导读:本文包含了归一化互信息论文开题报告文献综述及选题提纲参考文献，主要关键词:归一化互信息,边缘梯度,Powell算法,图像配准
归一化互信息论文文献综述
金闳奇,简川霞,赵荣丽[1]（2018）在《基于梯度与归一化互信息的印刷图像配准》一文中研究指出目的为了提高印刷图像配准的精度。方法提出一种基于梯度和归一化互信息的印刷图像配准方法。首先获取图像的归一化互信息,同时使用边缘检测算子获取图像边缘梯度的模值和方向角,然后根据边缘梯度信息和归一化互信息构造新的测度函数,以新的测度函数为目标函数,用Powell优化算法获取用于配准的最优参数。结果通过将文中提出的方法和基于归一化互信息的图像配准方法分别用于印刷图像配准,得到的统计实验结果表明,对于100项随机配准参数,新方法得出的配准误差波动幅度更小,配准精度更高。结论文中所提方法在准确性上优于基于归一化互信息的图像配准方法。(本文来源于《包装工程》期刊2018年09期）
段宏湘,张秋余,张墨逸[2]（2017）在《基于归一化互信息的FCBF特征选择算法》一文中研究指出针对高维数据中不相关特征、冗余特征等导致的分类任务计算量大、分类正确率低等问题,提出了一种基于归一化互信息的相关性快速过滤特征选择(FCBF-NMI)算法.该算法采用归一化互信息代替对称不确定性作为FCBF算法的相关性评价标准,进行特征与类别、特征与特征的相关性分析,删除不相关特征及冗余特征以获得最优特征子集.实验结果表明:FCBF-NMI算法得到的最优特征子集更合理,平均分类正确率为89.68%,所用时间平均低至2.64s.(本文来源于《华中科技大学学报(自然科学版)》期刊2017年01期）
董泽民,石强[3]（2017）在《基于归一化模糊联合互信息最大的特征选择》一文中研究指出特征选择就是从特征集合中选择出与分类类别相关性强而特征之间冗余性最小的特征子集,这样一方面可以提高分类器的计算效率,另一方面可以提高分类器的泛化能力,进而提高分类精度。基于互信息的特征相关性和冗余性的评价准则,在实际应用中存在以下的问题:(1)变量的概率计算困难,进而影响特征的信息熵计算困难;(2)互信息倾向于选择值较多的特征;(3)基于累积加和的候选特征与特征子集之间冗余性度量准则在特征维数较高的情况下容易失效。为了解决上述问题,提出了基于归一化模糊互信息最大的特征评价准则,基于模糊等价关系计算变量的信息熵、条件熵、联合熵;利用联合互信息最大替换累积加和的度量方法;基于归一化联合互信息对特征重要性进行评价;基于该准则建立了基于前向贪婪搜索的特征选择算法。在UCI机器学习标准数据集上的多组实验,证明算法能够有效地选择出对分类类别有效的特征子集,能够明显提高分类精度。(本文来源于《计算机工程与应用》期刊2017年22期）
刘晓慧,杨新锋[4]（2016）在《基于归一化互信息和金字塔分解优化的图像配准算法研究》一文中研究指出针对红外和可见光图像的特点,提出了一种改进的以归一化互信息为相似性测度的异源图像配准方法。为了提高算法的效率,采用金字塔分解法对该算法进行了优化。以红外和可见光图像的配准作为验证实验,证明了该算法的有效性。(本文来源于《微型电脑应用》期刊2016年11期）
