一种基于实数编码克隆选择算法的图像配准方法
【技术领域】
[0001] 本发明属于图像配准领域，涉及目标函数的优化方法，具体是一种基于克隆选择 算法的图像配准方法。
【背景技术】
[0002] 图像配准技术作为一项非常重要的研究课题，已经被广泛应用于计算机视觉、模 式匹配、医学图像分析和遥感图像处理。由于层出不穷的新型传感器，人们对图像的获取 能力快速提升。新型传感器有着各种不同的特性，因而不同种类的遥感图像也不断多了起 来。鉴于传感器在获得图像信息时候，在各个方面例如光谱信息、几何大小和时间先后等都 有着明显的差异，所以利用单一的图像信息很难满足实际情况。为了能够更好的获得不同 图像的各类信息，从而得到更高分辨率的遥感图像，需要充分利用多模态图像的优势，对利 用不同设备不同成像条件下的图像进行融合，图像融合的前提就是图像配准。简而言之，其 主要目的就是将对同一场景在不同时刻，不同角度或者不同传感器拍摄的两幅图像进行对 齐。
[0003] 现阶段图像配准的方法主要有两种类型：基于灰度的图像配准方法和基于特征的 图像配准方法。
[0004] 基于灰度的图像配准方法不需要对图像进行特征提取，而是使用整幅图像或者图 像的子区域来估算两幅图像之间的灰度一致性，常用的相似性度量方法有：互相关，相位相 关和互信息。尽管此类方法的计算复杂度比较高，但是此类方法已经被证明在图像配准中 取得了很好的效果。其中，互信息具有以下特点：第一，它不需要对不同模态的图像进行灰 度对应性的假设。第二，互信息对噪声具有很好的鲁棒性。第三，在两幅图像达到精确配准 时，互?目息取得最大值。
[0005] 基于特征的图像配准方法需要先对图像的特征，包括点，线或区域进行检测，之后 对检测到的特征进行一一匹配，然后由匹配的特征估计两幅图像之间的空间变换关系，进 而配准图像。常用的特征检测方法有：Harris角点检测、Canny检测算子、图像分割的方法 和相位一致提取特征点等，得到特征点之后需要利用空间关系或者不变描述子对特征进行 一一对应。当有足够多的特征时，基于特征的图像配准方法能够很容易地求得接近全局最 优的变换参数。
[0006] 通常，图像配准问题在确定相似性度量标准之后可以转换为函数的优化问题，在 相似性度量达到最大值时得到配准的图像。常见的函数优化方法有遗传算法、粒子群算法 等。遗传算法是基于达尔文生物进化理论自然选择和遗传学机理而发展起来的进化算法， 它随机产生初始种群，接着对初始种群的每个个体进行适应度评价，迭代开始后选择适应 度高的个体以一定的概率进行交叉、变异操作，产生新的个体，再对新个体进行适应度的评 价，通常设置一定的迭代次数或者当目标函数达到某一阈值后迭代停止，输出最终的解。其 缺点是计算复杂度高，容易过早收敛，并且容易陷入局部最优。
[0007] 人工免疫系统（Artificial Immune system，AIs)是模仿自然免疫系统功能的一 种智能方法，它实现一种受生物免疫系统启发，通过学习外界物质的自然防御机理的学习 技术，提供噪声忍耐、无教师学习、自组织、记忆等进化学习机理，结合了分类器、神经网络 和机器推理等系统的一些优点，因此具有提供新颖的解决问题的潜力。克隆（Clone)免疫 是生物免疫系统理论的重要学说。由于遗传和免疫细胞在增殖中的基因突变，形成了免疫 细胞的多样性，这些细胞的不断增殖形成了无性繁殖系。细胞的无性繁殖称为克隆。
[0008] 1958年Burnet等提出了著名的克隆选择学说，其中心思想为：抗体是天然产物， 以受体的形式存在于细胞表面，抗原可与之选择性地反应。抗原与相应抗体的反应可导致 细胞克隆性增值，该群体具有相同的抗体特异性，其中某些细胞克隆分化为抗体生成细胞， 另一些形成免疫记忆细胞以参加之后的二次免疫反应，克隆选择是生物体免疫系统自适应 抗原刺激的动态过程，在这一过程中，所体现的学习、记忆、抗体多样性等生物特性正是人 工免疫系统所借鉴的。基于信息处理的观点，可以认为，克隆选择的实质就是在一代进化 中，在候选解集的附近，根据亲合度大小，产生一个变异解的群体。克隆选择算法是通过抗 体一抗原亲合度实现个体间的竞争，并有效地调节过度竞争，以保持抗体群的多样性。
