一种PCBA快速图像匹配方法组成比例

本发明专利技术公开了一种PCBA快速图像匹配方法，包括：构建源图像及其模板子图像的的图像金字塔；设置粒子群算法参数；在源图像的图像金字塔顶层初始化粒子群的位置和移动速度；对各层进行粗匹配和精匹配进而得到最佳匹配位置；输出最佳匹配位置。本发明专利技术鉴于图像金字塔的分层匹配思想，在不同层采用由粗到精的匹配方式，弥补粒子群算法准确性不足，而粒子群算法可以替代图像金字塔的遍历式匹配，进一步加快计算速度，提高了在PCBA目标检测过程中的图像匹配准确性及速度。

【技术实现步骤摘要】
一种PCBA快速图像匹配方法
本专利技术属于图像处理领域，具体涉及一种PCBA快速图像匹配方法。
技术介绍
图像匹配技术是视觉应用中的核心问题。图像匹配技术广泛应用于目标检测、视觉测量、视觉导航、图像拼接等领域。图像匹配通常使用灰度值或者特征根据度量关系计算相关性。由于匹配过程中相关性计算量大，耗时长，因此需要快速高效的搜索策略。近年来，有许多学者把图像匹配中寻找最佳相似问题转换为寻优问题，应用在图像匹配领域。而粒子群算法是典型的优化算法之一，具有较强的的寻优能力，且在图像匹配领域取得了较好的结果。但是传统粒子群算法易过早收敛陷入局部最优解，易导致匹配准确性不高。因此有学者对影响粒子群优化的参数、位置和速度进行改进。最初研究此方面的学者为了平衡算法全局与局部的搜索能力，提出了线性调整惯性权重的粒子群算法。由于粒子群算法在迭代前期阶段和后期阶段进行全局与局部搜索，惯性权重在前期和后期阶段以较快速度下降会使得算法过早陷入局部最优解。除此以外，传统粒子群算法采用固定的学习因子引导个体和群体向最优解靠近，使得粒子无法在不同阶段更好的向最优解靠近。有学者根据算法特性动态调整学习因子，但是仅改变此项因素，也不能避免陷入局部最优解。后来有学者对陷入局部解的粒子进行激活操作，使得粒子跳出局部范围，并且为了增加粒子的多样性，引入混沌映射。虽然改进的粒子群算法性能都有提升，但是在PCBA目标检测过程中，由于匹配的相似区域较多，以上方法的准确性及速度均较低。因此，如何提高在PCBA目标检测过程中的图像匹配准确性及速度，成为了本领域技术人员急需解决的问题。
技术实现思路
针对现有技术中存在的上述不足，本专利技术实际需要解决的问题是：如何提高在PCBA目标检测过程中的图像匹配准确性及速度。为解决上述技术问题，本专利技术采用了如下的技术方案：一种PCBA快速图像匹配方法，包括：S1、构建源图像及其模板子图像的的图像金字塔；S2、设置粒子群算法参数，所述粒子群算法参数包括种群个数m、空间维度K、迭代次数T；S3、在源图像的图像金字塔顶层初始化粒子群的位置和移动速度，源图像的图像金字塔顶层作为当前层；S4、计算当前层的粒子的适应度值，迭代更新粒子的位置及移动速度，计算粒子的最优适应度值并得到粗匹配位置；S5、将粗匹配位置以α倍值传入下一层，α为降采样因子，将下一层作为当前层；S6、在当前层的代入的粗匹配位置的预设尺寸的邻域范围内进行逐像素精匹配得到精匹配位置；S7、若当前层为底层，执行步骤S8；否则，将当前层的精匹配位置作为新的粗匹配位置，返回执行步骤S5；S8、输出底层的精匹配位置。优选地，步骤S1中，构建图像金字塔的方法如下：将图像与高斯函数多次卷积后获取到所述图像的低通滤波，然后进行二次下采样产生不同尺寸的图像构建成塔的形状，采用以下公式进行构建：式中S、I及G分别表示尺度空间、图像及高斯函数，σ表示高斯模糊系数，表示卷积，G(x,y)表示图像(x,y)处的高斯函数值，x0表示中心点横坐标，y0表示中心点纵坐标。