基于红外与可见光图像特征融合的方法研究

王东明等

摘要：针对红外与可见光图像特征融合提出一种改进免疫遗传算法的融合方法。针对传统免疫遗传算法的不足，存在的早熟收敛，搜索过程缓慢，以至于种群进化停滞不前等缺点，将自适应和“淘汰保留”方法应用到免疫遗传算法中。通过特征编码，种群初始化，应用改进的免疫遗传算法进行特征融合。通过实验仿真结果证明改进的免疫遗传算法有较快的收敛速度和较好的搜索能力，使用基于改进的免疫遗传算法的图像融合特征具有较好的识别率。

关键词：特征融合；免疫遗传；改进的免疫遗传；识别率

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2015）04-0157-04

Abstract： This paper proposes an improved immune genetic algorithm fusion method of infrared and visible light image characteristics. Because of the defects in the traditional immune genetic algorithm， the existence of the premature convergence， the search process is slow， so that the disadvantage of population evolution remain stagnant， adaptive and "out of retained" is applied to the immune genetic algorithm. Through the feature encoding， population initialization， the improved immune genetic algorithm is used for feature fusion. Through the experimental simulation results show that the immune genetic algorithm improved the convergence rate is faster and better search ability， the use of the improved immune genetic algorithm of image fusion based on feature has good recognition rate.

Key words： feature fusion； immune genetic； improved immune genetic； recognition rate

综合红外与可见光图像的优势，实现优势互补，进行红外与可见光图像融合对目标探测和识别具有重要的意义。

目前，图像融合分为像素级融合、特征级融合和决策级融合。像素级融合因数据非常多，耗费时间长。决策级融合因信息损失大，分类性能较差。而特征级融合不仅实现了对客观的信息压缩，降低信息的冗余度，而且实现了对信息融合的实时处理，并且融合结果能最大限度地表征特征信息[1]。

在特征融合中，由特征提取形成的原始特征空间维数很高，数据量大，特征数据在子空间的分布是非线性的，采用基于线性的特征融合方法可能导致不理想的识别结果[2]。因此可将特征数据编码，将特征融合转化为组合优化问题，可以通过解决优化问题的方法获得最优融合方案，生成融合特征。本文将传统的免疫遗传算法的进行了改进，并应用在红外与可见光图像特征级融合，提高了识别率。

1 改进的免疫遗传算法

1.1 免疫遗传算法

免疫遗传算法是将传统的遗传算法与免疫算子结合，克服了在解决全局最优的问题时遗传算法出现的收敛早熟等问题。其实质就是在将遗传算子添加到免疫算法中，与遗传算法相比，免疫遗传算法增加了抗原识别、记忆功能和调节功能，并没有附加复杂的操作，也没有降低遗传算法的鲁棒性，免疫遗传算法兼顾了搜索速度、全局搜索能力和局部搜索能力。

对于传统遗传算法收敛方向无法控制的问题，免疫遗传算法的抗原采用目标函数和约束条件，使抗体直接与问题联系，控制了收敛方向。生成的抗体可以有效的排除抗原也就相当于求得问题的最优解。遇到同类抗原时快速产生相应抗体，实现记忆对抗原亲和力高的抗体，促进求解快速。

1.2 改进的遗传算法

针对传统免疫遗传算法一些缺点如：早熟收敛、固定交叉率、搜索过程缓慢、种群进化停滞不前等，研究提出将 “淘汰保留”和自适应方法的加入免疫遗传算法。

1.2.1 “淘汰保留”方法

陷入局部最优是遗传算法的最大问题，为了防止当前种群的最优个体在下一代丢失，而不能收敛到全局最优解。把群体在进化过程中迄今出现的精英个体保留，直接复制到下一代，不配对交叉，其它个体进行配对交叉淘汰，就是“淘汰保留”方法。

这种“淘汰保留”方法，保留最优个体，添加精英个体取代新一代群体中适应度值最小的个体，淘汰是适应度值大的个体。保持适应度值每一代都能够单调递增，保持了种群个体染色体多样性的特点，算法在整体搜索能力上提高，使算法具有了全局的收敛性能。

1.2.2自适应方法

免疫遗传算法的控制参数中影响遗传算法行为和性能的关键是，交叉概率和变异概率的选择，他们直接对算法收敛性的影响。交叉率[PC]直接影响新个体产生的速度，[PC]值越大，产生速度越快，但是取值不能过大，防止群体的优良特性破坏；若[PC]值过小，个体的搜索速度会过慢。变异率[PM]越大，种群的多样性越好，早熟的发生可能性就会越小，但[PM]较大会使个体方向改变，搜索扩大范围，进化的速度变慢；[PM]过小，产生新个体与抑制早熟的能力会较差，变异操作的效果变差。

根据个体适应度与当前群体进化的情况，自动改变[PC]和[PM]，就是自适应调节方法的关键。

调节[PC]、[PM]增加的情况是种群中的个体适应度集中一致或趋向于局部最优；令[PC]、[PM]减少的情况是，适应度不集中，分散。同时个体中的适应值高于群体平均适应值的个体，赋予较低的[PC]、[PM]值；而个体中的适应度值低于平均适应值，就赋予较高的[PC]、[PM]值。交叉率和变异率的自适应变化，使算法具有更高的全局最优性、效率、鲁棒性。

参考文献：

[1] 杨阳；胡玉兰主成分分析的红外与可见光图像特征融合[J].沈阳理工大学学报，2012（3）.

[2] 王大伟.基于特征级图像融合的目标识别技术研究[D].中国科学院，2010.

[3] 赵秀平.基于免疫遗传算法的QoS组播路由算法 [D]. 中南大学，2008.

[4] 江斌.人工免疫算法的基础研究及其应用[D].中南大学，2008.

[5] 刘国联，谭冠政，何燕，等.基于改进的人工免疫算法的函数优化[J].计算机仿真，2008（6）.