一種基於遺傳優化細胞神經網絡的多源圖像融合方法
2023-05-16 06:45:56 1
一種基於遺傳優化細胞神經網絡的多源圖像融合方法
【專利摘要】本發明公開了一種基於遺傳優化細胞神經網絡的多源圖像融合方法，屬於多源圖像融合領域，本發明以細胞神經網絡系統為框架，結合遺傳算法自適應計算網絡模板參數，將同一場景的多源圖像通過已確定好模板參數的細胞神經網絡（CNN），即可輸出效果較好的融合圖像，便於為圖像信息的後續處理，如特徵提取、圖像識別、人為決策等方面提供更加有用而高效的信息；並且在可快速得到融合結果的同時，能有效提高所融合圖像的準確度，以利於人眼的觀察和機器探測，便於分析和實際的應用。
【專利說明】一種基於遺傳優化細胞神經網絡的多源圖像融合方法
【技術領域】
[0001]本發明涉及多源圖像融合領域，具體涉及一種基於遺傳優化細胞神經網絡(Cellular Neural Networks with genetic algorithm, GACNN)的多源圖像融合方法，該方法將同一場景的多源圖像通過已確定好模板參數的細胞神經網絡(CNN)輸出效果較好的融合圖像，良好的融合圖像便於圖像信息的後續處理，如特徵提取、圖像識別、人為決策等方面提供更加有用而高效的信息，具有很好的實用價值。
【背景技術】
[0002]隨著圖像處理技術的快速發展，對於同一場景，由不同物理特性的成像傳感器所獲取的圖像信息差別很大，綜合分析這些信息有利於提高圖像信息的利用率。多源圖像融合技術是一項能有效地綜合分析同一場景的多幅圖像信息的技術，可以將不同的傳感器獲取到的某些場景的圖像或序列圖像，運用某種方法，將圖像的信息綜合起來，使得生成的新圖像包含更多的信息，從而克服單一圖像在空間、解析度等方面存在的局限性和差異性，同時提高圖像的質量，有利於人眼的觀察和機器探測，便於分析和實際的應用。
[0003]圖像融合的概念始於20世紀80年代，最早的圖像融合技術是被應用在遙感圖像處理領域，之後有關圖像融合技術的報告越來越多，在國際上關於圖像融合的算法研究也逐漸升溫。我國圖像融合技術起步較晚，直到90年以後才有學者開始對這一技術進行研究，國內不少大學以及研究機構也才開始重視這一技術，然而就目前發展狀況而言，與國際先進水平仍存在不小的差距，尤其在理論的探索方面。國內外關於多源圖像融合的算法很多，主要有:加權法、高通濾波法、主成分分析法、IHS變換法、基於金字塔分解的方法、小波變換法、神經網絡法等。加權法和濾波法屬於空間域方法，這些方法不需要經過分解或者變換，而是直接對每一個像素點進行處理，是最簡單的多源圖像融合方法，對於複雜背景下的多源圖像融合效果不好。Burt (1984)提出了將拉普拉斯金字塔變換應用於圖像融合，從那以後不斷有人提出關於金字塔分解的理論，並產生了梯度金字塔、對比度金字塔、形態學金字塔等圖像融合方法，但金字塔分解方法相鄰分解層之間有很強的相關性，因此融合後的效果並不理想。Ranchin T和Wald L(1993)提出了基於離散小波變換的圖像融合算法。由於小波變換具有多尺度性，小波基函數選用的靈活性，其能很好地保持圖像信息，保留圖像的特徵和邊緣。為了克服小波理論自身的缺陷，研究人員不斷探索和研究，第二代小波和超小波的理論也相應提出和發展，彌補了小波理論在平移不變性方面的缺陷，實現了多個方向的可變換性。目前存在的多源圖像融合方法仍存在著效率不高，融合效果不好等缺陷，因此對新型的多源圖像融合方法的探索仍在進行，直至目前，多源圖像融合技術仍然是國內外研究機構的重點。
[0004]細胞神經網絡最早是由兩名華裔學者蔡紹棠(L.0.Chua)和楊林(Lin.Yang)(1988)結合細胞自動機的連接結構和Hopfield神經網絡處理機制提出的一種新型的人工神經網絡模型。與傳統神經網絡相比，CNN最顯著的特點是對信號具有高速並行計算能力，這種並行處理性質使得其計算量不會因為數學模型的維數增加而發生指數「爆炸」。廖曉昕(1994)提出關於CNN的數學理論，通過拓寬CNN的激活函數類，給出更一般的時滯細胞神經網絡模型。隨著研究的深入，大量的CNN理論和應用性文章在國際權威期刊上出現，其理論不斷得到完善，應用範圍也越來越廣。近些年來，CNN在圖像處理和模式識別得到很好的應用，如圖像壓縮編碼、機器人視覺、水印加密、目標跟蹤、運動預測和手寫識別等。但CNN在圖像融合方面的研究還很少被提及，僅有Amenta(2006)提出了基於CNN的數據融合以及Vagliasindib (2007)在離子融合中運用了 CNN方法，而國內關於CNN的研究起步於1990年，但沒有將CNN運用於數據或圖像融合的研究。