邢正伟[5]（2014）在《基于归一化互信息的医学图像配准研究》一文中研究指出医学图像配准是医学图像处理领域的一个重要分支,能为临床应用和研究提供更加丰富的医学图像信息。配准主要是寻找两幅图像间的最佳变换,使得一幅图像通过空间变化与另一幅图像在空间位置上达到一致。现有医学图像配准方法一般可以分为两大类：一类是基于特征的配准,配准方法简单,但是精度受特征提取步骤的影响；另一类是基于像素灰度统计的配准,该方法无需预处理,配准结果的准确性也比较高,但是计算量大。基于互信息的医学图像配准方法属于第二类,是当前医学图像配准研究的重点和热点。本论文研究的即是基于互信息的配准方法,主要工作有：第一、二章介绍了医学图像配准的背景和从事该研究的意义,以及国内外研究现状。对医学图像配准的概念、原理及具体实现步骤作了说明,包括配准中的四个重要部分：几何变换、插值方法、相似性测度和优化算法。探讨了配准中的这四个因素对配准结果的直接影响,提及了配准方法的分类。第叁章论述了基于互信息的医学图像配准方法。首先介绍了互信息的原理和计算方法,解释了基于互信息配准的原理和流程,对配准中需要注意的事项进行了分析。其次,针对图像背景像素灰度对配准的影响,提出改进归一化互信息的计算方法,即提取医学图像中感兴趣区域的信息,减小背景信息在联合直方图中的权重。分析互信息的计算公式,舍去了冗余项,使得计算更加简洁。第四章论述了优化算法在图像配准中的基本原理,算法的分类和适用范围,重点论述了一种改进的Powell算法。首先介绍了局部优化算法和全局优化算法中具有代表性的算法,即Powell算法和粒子群算法,包括它们的原理和操作步骤。其次,提出了一种改进的Powell算法,即设计一种求取Powell初始配准参数的方法。该方法减少了Powell寻优迭代次数以及算法陷入局部极值的概率,提高了算法稳定性。实验表明,该方法与改进的归一化互信息结合,可以提高配准的速度和稳定性。第五章说明了医学图像算法的可视化应用。在VC++2008平台下,使用VTK作为可视化工具、ITK作配准算法的框架和组织封装、MFC用于软件界面设计,实现了一个可以进行医学图像读取、显示和配准的医学图像可视化平台。(本文来源于《昆明理工大学》期刊2014-05-01）
王云飞[6]（2014）在《基于SIFT和归一化互信息的SAR图像配准算法研究》一文中研究指出图像配准技术是将不同时间，不同传感器或不同条件下获取的同一场景的两幅图像或者多幅图像进行匹配、迭加的过程。在计算机视觉、遥感图像处理、医学图像分析等领域有着广泛的应用。SAR具有全天候、全天时、分辨率高、可侧视成像等优良特性。不仅在军用方面得到了很大的发展，其民用用途也逐步推广。论文在全面分析和总结当前图像配准技术的基础上，对SAR图像配准方法进行了深入的研究。针对SAR图像的特性及已有算法的不足，改进了一种基于SIFT的粗配准方法，并将归一化互信息应用到精配准中，通过实际SAR图像的配准验证了该方法的有效性。论文的主要工作包括以下几个方面：(1)本文研究和总结了几种常见的特征点提取算子，包括Moravec算子、Harris算子、SUSAN算子，还引入SIFT局部特征，通过这四种算法对特征点的抗噪性、旋转不变性和尺度不变性进行比较，给出了分析的结论。总结了主要的几种基于特征点的匹配策略，包括互相关、尺度和旋转限制准则、斜率限制准则、虚拟叁角形、SIFT特征向量匹配和RANSAC策略等，分析了每种匹配策略的优势和缺点。结合斜率和尺度、旋转准则，给出基于SIFT的SAR图像配准的实验，验证了其方法的可行性和有效性。(2)在SIFT算法中，由于特征点匹配后没有去除外点的操作，配准的结果误差很大。本文提出了一种改进SIFT的配准方法，在特征点匹配前后分别添加了预处理操作和RANSAC策略，而且对SIFT特征提取、关键点描述子进行改进。实验结果表明，改进后的SIFT提取的总匹配点数和正确配点数均大于SIFT。本方法对多波段、不同分辨率、不同视角的SAR图像配准都有较好的鲁棒性，配准精度高，速度快。对该方法应用到实际导航系统中，也具有重要的实践价值。(3)传统的基于灰度的图像配准方法对图像质量要求高，配准速度较慢，应用范围较窄。改进后的SIFT对SAR图像配准的效果比较好。本章在此基础上，利用改进SIFT配准得到的参数作为归一化互信息配准的初始值，配准精度和速度都有很大提高，并且克服了直接用互信息搜索匹配的缺点。实验结果表明，该方法大大加快了SAR图像配准的速度，并且能够精确到亚像素级。(本文来源于《西安电子科技大学》期刊2014-01-01）
