题目：群体智能算法在图像匹配中的应用

图像匹配是通过一定算法在搜索图像(也称匹配图像)中寻找模板图像(也称目标图像)相应或相近位置的过程。它是图像分析和计算机视觉的关键环节之一，在机器人视觉、目标跟踪、自动导航、运动分析、文字识别等领域发挥着十分重要的作用。几十年来，国内外研究者在图像匹配方面做了大量研究工作，尽管目前已产生了上百种图像匹配方法，但是这些方法在匹配精度、匹配速度、通用性和鲁棒性等方面尚不完善。
本文利用群体智能优化算法中的人工鱼群算法和人工蜂群算法等新型智能群体，讨论匹配速度快、鲁棒性强的图像匹配新算法和新技术，主要工作包括：
1)研究、分析现有的图像匹配方法的原理和优缺点。重点是基于群体智能算法的图像匹配方法——基于粒子群算法的图像匹配方法和基于遗传算法的图像匹配方法。
在传统图像匹配方法，一般采用遍历寻优法。遍历寻优所需的庞大计算量对匹配速度是致命的缺陷。因此，研究者努力探索一些快速的寻优算法。遗传算法(Genetic Algorithm，简称GA)和粒子群算法(Particle Swarm Optimization，简称PSO)就是其中两种应用较为广泛的快速寻优算法。目前，基本的或是改进的遗传算法以及粒子群算法已经在图像匹配算法中取得了广泛应用，也取得了显著效果。
2)讨论分析了一种新的群体智能优化算法——人工蜂群算法(Artificial Bee ColonyAlgorithm，简称ABCA)，并将之引入到图像匹配，以提高图像匹配速度；同时，将灰色理论引入到基于灰度的图像匹配方法中，构造基于直方图信息和灰色关联度的适应度函数，最后，提出一种新的图像匹配算法——基于灰色关联分析和ABCA的快速图像匹配算法(GABCA)。
自然界中，人工蜂总能快速、准确地发现花蜜量较大的蜜源，表现出较强的群体寻优能力。同样，图像匹配也是在众多待匹配点中寻找最佳匹配点。因此，将人工蜂群算法用于图像匹配具有可行性和寻优优势。实验结果显示，GABCA算法提高了匹配速度和匹配精度，且抗噪性较好。
3) 讨论分析了一种新型的群体智能优化算法——人工鱼群算法(Artificial Fish Swarm Algorithm，简称AFSA)，并对之进行改进；同时，结合小波分解提出一种基于小波分解和改进人工鱼群优化算法的快速图像匹配算法(WAFSA)。

人工鱼群是一个行为自治的智能群体。虽然它们不具备人的复杂的逻辑推理能力和综合判断能力，但它们能通过简单的个体行为和简单的、特殊的交流达到快速、准确发现优质食物源的目的。基本人工鱼算法是鱼群中的个体随机分布在某一区域内，随机地在各自视野范围内寻找食物源，鱼群优化了初始种群的分布，使人工鱼均匀地分布在搜索图像中，提高全局搜索能力，此外采用自适应步长和视野范围，提高匹配速度；实验结果显示，WAFSA算法在匹配速度、匹配精度和抗噪性方面有明显改善。