优选地，步骤S3中，依据以下公式初始化粒子群的位置和移动速度：Xi＝LX*randVi＝LV*rand式中，Xi为第i个粒子的位置，Vi为第i个粒子的移动速度，LX和LV分别表示粒子群的位置和移动速度的边界值，rand表示均匀分布的随机数；基于NCC系数计算第i个粒子的适应度值记为Pi，NCC系数表达式为：式中T(x,y)表示模板子图像坐标为(x,y)处的灰度值，Ii,j(x,y)表示在源图像(i,j)处子图像的灰度值，和分别表示模板子图像和源图子图像的灰度均值，P、Q分别为模板子图x方向和y方向的尺寸，ξ(x,y)表示源图像(x,y)处NCC系数值。优选地，基于以下公式更新粒子的位置及移动速度：Vi(t+1)＝ωVi(t)+c1r1(pbest-Xi(t))+c2r2(gbest-Xi(t))Xi(t+1)＝Xi(t)+Vi(t+1)式中，ω表示惯性权重，t表示当前迭代次数，c1表示个体学习因子，c2表示群体学习因子，r1和r2都是属于[0,1]范围内互不干扰的随机数，pbest为个体最优解，gbest为群体最优解，Xi(t)为第t次迭代后的第i个粒子的位置，Xi(t+1)为第t+1次迭代后的第i个粒子的位置，Vi(t)为第t次迭代后的第i个粒子的移动速度，Vi(t+1)为第t+1次迭代后的第i个粒子的移动速度；式中，a和b表示非线性调整系数，ωmax表示最大惯性权重值，ωmin表示最小惯性权重值。优选地，基于以下公式计算个体学习因子和群体学习因子：式中，和为个体学习因子最大值和最小值，和为群体学习因子最大值和最小值。优选地，当δ2＞ε时，基于以下公式更新粒子的位置及移动速度：Vi(t+1)＝ωVi(t)+c1r1(pbest-Xi(t))+c2r2(gbest-Xi(t))Xi(t+1)＝Xi(t)+Vi(t+1)式中，ω表示惯性权重，t表示当前迭代次数，c1表示个体学习因子，c2表示群体学习因子，r1和r2都是属于[0,1]范围内互不干扰的随机数，pbest为个体最优解，gbest为群体最优解，Xi(t)为第t次迭代后的第i个粒子的位置，Xi(t+1)为第t+1次迭代后的第i个粒子的位置，Vi(t)为第t次迭代后的第i个粒子的移动速度，Vi(t+1)为第t+1次迭代后的第i个粒子的移动速度；式中，a和b表示非线性调整系数，ωmax表示最大惯性权重值，ωmin表示最小惯性权重值；基于以下公式计算个体学习因子和群体学习因子：式中，和为个体学习因子最大值和最小值，和为群体学习因子最大值和最小值；当δ2≤ε时，Xi(t+1)＝rXi(t)；式中，Pi表示第i个粒子当前的适应度值，为适应度均值，Pmax和Pmin分别为最大适应度值和最小适应度值，r为随机数，δ2为粒子集中程度，ε为实行扩展机制的阈值。同现有技术相比，本专利技术具有以下有益效果：本专利技术首先利用粒子群算法易过早收敛陷入局部解，且粒子寻优能力与影响参数变化相关的问题，提出改进的粒子群算法，来提高粒子群的寻优能力。并且利用粒子群概率性搜索特性减少匹配点数量，降低计算量。鉴于图像金字塔的分层匹配思想，在不同层采用由粗到精的匹配方式，弥补粒子群算法准确性不足。而粒子群算法可以替代图像金字塔的遍历式匹配，进一步加快计算速度。同时在噪声的干扰下，有较好的鲁棒性。附图说明图1为一种面向PCBA目标检测的快速图像匹配方法的流程图；图2为不同尺寸准确性对比图；图3(a)至图3(f)为不同尺寸抗噪性对比图。具体实施方式下面结合附图对本专利技术作进一步的详细本文档来自技高网...