安如,王慧麟,王盈,陈春烨,张琴[7]（2013）在《16阶归一化互信息和改进PSO算法的快速图像匹配》一文中研究指出对不同灰度阶互信息的匹配性能进行了分析;以16阶归一化互信息为相似度评价函数,通过增大重新初始化粒子的数量和改进收敛机制,提出一种基于互信息和改进自组织分层粒子群优化算法(IHPSO)的快速图像匹配方法。以不同传感器,不同时间拍摄的同一地区遥感图像为实验数据,分别使用遍历互信息算法以及多种改进PSO算法进行实验,表明该方法有较好的匹配性能,能满足图像快速匹配的需求,如飞行制导、定位和运动追踪。(本文来源于《吉林大学学报(工学版)》期刊2013年S1期）
冯雪芳,吴锡生[8]（2013）在《基于归一化边缘互信息与自适应加速粒子群的图像配准方法》一文中研究指出传统的归一化互信息配准方法未利用图像的空间信息,当图像中混有一定噪声时,会出现误配准。边缘是图像最基本的特征之一,为了改进归一化互信息方法,提高图像配准的精度,加快收敛速度,将图像的边缘信息与灰度信息自适应地结合,形成归一化边缘互信息测度(NCMI),提出一种基于加速因子的自适应加速粒子群优化算法(AAPSO)来优化基于NCMI测度的图像配准。AAPSO算法通过对解排序,将指定数量的劣解进行进化加速来引导粒子的飞行,并对自适应惯性权重公式加以改进,提高了算法的收敛性,防止早熟收敛并增加优化解的多样性,同时加入加速因子来提高收敛速度。实验结果表明,该方法配准精度高,速度快,具有较强的实用性。(本文来源于《计算机工程与科学》期刊2013年01期）
潘晓光,李宏,康雁,刘积仁[9]（2012）在《双向梯度归一化互信息医学图像配准方法》一文中研究指出传统互信息配准方法未利用图像的空间信息,为此,提出一种将互信息与梯度相似性相结合的双向医学图像配准方法.首先以图像A为参考,求图像A和待配准图像B的每组对应点的梯度相似性,并在计算相似性之前引入高斯算子以降低噪声影响,将梯度相似性因子与归一化互信息的乘积作为图像配准的正向测度;反过来,再以图像B为参考计算逆向的梯度归一化互信息.由此得到双向梯度归一化互信息.实验结果表明,该方法比传统归一化互信息和梯度归一化互信息方法有更高的鲁棒性和精度.(本文来源于《东北大学学报(自然科学版)》期刊2012年08期）
王秋实[10]（2012）在《基于归一化互信息和遗传算法的医学图像配准研究》一文中研究指出图像配准是将不同传感器、不同时间或者不同条件下获取的两幅或多幅图像进行匹配、迭加的过程，也就是解决几幅图像的严格对齐问题。它已经被广泛地应用于遥感图像、医学影像、图像处理等诸多领域中。应用于临床的医学图像配准是指对于一幅医学图像寻找一种最优的空间变换，使得它与另一幅医学图像上的对应点达到空间上的一致。这种一致指的是人体上相同的解剖点在两张匹配图像上有相同的空间位置，比如：大小相同、角度一致、位置对齐。配准的结果要使两幅图像上所有的解剖点，或者是多数具有诊断意义的点及手术感兴趣的点都达到匹配。本文课题源自于吉林省科技发展计划的《基于知识库的医学图像配准模型研究》和《CT、MRI图像配准及融合的评估模型研究》两项科研项目，主要研究医学图像CT和MRI的配准，为实现图像的融合提供基础，所研究的医学图像均来自于吉林大学第二临床医院提供的有病灶的脑部CT和MRI图像。