基于聚类遗传算法的多目标图像识别方法

1.一种基于聚类遗传算法的多目标图像识别方法，其特征在于其步 骤为：
a、预先在计算机的存储器中储存一组基于灰度的模板图像；
b、将含有多目标子图像的载体置于CCD视频图像采集镜头下；
c、将取得的视频信号传到图像卡，由计算机的中央处理器对该信号进行处理，应用基 于灰度的模板匹配方法和适应度图景构造聚类规则，用相似度来衡量图像之间的匹配程度， 使这一组子图像遗传群体聚类划分成适应度共享的不同小生境；然后将这些小生境与预存模 板图像的灰度进行比较、归类；如果两幅匹配子图像之间的距离大于模板图像，则可认为两 幅图像为不同的目标图像；否则，则认为两幅图像仅是同一目标图像在不同接近点的响应； 选出相似度较大的新一组子图像；
d、循环反复，直到得出与模板图像指定灰度值相匹配的各目标子图像的绝对位置坐标 位置。
2.根据权利要求1的基于聚类遗传算法的多目标图像识别方法，其特 征在于：上述基于灰度的模板匹配方法，公式如下：
$R(S_{i,j},P)=\frac{1}{1+\frac{\underset{k=1}{\overset{M}{\Sigma }}\underset{l=1}{\overset{M}{\Sigma }}|S_{i,j}(k,l)-P(k,l)|}{M\times M\times (L-1)}}$
其中，S为给定的场景图像；P为模板图像，大小为M×M；Si，j为S中欲与T匹配的子 图像，(i，j)为Si，j的左上角在S中的坐标；L为图像灰度级。
3.根据权利要求1的基于聚类遗传算法的多目标图像识别方法，其特 征在于其中适应度图景构造聚类规则的步骤：
1)、用集合I记录当前群体中所有未归类个体；
2)、从II中选择适应度最高的个体c＝{i，j}c＝{i，j}；
3)、若f(c)≥δ-g(t)f(c)≥δ-g(t)，则将该个体做为新的聚类中心，对于所有未归类个体 c′＝{i′，j′}c′＝{i′，j′}，若|i-i′|＜M&&|j-j′|＜M|i，i′|＜M&&|j-j′|＜M，则将c′c′归为该类， 更新II；
4)、重复2-3，直到f(c)＜δ-g(t)f(c)＜δ-g(t)；
5)、将I中所有未归类个体，按距离就近归类。
4.根据权利要求1的基于聚类遗传算法的多目标图像识别方法，其特 征在于其中适应度图景构造聚类规则的步骤：
步骤1：检测是否有聚类个体；若是则进行步骤2；若否，则输出各聚类中心及聚类中 的个体；
步骤2、从未聚类个体中选择适应度最高的个体c；
步骤3、若f(c)≥δ-g(t)f(c)≥δ-g(t)f(c)≥δ-g(t)f(c)≥δ-g(t)，则以c为聚类中心，形成 新的聚类；若否，将所有未聚类的个体按距离就近归类；
步骤4：、按顺序遍历群体中的个体；若遍历结束，则返回步骤1，若否，得到待遍历 个体c′＝{i′，j′}c′＝{i′，j′}c′＝{i′，j′}c′＝{i′，j′}；
步骤5：判定c′c′c′c′是否为未聚类个体？若是，则将c′c′c′c′加入 到以c为中心的聚类中，若否，则重复遍历。
5.一种基于聚类遗传算法的多目标图像识别方法，其特征在于步骤 如下：
(1)、设定参数：群体规模N；选择，交叉和变异算子，算子参数；适应度阈值 δ；最大最优个体保持世代数Tmax；令T为最优个体保持世代数；B为最高适应度集合；
(2)、随机产生初始群体，计算适应度，令T＝O，B＝φ；
(3)、对群体进行聚类；每一类内独立的进行选择，交叉，变异，计算新产生个体的 适应度，记录各类的最高适应度，组成集合B′，若B’＝＝B，则T++，否则B＝B，T＝O；
(4)、各类最优个体以概率1进入下一代，其它个体依照赌轮法从新老群体中选取；
(5)、若T＞Tmax，则输出B中所有适应度＞δ的个体，算法终止。否则转步骤(3)。
6.根据权利要求1的基于聚类遗传算法的多目标图像识别方法的应 用，其特征在于：
在全自动键合机上，用CCD取得视频信号；将取得的视频信号传到图像卡；由计算机应 用基于聚类遗传算法的多目标图像识别方法处理，对于每一代群体，首先利用该规则进行聚 类形成不同的小生境；然后在各小生境内利用选择，交叉，变异因子生成新一代个体；整个 过程反复迭代直到得到芯片焊盘的绝对位置坐标；然后发信号给运动控制器；运动控制器再 驱动伺服电机控制X-Y工作台的高速精密运动，形成一个闭环控制系统。

暂无