改进Hausdorff距离和粒子群算法在激光制导中的应用

为提高激光成像制导精度,实现遮挡条件下的有效识别,提出一种基于改进Hausdorff距离和粒子群算法的激光图像匹配算法。首先提取基准图和实时图的边缘特征;而后针对原始Hausdorff距离易受噪声、孤立点及遮挡影响的不足,提出一种自适应部分均值Hausdorff距离,并将其作为相似性测度;最后改进粒子群算法以完成搜索匹配,一方面提出混沌惯性权值以提高其搜索能力,另一方面通过引入混沌局部搜索避免算法过早收敛。实验结果表明,该算法不仅具有较高的匹配成功率,而且实时性较好。     

基于免疫克隆选择算法的快速图像匹配

提出了一种新的免疫克隆选择算法,该算法基于一个压缩阈值和新的收敛标准,可动态确定种群的大小,具有很强的全局和局部搜索能力.对传统的Hausdorff距离作了改进,新方法可有效地克服传统算法的不足,作为模板和图像中物体轮廓相似性的测度,可较大地减少计算量.把免疫克隆选择算法和改进的Hausdorff距离相结合用于图像匹配,可以较快地完成全局搜索,达到模板和图像间的有效匹配,仿真实验证明了该方法的优越性.     

基于遗传算法的导航实时图像匹配算法

由于一般图像匹配算法均采用全局搜索法,耗时较大,为满足景象匹配辅助导航系统实时性的要求,提出了一种将遗传算法和加权Hausdorff距离算法相结合的图像匹配算法,利用遗传算法的非遍历搜索机制,迅速收敛到全局近似最优解,提高了匹配搜索的快速性.同时,提出了一种基于特征图像分支点提取的加权Hansdorff距离图像匹配算法,并给出了相应的权值求解公式,利用加权Hausdorff距离作为遗传算法的适应度函数,能够明显减少匹配搜索的计算量,提高匹配结果的精度.仿真分析表明,将遗传算法和加权Hausdorff距离算法相结合的图像匹配算法能够很好地满足景象匹配辅助导航系统的实时性和精度要求.     

基于量子遗传算法的视觉目标跟踪

针对视觉目标跟踪中传统搜索方法效率不高、难以求取全局最优等问题,利用量子遗传算法的全局寻优能力,提出了一种采用量子遗传算法作为搜索策略的视觉跟踪方法.在量子遗传算法的框架下,将像素点位置作为种群中的个体,提取颜色直方图作为特征,以相似性度量作为目标函数计算个体适应度值,找出相似度最大的像素点位置输出,最终完成跟踪.实验结果表明,本文方法在目标速度快、遮挡和非刚性形变等情况下具有明显优势,且算法运算量小,跟踪速度快.     

基于多算子协同进化的自适应并行量子遗传算法

量子遗传算法具有种群规模小,全局搜索能力强的特点被广泛应用于各类优化问题的求解.为了进一步提高量子遗传算法的收敛速度和搜索稳定性,克服算法的早熟问题,本文改进了基于自适应机制的量子遗传算法.在自适应量子遗传算法的基础上根据种群的适应度定义了个体相似度评价算子、个体适应度评价算子和种群变异调整算子及相应算子的计算方法,利用多算子协同评价当前种群状态并根据进化代数的变化,自适应的改变个体的变异概率,提高了算法全局寻优能力和收敛速度,降低了算法陷入局部寻优的概率.此外,为了提高算法的时间效率,将算法采用并行多宇宙的方式实现.实验结果表明,本文提出的算法在全局搜索性能、收敛速度和时间效率方面有较好的综合表现.     

基于量子遗传算法和IMST算法的QoS多播路由算法

本文提出了一种求解QoS多播路由算法,该算法基于量子遗传算法(Quantum Genetic Algorithm ,QGA)和IMST算法(Improved Minimum Spanning Tree,IMST),首先在量子个体上实施量子交叉,这一操作有利于保留相对较好的基因段;其次,采用量子比特相位法更新量子门和自适应调整搜索网格的策略,使得种群的多样性强;最后,引入改进的MST算法进行受约束最小Steiner 树的生成,解的收敛精度高,收敛速度快;通过仿真实验标明此算法在种群规模较小,迭代次数较少的情况下就可以收敛到最优解,该算法的优化质量和效率都强于传统遗传算法和量子遗传算法.     

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

本文提出一种改进的部分Hausdorff距离作为模板和图像中物体轮廓相似性的测度,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GA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GA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,以达到模板和图像间的有效匹配。     

基于特征散度K-means红外图像分割遗传算法

针对红外图像中目标和背景的对比度低,边缘模糊的特点,本文提出了改进的聚类分割算法KFGA。用特征散度的内积范数作为K-means算法的距离测度,改进算法的普适性;针对K-means算法收敛的局部寻优问题,将遗传算法与K-means算法结合实现全局寻优;在种群每一次演化操作后实行一次K-means聚类,加快算法的收敛速度,在全局寻优的过程中嵌入局部寻优加快算法的收敛速度。     

基于自识别交叉算子和自适应变异算子的遗传算法研究

为有效地解决遗传算法收敛速度和局部最优解的矛盾,本文提出了一种具有自识别交叉算子和基于海明距离的动态变异算子的遗传算法。自识别交叉算子保证父代的优良模式遗传到下一代,加快了算法的收敛速度;而动态变异算子扩大了搜索范围,增强了算法跳离局部最优解的能力。实验证明,两种改进算子的有效结合保证算法能以较快速度收敛于全局最优解。     

