一种侧抑制的随机分形搜索模板匹配方法与流程

技术特征：

1.一种侧抑制的随机分形搜索模板匹配方法，其特征在于，所述侧抑制的随机分形搜索模板匹配方法包括以下步骤：

步骤一，图像预处理，导入原图像和模板图像，用rgb2gray转化为灰度图像；运用侧抑制机制对图像进行预处理；

步骤二，LI-SFS参数初始化，初始化种群的规模N，问题的维度D，最大的迭代次数MaxFEs，D表示图像的维度等于2；

步骤三，最大的扩散次数设置为1；

步骤四，应用高斯游走方法解决模板匹配问题；

步骤五，更新搜索个体的位置；在经过两次更新过程之后，获得最优个体。

2.如权利要求1所述的侧抑制的随机分形搜索模板匹配方法，其特征在于，所述高斯游走过程如下：

GW₁＝Gaussian(μ_BP,σ)+(ε×BP-ε′×P_i)；

GW₂＝Gaussian(μ_P,σ)；

ε和ε'是[0,1]之间的随机数，BP是最优粒子的位置；P_i是第i个粒子点；μ_BP，μ_P，σ是高斯参数，μ_BP等于BP，μ_P等于P_i；标准偏差如下：

$\mathrm{\σ}=|\frac{log\left(g\right)}{g}\×(P_i-BP)|;$

优化的是一个D维的问题，则每个粒子个体是一个D维的向量；在初始化阶段，随机初始化每个粒子；每个粒子个体的维度是D＝2；第j个粒子的位置P_j的初始化过程如下：

P_j＝LB+ε×(UB-LB)；

LB和UB分别是问题约束向量的下界和上界；初始化之后，计算每个粒子点的适应度值，目的在于获得最好的粒子点的位置BP；依据每个个体的适应度值排序所有粒子点；每个粒子点i通过下式分配一个概率：

${\mathrm{Pa}}_i=\frac{rank\left(P_i\right)}{N};$

rank(P_i)是粒子点P_i的排序，N是种群的规模；对于种群中的每个粒子点P_i，如果Pa_i＜ε，个体P_i的第j个分量用下式进行更新，否则保持不变：

$P_i^{\′}\left(j\right)=P_r\left(j\right)-\mathrm{\ϵ}\×\left(P_t\right(j)-P_i(j\left)\right);$

P′_i是P_i更新后的位置，P_r和P_t是种群中随机挑选的粒子点，ε是在[0,1]之间的随机数；

根据获得的所有粒子点进行排序，如果Pa_i＜ε，根据下式更新P′_i的位置,否则不更新；

$P_i^{\′\′}=P_i^{\′}-\widehat{\mathrm{\ϵ}}\×(P_t^{\′}-BP)|{\mathrm{\ϵ}}^{\′}\≤0.5;$

$P_i^{\′\′}=P_i^{\′}+\widehat{\mathrm{\ϵ}}\×(P_t^{\′}-P_r^{\′})|{\mathrm{\ϵ}}^{\′}\>0.5;$

P′_t和P′_r是从第一个步骤中挑选的随机点，由高斯分布产生；如果新的粒子点P″_i的适应度值优于P′_i，则用P′_i替换P″_i。

3.如权利要求1所述的侧抑制的随机分形搜索模板匹配方法，其特征在于，所述应用侧抑制机制根据公式预处理图像包括：

侧抑制网络的竞争系数是：

$\begin{array}{c}R(m,n)={\mathrm{\α}}_0\×I_0(m,n)+{\mathrm{\α}}_1\[\underset{i=-1}{\overset{1}{\mathrm{\Σ}}}\underset{j=-1}{\overset{1}{\mathrm{\Σ}}}{I}_0(m+i,n+j)-I_0(m,n)\]\\ +{\mathrm{\α}}_2\[\underset{i=-2}{\overset{2}{\mathrm{\Σ}}}\underset{j=-2}{\overset{2}{\mathrm{\Σ}}}{I}_0(m+i,n+j)-\underset{i=-1}{\overset{1}{\mathrm{\Σ}}}\underset{j=-1}{\overset{1}{\mathrm{\Σ}}}{I}_0(m+i,n+j)\]\end{array};$

由于视觉神经细胞位于相同的输入平面，并且竞争系数接近于0，侧抑制系数模板满足：

α₀+8α₁+16α₂＝0；

选择α₀＝1，α₁＝-0.075，α₂＝-0.025构成以下矩阵作为模量：

$U=\left[\begin{array}{ccccc}-0.025& -0.025& -0.025& -0.025& -0.025\\ -0.025& -0.075& -0.075& -0.075& -0.025\\ -0.025& -0.075& 1& -0.075& -0.025\\ -0.025& -0.075& -0.075& -0.075& -0.025\\ -0.025& -0.025& -0.025& -0.025& -0.025\end{array}\right];$

通过结合系数模板U和R(m,n)，获得图像新的灰度值；最后，根据下式提取图像的边缘：

$F(m,n)=\left\{\begin{array}{cc}0& R(m,n)\≤T\\ 255& R(m,n)\>T\end{array}\right.;$

T是用户根据实际情况自定义的阈值，F(m,n)是最终获得的像素(m,n)的灰度值。

4.如权利要求1所述的侧抑制的随机分形搜索模板匹配方法，其特征在于，所述侧抑制的随机分形搜索模板匹配方法的适应度值函数如下：

fitness是模板图像和在原图中开始点是像素(m,n)的图案之间的相似度；(m+i,n+j)和(i,j)分别代表原图像和模板图像中像素的坐标；F(m+i,n+j)和F_t(i,j)是处理过的像素(m+i,n+j)和(i,j)的灰度值；M×N是原图像的尺寸，P×Q是模板图像的尺寸，在原图像中进行匹配的坐标的范围是1≤m≤M-P+1和1≤n≤N-Q+1。

5.一种利用权利要求1～4任意一项所述侧抑制的随机分形搜索模板匹配方法的面部识别系统。

6.一种利用权利要求1～4任意一项所述侧抑制的随机分形搜索模板匹配方法的肺结节检测系统。

7.一种利用权利要求1～4任意一项所述侧抑制的随机分形搜索模板匹配方法的笔迹识别系统。

8.一种利用权利要求1～4任意一项所述侧抑制的随机分形搜索模板匹配方法的道路检测系统。