[发明专利]基于混沌反向学习的鲸鱼优化的破损俑体碎片配准方法

说明书

本发明属于图像处理的技术领域，公开了一种基于混沌反向学习的鲸鱼优化的破损俑体碎片配准方法，对数据预处理，生成源点云数据P和待配准数据Q；根据目标函数建立种群个体与模型的映射关系，用旋转R参数和平移T参数得到最优变换矩阵；初始化参数；使用精英保留机制将精英数据保存在精英数据库中；设计权重因子和收敛因子，更新鲸鱼个体的位置，并计算其适应度；更新隶属度、非隶属度和犹豫度；更新鲸鱼个体之间的距离；计算小生境技术的共享函数值，并更新适应度值；判断是否满足迭代条件；将搜索得到的最优解应用到R和T参数中，得到最终的配准模型。本发明优化鲸鱼算法，并使改进的鲸鱼优化算法更适合碎片配准问题。

技术领域

本发明属于图像处理的技术领域，尤其涉及基于混沌反向学习的鲸鱼优化的破损俑体碎片配准方法。

背景技术

目前：随着计算机性能的快速提升，以计算机为基础的图像处理技术发展十分迅速，由于其手机设备都可以采集二维图像，给二维图像提供了大量可用的数据，因此，二维图像的视觉处理技术发展迅速。随着图像处理技术的不断发展，二维图像已经无法满足人们对现实世界进行三维描述的要求，研究者们逐渐把研究重心转移到三维图像。

目前，三维点云图像处理技术在三维重建、逆向工程和医疗成像等领域发挥着重要作用。在对三维扫描数据的处理过程中，点云数据配准是一项非常重要的内容。点云数据配准的实质是把在不同的坐标系中测量得到的数据点云进行坐标变换，以得到统一坐标系下的整体数据模型。点云配准一般有以下问题：(1)数据本身存在噪声，影响配准的精度；(2)在数据采集过程中，因为有三维扫描仪的自遮挡光线和视角的问题，存在数据缺失或部分重合等问题，导致配准的对应关系难以寻找；(3)点云数据的初始位置对配准的性能影响较大。最近邻迭代配准ICP(Iterate Closed Point)算法是当前点云数据配准过程中最具代表性、应用最广泛的刚性配准算法。经典ICP算法选取欧氏距离最小点当作对应点并以此建立对应点集，求解刚体变换矩阵，求解得出的变换矩阵作用于目标点云，此时目标点云的初始位置发生变化，计算刚体变换后点对间的欧式距离误差直到达到预设值，否则继续迭代该过程。ICP算法由于简单而被广泛应用，但却易于陷入局部最优。同时，该算法特别依赖于点云配准的初始位置，当两片点云模型的初始位置变换较大，且当存在噪声点和离群点时则极易导致配准失败。点云配准一般涉及两个阶段：粗配准(Coarse Registration)和精配准(Fine Registration)。精配准的目的是在粗配准的基础上让点云之间的空间位置差别最小化。为了克服ICP算法对初始位置敏感的缺陷、搜索时间长和运算效率低等问题，本发明提出了一种基于直觉模糊小生境技术的混沌重心反向学习鲸鱼优化算法。

鲸鱼优化算法(Whale Optimization Algorithms，WOA)是2016年提出的一种元启发式算法，该方法是由于模拟座头鲸以泡泡网捕食的行为而得到的一种方法，它具有原理简单、参数设置少、运算速度快、易于编程等特点，且比其他群体智能算法具有良好的收敛精度和较好的收敛速度，因而被广泛的改进并应用到实际问题，且都取得了不错的收敛结果。

破损俑体碎片在配准过程中，可能会存在以下问题：(1)数据采集过程中受到环境(年限久远、碎片褪色)的问题，即本身存在噪声，影响配准的精度；(2)在数据采集过程中，因为有三维扫描仪的自遮挡光线和视角的问题，存在数据缺失或部分重合等问题，导致配准的对应关系难以寻找；(3)点云数据的初始位置对配准的性能影响较大。这些问题可能会导致样本数据存在大规模、信息冗余或缺失、高噪声、模糊不确定等问题。

通过上述分析，现有技术存在的问题及缺陷为：现有点云数据配准技术因数据特征高维、模糊、抽象、冗余、不确定等因素所造成的配准效率低，单纯的ICP算法配准速度较慢，对初始的配准数据有着较高的要求，精度难以提高。

解决以上问题及缺陷的难度为：配准速度慢、配准精度低。

解决以上问题及缺陷的意义为：点云配准时得到完整点云模型的基础，是最关键的一步，它决定着点云重建效果的优劣以及后续工作的质量。因此深入探讨兵马俑数据的点云配准具有很高的显示意义和价值。