一种基于EDF-DE模型的三维图像配准方法及应用与流程

技术特征：
1.一种基于edf
‑
de模型的三维图像配准方法，其特征在于，所述基于edf
‑
de模型的三维图像配准方法包括以下步骤：步骤一，对数据进行预处理，将三维扫描点云数据进行格式转化，生成具有可描述位置关系的txt文件格式；步骤二，根据配准要求进行建模，结合刚体变化，设定待求参数；步骤三，针对所求参数，根据所述模型edf
‑
de建立求解机制；步骤四，初始化种群个体，设定模型参数，初始化精英个体集合；步骤五，自适应更新步长因子f；步骤六，计算全局精英差异与邻域精英差异；步骤七，采用jade算法具有档案存储变异算子进行变异操作；步骤八，根据本模型所求全局精英差异与邻域精英差异指导算法交叉，经选择操作，生成下一代个体；步骤九，判断是否满足迭代结束条件，若不满足则返回步骤五，若满足则进入步骤十；步骤十，将搜索得到的最优解对原始图像进行旋转平移，最终得到配准后的结果图。2.如权利要求1所述的基于edf
‑
de模型的三维图像配准方法，其特征在于，步骤二中，所述待求参数x1，x2，x3，x4，x5，x6，前三个参数代表模型数据变化所需在x,y,z三个方向位移参数，后三个代表旋转角度；所述根据配准要求进行建模，包括：因x1，x2，x3，x4，x5，x66个参数代表源点云图像配准至目标图像所需刚体变换的位移以及旋转角度，故只要求解此6个参数即可完成三维点云数据配准，此问题建模成最优解问题，根据所述edf
‑
de优化算法进行求解。3.如权利要求1所述的基于edf
‑
de模型的三维图像配准方法，其特征在于，步骤四中，所述初始化种群个体，设定模型参数，初始化精英个体集合，包括：针对待求的6个参数，初始化种群个体，个体维度为6维，设置模型参数步长因子下界f1，步长因子上界f0，邻域半径m，超参数v，超参数t，交叉概率cr，种群数量np，最大迭代次数g
max
；全局精英差异与领域精英差异，精英差异结构为np*dim，针对每一个个体的每一个维度皆设置个体精英差异。4.如权利要求1所述的基于edf
‑
de模型的三维图像配准方法，其特征在于，步骤五中，所述自适应更新步长因子f，包括：f是de算法的步长因子，用来控制两个基向量差的缩放程度，代表算法每次变化的一种步长；在局部精细搜索进而获得局部最优；此时，f的值应该较小，属于开发阶段，采用伴随迭代次数f自适应变化的方法，具体公式如下：其中，f为自适应变化的步长因子，f0为步长因子上界，f1为步长因子下界，f∈[f1,f0]，g为当前迭代次数，g
max
为算法最大迭代次数。5.如权利要求1所述的基于edf
‑
de模型的三维图像配准方法，其特征在于，步骤六中，所述计算全局精英差异，包括：初始化全局精英差异eg＝{e1,e2,...,enp}，np代表种群数量；每个精英差异e
i
,e
i
＝{e
i1
,e
i2
,...,e
ij
}；其中j代表种群个体维度；eg的生成方法如下，求解维度差，计算种群中个体x
i
与全局最优个体x_gbest之间的维度差记作cg，计算方法如下：
cg(i,j)＝x_gbest
i,j
‑
x
i,j
；求得个体与最优值之间每个维度的差值后，根据cg生成全局精英差异：待进化个体在某维度差异值为1时，代表全局最优解在此维度大于待进化个体，待进化个体在此维度将会向正方向进化；当差异值为
‑
1时，将会向负方向进化；差异值为0时，则代表待进化个体在此维度不需改变。6.如权利要求1所述的基于edf
‑
de模型的三维图像配准方法，其特征在于，步骤六中，所述计算邻域精英差异，包括：(1)构建加权欧氏距离，引入个体维度权重因子p对距离计算进行扰动，权重因子较大时，代表个体多样性较大，反之个体多样性较小；mean_d＝{mean_d1,mean_d2,...,mean_d
j
}代表每个维度所有个体的平均值，p
i
＝{p