一种快速高效的人工蜂群算法

针对人工蜂群算法收敛速度慢和易陷入局部最优的缺点,在雇佣蜂搜索阶段提出了一种基于多维搜索和一维搜索的混合搜索策略,能克服单一一维搜索下收敛速度慢的缺点,有效加快收敛速度;提出了新的跟随蜂蜜源选择策略,可保证种群多样性,增强算法全局搜索能力。通过对12个基准测试函数进行仿真实验并与原算法进行比较,其结果表明改进的算法在收敛速度和精度上均优于人工蜂群算法。     

基于边缘特征的SAR图像与光学图像的匹配

提出了一种新的基于边缘特征的合成孔径雷达(SAR)图像与光学图像相匹配的算法，可用于无人飞行器的导航。首先针对SAR图像低信噪比的特定情况，提出了一种简单实用的线状特征提取方法。而后在提取边缘的基础上，采用改进的具有强抗干扰能力和容错能力的Hausdorff距离作为相似性准则进行图像匹配。在搜索策略上．采用遗传算法来加快搜索的速度。实验结果表明，这种算法匹配精度高，计算速度快。     

改进HD距离和遗传算法的图像匹配研究

针对高分辨力图像匹配点难于确定且运算量大的问题,提出一种加权Hausdorff(HD)距离和多策略并行遗传算法相结合的图像匹配算法.算法采用概率加权Hausdorff距离,减少噪声、出格点等对匹配的影响,并利用多策略并行遗传算法的并行处理能力对概率加权Hausdorff距离进行寻优,提高匹配速度.试验结果表明,该算法对...     

一种基于进化策略的边缘特征匹配方法

针对存在旋转变化的多源图像匹配问题,提出了一种基于改进的部分Hausdorff距离(LTS-HD)和进化策略相结合的边缘特征匹配算法。通过仿真实验,该算法与基于部分Hausdorff距离的匹配算法相比,实时性和精确性都有了很大的提高。     

利用梯度方向的Hausdorff 距离配准红外和可见光图像

基于Hausdorff距离的算法已经被广泛应用于异源图像配准,但是现有的Hausdorff距离配准算法是在整幅图像上找最相近的点对,不仅容易出现错误匹配的情况,而且计算量很大。为了减少计算冗余和消除误配情况,提高配准的准确度,提出了一种利用梯度方向的Hausdorff距离配准算法。在进行配准时,将提取到的角点集合按照每个角点的不同梯度方向角分解为8个子集合。然后计算两幅图像中同一方向区间所对应的两个子集合间的Hausdorff距离。由于只在对应的子集合内找最相近的配准点对,减少了干扰点的数目和计算的次数,提高了计算的有效性和异源图像配准的准确度。实验结果表明,利用梯度方向的Hausdorff距离算法能够较好地运用于红外图像和可见光图像的配准,并且表现出较好的准确度和稳健性。     

新的近距离红外目标跟踪算法

提出了一种特征点匹配的近距离红外目标跟踪算法,该算法利用Harris算子提取目标的特征点,然后利用Hausdorff距离匹配帧间的特征点集,为了减少噪声和杂点的干扰,还引入了特征点邻域相似性度量.该算法在目标出现尺度伸缩、位置平移、角度偏转的情况下仍有较好的匹配性能.实验证明了该算法的有效性和可行性.     

蒙特卡罗估计改进Hausdorff距离的景象匹配方法

针对可见光与红外图像差异较大导致的匹配困难的实际问题,提出了一种基于蒙特卡罗估计改进Hausdorff距离（MCM-HD）的景象匹配方法。该方法在MCHD的基础上,使用蒙特卡罗方法来估计改进的Hausdorff距离（M-HD）,并定义了MCM-HD,即采用随机抽样的特征点子集来计算M-HD,从而有效地减少了计算量。为了提高匹配精度,采用分层MCM-HD与Nprod相结合的方法,在求出距离最小k个点之后采用Nprod相似性度量得出最终匹配位置。与MCHD算法相比,该算法有效提高了匹配精度,同时缩短了匹配时间。     

基于Hausdorff距离的自动目标识别算法的研究

红外自动目标识别是智能化图像处理及应用开发的方法.由于传统的图像匹配方法受到诸如景物的遮挡、背景和噪声的影响比较大,并且需要建立模板与图像间的对应关系,因而使实际图像的匹配变得困难.为了克服上述缺陷,以便快速地进行图像匹配,提出了一种基于Hausdorff距离的自动目标识别算法.该算法不仅加快了匹配过程,提高了抗噪性能,而且能准确匹配遮挡图像.实验结果证明,该方法是正确有效的.     

一种基于聚类分析的红外图像配准算法

为了提高红外图像匹配的精度和效率,提出了一种将Harris-Laplace关键点提取和旋转不变LBP特征描述算子相结合的局部特征检测新算法,该算法不仅在图像的尺度、光照和角度发生变化时,仍然能够得到很好的检测效果,而且能很好地描述图像的局部纹理特征.特征向量描述完成后,为了进一步提高红外图像特征点匹配的正确率,提出了一种基于K-means聚类分析的图像匹配策略.先利用Cosine余弦相关匹配策略实现特征点的初步粗匹配,接着采用K-means 聚类分析匹配策略剔除图像中大部分的错误匹配.实验表明:提出的算法表现出良好的鲁棒性,关键点提取的重复率(Repeatability)提高了9.2％.与传统的匹配算法相比,采用基于K-means聚类分析的匹配策略匹配精度可以提高5.05％,匹配时间可以缩短0.068 s.该特征描述算法和基于K-means聚类分析的匹配算法满足了红外图像配准的高精度性和高实时性的要求.