率高.     

基于混合粒子群优化算法的医学图像配准

提出了一种基于粒子群算法PSO和Powell的混合优化算法,将PSO算法的全局搜索能力与Powell算法的局部寻优能力有机地结合起来.即在PSO算法每步迭代后对当前的局部最优解增加一步Powell局部寻优算法,进而保证了解的精确性的同时提高了求解的速度.将其应用于配准过程中对目标函数的最优化,取得了比较好的效果.     

基于改进蚁群算法和互信息的多光谱图像的配准

基于互信息的配准算法有精度高,自动化程度高,不需要对图像进行预处理等优点,已经被大量应用于多光谱图像配准中.但是在计算互信息时,出现了很多局部极值,这就为目标函数的寻优过程带来了很大的困难.提出了一种基于蚁群算法的配准参数寻优方法,改进蚂蚁在每层节点间的转移准则以及全局信息素的更新策略.实验证明,此方法不需要人工干预,对参数的初始值没有依赖性,配准成功率高.     

一种改进的基于互信息的自动图像配准算法

提出了改进图像配准的基于互信息的算法,首先将参考图像和待配准图像分解到小波域并二值化,以归一化互信息作为相似性测度进行配准.配准参数搜索作用SPSA算法和鲍威尔算法相结合的优化策略.实验证明本算法可以快速、精确且不需要人工干预地实现两幅图像的配准.     

基于粒子群优化与梯度下降法的多模图像配准

针对多模图像配准单纯使用粒子群优化(PSO)算法导致搜索速度慢这一现象,提出了结合PSO和梯度下降法的分步式搜索算法.以CT与MR图像配准为例,计算了使用互信息作为相似性测量时的配准函数,进而分析了图像配准算法中可能遇到的局部极值问题.根据配准函数的特点,提出在局部极值较少时使用梯度下降法代替PSO算法搜索以减少运算量...     

基于最大互信息的图像拼接优化算法

基于多分辨分析(MA)策略,提出了以图像最大互信息(MI)为匹配测度的图像拼接粒子群优化算法(OA-MI),使参数随图像的MI计算和多分辨率级数进行自适应调整,解决了灰度图像配准中由于目标函数容易陷入局部极值而造成的误匹配问题。实验证明,该方法能够有效地避免局部极值的影响,通过有限次寻优迭代即可找到最优配准变换,提高了图像配准的计算速度和图像拼接的质量。     

一种互信息与梯度信息结合的多模图像配准方法

数字化X射线图像(digital radiography,DR)与数字重建放射图像(digitally reconstructed radiography,DR)属于不同模态图像,实现二者的高精度快速配准是一个技术难题。在实际应用中,往往会同时获取物体的正侧面DR和DRR图像。提出一种基于互信息与梯度信息相结合的配准算法。首先,对正侧面图像进行小波分解,获得低分辨率子图像并配准,使用粒子群优化(particle swarm optimization,PSO)算法进行全局寻优;然后,根据配准结果,判断互信息与梯度信息配准结果是否正确,如果配准错误,则在下一阶段中不使用该结果作为配准依据;最后,以PSO算法寻优结果作为Powell算法的寻优初始点,对原始正侧图像进行精确配准。实验结果显示,本算法快速完成配准,配准精度达到2 mm,满足实际应用要求。     

基于改进自适应遗传算法的图像配准方法

采用遗传算法进行图像配准时,存在收敛速度慢、易早熟的问题,可能导致误配。为克服这些缺点,提出了改进的自适应遗传算法(improved adaptive genetic algorithm,IAGA)。该算法以互信息作为相似性测度,通过对遗传参数设置的改进,自适应的调解进化过程中的交叉概率和变异概率,既提高了遗传算法的收敛速度,又有效地防止了早熟。实验结果表明,改进算法具有更好的有效性和精确性。     

基于互信息下粒子群优化的属性约简算法

最小属性约简是粗糙集理论中属性约简的优化问题.在寻找最小属性约简的问题上,基于粒子群优化的属性约简算法（ARPSO算法）优于传统的属性约简算法.在现有的ARPSO算法中,正域部分通常被作为启发式信息,但是它并不能够很好地衡量不确定性,而互信息是粗糙集理论中一种更有效的度量不确定信息的重要工具.为此,提出基于互信息下的粒子群优化的属性约简算法（MIPSO算法）,该算法把互信息作为适应度函数,通过增强粒子能迅速靠近吸引子的这一特性,改进了内嵌区域震荡搜索的粒子群优化算法（简记为RSPSO算法）,防止算法较早的陷入局部最优,使得粒子群中的粒子更快的找到最优值,因此使得算法尽可能实现全局收敛.实验结果表明,该算法不仅提高了寻优的能力,加快了算法的速度,提升了算法的精度,而且也能够使得约简后剩余属性的互信息值与约简前所有属性的互信息值近似相等.     

