【正文】 且 （412）其中，表示螞蟻從解空間區(qū)域轉(zhuǎn)移到區(qū)域的概率，為區(qū)域的吸引強度，期望值定義為，即蟻群在區(qū)域與區(qū)域已經(jīng)搜索到的空間位置上目標函數(shù)最大值的差值，給定參數(shù)α,β0為啟發(fā)式因子，分別表示螞蟻在狀態(tài)轉(zhuǎn)移過程中區(qū)域吸引強度和期望值對螞蟻轉(zhuǎn)移概率所起的不同作用。區(qū)域j吸引強度的更新方程為 （413） （414）式中，反映本次循環(huán)中第k只螞蟻在區(qū)域j的局部搜索中吸引強度的增加，表示本次循環(huán)中第k只螞蟻在區(qū)域j的局部搜索中目標函數(shù)值的變化量，定義為，其中和分別為本次循環(huán)中第k只螞蟻在區(qū)域j的局部隨機搜索中的當(dāng)前位置向量和初始位置向量；參數(shù)ρ∈(0,1)，體現(xiàn)解空間中各個等分區(qū)域中吸引強度的持久性；參數(shù)Q是一常數(shù)，為螞蟻釋放的信息素密度；算法中有關(guān)的初始值取為。區(qū)域中的螞蟻的轉(zhuǎn)移及搜索規(guī)則定義為 （415）其中neighbor（）表示區(qū)域的相鄰區(qū)域。每只螞蟻要么以上述規(guī)則從當(dāng)前區(qū)域轉(zhuǎn)移到其它相鄰區(qū)域中作局部隨機搜索，要么在當(dāng)前區(qū)域內(nèi)進行局部隨機搜索。于是多維函數(shù)f(x)的尋優(yōu)就借助于m只螞蟻在解空間的（n1n2…ns）個等分區(qū)域間的不斷移動以及某些區(qū)域內(nèi)的局部隨機搜索來進行。當(dāng)螞蟻的數(shù)目m比較大時，上述尋優(yōu)方式就相當(dāng)于一群螞蟻對定義域中的f(x)進行有窮盡的且在先驗知識引導(dǎo)下的隨機搜索，并最終收斂到問題的近似全局最優(yōu)解。二、蟻群算法的實現(xiàn) 配準中互信息函數(shù)優(yōu)化問題的蟻群算法步驟如下：（1）count←0(count為迭代次數(shù))，設(shè)置算法參數(shù)及解空間的分區(qū)數(shù)，對搜索空間分區(qū)，將m只螞蟻隨機放置于初始區(qū)域上；（2）每只螞蟻以式(412)、(415)給出的概率規(guī)則轉(zhuǎn)移或作局部搜索；（3）存儲各區(qū)域當(dāng)前已搜索到的目標函數(shù)最大值；（4）記錄當(dāng)前最好解及最優(yōu)值；（5）按式(310)、(311)更新各區(qū)域的吸引強度，count←count+1；（6）若count小于預(yù)定的迭代次數(shù)，則轉(zhuǎn)到(2)；（7）輸出最佳結(jié)果。算法中參數(shù)的設(shè)置對性能有較大的影響。根據(jù)經(jīng)驗，主要參數(shù)一般設(shè)置如下：；1≤β≤5；≤ρ≤1，；1≤Q≤10000，Q的取值對算法影響不大；螞蟻數(shù)目m和解空間的分區(qū)數(shù)（n1n2…ns）有關(guān)，分區(qū)數(shù)越大則螞蟻數(shù)目越多，若問題的局部最優(yōu)點較為密集，則可適當(dāng)設(shè)置較小的區(qū)域?qū)挾龋坏螖?shù)也與分區(qū)數(shù)有關(guān)，分區(qū)數(shù)越多迭代次數(shù)也越多。蟻群算法的全局尋優(yōu)能力很強，也存在一些缺點，其算法需要較長的搜索時間，局部搜索能力不夠。隨著解空間的維數(shù)、分區(qū)數(shù)和參與搜索的螞蟻數(shù)的增加，以及最優(yōu)解精度要求的提高，算法對最優(yōu)解的搜索效率將迅速降低，有時會出現(xiàn)停滯現(xiàn)象，即搜索進行到一定程度后，所有個體發(fā)現(xiàn)的解完全一致，不能對解空間進一步搜索，不利于發(fā)現(xiàn)更好的解。因此，在多參數(shù)優(yōu)化問題中需要將其他的優(yōu)化方法與蟻群算法中的協(xié)同模型進行適當(dāng)?shù)募?，以提高最?yōu)解的搜索效率。 