混沌启发式搜索优化的弓网图像配准方法及装置制造方法及图纸

本发明专利技术涉及图像处理技术领域，并提出了一种混沌启发式搜索优化的弓网图像配准方法及装置，旨在解决人工蜂群优化算法应用于弓网图像配准时容易出现收敛速度慢，配准精度不足的技术问题。为此目的，本发明专利技术中的混沌启发式搜索优化的弓网图像配准方法包括：根据预设的参考弓网图像，生成初始种群；初始种群中的每个个体存储有预定数目个配准参数；利用混沌启发式搜索算法优化待配准弓网图像的配准参数；利用配准参数对待配准弓网图像进行空间变换，得到配准的弓网图像。本发明专利技术可以增强算法的局部搜索能力，加快算法的收敛速度，提高弓网图像配准的精度。

【技术实现步骤摘要】
混沌启发式搜索优化的弓网图像配准方法及装置
本专利技术涉及图像处理领域，具体涉及一种混沌启发式搜索优化的弓网图像配准方法及装置。
技术介绍
随着中国高速列车技术的不断成熟，中国高速铁路网正在不断发展壮大。在高速铁路网中，运行的每辆高速列车时刻都需要通过受电弓与电网的滑动接触而获取电力能源的。由此可知，弓网系统是高速铁路网系统中的重要组成部分。然而，随着高速列车的提速，弓网出现故障的概率也会增大。而弓网系统的故障对高速列车的运行会带来极大的危险。因此，弓网故障检测是高速列车系统中的一项重要基础性技术。为了实时地检测弓网系统中出现的故障，研究人员提出了基于机器视觉的弓网故障检测方法。弓网图像配准技术是基于机器视觉的弓网故障检测方法中的关键技术。弓网图像配准就是给定一幅图参考弓网图像和一幅待配准弓网图像，搜索到合适的空间变换参数对待配准弓网图像进行空间变换，使得空间变换后的待配准弓网图像与参考弓网图像之间达到某些指标上的匹配。弓网图像配准问题往往是通过转化成优化问题来求解的。人工蜂群优化算法是一种模拟自然界中蜜蜂采蜂行为的优化算法，它在解决许多优化问题中获得了很满意的结果。然而，传统人工蜂群优化算法在解决弓网图像配准问题时容易出现收敛速度慢，配准精度不足的缺点。
技术实现思路
为了解决现有技术中的上述技术问题，即为了解决传统人工蜂群优化算法应用于弓网图像配准时容易出现收敛速度慢，配准精度不足的技术问题，为此目的，本专利技术提供了一种混沌启发式搜索优化的弓网图像配准方法及装置，以解决上述问题。第一方面，本专利技术提供的混沌启发式搜索优化的弓网图像配准方法包括如下步骤：基于预设的参考弓网图像，利用混沌启发式搜索算法对待配准弓网图像进行配准，具体为：步骤S1：初始化混沌启发式搜索算法的参数，其中，所述参数包括种群大小和最大迭代次数；步骤S2：设置当前迭代次数为t＝0；步骤S3：随机生成初始种群；所述种群中的每个个体存储有预定数目个配准参数值；步骤S4：计算所述种群中每个个体的适应值，并保存所述种群中的最优个体；步骤S5：所述种群中的雇佣蜂执行搜索操作，然后计算所述种群中每个个体的选择概率；步骤S6：所述种群中的观察蜂执行混沌启发式搜索操作，具体为：步骤S61：随机生成一个[0.6，1]之间的实数ran，然后随机产生一个[PSZ，PSZ×2]之间的整数CTN，其中，PSZ为种群中的个体数目；步骤S62：通过所述整数CTN次迭代运算计算出混沌启发式搜索操作的混沌因子，具体为：步骤S621：令混沌因子cbt＝ran；步骤S622：设置第一计数器ib＝1；步骤S623：计算中间变量hav＝sin(cbt×π)；步骤S624：令混沌因子cbt＝hav，并令第一计数器ib＝ib+1；步骤S625：如果所述第一计数器ib大于所述整数CTN，则转到步骤S63，否则转到步骤S623；步骤S63：设置第二计数器ik＝1；步骤S64：根据种群中每个个体的选择概率，利用轮盘赌选择方法从所述种群中选择出一个个体其中，ETI为所选择个体的下标；步骤S65：令新个体步骤S66：令邻域半径MR＝PSZ×0.1，并令邻域下标MTS＝1+(ETI-MR+PSZ)％PSZ，其中，％表示取余运算符；步骤S67：计算邻域均值MMV，