科研之友
微信
新浪微博
Facebook
分享链接
摘要
本论文主要研究基于计算智能的图像配准与分割方法。图像配准与分割是数字图像处理中两个重要的基础性任务,也是机器学习、计算机视觉、模式识别等领域的重要部分。随着图像传感器和成像技术的不断提升,对图像配准与分割的结果要求也越来越高。如何在复杂情况下得到鲁棒而精确的图像配准和分割结果;如何在噪声和形变存在的条件下实现快速、准确、鲁棒的遥感图像配准;如何借助高阶特征得到更加准确的图匹配结果。这些都是图像配准和分割中需要解决的问题和研究的热点。近年来,图像配准和分割中的大多数问题可以被建模成优化问题,虽然已有不少优化方法被提出,但是普遍存在精度不够高、通用性低、鲁棒性差等问题。本论文主要针对以上问题,提出了基于计算智能的图像配准和分割方法,力争为解决此类优化问题探索一个新的研究思路。本文的主要研究工作和创新包括如下几部分:1.提出了一种基于核度量的模糊动态轮廓模型。该模型可以精确的检测边界,并且对带噪声、外点多和对比度低的图像有较好的效果。其中,模糊性提供模型避免局部最小值的能力,通过核函数建立了一个非线性的水平集框架能量函数,实验证明该框架可以在准确性和有效性之间得到较好的平衡。2.提出了一种基于空间限制的遥感图像配准方法。首先通过模糊聚类提取显著的目标区域,然后通过不变矩特征对目标区域进行匹配,最后在相应区域检测匹配点。通过空间限制,错误点被滤除的同时可以增加正确点的数量。3.提出了一种基于快速采样一致性的遥感图像配准方法。快速采样一致性方法将随机采样一致性方法中的采样集和一致性验证集分开,可以用更少的迭代次数得到更多的正确匹配点。4.提出了一种基于蚁群优化算法的高阶图匹配方法。两个特征集的相似度被作为启发式信息,有效的提高了优化效果。实验证明所提算法对外点和噪声有较强的鲁棒性。5.提出了一种基于离散粒子群优化算法的高阶图匹配方法。其中,多个操作被重新定义,同时提出了一种基于启发式信息的初始化方法和一种相对应的局部搜索方法。在模拟数据集和真实数据集上的效果证明了所提算法的有效性。
- 单位
