基于蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)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(shù)，是圖像處理到圖像分析的關(guān)鍵步驟，基于特征點的圖像匹配方法已經(jīng)成為國內(nèi)外研究的熱點。文獻[1,2]采用BRISK和ORB相結(jié)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(tǒng)計優(yōu)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(qū)域，避免重復(fù)結(jié)構(gòu)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(xiàn)預(yù)匹配，并且基于匹配結(jié)果來找到其他檢測點的對應(yīng)點。醫(yī)學圖像有其特殊的復(fù)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(shù)據(jù)丟失，這就影響圖像匹配的正確率，近些年，基于神經(jīng)網(wǎng)絡(luò)的圖像匹配的方法越來引起人們的關(guān)注，正是因為神經(jīng)網(wǎng)絡(luò)具有高速信息處理和不確定性信息處理的能力。在實際應(yīng)用中，傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值和閾值存在隨機性，對訓練的網(wǎng)絡(luò)有很大的影響，會出現(xiàn)不同程度的收斂慢，容易陷入局部最優(yōu)。針對此問題，本文提出蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)方法，利用兩幅圖匹配為基礎(chǔ)，建立基于蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)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(yīng)性約束準則，提高匹配的正確率。

1 蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

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

具體步驟如下：

1）蝙蝠算法的初始化。設(shè)定蝙蝠的數(shù)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(shù)、聲音衰減系數(shù)、最大迭代次數(shù)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(yōu)解；根據(jù)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(shù)Rand，假如Rand＞ri，需要做的就是隨機擾動當前的最優(yōu)解，然后生成新的解，并且新的解是有界的。

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

6） 對全部蝙蝠的適應(yīng)度值進行排列，尋找目前的最佳解和最優(yōu)值。

7） 重復(fù)步驟3）～6），直到符合設(shè)定的最優(yōu)解要求截止。

8）得出函數(shù)全局的最優(yōu)解和最優(yōu)的個體值，得到的函數(shù)全局最優(yōu)解。作為BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值。

2 蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的特征點匹配模型

特征點匹配是發(fā)現(xiàn)兩個特征點集合當中的彼此對應(yīng)匹配關(guān)聯(lián)和空間映射關(guān)聯(lián)，相同的一個空間坐標點在不同的圖像上的對應(yīng)匹配關(guān)系是確定不變的。受到攝像環(huán)境的影響，空間點和圖像點的關(guān)系變得很復(fù)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(guān)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(shù)學模型，如若模型確立的不精確，那么這個模型的匹配結(jié)果的精確性將大大下降，尤其能夠致使匹配結(jié)果的 失敗。

蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)匹配模型最重要的任務(wù)是：能夠正確體現(xiàn)兩幅圖像特征點的集合映射關(guān)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(wǎng)絡(luò)結(jié)構(gòu)以及權(quán)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(shù)據(jù)處理成BP神經(jīng)網(wǎng)取值絡(luò)比較敏感的區(qū)間的數(shù)據(jù)；樣本分類，把處理好的數(shù)據(jù)分成訓練樣本和驗證樣本，用訓練樣本用于進行訓練網(wǎng)絡(luò)，驗證樣本用于檢驗網(wǎng)絡(luò)的 好壞。

2）BP神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)進行預(yù)測未匹配特征點的位置（即坐標），所以，輸入層的神經(jīng)元和輸出的神經(jīng)元都為2個，隱含層神經(jīng)元的選擇個數(shù)，根據(jù)研究和實驗中的發(fā)展可以得出個數(shù)應(yīng)該在2～12之間。對于權(quán)值和閾值的取值，用蝙蝠算法進行權(quán)值和閾值的優(yōu)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(jīng)網(wǎng)絡(luò)以學習網(wǎng)絡(luò)。

②預(yù)測位置Pic1_test是左圖像P1特征點的網(wǎng)絡(luò)實際輸出，即在右圖的預(yù)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(yù)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(yù)測的點與右圖中相對應(yīng)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(fù)步驟③，直到圖P1中的未匹配特征點全部都經(jīng)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(jié)束。

（2）圖像的反匹配：

假設(shè)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(yīng)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(yīng)匹配點，或者可以找到特征點但是特征點不是A，匹配關(guān)系未建立并被排除。

3 結(jié)果分析

為了驗證蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的有效性，我們選擇兩幅腸胃內(nèi)窺鏡的圖片進行BP神經(jīng)網(wǎng)絡(luò)和蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的對比實驗。

圖1 兩圖內(nèi)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(jīng)網(wǎng)絡(luò)匹配特征點

首先進行BP神經(jīng)網(wǎng)絡(luò)的特征點匹配，網(wǎng)絡(luò)的層數(shù)結(jié)構(gòu)選擇2，10，2，迭代次數(shù)1000，學習0.1，目標0.0000001，訓練網(wǎng)絡(luò)，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(jīng)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(jù)以上的數(shù)據(jù)訓練BP神經(jīng)網(wǎng)絡(luò)，并使用待匹配的特征點進行匹配，得出以下的結(jié)果，

圖2 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)匹配圖

從上面兩張?zhí)卣鼽c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(yōu)化BP神經(jīng)網(wǎng)絡(luò)的特征點匹配

開始訓練網(wǎng)絡(luò)之前，需要先確定網(wǎng)絡(luò)的層數(shù)結(jié)構(gòu)和蝙蝠算法的相關(guān)的參數(shù)，根據(jù)實際的樣本數(shù)據(jù)訓練網(wǎng)絡(luò)和約束的閾值。

網(wǎng)絡(luò)的層數(shù)結(jié)構(gòu)選擇2，8，2，迭代次數(shù)1000，學習率0.1，目標0.0000001，種群數(shù)量20，音量0.25，脈沖率0.5，最大距離0.1902。經(jīng)過訓練樣本和驗證樣本的訓練，用蝙蝠算法進行閾值和權(quán)值的搜索，得到搜索的最優(yōu)的閾值和權(quán)值，并將搜索好的閾值和權(quán)值賦值給BP神經(jīng)網(wǎng)絡(luò)，加以訓練，得到最終的權(quán)值和閾值，將訓練好的BP神經(jīng)網(wǎng)絡(luò)運用在特征點的匹配上，結(jié)合約束準則進行匹配。

先進行正向匹配

圖3 蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)正匹配

通過蝙蝠優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的的模型映射并按約束準則匹配，先進行正向匹配的結(jié)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(tǒng)BP神經(jīng)網(wǎng)絡(luò)的模型，訓練匹配的結(jié)果有了很大的提高，但是還是出現(xiàn)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(shù)可能有不同，所以進行重新編號，結(jié)果如下：

圖4 蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)反匹配

同樣的，反向匹配也會存在一些錯誤的匹配點，根據(jù)互應(yīng)性的約束，需要剔除誤匹配，結(jié)果如下：

圖5 誤匹配剔除的結(jié)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(jié)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(jié)論

醫(yī)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(xiàn)誤匹配點。本文提出了基于蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)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(yōu)的權(quán)值和閾值，以及BP神經(jīng)網(wǎng)絡(luò)自身的自適應(yīng)能力，通過實驗結(jié)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(jīng)網(wǎng)絡(luò)的特征點匹配，該算法有效的。