一种基于混合量子行为粒子群优化算法的图像配准方法

针对多模医学图像配准的高精度要求,以最大化互信息图像配准方法为基础,提出了一种基于混合量子行为的粒子群优化(HQPSO)算法的多模医学图像配准新方法。实验结果表明,在多模医学图像配准应用中,新算法的实际性能不仅优于传统的Powell算法和PSO算法,也比QPSO算法有一定的优势。上述结论为医疗图像诊断分析提供了一种新的有效方法。     

QPSO算法和Powell法结合的多分辨率医学图像配准

图像配准一直是图像研究领域的热点话题,互信息的配准方法由于其精度高、鲁棒性强等特点,成为图像配准中的常用方法。但其目标函数存在局部极值问题。针对这个问题,提出一种量子行为的粒子群优化算法(QPSO)和Powell法相结合的多分辨率搜索优化算法。QPSO参数个数少,其每一个迭代步的取样空间能覆盖整个解空间,能保证算法的全局收敛,因此可以有效地解决Powell算法的缺点。该算法将量子行为的粒子群优化算法(QPSO)与Powell法结合起来对二维的MRI图像进行配准。实验结果表明,该方法能够有效地克服互信息函数的局部极值问题,并提高了配准精度和速度。     

基于小波变换和混合优化算法的图像配准

利用小波变换对图像进行多分辨率分解,用粒子群优化和单纯形结合的混合优化算法对最低分辨率图像进行配准,并仅用单纯形法对较高分辨率图像进行配准。粒子群优化算法全局搜索能力强,单纯形法能有效地进行局部搜索,将两种算法相结合,提高了图像配准的精度。利用小波变换性质逐步缩小搜索范围,提高了配准速度。     

基于分块互信息和量子粒子群算法的图像配准

多模图像的配准是图像融合等图像处理需要先行解决的问题.本文提出了一种基于分块互信息和量子粒子群的配准方法,在配准中利用分块互信息值为相似性测度,并用量子粒子群算法求解配准所需的空间变换参数.实验表明:该方法能够避免陷入局部极小值而且速度得到明显改善,其运用于多模图像配准,可以得到理想的效果.     

基于量子粒子群算法的医学图像配准

医学图像配准是图像融合等图像处理需要先行解决的问题.首先用坎尼算子提取图像的边缘,再用K均值聚类算法进行聚类分析提取轮廓特征点,然后引入了带有量子行为的粒子群优化算法来求解配准所需的空间变换参数.实验结果表明,QPSO能够迅速地在全局范围内找到最优解,应用于多模态医学图像配准是可行的.     

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。     

改进型文化粒子群在图像配准中的应用

设计了一种用于图像配准的优化算法.根据图像灰度和空间结构信息,构造一个基于最大化互信息的配准测度函数,结合一种适用于图像自动配准的文化粒子群优化(CIPSO)算法.新的配准算法在搜索空间上进行优化设置,将整个搜索空间分成群体空间、信念空间两组.群体空间的粒子不仅根据自己空间的个体最优和全局最优来优化自己,还与信念空间中的最优个体进行交互学习,加速粒子群的收敛速度,克服了图像配准中计算量过大、搜索速度慢等问题.实验表明,与现有的PSO配准算法相比,提出的算法具有较好的鲁棒性和配准精确率.     

基于混合优化算法和小波变换的图像配准研究

互信息被广泛地应用于图像配准,通常采用优化算法来优化互信息。提出了粒子群优化算法和单纯形法相结合的混合优化算法,该混合算法实现简单,粒子群优化算法具有极强的全局搜索能力,能够有效地跳出局部极值,而单纯形法又能够有效地 进行局部搜索,将两种方法相结合进行图像配准能大大提高配准精度。为了减少运算量,提出了利用小波变换的方法来缩小搜索范围,配准精度达到亚像素级。     

群搜索优化方法和互信息结合的医学图像配准

本文提出了群搜索优化方法与互信息相结合的医学图像配准算法。使用PV插值法计算两幅图像的联合直方图,进而计算它们的互信息,以互信息作为图像配准的相似性测度,使用群搜索优化方法在指定的搜索空间求解配准所需的空间变换参数。实验结果表明：与粒子群优化方法相比,群搜索优化用于医学图像配准具有更高的配准精度。     

基于二进制量子微粒群算法的二维熵图像分割

分析量子计算的特点,对量子旋转门进行研究,给出了新的量子旋转门调整策略,并与离散二进制粒子群优化算法进行组合,提出了二进制量子粒子群优化算法。该算法具有收敛速度快、全局寻优能力强的特点。用典型复杂函数对其进行测试,测试结果表明,算法的优化质量和效率都优于离散二进制粒子群优化算法。将二进制量子粒子群优化算法与阈值法相结合应用于图像分割,结果表明了基于二进制量子粒子群优化算法的二维熵图像分割法用于阈值寻优具有更快的收敛速度和更好的全局寻优能力。     

基于最小生成树的图像融合算法

研究遥感图像融合精度问题。图像融合存在含有冗余和互补信息,造成清晰度降低。针对传统的图像配准算法精度较低,为了提高遥感图像融合的准确度,提出了一种最小生成树遥感图像配准算法,将最小生成树算法应用到图像融合的优化过程中,算法首先提取均匀子采样点集,并在此基础上构造最小生成树,然后使用最小生成树来估计熵,对遥感图像进行配准,最后将图像间的边缘梯度信息融入到融合框架中。算法有效地克服了传统图像融合算法的缺点,仿真结果表明,改进算法有效地提高了图像融合的精确度,并为遥感图像融合提出了有效依据。     

