改進量子遺傳算法在圖像匹配算法中的研究與應用

徐梅

【摘 要】量子遺傳算法是將量子理論與遺傳算法相結合應用的一種智能算法。其高并行性而杰出的全局性越來越引起人們的眷注，將其應用到各類優化問題中去。本文就是在圖像匹配過程中利用改進的量子遺傳算法，實驗證明量子遺傳算法是有效的，可以很好的縮短匹配時長并提高匹配精度。

【關鍵詞】量子遺傳算法；圖像匹配；相似度檢測

中圖分類號： TP18；TP391.41 文獻標識碼： A 文章編號： 2095-2457（2018）27-0086-003

DOI：10.19694/j.cnki.issn2095-2457.2018.27.038

當前社會是一個數字化的信息社會，人們在日常生活、工作、進修、科研生產中，無處不在獲取數字圖像信息，并使用數字圖像得到所需的信息。這就需要對圖像處理與分析的技術進一步的有所提高，而其中的關鍵所在就是圖像匹配，因此研究圖像匹配技術是非常有必要的。圖像匹配是指使用某種方法來確定兩個匹配圖像或相應圖案的相對空間位置。通常，圖像匹配是一個計算過程，這意味著要匹配的較小的圖像可以正確地定位在較大的參考圖像上。近年來，量子遺傳算法（QGA）在圖像匹配中得到了廣泛的應用。雖然取得了一些良好的效果，但仍存在一些問題需要解決。尤其是對于不同領域內的不同類型的圖像匹配。

1 基本的圖像匹配技術

在現實應用中各類圖像匹配一般有四項基本因素：特征空間，相似性測度，搜索空間和搜索算法。目前，主要有基于區域（Area-based）和基于特征（Feature-based）的圖像匹配算法。一般，我們可以從匹配概率、匹配速度、匹配精度和匹配適應性幾個方面來評價匹配算法的性能。

2 量子遺傳算法

量子遺傳算法是將量子力學應用于遺傳算法的過程。算法結構描述如圖1所示。

2.1 種群初始化

首先對種群規模和變量個數進行確定，同時對種群進行編碼，其編碼長度及方式與基本遺傳算法相同。當采用[a，b]為變量區間，串長CL如公式（1）所示.

2.2 觀測狀態和評估

通過觀測狀態Q（t）測量得到解P（t）并進行解碼。對應的公式（4）、（5）計算。

2.3 種群染色體進化

第三步通過量子門U（t）來更新Q（t），進行個體進化，主要由二進制解P（t）和保存的最優解決定，U（t）公式如（6）所示：

2.4 遺傳操作

最后進行遺傳操作，主要由量子選擇、量子交叉、量子變異組成。

3 圖像匹配的基本流程

圖像匹配的基本流程如圖2所示，一般先進行預處理圖像，再對圖像進行幾何變換。

3.1 預處理圖像

圖像預處理主要含有圖像校正和增強。在普通的圖像匹配中如果需要匹配的兩組圖像滿足要求，則不需要進行此步操作，但是這一步可以提高圖像匹配的質量，可以更加有效的降低圖像匹配所花費的時間，并提高匹配質量。

3.2 幾何變換圖像

幾何變換即指對待匹配對象進行一定的平移、旋轉等操作。可以采用雙線性插值法，具體步驟如下：

3.3 相似性測度

3.4 最優化

主要目的是減少搜索點，提高搜索精度和速度。

4 基于改進的量子遺傳算法的圖像匹配

（1）首先，選擇參數空間和編碼方式，設置算法參數并進行相似度測度定義。

其中，參數空間選擇X，Y方向的平移和旋轉角度。參數為：群體大小為30，染色體長度為20，進化步長為0.02。模擬退火參數：初始溫度1000，新解數和最大循環次數設置為5，冷卻系數為0.7。分組的量子遺傳算法的參數設置是：種群分為組、每組中的個體數是10、染色體體長度是20、最大遺傳代數是200、旋轉門步進角是 0.01。

（2）初始化種群。

（3）計算個體的相似性測度值。通過觀測量子染色體計算得到像素點的位置，再通過插值計算進行個體適應度值的計算。

（4）更新個體，并保留最優值。

（5）判斷終止條件，不滿足，則返回到步驟（3），否則就結束。

（6）輸出結果。

5 仿真實驗

基準圖像選用采用大小（490×490）Lena圖像，待匹配圖像的平移量是（30，60），采用改進的量子遺傳算法和普通量子遺傳算法的仿真結果如表1所示。

從兩種算法的進化曲線可以看出，在匹配過程中改進的量子遺傳算法除了每一代的計算時間比較長以外，不僅在成功率，還有計算精度，都要比普通量子遺傳算法要好。

此外，為了進一步說明基于改進的量子遺傳算法在搜索能力、匹配速度和成功率方面的優越性，本文增加了椒鹽噪聲和高斯噪聲進行仿真比較。

5.1 椒鹽噪聲

基準圖像的大小是（490*490），平移量的大小是（30，60）。仿真如表2所示。

5.2 高斯噪聲

基準圖像的大小是（490*490），加入高斯噪聲待匹配圖像其平移量的大小是（30，60），仿真如表3所示。

結合仿真結果可以得出，從成功率等多個算法指標上來衡量比較，改進后的算法圖像匹配的抗干擾性、搜索能力方面都相比較有一定的優越性。

6 總結

經過長期的發展，圖像匹配技術無論哎生產和生活總的作用和貢獻越來越大，對圖像匹配技術要求也越來越高。本文通過對改進的量子遺傳算法應用到圖像匹配中來，很好的縮短匹配時長并提高匹配精度，可以更好的應用與圖像匹配工作中去。

【參考文獻】

[1]錢潔.量子進化算法研究現狀綜述[J].控制與決策，2011，26（3）：0321-0326.

[2]王興林，李茂軍.基于改進量子遺傳算法的Flow-Shop 調度求解[J].計算技術與自動化，2010，29（3）：82-85.

[3]王勝兵，張鵬飛.一種利用精英保留改進的量子遺傳算法[J].海軍工程大學學報，2010，22（1）：5-7，38.

[4]王娜.求解TSP的改進遺傳算法[D].西安：西安電子科技大學，2010.

[5]章毓晉.圖象分割[M].北京：科學出版社，2001.