原创《基于多目标优化算法图像匹配》：这是一篇与图像匹配论文范文相关的免费优秀学术论文范文资料,为你的论文写作提供参考。
摘 要：作为计算机视觉和图像处理领域的重要研究内容,图像匹配的主要目的是寻找图形图像之间的匹配关系.因为传统的匹配方法主要是依靠点作为基本单元的一阶匹配方法和依靠线作为基本单元的二阶匹配方法,因此对采集特征点的选择和匹配方法的优化是很重要的.然而,基于局部图像信息的这两种方法的匹配效果不是很好,本文通过改进使用多目标优化算法NSGA-II,设计实现一种新的高阶图匹配算法,通过设计相关的目标函数和遗传算子,提取两幅图的特征,并在此基础上确定特征点匹配关系.实践表明,该方法在变形和噪声存在的情况下,能够正确匹配两幅图之间的特征点.
关键词：图像匹配；特征；多目标；NSGA-II
中图分类号：TP 文献标识码：A 文章编号：1672-4437（2017）03-0047-06
1引言
随着计算机视觉的不断发展,图像匹配技术越来越受到人们的重视,其在很多科学技术领域中发挥着重要的作用,例如,目标追踪、图像分类或恢复、目标识别[1]、模型匹配[2]或宽基线立体融合[3].由于图像在不同的时间、传感器以及视角下所获得的成像不同,对同一物体在图像中所展示出来的几何特性、光学特性、空间位置依然会有很大的不同,如果再考虑到噪声、干扰等影响会让图像发生更大的差异,图像匹配就是在这些不同之中寻找它们的相同点.NSGA-II算法是带有精英策略的快速非支配排序算法,笔者从已经提出的基于张量的高阶图匹配算法和现有的多目标优化算法的结合出发,对图像匹配算法进行探讨和研究,改进出一种新的图像匹配算法.
2基于特征的图像匹配方法
图像匹配的过程一般可以分为图像的输入、预处理、特征提取、匹配、输出等步骤,由于所采用的方法不尽相同,不同匹配方法的步骤会有很大不同,具体体现在图像预处理的不同、图像特征提取方法的不同以及匹配所用适应度值计算方法的不同等,但它们的大致过程是一致的[4].目前,国內外对图像匹配的研究重点在三个方面,即图像匹配三要素：特征空间、相似性度量、搜索策略.
2.1张量介绍
张量是一个矩阵的n维泛化.2维矩阵可以被表示为表格形式,而张量则可以被描述为n维超矩形表格形式,这样一种张量的每一个元素都要被n个数索引：H等于{ }.张量和向量可以通过不同的方式相乘,我们使用下面的公式表示：
V是一个n维向量,A是一个n维张量,就好像一个矩阵和一个向量的乘积是一个向量一样,一个n维张量和一个向量的乘积是n-1维的,同样就像矩阵和向量的乘法有两种方式一样（向量分别在矩阵的左边和右边）,张量和向量的乘法有n种不同的方式,标记符 中的k表示我们按第k维相乘.
2.2特征提取
本文重点研究的是基于图像特征的匹配,点匹配算法是基于图像特征的匹配算法中很重要的一部分,在各种特征中,特征点作为一种稳定的、旋转不变的、同时又能克服灰度反转的特征参和到匹配过程中不仅可以减少计算量,同时又能够不损失图像的重要灰度信息,而且对于不相似的图像还可以进行部分相似的匹配.
如果遇到了带有尺度、旋转、仿射变换的情况,传统的以点或者点对为单元的匹配算法的准确率就会很低,针对这种问题,Olivier Duchenne和Francis Bach提出一种基于张量的高阶匹配算法[5],该算法使用了更高阶的约束来建立两套视觉特征之间的对应关系,代替传统的点或点对的方法.
在本文中,我们使用3个点作为一个元组,即随机从同一幅图中取出3个点,然后利用这3个点做一个三角形,提取出这一个三角形的特征做为图像特征.
如图1所示,我们可以从三角形中提取到很多的特征作为图像匹配的特征,例如通过提取三角形的三个内角值,可以找到两幅图中的相似三角形,当图像发生尺度和旋转变换时,可以通过特征三角形的内角值特征进行图像匹配,为了简化计算,我们可以使用内角的正弦值代替角度值；通过提取三角形三条边的比值作为特征,可以应对图像的仿射变换.在我们的实验中,就是用三角形的内角值和边长比作为特征.
根据张量的计算公式,在这里我们可以定义一个新的目标函数：
2.3改进的稀疏张量计算方法
3图像匹配的多目标设计方法
3.1NSGA-II算法和图像匹配问题的对应关系
NSGA-II算法是以遗传学为基础的问题求解模型,下面给出生物遗传概念在图像匹配中的对应关系,如下：
3.2图像匹配的编码解码设计
NSGA-II算法中能够操作的数据是经过编码后的基因,而不能是实际问题中的数据,所以我们必须先完成编码工作,实现由问题空间（可能解空间）向遗传空间（经过编码的个体组成的空间）的映射.编码方式的不同对NSGA-II算法的操作有着很大的影响,好的编码不仅能够加速NSGA-II算法的收敛速度,而且能够提高准确率.一般来说,使用最多的编码方式是二进制编码,但是在图像匹配时选点数量比较多的时候,使用二进制编码,基因串的位数会很长,进而影响到求解效率,因此本文采用十进制编码.
3.3适应度值的计算
适应度值是NSGA-II算法中的一个重要指标,我们就是通过这个指标进行下面的非支配排序以及选择操作的,通常适应度的计算就是我们的目标函数的计算,必须要求我们所需要的个体的适应度值高,即越靠近最优解的一些个体的适应度值越高,而越偏离最优解的个体的适应度值越低.我们使用式（2-3）作为目标函数.
3.4快速非支配排序
NSGA-II采用了快速非支配排序方法,对于每个个体i都设有以下两个参数ni和si,ni为在种群中支配个体i的解个体的数量,si为被个体i所支配的解个体的集合.
①首先判断所有个体的ni值,并保存ni等于0的个体.
图像匹配论文参考资料：
结论：基于多目标优化算法图像匹配为关于本文可作为图像匹配方面的大学硕士与本科毕业论文图像特征匹配算法论文开题报告范文和职称论文论文写作参考文献下载。
