GLHMS_算法的PCNN_参数优化及其在图像融合中的应用

2024年1月11日发(作者：阿特拉斯)

第 22卷第 8期2023年 8月软件导刊Software GuideVol. 22 No. 8Aug. 2023

GLHMS算法的PCNN参数优化及其在图像融合中的应用徐仵博，刘立群（甘肃农业大学信息科学技术学院，甘肃兰州 730070）摘要：人类心理搜索算法（HMS）和脉冲耦合神经网络（PCNN）存在收敛精度低、参数太多等问题，导致融合图像质量不高，由此提出一种基于参数自适应的PCNN图像融合方法。首先，将均匀分组、局部搜索以及移动次数算子引入人类心理搜索算法，克服了HMS存在的搜索能力不强、收敛速度慢等问题；然后，通过改进后的算法对PCNN的αθ、β、αL

3个参数进行优化，增强了其特征提取性能；最后，通过参数优化后的PCNN融合ToF和RGB图像，得到完整的融合图像。选取20个测试函数对算法进行仿真实验，结果表明，算法能够有效地加快收敛速度，提高寻优精度。选取不19.99%、30.74%、21.14%、17.6%、8.93%，能显著提高融合图像质量。关键词：人类心理搜索算法；脉冲耦合神经网络；图像融合DOI：10.11907/rjdk.222477中图分类号：TP391.41 文献标识码： A同时间光线下的果园图像验证了该方法的有效性，平均指标相较于DWT、TIF、CNN、PCNN、DWT_PCNN分别提高开放科学（资源服务）标识码（OSID）：文章编号：1672-7800（2023）008-0187-09Optimization of PCNN Parameters of GLHMS Algorithm and Its

Application in Image Fusion（College of Information Science and Technology， Gansu Agricultural University， Lanzhou 730070， China）Abstract： Aimed at the problems of low convergence accuracy and too many parameters of human mental search algorithm and pulse coupled

neural network， which lead to poor quality of fused images， a PCNN image fusion method based on parameter adaptation is proposed. First， an

algorithm that introduces uniform grouping， local search and the move count operator into the human mental search algorithm is proposed to

overcome the problems of poor search ability and slow convergence of HMS； Then， the PCNN\'s αθ，β，αL parameters are optimized by the im?proved algorithm to enhance its feature extraction performance； Finally， the complete fused image is obtained by fusing the ToF and RGB im?ages with the PCNN after parameter optimization. Twenty test functions were selected for simulation experiments of the algorithm， and the ex?perimental results showed that the proposed algorithm can effectively speed up the convergence speed and improve the accuracy of the optimi?zation search. The effectiveness of the method was verified by selecting orchard images under different temporal lighting， and the average index

of the proposed method was improved by 19.99%， 30.74%， 21.14%， 17.6%， and 8.93% compared to DWT， TIF， CNN， PCNN， and

DWT_PCNN， respectively. The method can significantly improve the quality of fused Words： human mental search algorithm； pulse coupled neural network； image fusionXU Wubo， LIU Liqun0 引言可见光图像具有分辨率高、图像细节丰富等特点，但收稿日期：2022-12-12在光照条件不好或目标遮挡等环境影响下，其效果会变差，而基于飞行时间测距原理相机（Time of Flight， ToF）的成像效果几乎不受环境光的影响，但也存在细节表现不好等缺点［1］。图像融合是将两种图像的有用信息结合成一基金项目：甘肃省高校教师创新基金项目（2023A-051）；甘肃农业大学青年导师基金项目（GAU-QDFC-2020-08）；甘肃省科技计划项目（20JR5RA032）作者简介：徐仵博（1999-），女，甘肃农业大学信息科学技术学院硕士研究生，研究方向为智能计算、图像处理；刘立群（1982-），女，硕士，甘肃农业大学信息科学技术学院副教授、硕士生导师，研究方向为智能计算、图像处理。本文通讯作者：刘立群。Copyright?博看网. All Rights Reserved.

·188·软件导刊2023 年张图像，使其图像信息变得更加精确和丰富。异源图像融合方法主要分为两类，分别为传统方法［2-3］和深度学习方法［4-5］。传统方法中最常用的方法为多尺度变换方法［6］

，但是传统的多尺度变换方法使用的是单一特性而忽略了曲线、边缘等互补特性。除多尺度变换方法外，脉冲耦合神经网络（Pulse Coupled Neural Net?［7］