i1
,p
i2
,...,p
ij
}分别代表第i个个体在第j个维度的权重因子，维度均值mean_d和权重因子p的计算公式如下：的权重因子，维度均值mean_d和权重因子p的计算公式如下：其中，j代表个体的维度，i代表种群个体；当个体某个维度与对应维度均值之间的差异越大，权重因子p会越大；将维度权重因子p应用于欧氏距离，用来计算个体之间的距离；构成多样性加权欧式距离公式如下：计算个体x
c
和个体x
i
的加权欧氏距离公式中，p
i,j
对应于第i个个体的第j个维度的权重因子；p
i,j
较大时，个体之间的距离d
p
会变小，即求x
c
与个体x
i
的距离时，当x
i
对应的p值较大时，说明个体x
i
距种群聚集点距离较远，则个体x
c
与x
i
之间的加权欧式距离会更小，因此实现了通过个体多样性来对欧氏距离加权扰动；(2)多样性扰动构建邻域策略，构建邻域按多样性权重因子加权欧式距离计算邻域中心与种群个体之间的距离，经权重因子扰动，距邻域中心较近个体多样性较强，选择与邻域中心距离小于邻域半径的个体构建邻域，以此来实现多样性扰动构建邻域的目的；创建个体邻域中，绿色个体为邻域中心，红色个体为多样性较大的个体，黑色个体为多样性较小的个体；多样性较小的黑色个体相应的p值小，经扰动与邻域中心计算的距离会变大，多样性较大的红色个体p值大，与邻域中心计算的距离会变小，最终得到经多样性扰动所构建的邻域；(3)邻域精英生成，针对每个个体采用多样性扰动邻域构建策略构建邻域，以个体x
i
作为邻域中心，给定邻域半径m，构建邻域中心为x
c
，邻域半径为m的邻域，记作u(x
c
,m)；对邻域u(x
c
,m)中个体进行适应度值从低到高排序，选择邻域中适应度值最小的个体为邻域精英x_lbest，由以下公式计算x_lbest与种群个体x
i
之间差异量cl：
cl(i,j)＝x_lbest
i,j
‑
x
i,j
；由以下公式计算邻域精英差异el：7.如权利要求1所述的基于edf
‑
de模型的三维图像配准方法，其特征在于，步骤七中，所述采用jade算法具有档案存储变异算子进行变异操作，包括：变异策略采用jade算法具有外部档案变异策略，具体公式如下：其中，x
i
为父代个体，x
pbest
为种群前top个个体中随机选择，x
r2
为当前种群与进化失败个体档案并集中选择。8.如权利要求1所述的基于edf
‑
de模型的三维图像配准方法，其特征在于，步骤八中，所述根据本模型所求全局精英差异与邻域精英差异指导算法交叉，经选择操作，生成下一代个体，包括：(1)交叉操作，精英差异交叉策略以全局精英差异和邻域精英差异为参考，从待变异个体x
i
和变异个体v之间选择分量形成实验个体u，取代二项式交叉采用交叉率cr控制交叉；因全局精英差异和邻域精英差异结构相同，故用e统一代表eg和el，交叉公式为：由交叉公式可看出，只会选择满足条件的变异个体基因组成实验向量，否则保留待进化个体原始基因；通过变异个体与待变异个体求差判定正负，再与精英差异值进行比对；(2)选择操作，根据贪心算法的思想，结合步骤(1)所求中间个体u及待进化个体x，使用目标函数对中间个体和待进化个体进行评价，选择其中较优个体进入下一代。9.如权利要求1所述的基于edf
‑
de模型的三维图像配准方法，其特征在于，步骤九中，所述判断是否满足迭代结束条件，包括：根据最大迭代次数，判断当前个体是否满足终止条件，如果满足停止条件，输出相应的最优值，如若未满足最终迭代条件循环进入下一代，直到满足条件为止。10.一种如权利要求1～9任意一项所述基于edf
‑
de模型的三维图像配准方法在工业制造图像处理中的应用。

技术总结
本发明属于图像处理技术领域，公开了一种基于EDF


技术研发人员：王毅 李静 彭钰博 周琳 段焱中
受保护的技术使用者：西北大学
技术研发日：2021.07.13
技术公布日：2021/11/14