基于蝙蝠算法優化BP神經網絡的特征點匹配

郭 貝，任金霞

（江西理工大學 電氣與自動化學院，贛州 341000）

0 引言

圖像匹配是機器視覺中一種常用的圖像處理和圖像分析技術，是圖像處理到圖像分析的關鍵步驟，基于特征點的圖像匹配方法已經成為國內外研究的熱點。文獻[1,2]采用BRISK和ORB相結合的特征點算法，有效的解決了ORB特征描述算法不具備尺度不變性的問題。文獻[3]采用了極線幾何的統計優化特征匹配算法，利用正確匹配點的極線約束的特點，減少了搜索區域，避免重復結構引起的誤匹配對。文獻[4]使用組合角點檢測算法來檢測角點，并且均勻地選擇第一圖像中的特征點的部分以實現預匹配，并且基于匹配結果來找到其他檢測點的對應點。醫學圖像有其特殊的復雜性，其普遍亮度和對比度偏低，灰度變化不明顯，在成像上拍攝角度和拍攝光照變化，都是導致圖像的中的數據丟失，這就影響圖像匹配的正確率，近些年，基于神經網絡的圖像匹配的方法越來引起人們的關注，正是因為神經網絡具有高速信息處理和不確定性信息處理的能力。在實際應用中，傳統BP神經網絡的網絡權值和閾值存在隨機性，對訓練的網絡有很大的影響，會出現不同程度的收斂慢，容易陷入局部最優。針對此問題，本文提出蝙蝠算法優化BP神經網絡方法，利用兩幅圖匹配為基礎，建立基于蝙蝠算法優化BP神經網絡的特征點匹配的模型，并加以特征點的單一性約束準則和互應性約束準則，提高匹配的正確率。

1 蝙蝠算法優化BP神經網絡

蝙蝠搜索算法是一種優化算法，受到天然蝙蝠定位食物回聲定位行為的啟發。它由Yang引入，用于解決各種優化問題。

具體步驟如下：

1）蝙蝠算法的初始化。設定蝙蝠的數量，每個個體的最大脈沖頻度和脈沖聲音強度，蝙蝠增加系數、聲音衰減系數、最大迭代次數和搜索精度；

2）記錄隨機初始化的蝙蝠個體的位置X，搜索位置在最佳的蝙蝠個體；

3）更新蝙蝠的搜索脈沖頻率，速度和位置。在群體的過程中，每一代的搜索脈沖頻率，速度和位置如下改變：

公式中，β ∈[0,1]是滿足均勻分布的隨機向量，X*表示當前全局的最優解；根據問題的搜索范圍，需要滿足fmin=0，fmax=O(1)。初始條件時，每一只蝙蝠隨機賦值給的頻率必須滿足[fmin，fmax]間的均勻分布；

4）隨機生成數Rand，假如Rand＞ri，需要做的就是隨機擾動當前的最優解，然后生成新的解，并且新的解是有界的。

5）隨機生成數Rand，假如Rand＜Ai，同時滿足f（Xi）＜f（X*），4）產生的新解需要按公式更新：

6） 對全部蝙蝠的適應度值進行排列，尋找目前的最佳解和最優值。

7） 重復步驟3）～6），直到符合設定的最優解要求截止。

8）得出函數全局的最優解和最優的個體值，得到的函數全局最優解。作為BP神經網絡權值和閾值。

2 蝙蝠算法優化BP神經網絡的特征點匹配模型

特征點匹配是發現兩個特征點集合當中的彼此對應匹配關聯和空間映射關聯，相同的一個空間坐標點在不同的圖像上的對應匹配關系是確定不變的。受到攝像環境的影響，空間點和圖像點的關系變得很復雜，但是除非考慮外部噪聲的影響，否則圖像中所有特征點的映射關系是相同的。

圖像特征點的匹配的形式，需要確立較為精確的數學模型，如若模型確立的不精確，那么這個模型的匹配結果的精確性將大大下降，尤其能夠致使匹配結果的 失敗。

蝙蝠算法優化BP神經網絡匹配模型最重要的任務是：能夠正確體現兩幅圖像特征點的集合映射關系的模型。該模型分為三個部分：1）已匹配的特征點集合的樣本的分類和處理；2）BP網絡結構以及權值和閾值的；3）匹配的約束準則

1）特征點集合需要進行樣本歸一化處理，把數據處理成BP神經網取值絡比較敏感的區間的數據；樣本分類，把處理好的數據分成訓練樣本和驗證樣本，用訓練樣本用于進行訓練網絡，驗證樣本用于檢驗網絡的 好壞。

2）BP神經網絡一般分為輸入層，隱含層，輸出層，我們主要的目的就是期望運用BP神經網絡進行預測未匹配特征點的位置（即坐標），所以，輸入層的神經元和輸出的神經元都為2個，隱含層神經元的選擇個數，根據研究和實驗中的發展可以得出個數應該在2～12之間。對于權值和閾值的取值，用蝙蝠算法進行權值和閾值的優化。