work， PCNN）和卷积神经网络（convolutional neural net?［8-9］work， CNN）也被应用于异源图像融合，然而基于CNN

园图像融合过程。根据融合实验结果可知，本文算法可以得到更好的参数优化结果，可以使PCNN的特征提取性能更好，融合效果更加理想。1 人类心理搜索算法改进1.1　HMS算法缺陷的融合方法都是将异源的图像一起放入同一个网络框架下，对源图像中所有区域采用同一种融合规则，会损失源图像的部分信息使其融合效果不佳；另一方面，CNN网络对训练样本有强烈的依赖性，同时机器学习也需要大量的训练时间，使其应用范围非常受限。而PCNN是一种无需训练便可提取图像特征的神经网络，因其无需训练可提取特征，故PCNN的参数设定非常重要。文献［10］提出一种参数自适应的双通道PCNN，对其包括链接强度β在内的些复杂的优化问题时表现出其良好的性能。但HMS算法HMS是一种较新的基于种群的启发式算法，在解决一还存在以下几点缺陷：①在原始的HMS算法中，采用K-means算法对所有投标进行分组，但由于K值不好确定，并且K-means算法对初始化极其敏感；②在原始HMS的心理搜索阶段，所有投标的全局搜索能力强而局部搜索能力较弱，从而影响算法收敛精度和速度；③在原始HMS算法的移动阶段，每个投标仅向最好的投标移动1次，这种策略会影响算法收敛速度；④在原始HMS的移动阶段，所有投标移动也仅向全局最优投标移动，但是赢家组中最好的投标不一定是全体投标中最好的投标，进而可能会影响算法陷入局部最优。1.2　HMS算法改进所有参数采用IDBC方法进行加权，提高了图像融合质量。文献［11］提出一种参数自适应DCPCNN，其链接强度β是自适应每个像素的FDFM计算，但其算法复杂度较高；文献［12］利用PSO算法寻找PCNN关键参数的最优值，有效地结合了PSO算法、尺度空间和PCNN的优势，得到最优参数组合。上述算法虽然是在不同应用中解决了问题，但都面临一个共同挑战，即参数不好确定，因此参数寻优问题是未来研究的重点。人类心理搜索算法（Human Mental Search，HMS）是一种简单有效的基于人类的启发式算法［13］，在解决具有不同特征的复杂优化问题时表现出了竞争性性能。HMS算法是模拟在线拍卖中竞价空间的定价策略，算法中每个候选方案都被称为投标，包括3个主要运算符，即心理搜索、分组和移动。心理搜索是一种有效的算子，可以根据Levy飞行搜索每个报价的附近区域。因此，它可以同时改善勘探和开发。分组根据聚类运算符找到一个有希望的区域，最后将其他投标移向有希望的区域。文献［14］提出随机聚类和自适应选择心理搜索过程的数量以改进HMS算法，但是，需对集群数量进行先验说明。文献［15］提出一种采用基于局部搜索和自动聚类的人类心理搜索，但该算法容易陷入局部最优且对初始化极其敏感。本文将平均分组和局部搜索等策略引入人类心理搜索策略，结合了HMS算法中较强的全局搜索能力，提出了一种基于均匀分组和局部搜索的人类心理搜索算法（Uni?form Grouping and Local Search for Human Mental Search Al?gorithms，GLHMS）。该算法采用优劣排序、依次分组的平同层次的投标，并在心理搜索和移动中引入局部极值，提高了算法局部搜索能力，在移动中引入移动次数算子，增强了算法寻优能力。之后，通过GLHMS优化PCNN的3个重要参数αθ、β、αL，最终将其应用于基于ToF和RGB的果均分组策略，可以保证同时存在较好投标和较差投标等不1.2.1　平均分组思想引入针对上述HMS算法缺陷①，为了保证每个投标的公平性，引入蛙跳算法优劣排序、依次平均分组策略，替代HMS中K-means算法，克服了K-means算法中随机的K个中心点对结果的影响，同时还可以保证同时存在较好投标和较差投标。1.2.2　心理搜索中局部最优思想引入针对上述HMS算法缺陷②，引入局部最优思想进行算法改进，提出了一个新的心理搜索更新公式，选择所有投标中最好的投标记作x*，每个组中最优的投标记作xb，如图1所示（彩图扫OSID码可见），该图为GLHMS的心理搜索心理搜索后投标的成本值大于该组最优投标（xb）的成本值，则该Bid向xb进行搜索（按图中蓝色线搜索）；反之，则向所有投标中最好的投标（x*）搜索（按图中橘色线搜索）。其数学表达式由式（1）、式（2）所示。局部最优思想用每组中最优解替代当前候选解方案，从而加快了算法收敛速度，并提高了算法优化性能。X*XbXbXbXb策略，图中每一列方格为一组。当Bid开始搜索时，如果其Bid

第 8 期徐仵博，刘立群：GLHMS算法的PCNN参数优化及其在图像融合中的应用·189·

其中，x*是目前最好的出价，而u和v是正态分布中的随机数，Г是标准的伽玛函数。如式（3）所示。ìü??Γ(1+β)sin(πβ)???222σu=íσv=1，u：N(0，σu)，v：N(0，σv)，?(β-1)1+βù?Γéêú2?êúβ2????2??1βì(2-iter*(2/maxiter))*0.01*u*(xi-xb)，cost(NS)≥cost(xi)?1β?vS=í?(2-iter*(2/maxiter))*0.01*u*(xi-x*)，cost(NS)

针对上述HMS算法缺陷③，引入移动次数算子对算法作出改进。在移动阶段，引入一个大小在［ML，MH］之间的随机数q，让每个投标移动q次，记录移动q次中最优的投标并记录为Xi。移动次数算子的引入提高了算法寻优能力和寻优速度。1.2.4　移动中局部最优思想引入C*(r*winnerg)Winnerr*winnerBid针对上述HMS算法缺陷④，引入局部最优思想作出改Move Space进。提出一个更新公式，选择赢家组中的最好投标记作winnerg，非赢家组中的最好投标记作winnerb，如图2所示，该图为GLHMS向最优投标移动策略。当Bid开始移动时，如果Bid移动后的成本值大于该组最优投标（winnerb）的成本值，则该Bid向本组内最优投标（winnerb）进行移动（按图2（a）所示进行移动）；反之，则向赢家组中最好的投标（win?nerg）进行移动（按图2（b）所示进行移动）。其数学表达式如式（4）所示。t+1ixx=cost(txix)≥cost(winnerb)ìtxix+C*(r×twinnerb-txtn)，?ítitttcost(txix)

