基于量子粒子群的VideoSAR帧间配准方法与流程

本发明涉及图像处理技术领域，尤其涉及基于量子粒子群的videosar帧间配准方法，用于两幅或者多幅图像的高精度快速配准，可以有效解决传统配准方法中容易陷入局部极值和难以覆盖整个搜索空间的问题，从而有效提高配准精度和配准速度。

背景技术：

图像配准就是将不同时间、不同传感器或不同条件下获取的两幅或多幅图像进行匹配、叠加的过程。图像配准在目标检测、特征匹配，肿瘤检测、病变定位、地质勘探等领域都有广泛的应用。由于传统方法容易陷入局部极值导致变换参数的错误估计，另外也难以覆盖整个搜索空间，因此研究收敛速度快、配准精度高的图像配准方法具有重要的意义。

目前，现有技术中主要的配准方法为基于互信息的配准方法和标准粒子群算法。基于互信息的配准方法优势在于不用考虑图像数据显著几何特征，因而避免了特征提取带来的额外误差，且能够实现图像的自动配准。然而，该方法容易陷入局部极值导致变换参数的错误估计。标准粒子群算法优势在于通俗易懂，同时赋予每个粒子自我学习和总结的特性以提升算法效率。但是粒子的飞行速度受到限制，导致难以充分覆盖整个搜索空间等问题。

技术实现要素：

本发明的目的在于针对上述现有技术的不足，提出一种基于量子粒子群的videosar帧间配准方法，能够覆盖整个搜索空间且能够快速跳出局部最优解获得全局最优解，从而有效提高配准精度和配准速度。

本发明的技术思路是：纳入临近像素作为互信息统计区域(区域互信息)以增强相似性度量的鲁棒性；利用量子的随机性覆盖整个搜索空间，通过量子粒子群智能搜索算法以高概率获得几何变换参数的全局最优解。通过对sandia实验室的videosar实测数据处理结果，验证本发明的有效性。

根据上述思路，本发明的技术方案包括如下：

步骤1，获取待配准的sar浮动图像和对应的参考图像；

步骤2，利用量子粒子群算法求取变换参数，对浮动图像进行变换；

步骤3，计算参考图像和步骤2中得到的变换图像之间的区域互信息；

步骤4，当区域互信息不随迭代次数变化而达到最大时，则此时的配准参数为最优配准参数

步骤5，利用最优配准参数进行图像配准，得到配准后的sar图像。

本发明与现有技术相比有以下优点：

①本发明中所采用了量子粒子群智能搜索算法，能够快速摆脱局部最优向全局收敛；

②利用量子的随机性可以覆盖整个搜索空间。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍：

图1为基于量子粒子群的videosar帧间配准方法的流程示意图；

图2(a)为配准实验的参考图像；

图2(b)为配准实验的浮动图像；

图3为配准结果图；

图4为配准结果图像和参考图像的叠加显示图；

图5基于区域互信息的优化参数误差比较图；

图6为两种方法区域互信息随迭代次数的变化曲线图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1所示为本发明实施例提供的一种基于量子粒子群的videosar帧间配准方法的流程示意图。

如图1所示，本发明实施例提供的一种基于量子粒子群的videosar帧间配准方法包括以下步骤：

步骤1，获取待配准的sar浮动图像和参考图像。

其中，参考图像和浮动图像如图2所示，他们的大小均为m×n。

步骤2，利用量子粒子群算法求取变换参数，对浮动图像进行变换。

每个粒子i包含下列信息：设待优化问题在n维解空间中，群体x＝{x1,x2,…,xm}包含m个粒子，在t时刻，第i个粒子在解空间中的坐标记为xi(t)＝[xi,1(t),xi,2(t),…,xi,n(t)]，粒子只有位置信息而没有速度信息，其中i＝1,2,…,m。用pi(t)＝[pi,1(t),pi,2(t),…,pi,n(t)]来表示粒子个体的最佳适应性值，即局部最优值；用g(t)＝[g1(t),g2(t),…,gn(t)]来表示群体的最佳适应性值，即全局最优值。且有g(t)＝pg(t)，其中g表示群体中具有全局最好位置的粒子对应的序号，g∈{1,2,…,m}。

(2a)在搜索空间中初始化粒子的旋转角度γ、x方向平移量tx、y方向平移量ty构成解空间x。随机分配n个粒子在解空间中的位置。粒子个数为n，最大迭代步数为itermax。

(2b)由目标函数c(r,t)计算代价函数值；

其中，xi为浮动图像x中的控制点，个数为n；yi为浮动图像y中的系列控制点，个数为m；r为3个轴向上的平移变换。

(2c)计算粒子的平均最好位置c(t)，更新局部最优值和全局最优值。

(2d)计算随机点pi,j(t)，更新粒子的位置xi,j(t+1)；

xi,j(t+1)＝pi,j(t)±α·|cj(t)-xi,j(t)|·ln(1/ui,j(t))