開始設(shè)置算法參數(shù)，螞蟻隨機放置在區(qū)域是否達到迭代次數(shù)？每只螞蟻根據(jù)概率做轉(zhuǎn)移或進行局部搜索，計算存儲各個區(qū)域最大值記錄當(dāng)前最優(yōu)解，更新各個區(qū)域的吸引強度F輸出搜索結(jié)果結(jié)束T 蟻群算法流程圖 本章小結(jié) 本章首先介紹了配準過程中涉及到的插值方法、出界點處理和灰度級別等方面的知識，然后詳細描述了互信息配準中的優(yōu)化算法，對最常用的Powell法和智能優(yōu)化算法中的遺傳算法、遺傳—模擬退火算法和蟻群算法做了比較詳細的描述，并提出了兩種新的配準方法：采用遺傳－模擬退火混合優(yōu)化算法的配準方法和采用蟻群算法進行優(yōu)化的配準方法。將模擬退火算法中的Metropolis接受準則引入到遺傳算法中，能很好的克服遺傳算法容易“過早收斂”問題，不容易陷入局部最優(yōu)值，配準精度達到亞像素級。采用蟻群算法以及遺傳算法進行配準，其魯棒性強，不容易陷入局部最優(yōu)中，但局部搜索能力不強，優(yōu)化時間過長。結(jié) 論本文對基于互信息的圖像配準方法進行了比較詳細的研究?；バ畔⑴錅史椒ň哂心壳白詈玫姆€(wěn)健性和配準精度，但是也有一些缺點：互信息函數(shù)不是一個平滑的函數(shù)，包含有許多局部極值，采用傳統(tǒng)的優(yōu)化算法容易導(dǎo)致誤配準，因此國內(nèi)外學(xué)者們對互信息配準方法的研究仍然在深入進行，并提出了很多不同的改進方法。本文以基于互信息的圖像配準為核心，歸納起來，全文的主要研究工作在于：（1）討論了互信息的基本概念、互信息配準的一般步驟以及插值方法、出界點處理方法和灰度級數(shù)目對互信息配準的影響。（2）對互信息配準中的優(yōu)化算法和現(xiàn)代智能優(yōu)化算法進行了研究，提出了采用蟻群算法和遺傳－模擬退火混合優(yōu)化算法進行優(yōu)化的配準算法。智能優(yōu)化算法能有效地克服互信息函數(shù)的局部極值，配準結(jié)果的穩(wěn)健性與精度都要優(yōu)于Powell法等傳統(tǒng)優(yōu)化方法。將基于互信息的配準方法應(yīng)用到圖像配準中，能夠取得比較好的結(jié)果，我們提出的優(yōu)化算法提高了配準的精度、魯棒性和速度。但是要將其應(yīng)用到臨床中還需要做更深入的研究，仍然還有很多工作要做，下一步研究工作應(yīng)包括以下幾個方面：（1）增加臨床實際圖像數(shù)據(jù)的配準實驗研究。雖然標準數(shù)據(jù)在配準中占很重要的地位，可以驗證配準方法的精度、穩(wěn)健性和可靠性，但是只有進行大量的不同的臨床數(shù)據(jù)的實驗，才能充分體現(xiàn)出配準方法的性能。（2）將配準的變換類型擴展到非剛體配準。在實際的圖像配準應(yīng)用中，有很多情況并不能簡單的用一個剛體變換來實現(xiàn)，采用非剛體變換的配準方法使用范圍更廣一些。（3）優(yōu)化策略的進一步改進。我們所采用的蟻群算法是一種比較新的優(yōu)化算法，其出現(xiàn)時間不長，人們對它的研究還不夠深入，算法的實現(xiàn)較多的依賴于經(jīng)驗值，其收斂性尚缺少理論依據(jù)，所以該方法還有很多可改進之處。（4）圖像融合顯示的研究。進行圖像配準研究的最終目的是提供信息豐富的融合圖像，所以進行圖像融合顯示研究是必要的。湖南工業(yè)大學(xué)本科畢業(yè)設(shè)計（論文）參考文獻 [1] [M].國外醫(yī)學(xué)生物工程分冊，1999，22（1）：17.[2]Brown L survey of image registration techniques[J]. ACM Computing surveys, 1992, 24(4):325376.[3] Hill D L G, Batchelor P G, Holden M, et al. Medical image registration[J]. Physics in Medicine and Biology, 2001, 46(3):146.