具体为：步骤S671：设置第三计数器im＝1；步骤S672：令邻域均值其中，为种群中下标为MTS的个体；步骤S673：令邻域下标MTS＝1+(MTS+1)％PSZ；步骤S674：通过公式更新所述邻域均值MMV；步骤S675：利用公式im＝im+1，更新所述第三计数器im；步骤S676：比较im与MR×2的大小，如果im小于或等于MR×2，则转到步骤S673，否则转到步骤S68；步骤S68：令所述邻域均值MMV＝MMV/(MR×2+1)；步骤S69：令优秀个体数ESM＝max(2,PSZ×epr)，其中，epr为[0.08,0.2]之间随机产生的一个实数，max为取最大值函数；步骤S610：计算种群中前ESM个优秀个体的平均值并保存到优秀均值个体MEP；步骤S611：从所述种群中随机选择出一个个体记为然后在[1,D]之间随机产生一个正整数FRJ；步骤S612：按如下公式计算邻域导向值RDE：其中，rand(0,1)为在[0,1]之间产生随机实数的函数，MMVFRJ为邻域均值MMV的第FRJ个维度，为个体的第FRJ个维度；步骤S613：按如下公式计算组合系数RK：RK＝CKt×0.8+cbt×0.2；其中，CKt表示第t次迭代时的适应性系数；步骤S614：通过如下公式计算所述新个体NEt的第FRJ个维度其中，MEPFRJ为优秀均值个体MEP的第FRJ个维度；步骤S615：计算所述新个体NEt的适应值；步骤S616：在个体与所述新个体NEt之间选择更优者进入下一代种群，并更新所述个体的已滞次数步骤S617：通过公式ik＝ik+1，更新所述第二计数器ik；步骤S618：如果所述第二计数器ik小于或等于PSZ，则转到步骤S64，否则转到步骤S7；步骤S7：所述种群中的侦察蜂执行搜索操作；步骤S8：找出所述种群中最优个体，并保存；步骤S9：利用公式t＝t+1，更新所述迭代次数t；步骤S10：判断所述迭代次数是否达到所述最大迭代次数，如果所述迭代次数没有达到所述最大迭代次数，则重复步骤S5至步骤S9；否则，将所述最优个体解码为所述待配准弓网图像的配准参数，根据所述配准参数对所述待配准弓网图像进行空间变换，得到配准的弓网图像。进一步地，本专利技术提供的一个优选技术方案中，所述种群中每个个体的存储3个配准参数值，分别为弓网图像配准的水平偏移量、弓网图像配准的竖直偏移量和弓网图像配准的旋转角度。进一步地，本专利技术提供的一个优选技术方案中，所述方法还包括根据迭代次数并按照如下公式计算适应性系数为其中，t为迭代次数，MAXIT为最大迭代次数，sin为正弦函数，π为圆周率，CKt表示第t次迭代时的适应性系数。第二方面，本申请还提供了一种存储装置，所述存储装置存储有多条程序，所述程序适于由处理器加载以执行所述技术方案中任一项所述的混沌启发式搜索优化的弓网图像配准方法。第三方面，本申请还提供了一种处理装置，包括处理器和存储设备，所述存储设备，适于存储多条程序，其中，所述程序适于由处理器加载以执行上述技术方案中任一项所述的混沌启发式搜索优化的弓网图像配准方法。与最接近的现有技术相比，上述技术方案至少具有如下有益效果：本专利技术提供的混沌启发式搜索优化的弓网图像配准方法改进人工蜂群优化算法，并利用改进的人工蜂群优化算法来优化待配准弓网图像的配准参数。将待配准弓网图像的配准参数编码为人工蜂群优化算法的个体，然后在观察蜂的操作过程中执行混沌启发式搜索，从而增强算法的局部搜索能力，加快算法的收敛速度，提高弓网图像配准的精度。附图说明图1是本专利技术实施例中一种混沌启发式搜索优化的弓网图像配准方法主要步骤示意图；图2是本专利技术实施例中参考弓网图像示意图；图3是本专利技术实施例中待配准弓网图像示意图；图4是本专利技术实施例中采用混沌启发式搜索优化的弓网图像配准方法对图3所示待配准弓网图像配准后的图像示意图。具体实施方式下面参照附图来描述本专利技术的优选实施方式。本领域技术人员应当理解的是，这些实施方本文档来自技高网...