（b）　Global move（b）　全局移动Fig. 2　Move jump thought图2　移动跳跃思想与收敛速度，本文采用阶段性分析方法将GLHMS算法分为心理搜索阶段和移动阶段。在心理搜索阶段，算法经全局和局部心理搜索后，算法移动速度加快，可以较快地收敛；在移动搜索阶段，算法通过引入搜索次数算子和增加局部搜索策略，可以让算法快速找到全局最优值。综上所述，GLHMS算法具有收敛速度快、精度高等特点。此外，GLHMS算法是一种随机搜索算法，并且同时满足随机算法的收敛准则［16］。因此，当经过一定量的迭代后，算法依然收敛。tnerg是赢家组中的最佳投标，winnerb是非赢家组中最佳投标，t是当前的迭代，C是一个常数（C=2），r是一个从0到1区间均匀分布中抽取的随机数。1.3　GLHMS时间复杂度分析在HMS算法初始阶段，时间复杂度一致，本文主要分析心理搜索过程开始后的时间复杂度。假设S表示投标总数，M表示算法最大迭代次数，D表示算法维数。HMS算法时间复杂度为O（M×S×D）。GLHMS算法将蛙跳的分组策略和局部搜索策略引入到心理搜索方程和移动方程中，该策略只是对搜索公式进行改进，不改变算法时间复杂度。因此，GLHMS算法时间复杂度仍为O（M×S×D）。1.4　GLHMS收敛性分析2 GLHMS在PCNN图像融合中的应用2.1　PCNN模型参数优化2.1.1　适应度函数计算接输入（αL）、链接强度（β），GLHMS算法是将迭代探索投标成本值（Cost）的最小值作为寻优目标。因此，算法选用空间频率（SF）和结构相似性（SSIM）乘积的负数作为目标函数，其方程式如式（5）所示。SF和SSIM都是融合图像的客观评价指标，SF越大表示融合图像越清晰，图片质量越好，SSIM的取值越接近1，代表融合图像与源图像相似度算法通过GLHMS优化PCNN的时间衰减系数（αθ）、链衡量优化算法好坏的一个重要指标是算法收敛能力Copyright?博看网. All Rights Reserved.

·190·软件导刊2023 年开始初始化投标（αθ，αL，β）越高，其融合质量越好。SF和SSIM的方程式如式（6）—式（8）所示。Cost=-SF×SSIMSF=RF=MN21H(i，j)-H(i，j-1)|CF=|∑∑MNi=1j=1

（5）（6）计算每个投标的成本值Cost将每个投标降序循环分配个K个子群记全局最优投标为X，子群最优投标为XRF2+CF2根据公式（1）（2）连续搜索q次，记q次中最优为tCost(t)

（8）iter=iter+1计算每个子群的平均成本函数，记投标成本值最低的子群为winner_group记winner_group中最好的投标为Winnerg，其他子群中最好投标为winnerb根据公式（4）连续移动投标q次，记q次中最优为gCost(g)

Fig. 3　Steps of GLHMS-PCNN implementation图3　GLHMS-PCNN实现步骤MaxIter=500。由于本文PCNN需要优化3个参数，故维度（1）初始化投标。记总投标数量P=30，最大迭代次数最优投标（αθ，β，αL）。Step1：根据GLHMS算法优化PCNN的3个系数，得到Step2：将RGB图像和ToF中的强度图像归一化后，作Step3：使用优化过的PCNN进行特征描述，得到点火Step4：根据点火映射图对源图像使用极值融合法进行优化参数αθ, β, αL（2）计算投标成本值。用融合图像的评价指标SF、SSIM乘积的负数作为HMS算法的成本值函数，计算每个投标的成本值。（3）平均分组。对每个投标计算投标成本值，按照成本值降序排列，并循环分配给K个子群，并选择全局最优的投标和子群最优的投标分别记作x和x。（4）心理搜索。按照式（1）、式（2）生成q个连续投标，选择q个连续投标中的最优投标记作t，若t的投标成本值小于xi的投标成本值，则将t赋值给xi。（5）计算每个子群的平均成本函数。选取投标成本值最低的子群为winner_group，选取winner_group中最好的投标记作winnerg，选取其他非赢家组中最好的投标记作win?nerb。（6）移动。对每个投标根据式（4）生成q个连续投标，选择q个连续投标中的最优投标记作t，若t的投标成本值小于x的投标成本值，则将t赋值给x。（7）计算x和x的成本值。若x的成本值小于x的成本值，则将x赋值给x。（8）判断是否达到终止条件，即iter≥Maxiter，若未达到，则转至（4）继续迭代，否则，输出全局最优投标x+。具体优化流程如图3所示。2.2　PCNN图像融合2.2.1　融合算法设计i**ii*i+*b为优化过的PCNN的输入，记作A和B。映射图ZA和ZB。图像融合，得到最终融合图像C。GLHMSRGB图像APCNN点火映射图ZA融合规则融合图像C强度图像BPCNN点火映射图ZBGLHMS优化参数αθ, β, αLFig. 4　Image fusion implementation steps图4　图像融合实现步骤2.2.2　融合规则可见光图像具有图像分辨率高、细节丰富等特点，ToF相机拍摄出的强度图具有不受光线影响等特点。结合ToF图像和RGB图像的特点，本文算法采用了极值融合法，该融合规则简单、运算速度快，适用于亮度、对比度较高的源图像，具体的融合规则如式（9）所示。j)，ZA(i，j)>ZB(i，j)ìCA(i，Cc(i，j)=íj)，ZA(i，j)≤ZB(i，j)?CB(i，本文算法首先用GLHMS对PCNN的3个参数αθ、β、αL（9）进行参数优化，然后对已经配准的RGB图像和ToF的强度图采用优化参数的PCNN进行图像融合，采用最大化原则对PCNN的点火映射图进行融合，获得融合图像C。图4显示了本文算法的融合过程，具体融合步骤如下：和ZB（i，j）分别为PCNN生成的点火映射图，CC（i，j）为融合后的系数。其中，（i，j）表示像素点在图像中的坐标位置，ZA（i，j）Copyright?博看网. All Rights Reserved.

