20、基于遗传编程的兴趣点检测器进化合成方法解析

基于遗传编程的兴趣点检测器进化合成方法解析

在图像分析领域，兴趣点检测是一项关键任务，它对于图像匹配、目标识别等应用至关重要。本文将深入探讨使用单目标和多目标进化算法设计高效可靠的兴趣点检测器的方法。

单目标函数设计兴趣算子

单目标方法旨在通过遗传编程（GP）算法自动生成用于兴趣点检测的图像算子。传统的人工设计算子是基于对特定图像特征（如角点、斑点或边缘）的可观察属性的详细分析得出的。而这里的目标是利用一组基本图像操作来合成高性能的兴趣算子。

搜索空间

为了定义合适的搜索空间，函数集 (F) 和终端集 (T) 包含了先前提出的检测器广泛使用的操作：
- (F = { +,|+|,-,|-|,|I_{out}|,*,÷,I_{out}^2,\sqrt{I_{out}},\log_2(I_{out}),EQ(I_{out}),k \cdot I_{out},\frac{\delta}{\delta x}G_{\sigma}D, \frac{\delta}{\delta y}G_{\sigma}D,G_{\sigma=1},G_{\sigma=2} })
- (T = { I,L_x,L_{xx},L_{xy},L_{yy},L_y })

其中，(I) 是输入图像，(I_{out}) 可以是 (T) 中的任何终端以及 (F) 中任何函数的输出；(EQ(I)) 是直方图均衡化操作；(L_u) 是沿方向 (u) 的高斯图像导数；(G_{\sigma}) 是高斯平滑滤波器；(\frac{\delta}{\delta u}G_{\sigma}D) 表示高斯函数的导数；比例因子 (k = 0.05)。

虽然这些集