[4] 高智勇，李義兵，[M].國外醫(yī)學(xué)生物醫(yī)學(xué)工程分冊，2000，23（4）：206211.[5] Rangarajan A, Chui H, Duncan J S. Rigid point feature registration using mutual information[J]. Medical Image Analysis, 1999, 3(4):425440.[6] 周永新，[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報，2002，14（7）：654658.[7] Bilow H, Dooley L, Wermser D. Application of principal axes for registration of NMR image sequences[J].Pattern Recongnition Letter,2000，21(4):329336.[8] Tsao J. Interpolation artifacts in multimodality image registration based on maximization of mutual information[J]. IEEE Transactions on Medical Imaging, 2003, 22(7):854864.[9] 蘇金明、[M].北京：[10] 羅述謙 ，李響 . 基于最大互信息的多模醫(yī)學(xué)圖像配準[J]. 中國圖像圖形學(xué)報，2000，5（7）：551558.[11] 高智勇，林家瑞. 灰度級別對基于互信息醫(yī)學(xué)圖像配準方法的影響[C]. 北京生物醫(yī)學(xué)工程，2003，22（1）：59.[12] [M].北京：.34湖南工業(yè)大學(xué)本科畢業(yè)設(shè)計（論文）[13] Pluim J P W, Maintz J B A, Viergever M A. Mutual information based registration of medical images: a survey[J]. IEEE Transactions on Medical Imaging, 2003, 22(8):9861004.[14]Wu Z, Hartov A, Paulsen K D, et image reregistration via mutual information to account for initial issue motion during imageguided neurosurgery[J]. In: Proceeding of the 26th Annual International Conference of the IEEE EMB S, San Francisco, USA, IEEE Press, 2004,1:16751678.[15][M].北京：：420433.致 謝本文的研究工作是在胡永祥副教授的大力指導(dǎo)下完成的，本文從選題、開題到研究實施，從文章的寫作構(gòu)思到最終定稿都得到了胡老師的悉心指導(dǎo)。胡老師淵博的學(xué)識、誨人不倦的治學(xué)作風(fēng)、認真負責(zé)的工作態(tài)度使我終生難忘，是我以后學(xué)習(xí)和工作的榜樣。另外，很感謝劉陽老師對我的論文的評閱和提出的寶貴意見。在這里向胡老師和劉老師表示最衷心的感謝，并致以崇高的敬意！同時，在我的論文研究工作中，同一小組的同學(xué)和寢室的同學(xué)對我的幫助和鼓勵也令我難忘，特別感謝他們和我一起度過了難忘的學(xué)習(xí)、生活，感謝他們在學(xué)習(xí)、生活上對我的幫助和關(guān)心。感謝湖南工業(yè)大學(xué)對我四年的栽培！感謝所有幫助過我的老師、同學(xué)和朋友！感謝各位老師百忙之中對本文的審閱和提出的寶貴意見！ 學(xué)生簽名： 梁榮榮日 期： 2009年6月36湖南工業(yè)大學(xué)本科畢業(yè)設(shè)計（論文）過程管理資料 11