任浩

摘 要：近幾年來，經(jīng)濟與科技的高速發(fā)展帶來了成像技術(shù)與信號技術(shù)等方面的變革，在這樣一個背景之下，數(shù)字圖像處理相關(guān)理論與實踐逐漸被提到日程上來。要想深入研究和分析圖像，就需要從圖像處理技術(shù)方面著手，探討其應用與發(fā)展趨勢。本文立足于這一現(xiàn)狀進行討論，并結(jié)合QPSO算法做出深入分析，希望能夠在一定程度上改善其融合效果。

關(guān)鍵詞：圖像融合；算法；應用

現(xiàn)如今，圖像融合技術(shù)的發(fā)展為社會諸多領(lǐng)域都提供了便捷，無論是遙感、軍事領(lǐng)域，還是醫(yī)學研究，都得益于圖像融合技術(shù)的存在與作用。在未來發(fā)展過程當中，進一步推動圖像融合技術(shù)的發(fā)展必然是大勢所趨。

1 圖像融合技術(shù)相關(guān)概述

1.1 主要內(nèi)容

所謂圖像融合，其主要載體是多樣化的傳感器，以此為基礎(chǔ)來對于同一對象的圖像數(shù)據(jù)進行配準，然后采用一定的算法將各種圖像數(shù)據(jù)所蘊含的信息優(yōu)勢或者互補性有效結(jié)合在一起，通過這樣一種方式所得到的新的圖像數(shù)據(jù)技術(shù)就是圖像融合。關(guān)于具體內(nèi)容上的劃分，圖像融合主要包含了3項內(nèi)容，分別是像素級、特征級和決策級。上述3個級別各自有各自的特點，質(zhì)量層次由低到高，共同組成了圖像融合技術(shù)。

1.2 步驟

上圖顯示了圖像融合的整體步驟，在圖中I1至Im是m幅原始圖像，在經(jīng)歷了若干程序之后，進行了特征變換。在此之后，對于每一幅原始圖像采用合適的方法盡心融合，最終所得到的就是If，上述這一過程就是圖像融合的步驟。

2 面向圖像融合的優(yōu)化方法

2.1 遺傳算法（GA）

所謂遺傳算法，其在很大程度上是從生物身上所汲取的靈感，和生物遺傳學有著異曲同工之妙。在遺傳算法當中，其最為顯著的特征就是具有一定的適應度，基于這樣一種特性，遺傳算法不僅可以不受到種種條件的約束，還能夠?qū)τ谙嚓P(guān)區(qū)域進行自定義的設(shè)定。遺傳算法的另一個優(yōu)點就是具有較強的通用性，原因在于遺傳算法所需要進行的對象處理環(huán)節(jié)，最為重要的步驟就是，針對于可行解進行了編碼的個體?；谏鲜龅木幋a操作，遺傳算法能夠?qū)Y(jié)構(gòu)當中的對象來進行操作，因而使其具有一定的通用性。當然，遺傳算法也存在一定的弊端，譬如其在局部尋優(yōu)能力方面，并不去其他的算法，這一點也深刻影響到這一算法的運作效率。

2.2 微粒群算法（PSO）

微粒群算法的產(chǎn)生和鳥群捕食有著相似的地方，其中有3點最為基本的原則，首先，像鳥類生活一樣，飛離于最近的個體；其次，其飛向特定的目標；最后，飛向群體的中心。微粒群算法的基本算法和方式與鳥類的群體職能有著相似的地方，從而建立起來的模型。從本質(zhì)和性質(zhì)上來看，和上一章節(jié)所介紹的遺傳算法比較，PSO算法也是一種優(yōu)化工具，其重點和基本點就是迭代。PSO算法的一個較為顯著的弊端就是，其不能夠有效地對于整體進行宏觀的搜索，所以在很多時候會滿足于局部的優(yōu)化性能。

2.3 基于量子行為的微粒群算法（QPSO）

QPSO的算法和PSO的算法有著很大的相似之處，前者在后者的基礎(chǔ)之上建立起來的，并做出了相應的優(yōu)化措施。具體而言，QPSO算法吸收了量子物理學思想當中部分思想，并修改了PSO算法當中的進化方法。這樣一來，在更新粒子位置的過程當中，重點考慮到了各個粒子在當前的局部最優(yōu)位置信息和全局最優(yōu)物質(zhì)信息。

3 優(yōu)化算法在圖像融合中的應用

3.1 基于遺傳算法的實現(xiàn)

首先，在初始化環(huán)節(jié)，應當隨機選擇初始化一個種群，給初始種群基數(shù)、最大迭代次數(shù)賦值、初始化交叉概率Pc、變異概率Pm，并在同時，設(shè)置進化代數(shù)計數(shù)器。根據(jù)目標函數(shù)，計算每一個個體適應度大小。其次，在種群進化的環(huán)節(jié)當中，應當優(yōu)先關(guān)注于適應性較強的元素，因為其更加方便與新的操作，其中不僅有交叉操作，還包含了變異操作。在最后的終止環(huán)節(jié)當中，所需要輸出的內(nèi)容是當前最優(yōu)的個體，也是在這一環(huán)節(jié)當中，算法真正結(jié)束，所得到的是最佳融合效果的粒子值。

3.2 基于微粒群算法的實現(xiàn)

和遺傳算法一樣，微粒群算法的初始階段，也需要把重點放在粒子群的選擇上面，具有一定的隨機性。在這一過程當中，要注意局部最優(yōu)的原則，根據(jù)相應的目標函數(shù)，來對于粒子的大小進行有效計算。

第二個環(huán)節(jié)是關(guān)于粒子的優(yōu)化，同樣選擇適應性較強的粒子，和遺傳算法不同的是，如果微粒群算法的最后一個環(huán)節(jié)沒能夠?qū)⒄`差縮小到一定范圍之內(nèi)，那么就需要重復選擇粒子，進行上述步驟。

3.3 基于量子行為的微粒群算法的實現(xiàn)

關(guān)于這種形式算法的運用，一個最為顯著的特點就是比較，將所選擇的每一個微粒的適應度和其自身經(jīng)歷過的最好的位置進行比較，通過比較選擇最優(yōu)的值。和微粒群算法大同小異，如果最終輸出的結(jié)果不是最優(yōu)，或者沒有達到一個最小的誤差范圍，那么依舊要重復上述步驟，以此來實現(xiàn)最優(yōu)的目標，也只有這樣才能夠得到最佳的融合效果。

4 結(jié)論

總的來說，在圖像處理技術(shù)高速發(fā)展的背景之下，關(guān)于這一領(lǐng)域的理論研究與實踐操作愈來愈多，與此同時，圖像融合的相關(guān)算法也受到了前所未有的重視。在本文的研究當中，筆者結(jié)合當前圖像處理技術(shù)發(fā)展狀況進行研究，并結(jié)合相關(guān)實例深入分析了相關(guān)的融合算法。通過分析能夠看出，伴隨著圖像融合應用領(lǐng)域的拓寬，相關(guān)算法也必然會不斷延伸、穩(wěn)定。

參考文獻

[1]彭天強，彭波.智能圖像處理技術(shù)[M].電子工業(yè)出版社，2014：289-290.

[2]吳連喜.數(shù)字圖像融合[M].西安交通大學出版社，2013：23-35.

[3]張密.圖像處理和分析基礎(chǔ)[M].北京高等教育出版社，2013：1-118.

（作者單位：北方民族大學）