基于改进谱聚类与粒子群优化的图像分割算法

本文提出了一种基于改进谱聚类与粒子群优化的图像分割算法。该算法利用双树复小波变换系数,求得能量均值构造相似性矩阵,充分利用了待聚类数据所包含的空间邻近信息和特征相似性信息。在谱映射的过程中,采用了Nystr迸m逼近策略,降低了谱聚类算法的复杂度和内存消耗,然后在进行K均值聚类时使用粒子群优化算法。最后,通过对医学图像和遥感图像分割验证了新算法的有效性。     

基于信息熵和改进粒子群算法的医学图像分割方法研究

针对传统的医学图像分割算法存在组织边缘模糊、灰度不均匀和图像噪声高的问题,将信息熵和改进的粒子群算法相结合,提出了一种基于信息熵和改进的粒子群算法的医学图像分割方法,在确保信息熵最大的条件下,实现医学图像的最佳阈值分割.将信息熵最大化作为适应度函数,通过改进的粒子群算法优化获得最佳分割门限,实现医学图像的最佳阈值分割.选择不合噪声和含噪声的脑部图像为研究对象,通过直观分析、客观分析和分割速度分析发现,提出的新方法在很大程度上克服了传统医学图像分割算法存在的缺陷,分割速度和精度得到显著提升;与此同时,新的算法具有很强的鲁棒性和抗噪声能力.     

一种改进的基于最大互信息的图像配准方法

基于互信息的图像配准方法在单模图像配准中极易受局部极小值影响,从而导致配准失败.提出了一种改进的局部优化方法,在Powell方法中引入针对空间变换参数的约束条件.针对8套脑部MRA和MRI的体数据集进行的实验表明,该方法可以很好地克服优化陷入局部极值的情况.     

基于柯西分布的粒子群优化算法改进

针对传统粒子群算法具有易陷入局部最优,收敛速度慢的特点,文中采用柯西密度函数和分布函数分别对惯性权重和位置更新公式作出改进。与标准PSO算法和利用柯西分布对惯性权重的改进相比,改进后的算法能快速地收敛到全局最优解。且对4个经典的测试函数进行仿真实验,结果显示改进算法求解精度高、解的稳定性优良,尤其是在多峰值函数中表现优越。     

一种基于扰动项的混合粒子群优化算法

为了保持粒子种群的多样性而避免发生"早熟"的问题,本文提出一种基于扰动项混合粒子群优化算法(PSO),该方法通过提高粒子群多样性来提高PSO的收敛性能.首先用标准PSO来迭代,当粒子群失去多样性时,在包含粒子群的超球外随机设置一粒子对全局最优粒子干扰,并在PSO更新公式中加入扰动项来干扰每个粒子.最后将该改进的PSO应用于函数逼近,实验结果验证了本文提出的PSO性能优于几种经典的PSO算法.     

改进的混合粒子群算法

为了能够有效避免搜索过程陷入局部最优,从而增强全局搜索能力,提出一种基于模拟退火的粒子群算法.算法中引入遗传算法中常用的轮盘赌选择算子,能在早期抑制部分超级粒子对种群的控制,增加了群体的多样性.通过测试函数的比较表明,混合算法能很好地保持种群多样性,具有良好的计算精度和全局寻优能力.     

一种改进的粒子群和K均值混合聚类算法

该文针对K均值聚类算法存在的缺点,提出一种改进的粒子群优化(PSO)和K均值混合聚类算法。该算法在运行过程中通过引入小概率随机变异操作增强种群的多样性,提高了混合聚类算法全局搜索能力,并根据群体适应度方差来确定K均值算法操作时机,增强算法局部精确搜索能力的同时缩短了收敛时间。将此算法与K均值聚类算法、基于PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,数据实验证明,该算法有较好的全局收敛性,不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和收敛速度都有显著提高。