第 8 期徐仵博，刘立群：GLHMS算法的PCNN参数优化及其在图像融合中的应用·191·

3 实验结果3.1　GLHMS性能测试HappyCat。测试函数收敛精度比较如表1所示，进化曲线如图5所示。F5、F8、F9、F17、F18、F19等10个函数，GLHMS算法的优化由表1中测试结果数据可以看出，对于F1、F2、F3、F4、HMS、混合蛙跳算法（Shuffled Frog Leaping Algorithm，SF?［17］LA）、粒子群算法（Particle Swarm Optimization，PSO）、鲸［18］鱼优化算法（Whale Optimization Algorithm，WOA）、遗传为了分析和比较GLHMS算法的优化性能，将其与效果明显优于其他算法并且达到了最优值；对于F10、F12、F13、F16等4个函数，GLHMS与其他几种算法的优化效果较优。对于其余6个函数，GLHMS算法与其他6种算法优化效果相当。综上所述，GLHMS算法具有更好的优化效果，有效地克服了HMS算法的缺陷，具有更好的优化性能。此外，本实验使用的测试函数有单峰、多峰、可分离性和不可分离性等不同的性质。表2测试结果数据表明，对于单峰函数，其特点为只有一个局部最优值且该值为全局最优值，因此单峰函数极易找到全局最优值；对于多峰函数，其特点具有多个局部最优值，该函数要求优化算法具有较强的全局和局部寻优能力。GLHMS算法极强的全局寻优和局部寻优思想的引入，使得该算法具有很好的全局、局部寻优能力。［19］算法（Genetic Algorithm，GA）、灰狼优化算法（Grey Wolf