3）匹配約束準則

（1）唯一性準則：一個圖像上相同空間點的投影點只能與另一個圖像上的唯一點匹配。

①兩張待匹配圖像之間存在的已知匹配的特征匹配（左圖像P1和右圖像P2），將匹配表輸入BP神經網絡以學習網絡。

②預測位置Pic1_test是左圖像P1特征點的網絡實際輸出，即在右圖的預測位置坐標。

③在實際輸出坐標中選擇未匹配的特征點p1i（pij的第i幅圖中的第j個特征點），依次與右圖P2待匹配點進行計算歐氏距離dij（dij表示左圖P1中第i個特征點預測匹配點與右圖P2中第j個特征點之間的距離），Dmax為左圖中已匹配的特征點預測的點與右圖中相對應的匹配點歐氏距離，dij只有不大于Dmax的距離的特征點作為正確的匹配點，將該匹配點對加入列表中，并將該點對刪除，如若dij大于Dmax的距離，則認為該匹配點不存在。

④重復步驟③，直到圖P1中的未匹配特征點全部都經歷完。

⑤如果右圖P2中還有未進行匹配點，則認為該些點沒有匹配點，至此圖像的匹配結束。

（2）圖像的反匹配：

假設匹配，從左圖像開始，左圖像的特征點A可以在右圖像中找到對應點B。如果操作相反，則在右圖像的開始，右圖像的特征點B，找不到左圖像的對應匹配點，或者可以找到特征點但是特征點不是A，匹配關系未建立并被排除。

3 結果分析

為了驗證蝙蝠算法優化BP神經網絡的有效性，我們選擇兩幅腸胃內窺鏡的圖片進行BP神經網絡和蝙蝠算法優化BP神經網絡的對比實驗。

圖1 兩圖內窺鏡圖像

首先，先進行特征點提取，并進行特征點匹配，得到已匹配特征點對，和兩幅圖中未匹配的特征點。

3.1 BP神經網絡匹配特征點

首先進行BP神經網絡的特征點匹配，網絡的層數結構選擇2，10，2，迭代次數1000，學習0.1，目標0.0000001，訓練網絡，由約束條件唯一性原則，最大距離為2.2078。兩幅圖的特征點存在已經匹配好的特征點，兩幅圖的部分樣本如表1所示。

表1 兩圖部分樣本

根據以上的數據訓練BP神經網絡，并使用待匹配的特征點進行匹配，得出以下的結果，

圖2 傳統BP神經網絡匹配圖

從上面兩張特征點匹配的圖像來看，中間有些特征點，比如圖中的點36，點37，點38，點39，點40，點41，點42，點43，點44，點45其他的特征點都匹配正確，由此可以得出總共45個特征點匹配點中，有9個是誤匹配點，正確率還不是很高。

3.2 蝙蝠算法優化BP神經網絡的特征點匹配

開始訓練網絡之前，需要先確定網絡的層數結構和蝙蝠算法的相關的參數，根據實際的樣本數據訓練網絡和約束的閾值。

網絡的層數結構選擇2，8，2，迭代次數1000，學習率0.1，目標0.0000001，種群數量20，音量0.25，脈沖率0.5，最大距離0.1902。經過訓練樣本和驗證樣本的訓練，用蝙蝠算法進行閾值和權值的搜索，得到搜索的最優的閾值和權值，并將搜索好的閾值和權值賦值給BP神經網絡，加以訓練，得到最終的權值和閾值，將訓練好的BP神經網絡運用在特征點的匹配上，結合約束準則進行匹配。

先進行正向匹配

圖3 蝙蝠算法優化BP神經網絡正匹配

通過蝙蝠優化BP神經網絡的的模型映射并按約束準則匹配，先進行正向匹配的結果的顯示，從圖4(a)，圖4(b)可以看出左右圖中都進行了不同顏色的標記提取，一共標記了31個不同的特征點，通過對比找出了點7，點13，點19，點26，這4個錯誤的匹配點，相較于只進行傳統BP神經網絡的模型，訓練匹配的結果有了很大的提高，但是還是出現了匹配點錯誤的情況，并且錯誤的匹配點并沒有被消除掉。

下面進行反向匹配的過程，反向匹配的過程中的特征點個數可能有不同，所以進行重新編號，結果如下：

圖4 蝙蝠算法優化BP神經網絡反匹配

同樣的，反向匹配也會存在一些錯誤的匹配點，根據互應性的約束，需要剔除誤匹配，結果如下：

圖5 誤匹配剔除的結果

所以最終留下的匹配點就是正確的匹配點，兩個約束條件保證了結果的可靠性。通過對比最終的特征點匹配，可以看出，正向匹配和反向匹配中都刪掉了一些正確的匹配點，但是各個圖中的錯誤匹配點都刪除了，保證了特征點匹配的正確性。

4 結論

醫學圖像特征點匹配由于圖像本身的特殊性，拍攝條件的局限性，外界干擾因素多，導致匹配過程出現誤匹配點。本文提出了基于蝙蝠算法優化BP神經網絡的特征點匹配的模型，該模型有蝙蝠算法的快速搜索的最優的權值和閾值，以及BP神經網絡自身的自適應能力，通過實驗結果，該模型能夠提高正確的匹配特征點，并且剔除誤匹配點，明顯高于BP神經網絡的特征點匹配，該算法有效的。