[0005]遺傳算法(Genetic Algorithms, GA)是受生物學進化學說和遺傳學理論的啟發而發展起來的一類模擬自然生物進化過程與機制求解問題的自組織與自適應的人工智慧技術，由Holland (1975)提出，同年De Jong發表的博士論文中結合模式定理進行大量的數值函數優化計算試驗，建立了遺傳算法的工作框架，定義了評價遺傳算法的性能指標。經過三十幾年的努力，遺傳算法不論是在應用研究上，算法設計上，還是在基礎理論上，均取得了長足的發展，己經成為信息科學、計算機科學、運籌學和應用科學等諸多學科所共同關注的熱點研究領域。將遺傳算法用於計算細胞神經網絡模板參數是由Chandler、Rekeczky B、Nishio C和Ushida Y(1996)提出的，國內的學者也於2001年發表過相關文章，但這一思想未用於圖像融合當中。
【發明內容】
[0006]針對上述現有技術，本發明針對目前的多源圖像融合方法存在的缺陷，提出了一種基於遺傳優化細胞神經網絡的多源圖像融合方法，採用遺傳算法確定模板參數的細胞神經網絡系統對多源圖像進行融合，達到在快速得到融合結果的同時，有效提高所融合圖像的準確度，以利於人眼的觀察和機器探測，便於分析和實際的應用。
[0007]為了解決上述技術問題，達到上述目的，本發明採用如下技術方案:
[0008]一種基於遺傳優化細胞神經網絡的多源圖像融合方法，其特徵在於，包括如下步驟:
[0009]①輸入待融合的預處理後的圖像；
[0010]②圖像映射處理；
[0011]③CNN網絡目標參數初始化；
[0012]④計算各細胞元的狀態及其輸出；
[0013]⑤計算網絡的能量函數Ε，並判斷能量函數E是否不再變化，若是，網絡處於穩定狀態得到網絡輸出，若不是重新計算各細胞元的狀態及其輸出；
[0014]⑥進行輸出反映射處理；
[0015]⑦輸出融合結果。
[0016]在本發明中，所述步驟②的具體流程為:讀入原始源圖像，將預處理過後的圖像作圖像灰度值映射處理，使所有像素的值都歸一化於[-1.0, +1.0]之間，滿足CNN網絡的輸入要求，圖像灰度值映射處理公式如下:
[0017]Uij = l-2giJ/255其中，giJ表示源圖像第i行、j列的像素值。
[0018]在本發明中，所述步驟③的具體流程為:根據輸入圖像的大小，確定網絡的細胞元鄰域大小，從而確定網絡的結構，根據靜態圖像的融合處理的離散狀態方程:[0019]
【權利要求】
1.一種基於遺傳優化細胞神經網絡的多源圖像融合方法，其特徵在於，運用細胞神經網絡框架進行圖像融合處理，包括如下步驟: ①輸入待融合的預處理後的圖像； ②圖像映射處理； ③CNN網絡目標參數初始化； ④計算各細胞元的狀態及其輸出； ⑤計算網絡的能量函數E，並判斷能量函數E是否不再變化，若是，網絡處於穩定狀態得到網絡輸出，若不是重新計算各細胞元的狀態及其輸出； ⑥進行輸出反映射處理； ⑦輸出融合結果。
2.根據權利要求1所述的基於遺傳優化細胞神經網絡的多源圖像融合方法，其特徵在於，所述步驟②的具體流程為:讀入原始源圖像，將預處理過後的圖像作圖像灰度值映射處理，使所有像素的值都歸一化於[-1.0, +1.0]之間，滿足CNN網絡的輸入要求，圖像灰度值映射處理公式如下: Uij = l-2giJ/255其中，giJ表示源圖像第i行、j列的像素值。
3.根據權利要求1所述的基於遺傳優化細胞神經網絡的多源圖像融合方法，其特徵在於，所述步驟③的具體流程為:根據輸入圖像的大小，確定網絡的細胞元鄰域大小，從而確定網絡的結構，根據靜態圖像的融合處理的離散狀態方程:
4.根據權利要求1所述的基於遺傳優化細胞神經網絡的多源圖像融合方法，其特徵在於，所述步驟④計算各細胞元的狀態及其輸出，即運用遺傳算法計算模型參數A、B和I內的各個參數。
5.根據權利要求1所述的基於遺傳優化細胞神經網絡的多源圖像融合方法，其特徵在於，所述步驟⑤的具體流程為:進入到循環迭代處理，將遺傳算法確定的模板參數應用於CNN網絡中，對於每個細胞元，在每次迭代處理中，通過遺傳算法確定好模板參數的CNN網絡；根據公式
6.根據權利要求1所述的基於遺傳優化細胞神經網絡的多源圖像融合方法，其特徵在於，所述步驟⑥的具體流程為:得到穩定狀態下的網絡輸出，進行反映射處理，使圖像的輸出在[O, 255]。
7.根據權利要求4所述的基於遺傳優化細胞神經網絡的多源圖像融合方法，其特徵在於，所述步驟④具體包括如下步驟: (a)生成初始種群:根據參數的定義域及精度ω確定編碼長度，編碼長度的計算公式如下:
【文檔編號】G06N3/12GK103971329SQ201410224816
【公開日】2014年8月6日 申請日期:2014年5月26日 優先權日:2014年5月26日
【發明者】彭真明, 李江陽, 魏瑞鵬, 黃振星, 李全忠, 胡麗華, 張帆 申請人:電子科技大學