［20］Optimizer，GWO）、猎食者优化算法（Hunter-prey optimi?［21］zation，HPO）7种优化算法进行比较。实验中，所有算法的参数设置为：种群规模N=30，最大迭代次数T=500。此外，式（4）中的C=2。选用CEC2017中的20个标准测试函数对上述8种算法进行仿真实验，其测试函数名分别为Sphere、Schwefel、Schwefel1.2、Schwefel2.21、Rosebrock、Step、QuarticWN、Discus、Rastrigin、Ackley、Griewank、Shek?el’s Foxholes、Kowalik’s、Goldstein-price、Levy N.13、Three-Hump Camel、Elliptic、Sumpower、Non_Continuous Rastrigin、Table 1　Convergence precision comparison表1　收敛精度比较函数算法GLHMSSFLAHMSPSOGA最优值0.00E+001.65E-871.21E+003.21E+033.39E+032.16E-011.47E-140.00E+007.13E+004.20E+001.54E+001.04E+003.60E-011.08E-130.00E+005.00E-2015.94E+016.78E+039.54E+001.13E+011.05E-050.00E+008.19E-991.12E+012.29E+011.21E-013.41E-013.20E-062.37E-377.97E-711.74E-263.66E-28最差值7.62E-1152.57E-012.68E+003.74E+034.48E+047.93E+003.89E+013.82E-794.07E+011.03E+011.78E+007.29E+011.75E+004.77E-024.54E-1598.41E-432.78E+027.12E+031.15E+055.60E+012.20E+015.21E-1521.17E-161.65E+012.33E+017.72E+011.13E+001.12E-012.55E-059.52E-111.22E-032.53E+00平均最优值3.81E-1151.29E-011.75E+003.28E+031.89E+041.74E+001.94E+011.91E-792.39E+017.26E+001.66E+003.60E+011.06E+002.39E-022.27E-1594.20E-431.68E+025.74E+045.74E+043.37E+011.10E+012.60E-1525.86E-171.38E+012.31E+013.86E+013.96E-015.59E-021.27E-054.76E-116.08E-041.27E+00标准差5.39E-1151.82E-014.63E-011.06E+021.08E+041.98E+002.75E+012.70E-792.37E+014.33E+001.71E-015.08E+019.86E-013.37E-020.00E+005.94E-431.54E+022.38E+028.11E+043.16E+011.56E+013.68E-1528.28E-173.71E+002.05E-015.45E+015.60E-017.91E-021.80E-056.73E-118.59E-041.79E+00平均运行时间（s）1.0231911.1387231.0729481.2729101.2281621.1289371.0283920.9129771.1839271.2938421.1247341.0727481.0918571.1214121.5234281.1804582.0287412.1298422.0192732.1492751.8275921.9652842.0476121.9096150.9072940.8628730.8275930.8249520.7973640.8172490.8083520.802817函数算法GLHMSSFLAHMSPSOGA最优值0.00E+000.00E+008.52E-020.00E+001.29E+003.86E-020.00E+001.02E+002.03E+001.33E+011.27E+011.31E+011.42E+011.27E+011.65E-041.85E-036.65E-044.18E-044.58E-041.08E-023.15E-043.00E+003.38E+003.00E+003.00E+003.00E+004.31E+003.00E+003.00E+003.17E-041.27E+010.00E+00最差值8.96E+015.72E+001.00E+003.18E-041.55E+011.04E+006.99E+001.49E+011.27E+014.34E+025.00E+024.94E+025.00E+024.75E+022.43E-033.37E-027.04E-044.64E-045.25E-041.57E-025.91E-044.68E+006.71E+003.38E+003.18E+005.95E+015.69E+013.65E+003.45E+017.83E-041.74E+011.69E+02平均最优值4.48E+012.86E+005.45E-011.59E-048.40E+005.01E-013.49E+007.97E+007.36E+002.24E+022.56E+022.53E+022.57E+022.44E+021.30E-031.78E-026.85E-044.41E-044.91E-041.32E-024.53E-043.84E+005.04E+003.19E+003.09E+003.13E+013.06E+013.32E+001.87E+015.50E-049.22E+008.44E+01标准差6.34E+014.05E+006.50E-011.59E-041.01E+017.08E-014.94E+009.83E+007.54E+002.10E+023.45E+023.40E+022.57E+022.44E+021.60E-032.25E-021.93E-053.23E-054.70E-051.32E-024.53E-041.19E+002.36E+001.90E-011.31E-014.00E+013.06E+013.32E+002.22E+013.29E-041.16E+011.19E+02平均运行时间（s）1.1528391.2927181.2028421.1928341.0283741.2836181.1209421.1480512.5028372.6287422.5388262.2374292.3283612.4823712.5821752.4472940.9276450.9648250.9283521.0836420.9842870.9729850.9032140.8033540.8194820.8238750.7523830.8092740.8129840.8028410.7628740.747591F1WOAGWOGLHMSSFLAHMSPSOGAHPOF11WOAGWOGLHMSSFLAHMSPSOGAHPOF2WOAGWOGLHMSSFLAHMSPSOGAHPOF12WOAGWOGLHMSSFLAHMSPSOGAHPOF3WOAGWOGLHMSSFLAHMSPSOGAHPOF13WOAGWOGLHMSSFLAHMSPSOGAHPOF4WOAGWOHPOF14WOAGWOHPOCopyright?博看网. All Rights Reserved.