其中，和ui,j(t)是均匀分布在0到1之间的随机数，±根据ui,j(t)的不同作相应的动态调整，若随机数大于0.5，则取负号，反之则取正号；α称为扩张收缩因子，起着决定粒子收缩速度的作用。

采用随迭代进行而线性递减的控制策略来确定α，即由下式所示：

α＝(α0-α1)×(itermax-k)/itermax+α1

公式中，α0＞α1，α0为控制参数的初始值，α1为控制参数的最终值，itermax为最大迭代次数，k为当前迭代次数。

(2e)判断是否满足迭代步数。不满足返回(2b)；满足则结束。用求取的变换参数(γ,tx,ty)，对浮动图像进行空间变换得到变换图像。并利用双线性插值计算出图像空间变换后每像素的灰度值。

步骤3，计算参考图像和步骤2中得到的变换图像之间的区域互信息。将图像的像素点作为多维点集，点集包含某单像素点与其邻域的点，利用点集构造多维直方图。

(3a)建立表示变换图像和浮动图像与其周围相邻的8个像素点上的灰度值矩阵p。

参考图像和变换图像每组像素点对可以表示为：

q(x,y)＝[r(x,y),f(x,y)]

其中，q(x,y)表示像素点对，r(x,y)表示参考图像，f(x,y)表示变换图像。

用半径为r的方形窗口对两幅图像的像素点对q(x,y)分别按行依次取窗口中的像素点，可以得到两个(2r+1)²维的列向量，接着将这两个列向量首尾连接生成d＝2(2r+1)²维向量pi，则可产生n＝(m-2r)(n-2r)个d维向量，组成一个d×n的矩阵。

p＝(p1,p2,...,pn)

(3b)计算协方差矩阵c。

利用p中每个元素减去该平均值获得序列归一化向量p0，表达式为：

利用序列归一化向量p0计算协方差矩阵c，表达式为：

(3c)计算联合熵hg(c)和边缘熵hg(cr)、hg(cf)

假设高维分布近似于正态分布，由于每个维度是相互独立，因此可从d维分布中分离出d个独立的一维分布，那么d维点集熵的正态分布和协方差∑d的关系如下：

则联合熵hg(c)和边缘熵hg(cr)、hg(cf)分别为：

其中，hg(cr)是通过计算协方差矩阵c左上角矩阵得到的参考图像r的边缘熵，hg(cf)是通过计算协方差矩阵c右下角矩阵得到的参考图像f的边缘熵。

(3d)计算区域互信息rmi：

rmi＝hg(cr)+hg(cf)-hg(c)

步骤4，当区域互信息不随迭代次数变化而达到最大时，则此时的配准参数为最优配准参数；

步骤5，利用步骤4得到的最优配准参数进行图像配准，得到配准后的sar图像。

进一步的，为验证本发明上述方法的正确性，所用videosar实验数据来源于sandianationallaboratories，sar视频录取的是美国柯特兰空军基地某一大门车流场景。将videosar分帧并选取其中两帧作为参考图像和浮动图像，参考图像为图2(a)，浮动图像为图2(b)，采用本发明上述方法对参考图像和浮动图像进行了配准，并和传统方法进行比较，具体过程如下：

(1)以区域互信息作为相似性度量，仿射变换作为几何变换模型，量子粒子群算法作为搜索策略，对主要参数设置如下：种群粒子数n＝40，迭代次数itermax＝100，扩张收缩因子α初始值为1.0，并随迭代进行减至0.5。配准结果如图3所示。将配准后图像和参考图像的叠加显示如图4所示。

(2)为了验证本发明上述方法相比于传统方法的优越性，进行了如下的对比试验。

实验将分为两组进行：第一组为区域互信息结合粒子群算法的配准方法(rmi+pso)；第二组为区域互信息结合量子粒子群算法的配准方法(rmi+qpso)。

实验中，粒子数均设为20，迭代次数为100，pso算法的惯性权重w以及qpso算法的收缩扩张因子α初始值均为1.0，并随迭代进行减至0.5，真实参数tx设为4，ty设为3，θ设为6。

在以上条件下，对实验数据重复进行50次配准实验，求得两种优化方法的优化参数误差比较图如图5所示，区域互信息随迭代次数的变化曲线图如图6所示。图5中xrmse、yrmse和θrmse分别表示水平方向、垂直方向以及旋转角度的均方根误差值。

由上述仿真结果可以看出：两种配准方法均方根误差相差不大，也都在1个像素以内，说明配准达到了亚像素级，但是qpso算法的收敛速度仍明显快于pso，可以快速摆脱局部最优向全局收敛。

以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。