[0009] 作为一种新的全局优化搜索算法，免疫克隆选择算法在算法实现上兼顾全局搜 索和局部搜索，并构造记忆单元，将遗传算法的记忆单个最优个体变为记忆一个最优解的 群体。在一般的遗传算法中，交叉是主要算子，变异是背景算子，但克隆选择算法则恰恰相 反，并且实验证明免疫克隆选择算法性能优于相应的遗传算法。另外，克隆算子本身的选择 机制具有记忆功能，因此可以保证算法以概率1收敛到最优解，而标准的遗传算法则不能。
[0010] 本发明将免疫克隆选择算法应用到图像配准中，并且采用实数编码的方法，根据 适应度函数的大小，不断更新种群克隆的规模，来求得最优的图像配准参数，达到了较好的 图像配准效果。通过实验数据分析，本发明方法优于传统的遗传算法。
【发明内容】
[0011] 本发明的目的在于针对上述已有技术的不足，提出一种基于克隆选择算法的图像 配准方法，提高对配准参数估计的准确性，实现对参考图像和浮动图像的正确配准。
[0012] 本发明的技术方案步骤包括如下：
[0013] (1)输入分辨率相同的参考图像imageR和浮动图像images ;
[0014] (2)抗体种群初始化：随机产生抗体种群，A表示抗体集，抗体集A由临时抗体集A, 和记忆抗体集Am组成，N = r+m，r表示临时抗体集A 中的临时抗体数量，m表示记忆抗体 集Ani中的记忆抗体数量，N是抗体集A中抗体的总数量；
[0015] (3)用A代表参考图像imageR、B代表浮动图像images构建归一化互信息函数 MI(A，B)作为目标函数：
[0017] 其中，H⑷是图像A的边缘熵，
> 是图像A 中第i级灰度级出现的概率，M为图像A中灰度级的级数，H(B)为图像B的边缘熵， CN 105184764 A I兄明书 3/7 页
PB(j)是图像B中第j级灰度级出现的概率，N为图像B中灰 度级的级数
是图像A和图像B之间的联合熵，p(i，j)是图像A 中第i级灰度级、图像B中第j级灰度级这一对点在图像A和图像B这两幅图像中同一位 置同时出现的联合概率，且
h(i，j)是图像A和图像B的联合直方图，η是 图像A和图像B重叠区域像素的个数，其中联合直方图的定义如下：
[0019] h(a，b) (0彡a彡Κ-1，0彡b彡L_1，K和L是两幅图像中灰度值的范围）表示图像 A中灰度级为a，图像B中灰度级为b的像素对的个数；
[0020] (4)利用克隆选择算法对归一化互信息函数MI (A，B)进行优化
[0021 ] 4a)计算种群的抗体亲和力，即归一化互信息函数MI (A，B)的值；
[0022] 4b)抗体选择：对抗体亲和力按照降序排列，选取抗体亲和力最高的前k个个体作 为临时抗体集A」
[0023] 4c)抗体克隆：选择出来的k个抗体将会被独立克隆，克隆的次数也是不定的，具 体的规则是：亲和度越高，亲和力序号i越小，被克隆的次数就越多，相反，亲和度越低，亲 和力序号i越大，被克隆次数越少，抗体被克隆的总数量N。如下式：
[0025] 其中，β是一个乘法因子，N是抗体集合A中的抗体总数量，亲和力序号i的取值 范围为1到k，round()是一个自变量算子，表示向最近的整数取整，N。的第i项 对应第i个抗体被克隆的规模大小。
[0026] 4d)抗体变异：对克隆后的抗体做变异操作。产生一个0到1之间的随机数，如果 这个数小于预先设定的变异概率，则对相应的参数进行变异：
[0027] χ_= X+ δ * λ
[0028] 其中，x_为变量x变异后的参数，δ = 〇. 为窄化搜索区域因子，χ_ 为变量X的最大值，Xmin为变量X的最小值，λ为〇到1之间的一个随机数，用于调节X变 异的步长；
[0029] 4e)形成记忆抗体集：重新计算通过上述变异操作后抗体种群中每个抗体的适应 度值也就是亲和力的大小，若通过上述变异操作后种群中的抗体亲和力高于4中所对应的 变异之前的抗体的亲和力，就用变异操作后的抗体替换原来4中的，形成记忆抗体集A
[0030] 4f)抗体记忆：模拟人工免疫系统生物选择中的5%的B细胞的自然消亡，即从抗 体集A中删