·192·软件导刊2023 年

函数算法GLHMSSFLAF5WOAGWOGLHMSSFLAF6WOAGWOGLHMSSFLAF7WOAGWOGLHMSSFLAF8WOAGWOGLHMSSFLAF9WOAGWOGLHMSSFLAF10WOAGWOHPOGAPSOHMSHPOGAPSOHMSHPOGAPSOHMSHPOGAPSOHMSHPOGAPSOHMSHPOGAPSOHMS最优值0.00E+004.40E-1311.28E+021.05E+034.11E-071.02E+022.69E+012.50E-016.35E+001.24E+005.69E+002.43E+007.20E+017.83E-011.26E-035.66E-039.73E-045.45E-029.73E-042.23E-014.50E-030.00E+003.65E-2304.07E-014.25E+014.71E-111.67E+002.88E-290.00E+000.00E+008.33E+012.39E-093.33E+021.33E+011.09E+004.44E-164.44E-161.39E+005.56E-112.00E+011.19E+002.09E+018.88E-160.00E+002.83E-845.42E-046.24E+002.47E+01最差值1.78E-1061.74E+042.43E+032.35E+031.99E+034.67E+023.68E+022.50E-016.35E+001.69E+005.69E+002.89E+007.29E+018.39E-011.10E-026.81E-033.61E-011.42E-011.63E+019.79E+012.11E-028.69E-231.95E-021.73E+011.76E+021.93E+026.50E+033.76E+001.19E-081.69E+002.12E+021.20E+003.73E+021.40E+022.85E+014.25E-065.20E+006.56E+006.36E-022.04E+011.30E+012.11E+011.85E+011.61E+021.25E+037.17E-036.61E+002.89E+01平均最优值8.92E-1078.68E+031.28E+031.70E+039.94E+021.83E+021.98E+022.50E-016.35E+001.47E+005.69E+002.66E+004.37E-018.11E-016.15E-036.23E-032.33E-019.84E-028.13E+004.88E+011.28E-024.35E-239.76E-038.86E+001.10E+029.65E+013.25E+031.88E+005.96E-098.46E-011.48E+026.01E-013.53E+026.35E+011.48E+012.13E-062.60E+003.97E+003.18E-022.02E+016.31E+002.10E+019.27E+008.03E+016.25E+023.86E-036.43E+002.68E+01标准差1.26E-1061.23E+041.63E+036.50E+021.41E+032.58E+022.41E+021.41E-050.00E+003.19E-014.77E-083.28E-016.18E-013.99E-026.92E-038.15E-041.81E-014.39E-021.15E+016.90E+011.18E-026.15E-231.38E-028.45E+009.47E+011.37E+023.25E+031.88E+008.43E-091.20E+009.12E+016.01E-012.81E+018.99E+011.94E+013.01E-063.67E+003.66E+003.18E-022.62E-018.33E+001.44E-011.31E+011.14E+028.84E+024.69E-032.61E-012.94E+00续表平均运行时间（s）1.2083711.3029851.2592831.1938751.2198421.2087421.8237521.2541021.0183951.2482331.2198321.0834961.0185381.0639841.1309421.0224621.1209531.2198721.1938751.1834791.2591651.1187521.1056321.1330531.1058341.1836531.3157391.3328751.2275391.1628741.0287421.1145771.1874281.3522531.0375321.1053821.0729381.1987421.2073471.0409951.2082851.2987531.1935081.2287341.2598631.2187531.2867361.150268F20F19F18F17F16F15函数算法GLHMSSFLAWOAGWOGLHMSSFLAWOAGWOGLHMSSFLAWOAGWOGLHMSSFLAWOAGWOGLHMSSFLAWOAGWOGLHMSSFLAWOAGWOHPOGAPSOHMSHPOGAPSOHMSHPOGAPSOHMSHPOGAPSOHMSHPOGAPSOHMSHPOGAPSOHMS最优值1.47E-314.41E-022.08E-303.71E-184.08E-049.07E-021.15E-040.00E+002.95E-745.85E-822.60E-253.37E-666.17E-2212.38E-1660.00E+001.62E+061.33E+071.52E-051.72E+069.28E-1680.00E+000.00E+002.49E-034.65E-161.50E-052.96E-2192.96E-1070.00E+000.00E+005.39E+011.68E+024.63E-067.51E-011.10E+023.40E-011.30E+006.21E-011.10E+003.45E-015.60E-013.41E-012.25E+000.00E+001.72E+063.82E-231.12E-2226.43E-043.38E-28最差值6.99E-229.42E-027.40E-173.74E-041.16E-012.32E-014.64E-035.11E-1311.23E-061.68E-093.76E-048.18E-052.90E-017.19E-212.10E-977.04E-072.60E+071.75E+078.86E+071.54E+087.14E+041.08E-465.65E+253.83E+245.88E-022.59E+081.77E+101.01E+203.69E+024.40E+022.96E+024.77E+023.34E+021.25E+027.31E+021.24E+001.63E+001.11E+001.69E+001.93E+001.49E+001.45E+002.41E+001.90E+022.18E+078.23E-131.42E-116.79E-15平均最优值3.49E-226.92E-023.70E-171.87E-045.83E-021.61E-012.38E-032.55E-1316.13E-078.39E-101.88E-044.09E-051.45E-013.59E-211.05E-973.52E-071.38E+071.54E+074.43E+077.77E+073.57E+045.42E-472.83E+251.91E+242.94E-021.29E+088.84E+095.07E+191.85E+022.20E+021.75E+023.22E+021.67E+026.27E+014.20E+027.92E-011.46E+008.67E-011.39E+001.14E+001.03E+008.95E-012.33E+009.51E+011.09E+074.12E-137.08E-123.39E-15标准差4.94E-223.54E-023.70E-172.65E-048.18E-021.61E-012.38E-033.61E-1318.67E-078.39E-102.66E-045.79E-052.04E-015.08E-211.49E-974.98E-071.72E+072.98E+066.26E+071.07E+083.57E+047.66E-474.00E+251.91E+244.16E-021.83E+088.84E+095.07E+192.61E+023.11E+021.21E+022.19E+022.36E+026.27E+014.20E+026.40E-012.33E-012.46E-014.20E-011.12E+001.03E+008.95E-011.15E-011.34E+021.54E+075.82E-131.00E-114.80E-15平均运行时间（s）0.7823940.8287420.7529840.7031920.8293840.7998230.7598320.6608710.6012870.7184330.6923710.6217530.6082730.6487320.6287480.5409490.6182730.7195250.6912640.6592790.7526520.6598740.6725460.5824710.8952640.8963420.7975390.8174390.8273980.8173850.8963750.7755570.8239850.7985730.8253820.8319530.8291510.8476250.8837580.8569611.0318751.0798421.0028531.0978351.0687421.0387521.1073580.964663从图5的进化曲线可以观察到，F1、F2、F3、F4、F5、F8、F9、F11、F16、F17、F18的进化曲线均优化到最优值；对于F6、F10、F12、F14、F15、F20，GLHMS算法开始的收敛速度明显加快，并逐渐趋向于平稳；对于F7，前期该算法的优化效果相当，当迭代到121次时，GLHMS算法明显优于其他算法；对于F13，GLHMS算法前期的收敛速度略低于其余算法，当迭代次数达到340次后，该算法的优化精度高于其他算法。综上所述，针对上述20个测试函数，本文提出的GLHMS算法相对于HMS、SFLA、PSO、WOA、GWO、GA、3.2　图像融合实验与分析HPO其他七种算法，具有收敛精度高、速度快等特点。为了验证本融合算法的有效性，对融合图像的质量进Copyright?博看网. All Rights Reserved.