【技术保护点】
1.一种混沌启发式搜索优化的弓网图像配准方法，其特征在于，所述方法包括基于预设的参考弓网图像，利用混沌启发式搜索算法对待配准弓网图像进行配准，具体为：步骤S1：初始化混沌启发式搜索算法的参数，其中，所述参数包括种群大小和最大迭代次数；步骤S2：设置当前迭代次数t＝0；步骤S3：随机生成初始种群；所述种群中的每个个体存储有预定数目个配准参数值；步骤S4：计算所述种群中每个个体的适应值，并保存所述种群中的最优个体；步骤S5：所述种群中的雇佣蜂执行搜索操作，然后计算所述种群中每个个体的选择概率；步骤S6：所述种群中的观察蜂执行混沌启发式搜索操作，具体为：步骤S61：随机生成一个[0.6，1]之间的实数ran，然后随机产生一个[PSZ，PSZ×2]之间的整数CTN，其中，PSZ为种群中的个体数目；步骤S62：通过所述整数CTN次迭代运算计算出混沌启发式搜索操作的混沌因子，具体为：步骤S621：令混沌因子cbt＝ran；步骤S622：设置第一计数器ib＝1；步骤S623：计算中间变量hav＝sin(cbt×π)；步骤S624：令混沌因子cbt＝hav，并令第一计数器ib＝ib+1；步骤S625：如果所述第一计数器ib大于所述整数CTN，则转到步骤S63，否则转到步骤S623；步骤S63：设置第二计数器ik＝1；步骤S64：根据种群中每个个体的选择概率，利用轮盘赌选择方法从所述种群中选择出一个个体...

【技术特征摘要】
1.一种混沌启发式搜索优化的弓网图像配准方法，其特征在于，所述方法包括基于预设的参考弓网图像，利用混沌启发式搜索算法对待配准弓网图像进行配准，具体为：步骤S1：初始化混沌启发式搜索算法的参数，其中，所述参数包括种群大小和最大迭代次数；步骤S2：设置当前迭代次数t＝0；步骤S3：随机生成初始种群；所述种群中的每个个体存储有预定数目个配准参数值；步骤S4：计算所述种群中每个个体的适应值，并保存所述种群中的最优个体；步骤S5：所述种群中的雇佣蜂执行搜索操作，然后计算所述种群中每个个体的选择概率；步骤S6：所述种群中的观察蜂执行混沌启发式搜索操作，具体为：步骤S61：随机生成一个[0.6，1]之间的实数ran，然后随机产生一个[PSZ，PSZ×2]之间的整数CTN，其中，PSZ为种群中的个体数目；步骤S62：通过所述整数CTN次迭代运算计算出混沌启发式搜索操作的混沌因子，具体为：步骤S621：令混沌因子cbt＝ran；步骤S622：设置第一计数器ib＝1；步骤S623：计算中间变量hav＝sin(cbt×π)；步骤S624：令混沌因子cbt＝hav，并令第一计数器ib＝ib+1；步骤S625：如果所述第一计数器ib大于所述整数CTN，则转到步骤S63，否则转到步骤S623；步骤S63：设置第二计数器ik＝1；步骤S64：根据种群中每个个体的选择概率，利用轮盘赌选择方法从所述种群中选择出一个个体其中，ETI为所选择个体的下标；步骤S65：令新个体步骤S66：令邻域半径MR＝PSZ×0.1，并令邻域下标MTS＝1+(ETI-MR+PSZ)％PSZ，其中，％表示取余运算符；步骤S67：计算邻域均值MMV，具体为：步骤S671：设置第三计数器im＝1；步骤S672：令邻域均值其中，为种群中下标为MTS的个体；步骤S673：令邻域下标MTS＝1+(MTS+1)％PSZ；步骤S674：通过公式更新所述邻域均值MMV；步骤S675：利用公式im＝im+1，更新所述第三计数器im；步骤S676：比较im与MR×2的大小，如果im小于或等于MR×2，则转到步骤S673，否则转到步骤S68；步骤S68：令所述邻域均值MMV＝MMV/(MR×2+1)；步骤S69：令优秀个体数ESM＝max(2,PSZ×epr)，其中，epr为[0.08,0.2]之间随机产生的一个实数，max为取最大值函数；步骤S61...

【专利技术属性】
技术研发人员：张文生，郭肇禄，杨阳，谢刚，魏波，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京,11