【技术保护点】
1.一种PCBA快速图像匹配方法，其特征在于，包括：/nS1、构建源图像及其模板子图像的的图像金字塔；/nS2、设置粒子群算法参数，所述粒子群算法参数包括种群个数m、空间维度K、迭代次数T；/nS3、在源图像的图像金字塔顶层初始化粒子群的位置和移动速度，源图像的图像金字塔顶层作为当前层；/nS4、计算当前层的粒子的适应度值，迭代更新粒子的位置及移动速度，计算粒子的最优适应度值并得到粗匹配位置；/nS5、将粗匹配位置以α倍值传入下一层，α为降采样因子，将下一层作为当前层；/nS6、在当前层的代入的粗匹配位置的预设尺寸的邻域范围内进行逐像素精匹配得到精匹配位置；/nS7、若当前层为底层，执行步骤S8；否则，将当前层的精匹配位置作为新的粗匹配位置，返回执行步骤S5；/nS8、输出底层的精匹配位置。/n

【技术特征摘要】
1.一种PCBA快速图像匹配方法，其特征在于，包括：
S1、构建源图像及其模板子图像的的图像金字塔；
S2、设置粒子群算法参数，所述粒子群算法参数包括种群个数m、空间维度K、迭代次数T；
S3、在源图像的图像金字塔顶层初始化粒子群的位置和移动速度，源图像的图像金字塔顶层作为当前层；
S4、计算当前层的粒子的适应度值，迭代更新粒子的位置及移动速度，计算粒子的最优适应度值并得到粗匹配位置；
S5、将粗匹配位置以α倍值传入下一层，α为降采样因子，将下一层作为当前层；
S6、在当前层的代入的粗匹配位置的预设尺寸的邻域范围内进行逐像素精匹配得到精匹配位置；
S7、若当前层为底层，执行步骤S8；否则，将当前层的精匹配位置作为新的粗匹配位置，返回执行步骤S5；
S8、输出底层的精匹配位置。


2.如权利要求1所述的一种PCBA快速图像匹配方法，其特征在于，步骤S1中，构建图像金字塔的方法如下：
将图像与高斯函数多次卷积后获取到所述图像的低通滤波，然后进行二次下采样产生不同尺寸的图像构建成塔的形状，采用以下公式进行构建：






式中S、I及G分别表示尺度空间、图像及高斯函数，σ表示高斯模糊系数，表示卷积，G(x,y)表示图像(x,y)处的高斯函数值，x0表示中心点横坐标，y0表示中心点纵坐标。


3.如权利要求1所述的一种PCBA快速图像匹配方法，其特征在于，步骤S3中，依据以下公式初始化粒子群的位置和移动速度：
Xi＝LX*rand
Vi＝LV*rand
式中，Xi为第i个粒子的位置，Vi为第i个粒子的移动速度，LX和LV分别表示粒子群的位置和移动速度的边界值，rand表示均匀分布的随机数；
基于NCC系数计算第i个粒子的适应度值记为Pi，NCC系数表达式为：



式中T(x,y)表示模板子图像坐标为(x,y)处的灰度值，Ii,j(x,y)表示在源图像(i,j)处子图像的灰度值，和分别表示模板子图像和源图子图像的灰度均值，P、Q分别为模板子图x方向和y方向的尺寸，ξ(x,y)表示源图像(x,y)处NCC系数值。


4.如权利要求1所述的一种PCBA快速图像匹配方法，其特征在于，基于以下公式更新粒子的位置及移动速度：
Vi(t+1)＝ωVi(t)+c1r1(pbest-...

【专利技术属性】
技术研发人员：闫河，李晓玲，谢敏，赵其峰，刘伦宇，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：重庆;50