基于ＱＰＳＯ的圖像融合算法的研究

摘要：提出了一種基于量子行為的粒子群優化算法（QPSO）的圖像融合方法。將圖像融合問題歸結為最優化問題，采用了QPSO算法進行優化。QPSO不僅參數個數少，其每一個迭代步的取樣空間能覆蓋整個解空間，因此能保證算法的全局收斂。與PSO算法和遺傳算法進行了比較，證明了QPSO算法在圖像融合中具有良好的效果。 

關鍵詞：基于量子行為的粒子群優化算法; 優化; 像素;圖像融合

中圖分類號：TP391文獻標志碼：A

文章編號：1001－3695(2007)05－0298－02

0引言

圖像融合是指將不同類型的傳感器獲得的同一場景的多種信息特征，采用一定的融合算法有機結合起來，產生新圖像的技術。它是多傳感器信息融合中可視信息部分的融合。圖像融合技術充分利用了源圖像在空間上的相關性及信息上的互補性，使得圖像場景獲得更清晰、更全面的表達，從而增強了圖像的解釋能力，改善了視覺效果，提高了圖像判讀的可靠性及機器分類和識別的準確性。圖像融合技術的應用領域十分廣泛，如醫學、遙感、軍事、計算機視覺及機器人技術等，在圖像增強、特征提取等方面都有比較重要的作用。

按圖像信息的表達方式，圖像融合可以

在像素級、特征級、決策級三個層次上分別進行。本文采用的是像素級圖像融合。對像素級圖像融合而言，已提出的融合算法主要有主成分分析法、進化算法以及神經網絡法等。其中進化算法包括遺傳算法、蟻群算法、

粒子群算法等。這些融合算法也可以通過其在空間域內執行還是在變換域內執行來區分。本文提出了一種新的能保證全局收斂的微粒群算法，即基于量子行為的粒子群優化算法

(Quantum－behaved Particle Swarm Optimization， QPSO)[1，2]。實驗證明，QPSO的性能在圖像融合上優于其他算法。

1QPSO算法

QPSO也是一種微粒群進化算法，用群體和進化的概念，同樣也是依據個體（微粒）的適應值大小進行操作。QPSO將每個個體看做是Nd維搜索空間中的一個沒有重量和體積的微粒，并在搜索空間中以一定的速度飛行。該飛行速度由個體和群體的飛行經驗動態調整。每個粒子代表Nd維空間中的一個位置，朝著下面兩個方向調整粒子的位置：

①至今發現的每個粒子的最優位置；

②粒子群的最優位置。

每一個粒子；包含下列信息：

可見，融合效果取決于α。

為了衡量融合效果，設定融合指標G為

G=1/（mn）∑mi=1∑nj=1[Fr(i， j)-R(i， j)]2（5）

圖像融合中的適應性函數可按式（5）計算。由式（5）可知，融合指標G越小，則融合圖像與原始圖像的偏差越小，說明融合效果越好。

3QPSO融合圖像的完成過程

基于QPSO融合方法的融合步驟偽代碼如下：

通過上面的實驗數據發現，使用QPSO算法可以很快地得到最優值（幾乎都在迭代前五次的時候），而且通過方差和平均值可以看出，QPSO算法在處理的過程中比其他兩種方法都穩定。由于遺傳算法以及PSO算法相對于QPSO算法來講，有大量的參數需要調整，在實現時比較麻煩；而QPSO由于參數較少，實現起來比較容易。

另外，利用本文算法對其他圖像也進行了實驗，得到了很好并且一致的效果。所有的融合結果表明了QPSO算法是非常穩定，并且融合效果是令人滿意的。

參考文獻：

［1］SUN Jun，XU Wenbo.A global search strategy of quantum－behaved particle swarm optimization:proceedings of IEEE Conference on Cybernetics and Intelligent Systems[C].[S.l.]:[s.n.]， 2004:111－116.

［2］SUN Jun， FENG Bin， XU Wenbo.Particle swarm optimization with particles having quantum behavior: proceedings of 2004 Congress on Evolutionary Computation[C].[S.l.]:[s.n.]， 2004:325－331.［3］覃征，鮑復民，李愛國，等.數字圖像融合[M].西安:西安交通大學出版社，2004:26－52.

［4］曾建潮，介婧，崔志華.微粒群算法[M].北京:科學出版社，2004.

［5］朱虹.數字圖像處理基礎[M].北京:科學出版社，2005.

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”