王東明等

摘要：針對紅外與可見光圖像特征融合提出一種改進免疫遺傳算法的融合方法。針對傳統(tǒng)免疫遺傳算法的不足，存在的早熟收斂，搜索過程緩慢，以至于種群進化停滯不前等缺點，將自適應和“淘汰保留”方法應用到免疫遺傳算法中。通過特征編碼，種群初始化，應用改進的免疫遺傳算法進行特征融合。通過實驗仿真結果證明改進的免疫遺傳算法有較快的收斂速度和較好的搜索能力，使用基于改進的免疫遺傳算法的圖像融合特征具有較好的識別率。

關鍵詞：特征融合；免疫遺傳；改進的免疫遺傳；識別率

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2015）04-0157-04

Abstract： This paper proposes an improved immune genetic algorithm fusion method of infrared and visible light image characteristics. Because of the defects in the traditional immune genetic algorithm， the existence of the premature convergence， the search process is slow， so that the disadvantage of population evolution remain stagnant， adaptive and "out of retained" is applied to the immune genetic algorithm. Through the feature encoding， population initialization， the improved immune genetic algorithm is used for feature fusion. Through the experimental simulation results show that the immune genetic algorithm improved the convergence rate is faster and better search ability， the use of the improved immune genetic algorithm of image fusion based on feature has good recognition rate.

Key words： feature fusion； immune genetic； improved immune genetic； recognition rate

綜合紅外與可見光圖像的優(yōu)勢，實現(xiàn)優(yōu)勢互補，進行紅外與可見光圖像融合對目標探測和識別具有重要的意義。

目前，圖像融合分為像素級融合、特征級融合和決策級融合。像素級融合因數(shù)據(jù)非常多，耗費時間長。決策級融合因信息損失大，分類性能較差。而特征級融合不僅實現(xiàn)了對客觀的信息壓縮，降低信息的冗余度，而且實現(xiàn)了對信息融合的實時處理，并且融合結果能最大限度地表征特征信息[1]。

在特征融合中，由特征提取形成的原始特征空間維數(shù)很高，數(shù)據(jù)量大，特征數(shù)據(jù)在子空間的分布是非線性的，采用基于線性的特征融合方法可能導致不理想的識別結果[2]。因此可將特征數(shù)據(jù)編碼，將特征融合轉化為組合優(yōu)化問題，可以通過解決優(yōu)化問題的方法獲得最優(yōu)融合方案，生成融合特征。本文將傳統(tǒng)的免疫遺傳算法的進行了改進，并應用在紅外與可見光圖像特征級融合，提高了識別率。

1 改進的免疫遺傳算法

1.1 免疫遺傳算法

免疫遺傳算法是將傳統(tǒng)的遺傳算法與免疫算子結合，克服了在解決全局最優(yōu)的問題時遺傳算法出現(xiàn)的收斂早熟等問題。其實質就是在將遺傳算子添加到免疫算法中，與遺傳算法相比，免疫遺傳算法增加了抗原識別、記憶功能和調(diào)節(jié)功能，并沒有附加復雜的操作，也沒有降低遺傳算法的魯棒性，免疫遺傳算法兼顧了搜索速度、全局搜索能力和局部搜索能力。

對于傳統(tǒng)遺傳算法收斂方向無法控制的問題，免疫遺傳算法的抗原采用目標函數(shù)和約束條件，使抗體直接與問題聯(lián)系，控制了收斂方向。生成的抗體可以有效的排除抗原也就相當于求得問題的最優(yōu)解。遇到同類抗原時快速產(chǎn)生相應抗體，實現(xiàn)記憶對抗原親和力高的抗體，促進求解快速。

1.2 改進的遺傳算法

針對傳統(tǒng)免疫遺傳算法一些缺點如：早熟收斂、固定交叉率、搜索過程緩慢、種群進化停滯不前等，研究提出將 “淘汰保留”和自適應方法的加入免疫遺傳算法。

1.2.1 “淘汰保留”方法

陷入局部最優(yōu)是遺傳算法的最大問題，為了防止當前種群的最優(yōu)個體在下一代丟失，而不能收斂到全局最優(yōu)解。把群體在進化過程中迄今出現(xiàn)的精英個體保留，直接復制到下一代，不配對交叉，其它個體進行配對交叉淘汰，就是“淘汰保留”方法。

這種“淘汰保留”方法，保留最優(yōu)個體，添加精英個體取代新一代群體中適應度值最小的個體，淘汰是適應度值大的個體。保持適應度值每一代都能夠單調(diào)遞增，保持了種群個體染色體多樣性的特點，算法在整體搜索能力上提高，使算法具有了全局的收斂性能。

1.2.2自適應方法

免疫遺傳算法的控制參數(shù)中影響遺傳算法行為和性能的關鍵是，交叉概率和變異概率的選擇，他們直接對算法收斂性的影響。交叉率[PC]直接影響新個體產(chǎn)生的速度，[PC]值越大，產(chǎn)生速度越快，但是取值不能過大，防止群體的優(yōu)良特性破壞；若[PC]值過小，個體的搜索速度會過慢。變異率[PM]越大，種群的多樣性越好，早熟的發(fā)生可能性就會越小，但[PM]較大會使個體方向改變，搜索擴大范圍，進化的速度變慢；[PM]過小，產(chǎn)生新個體與抑制早熟的能力會較差，變異操作的效果變差。

根據(jù)個體適應度與當前群體進化的情況，自動改變[PC]和[PM]，就是自適應調(diào)節(jié)方法的關鍵。

調(diào)節(jié)[PC]、[PM]增加的情況是種群中的個體適應度集中一致或趨向于局部最優(yōu)；令[PC]、[PM]減少的情況是，適應度不集中，分散。同時個體中的適應值高于群體平均適應值的個體，賦予較低的[PC]、[PM]值；而個體中的適應度值低于平均適應值，就賦予較高的[PC]、[PM]值。交叉率和變異率的自適應變化，使算法具有更高的全局最優(yōu)性、效率、魯棒性。

參考文獻：

[1] 楊陽；胡玉蘭主成分分析的紅外與可見光圖像特征融合[J].沈陽理工大學學報，2012（3）.

[2] 王大偉.基于特征級圖像融合的目標識別技術研究[D].中國科學院，2010.

[3] 趙秀平.基于免疫遺傳算法的QoS組播路由算法 [D]. 中南大學，2008.

[4] 江斌.人工免疫算法的基礎研究及其應用[D].中南大學，2008.

[5] 劉國聯(lián)，譚冠政，何燕，等.基于改進的人工免疫算法的函數(shù)優(yōu)化[J].計算機仿真，2008（6）.