本文采用了归一化互信息法，将混合优化算法作为医学图像配准中的优化算法，设计了一种基于归一化互信息和改进遗传算法的配准算法，并实现了两幅医学图像间的配准。首先，本文介绍了图像配准的研究背景、研究意义以及国内外研究现状，并且介绍了医学图像配准的概念和基础理论，包括图像配准的方法、分类，图像配准的步骤等。然后，着重介绍了医学图像配准中的相似性测度和优化算法。在图像配准中，常用的相似性测度有AM测度、灰度均方差和互信息等。优化算法主要有Powell法、单纯形法、粒子群算法和遗传算法等。通过对各种算法的介绍和比较，选取本文使用的相似性测度函数和优化算法。其次，基于对图像配准算法中相似性测度和优化算法的研究，确定了本文使用归一化互信息和遗传算法，并对其算法进行图像配准实验，证明其可行性。接着提出了一种混合的优化算法，将全局优化算法和局部优化算法相结合，即遗传算法和单纯形法相结合，并对遗传算法添加移民操作，使图像在配准过程中既克服了容易陷入局部最大值的问题，又提高了算法的精度。最后，对基于改进遗传算法的医学图像配准结果进行评价，图像配准中的评价方法主要分为两类：主观评价法和客观评价法。本文通过多种评价方式对实验结果进行评估，得出改进的遗传算法具有更高的精准度和更好的鲁棒性。通过对基于归一化互信息和遗传算法的医学图像配准的研究，深入了解了该项技术的理论基础和实现过程，并设计了一个医学图像配准的系统，可用于二维多模医学图像间的刚体配准。(本文来源于《吉林大学》期刊2012-04-01）
归一化互信息论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对高维数据中不相关特征、冗余特征等导致的分类任务计算量大、分类正确率低等问题,提出了一种基于归一化互信息的相关性快速过滤特征选择(FCBF-NMI)算法.该算法采用归一化互信息代替对称不确定性作为FCBF算法的相关性评价标准,进行特征与类别、特征与特征的相关性分析,删除不相关特征及冗余特征以获得最优特征子集.实验结果表明:FCBF-NMI算法得到的最优特征子集更合理,平均分类正确率为89.68%,所用时间平均低至2.64s.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
归一化互信息论文参考文献
[1].金闳奇,简川霞,赵荣丽.基于梯度与归一化互信息的印刷图像配准[J].包装工程.2018
[2].段宏湘,张秋余,张墨逸.基于归一化互信息的FCBF特征选择算法[J].华中科技大学学报(自然科学版).2017
[3].董泽民,石强.基于归一化模糊联合互信息最大的特征选择[J].计算机工程与应用.2017
[4].刘晓慧,杨新锋.基于归一化互信息和金字塔分解优化的图像配准算法研究[J].微型电脑应用.2016
[5].邢正伟.基于归一化互信息的医学图像配准研究[D].昆明理工大学.2014
[6].王云飞.基于SIFT和归一化互信息的SAR图像配准算法研究[D].西安电子科技大学.2014
[7].安如,王慧麟,王盈,陈春烨,张琴.16阶归一化互信息和改进PSO算法的快速图像匹配[J].吉林大学学报(工学版).2013
[8].冯雪芳,吴锡生.基于归一化边缘互信息与自适应加速粒子群的图像配准方法[J].计算机工程与科学.2013
[9].潘晓光,李宏,康雁,刘积仁.双向梯度归一化互信息医学图像配准方法[J].东北大学学报(自然科学版).2012
[10].王秋实.基于归一化互信息和遗传算法的医学图像配准研究[D].吉林大学.2012