第 8 期徐仵博，刘立群：GLHMS算法的PCNN参数优化及其在图像融合中的应用·193·

0F1进化曲线0F2进化曲线0F3进化曲线0F4进化曲线

（a）　Evolutionary curve of F1（a）　F1进化曲线（b）　Evolutionary curve of F2（b）　F2进化曲线（c）　Evolutionary curve of F3（c）　F3进化曲线

（d）　Evolutionary curve of F4（d）　F4进化曲线F8进化曲线0F5进化曲线F6进化曲线F7进化曲线000

（e）　Evolutionary curve of F5（e）　F5进化曲线（f）　Evolutionary curve of F6（f）　F6进化曲线（g）　Evolutionary curve of F7（g）　F7进化曲线（h）　Evolutionary curve of F8（h）　F8进化曲线0F9进化曲线0F10进化曲线F11进化曲线F12进化曲线00

（i）　Evolutionary curve of F9（i）　F9进化曲线（g）　Evolutionary curve of F10（g）　F10进化曲线（k）　Evolutionary curve of F11（k）　F11进化曲线

（l）　Evolutionary curve of F12（l）　F12进化曲线F13进化曲线F14进化曲线0F15进化曲线0F16进化曲线0

（m）　Evolutionary curve of F13（m）　F13进化曲线（n）　Evolutionary curve of F14（n）　F14进化曲线F18进化曲线（o）　Evolutionary curve of F15（o）　F15进化曲线（p）　Evolutionary curve of F16（p）　F16进化曲线0F17进化曲线00F19进化曲线F20进化曲线0

（q）　Evolutionary curve of F17（q）　F17进化曲线（r）　Evolutionary curve of F18（r）　F18进化曲线（s）　Evolutionary curve o F19（s）　F19进化曲线

（t）　Evolutionary curve of F20（t）　F20进化曲线Fig. 5　Test function evolution curve图5　测试函数进化曲线行了主观与客观评价。本文选取TIF、PCNN、DWT_PCNN、DWT、CNN等5种不同的图像融合算法与本文算法进行对比实验，实验样本选取3组不同光照条件下已经配准好的可见光图像以及ToF相机拍摄的强度图，其拍摄时间分别为9∶00、12∶00和18∶00，使用6种不同的融合算法对不同光照强度下的3组图片进行融合实验分析。图6为3组不同光照强度下的果园图像用上述6种融合方法进行图像融合所获取的图像。从图6可以分析出，RGB图像未突出苹果果实的轮廓细节，而ToF的强度图未呈现清晰树干和叶片的细节信Copyright?博看网. All Rights Reserved.

·194·9：00软件导刊2023 年9：0012：0018：00

12：0018：00RGBCNNToFPCNNDWTDWT_PCNNTIFGLHMS-PCNNFig. 6　Fusion effect comparison图6　融合效果比较息，对这两类图像分别采用不同的融合方法进行图像融合，其融合效果差距也非常大。DWT算法融合图像中存在较明显的边缘模糊现象，在叶片部分表现最为明显；TIF算法的观感好于DWT算法，但其果实的细节信息较为模糊；CNN算法的果实细节较为清晰，但对于树干和叶片的细节重，在叶片和果实连接处存在重影现象；DWT_PCNN算法图像相较于PCNN有一定提升，但效果不是很明显；本文算法的融合效果亮度适中，图中果实和树叶的细节信息丰富，具有良好的观感。由此表明，本文算法在视觉效果上优于其他几种融合方法。从客观指标上评价以上6种融合方法，其客观指标分别选取平均梯度（AG）、空间频率（SF）、互信息（MI）、结构相似性（SSIM）、标准差（STD）、信息熵（EN）。6种融合方法的客观评价值如表2所示，可以看出，本文算法在AG、SF、STD、EN上均优于其他5种算法。其中，AG和SF均表示融合图像的清晰度，这表明通过GLHMS算法优化PCNN参数以提取图像的细节信息是有效的。STD用来度量图片信息丰富程度，EN用来判定融合图像自身的信息量，本文算法可有效提高融合图像的信息含量。本文算法在MI和SSIM上略低于CNN和TIF算法，其中MI用来判读融合图像对源图像对象的利用率，SSIM用来判断融合图像与源图像的相似度。通过PCNN对图像提取细节特征时，使得源图像信息少量损失，因此降低了MI和SSIM的指标值。综上所述，本文提出的融合算法效果较优，可以从可保留较少；PCNN算法图像的轮廓和细节信息丢失较为严见光和强度图图像中获得更多的细节互补信息。Table 2　Objective evaluation metrics for fused images表2　融合图像客观评价指标时间指标AG9∶00SSIMSTDAG12∶00SSIMSTDAG18∶00SSIMSTDENMISFENMISFENMISFDWT4.7749.9595.53130.9606.8994.5049.5685.59831.8006.9394.8235.6540.6427.06810.00533.8000.6550.629TIF4.0919.7735.0180.70124.6106.6633.9439.5105.0820.72125.0306.6873.8989.2895.1070.71524.9806.685CNN3.7599.6776.93929.9206.9173.6399.4776.97130.4506.9273.5909.2276.95128.4706.8430.7120.7180.698PCNN10.9116.5110.6466.4473.7186.5510.6716.5203.9566.5870.6666.54732.09010.57233.13010.83134.3303.901DWT_PCGLHMS-7.0095.3940.5846.9516.1705.4860.6276.9266.7155.5600.6007.089NNPCNN8.3786.89734.9107.1677.54215.7776.63833.7107.1127.79516.0336.77436.0307.2070.6350.6540.62015.04631.89013.07531.41013.96034.20017.2614 结语为了改善图像融合效果，针对PCNN在图像融合任务中参数多、融合效果不稳定等问题，本文提出了一种结合GLHMS和PCNN的图像融合方法，并对不同的融合算法在Copyright?博看网. All Rights Reserved.