应用分形特征的景象匹配仿真

为了提高数字景象匹配的技术性能,将分形理论应用于景象匹配领域,提出了一种用于景象匹配的采用归一化方法改进的双毯覆盖算法,并阐述了数字景物图象分形维数的求解方法,同时采用粗匹配和精匹配两级匹配来改善匹配概率与实时图的亮度和对比度等因素有关,这对于进一步探索改善该算法的匹配性能,具有重要意义。     

改进的自适应遗传算法医学图像配准研究

研究图像配准精度问题。图像配准技术一直被广泛应用在医学图像和遥感图像等众多领域,由于不同的模式设备对人体内的组织会存在不同的灵敏度和分辨率,造成了图像的分辨率不同,而传统的配准算法对于具有不同的分辨率的图像配准的精度度难以提高。为此提出了一种将改进的自适应遗传算法并应用到图像配准的优化过程中,该算法首先采用进化前后期分别调整交叉概率和变异概率来克服传统遗传算法容易陷入局部最优的缺点,同时采用了刚体旋转方法对图像进行旋转匹配,使得图像可以进行局部的匹配。仿真结果表明了该算法有效的提高了图像配准的精确度,验证了该算法是一种可行性有效的图像配准算法。     

梯度与曲率变形力相结合的图像配准方法

针对Demons算法将形变配准视作扩散问题,仅靠梯度信息确定浮动图像的位移,在梯度非常小时图像形变方向不能确定,会导致错误的配准变换这一弊病,将等照度线曲率作为一个控制形变的驱动力因素引入Demons扩散方程,建立了一个具有梯度与曲率双重驱动力的非线性扩散模型,将其应用于图像配准。实验结果表明,这一模型较经典Demons算法具有更好的配准性能。     

参数自适应的图像亚像素级配准方法

目前基于区域的图像配准方法不能同时满足宽范围运动参数和高准确度的配准要求。基于图像变换的频域和空间域特性,提出一种运动参数自适应的图像配准方法,设计了旋转参数、平移参数的估计步骤和融合方法。基于仿真实验对参数自适应方法与Vandewalle方法、Keren改进方法的效果进行了比较分析,采用误差的标准差和均方误差两项指标评价配准算法的参数自适应性和配准准确度,参数自适应方法的两项评价指标均低于另两种方法,表明其在宽范围运动参数估计方面有自适应能力和高配准精度。     

基于平衡系数的Active Demons非刚性配准算法

经典的Active demons算法利用参考图像和浮动图像的梯度信息作为驱动力,并使用均化系数调节两种驱动力之间的强度.该算法克服了Demons算法单一使用参考图像的梯度信息作为驱动力的缺点,但是Active demons算法中的均化系数无法同时兼顾大形变和小形变区域的准确配准,还会导致配准的收敛速度和精确度相互制约的问题.为此,本文提出一种新的Active demons非刚性配准算法.提出的算法在Active demons扩散方程中引入一个称为平衡系数的新参数,与均化系数联合调整驱动力,不仅可以兼顾图像中同时具有的大形变和小形变区域的准确配准,而且在一定程度上缓和了收敛速度和精确度相互制约的问题.为了进一步提高配准的收敛速度和精确度,避免陷入局部极值,在新的配准算法的实现中引入由粗到细的多分辨率策略.在Checkboard测试图像、自然图像和医学图像上的实验结果表明,提出的算法较经典的Active demons算法收敛速度更快,配准精度平均提高了54.28%,接近最新的TV-L1光流场图像配准算法的配准精度,解决了Active demons算法存在的问题.     

遗传算法对Powell图像配准方法的改进

针对Powell算法在搜索过程中具有初始值依赖和容易陷入局部极值的问题,提出了使用遗传算法改进Powell算法在图像配准中的应用。利用图像的归一化互信息作为遗传算法的适应度,全局、并行搜索图像配准参数作为Powell算法的初始值,再使用Powell算法局部逼近近似最优解。实验结果证明,改进后的Powell算法能有效地减少图像配准的时间,提高配准的精度,精度能达到亚像素级。     

基于分块-空间聚类的图像配准算法

模板匹配算法应用广泛,但不能判断配准结果是否正确,也无法比较不同像对配准结果的准确程度。提出无变形、无旋转情况下分块-空间聚类的图像配准算法,将基准图分块在参考图上配准从而获得基准图的多个配准位置,并对这些位置进行空间聚类从而计算基准图的最后配准位置,并评估配准质量。试验表明该算法配准准确度高,能够正确评估配准质量并比较不同像对配准结果的准确程度。     

梯度与曲率变形力相结合的图像配准方法——大形变非刚性图像配准

Active Demons算法是Demons算法的改进形式,其将形变配准视作扩散问题,利用牛顿作用力与反作用力思想,仅依靠梯度信息确定浮动图像的位移,在处理大形变配准问题时存在配准精度不高的弊病。将等照度线曲率作为一个控制形变的驱动力因素引入Active Demons扩散方程,建立了一个具有梯度与曲率双重驱动力相结合的非线性扩散模型（Active G&C model）,并在Active G&C模型应用于大形变图像配准的算法实现过程中加入多分辨率策略,以提高大形变图像的配准精度。实验结果表明,这一模型较经典的Active Demons算法具有更好的配准性能。     

星空运动背景中目标识别算法研究

针对微型航天探测器在星空运动背景下对目标识别的要求,提出一种基于图像配准与边缘提取的差分算法。该算法将采集的连续两帧图像配准后差分,将差分图像二值化后与后一帧边缘提取后的图像进行逻辑乘,提取出目标物。计算机仿真结果表明该算法计算量小,识别效果好。