第 8 期徐仵博，刘立群：GLHMS算法的PCNN参数优化及其在图像融合中的应用·195·不同光照条件下的融合结果进行了评价，除主观评价方式外，还从平均梯度（AG）、空间频率（SF）、互信息（MI）、结构相似性（SSIM）、标准差（STD）、信息熵（EN）6个客观评价指标对融合结果进行了分析。实验结果表明，本文GL?HMS算法可以提高PCNN对细节特征的提取能力；融合图量更好，边缘信息更加丰富，在AG、SF、STD、EN指标上有一定提高，在MI、SSIM指标上有所提高，证明了本文算法的有效性。参考文献：［1］ LI Y， DUTHON P， COLOMB M， et happens for a ToF LiDAR in

fog？［J］.IEEE Transactions on Intelligent Transportation Systems， 2020，［2］ JOSE J， GAUTAM N， TIWARI M， et image quality enhancement

scheme employing adolescent identity search algorithm in the NSST do?main for multimodal medical image fusion［J］.Biomedical Signal Process?ing and Control，2021，66：102480.22（11）：6670-6681.

［10］ PANIGRAHY C， SEAL A， MAHATO N and SPECT image fu?sion using a weighted parameter adaptive dual channel PCNN［J］.IEEE

［11］ PANIGRAHY C， SEAL A， MAHATO N l dimension based pa?rameter adaptive dual channel PCNN for multi-focus image fusion［J］.

［12］ ZHANG J Y， HE X S， YU Q L. An adaptive PCNN segmentation algo?rithm for infrared pedestrian images［J］.Electronics Optics & Control，

2022，29（8）：107-113.张嘉瑛，贺兴时，于青林.自适应红外行人图像PCNN分割算法［J］.电光与控制，2022，29（8）：107-113.［13］ MOUSAVIRAD S J， EBRAHIMPOUR-KOMLEH mental

search： a new population-based metaheuristic optimization algorithm［J］.［14］ ESMAEILI L， MOUSAVIRAD S J， SHAHIDINEJAD efficient

method to minimize cross-entropy for selecting multi-level threshold val?tems with Applications，2021，182： using an improved human mental search algorithm［J］.Expert Sys?［15］ MOUSAVIRAD S J， EBRAHIMPOUR-KOMLEH H， SCHAEFER G.

Automatic clustering using a local search-based human mental search al?m for image segmentation［J］.Applied Soft Computing， 2020， 96：

［16］ LIN K， CHEN G C， ZHANG -interactive bee colony algorithm

and its convergence analysis［J］.Journal of Computer Applications，

［17］ MARINI F， WALCZAK B. Particle swarm optimization （PSO）：a tutorial［J］. Chemometrics and Intelligent Laboratory Systems，2015，149：

［18］ NASIRI J， KHIYABANI F M.A whale optimization algorithm （WOA）

approach for clustering［J］.Cogent Mathematics & Statistics，2018，5（1）：［19］ MIRJALILI S. Genetic algorithm［M］.Berlin：Springer，2019.［20］ FARIS H， ALJARAH I， AL-BETAR M A， et al. Grey wolf optimizer： a

review of recent variants and applications［J］.Neural Computing and Ap?［21］ NARUEI I， KEYNIA F， SABBAGH M -prey optimization： al?gorithm and applications［J］.Soft Computing，2022，26： 1279-1314.（责任编辑：孙娟）plications，2018，30（2）：413-435.1483565.153-165.2017，37（3）：d Intelligence，2017，47（3）： and Lasers in Engineering，2020，133： Processing Letters，2020，27：690-694.2021，9：130778-130792.像结果与其他5种融合方法相比，本文算法融合图像的质［3］ REN L， PAN Z B， CAO J Z， et ed and visible image fusion based

on weighted variance guided filter and image contrast enhancement［J］.In?［4］ ZHANG Y， LIU Y， SUN P， et al. IFCNN：a general image fusion frame?work based on convolutional neural network［J］.Information Fusion，2020，［5］ LI H，WU X J. DenseFuse： a fusion approach to infrared and visible imag?［6］ DIWAKAR M， TRIPATHI A， JOSHI K， et al.A comparative review：

medical image fusion using SWT and DWT［J］.Materials Today：Proceed?［7］ PANIGRAHY C， SEAL A， MAHATO N K. Parameter adaptive unit-link?ing dual-channel PCNN based infrared and visible image fusion［J］.Neuro?［8］ XU H， MA J Y， JIANG J J， et al.U2Fusion： aunified unsupervised image

fusion network［J］.IEEE Transactions on Pattern Analysis and Machine In?［9］ ZHU D P， ZHAN W D， JIANG Y C， et e： a multi-level fea?ture fusion network for infrared and visible images［J］.IEEE Access，

更多推荐

算法,图像,融合,投标,搜索,优化