题目：混合粒子群优化算法在图像融合中的应用

作为信息融合重要分支的图像融合，是把来自不同传感器或同一传感器不同时刻的多幅源图像进行有效整合，充分利用图像中的冗余信息和互补信息，产生一幅满足特定应用需要的新图像。图像融合的目的是对多幅图像进行有效的信息提取与综合，从而获得对同一场景或目标信息更准确、更全面、更可靠的描述。图像融合技术已广泛应用于遥感、医学图像处理、自动目标识别、智能机器人、军事、计算机视觉等领域，因此对图像融合技术的研究有着重要意义。图像融合方法都有其相应的阈值和参数，选择的阈值和参数值不同得到的融合效果也不尽相同。而这些对融合算法性能有极大影响的阈值和参数通常依赖主观经验来配置，很难达到最优的融合效果。针对阈值和参数优化问题进行深入研究，具有深刻的实际意义。
粒子群优化（Particle Swarm Optimization，PSO）算法与其它演化算法相似，也是一种基于群智能的优化方法，由Kennedy和Eberhart于1995年提出。粒子群优化算法概念简单、容易实现且功能强大，已成为国际演化计算界研究的热点。本文首先对粒子群优化算法进行了深入研究，分析了算法的原理、基本步骤、参数设置和应用步骤等内容。针对PSO算法早期收敛速度快，后期搜索精度低等缺点，研究分析了几种改进的粒子群优化算法，且在绪论中简要地介绍了近年几种粒子群优化算法在图像融合的应用。其次对图像融合进行了研究，对其典型算法、主客观评价指标和融合规则进行了总结分析。
针对图像融合问题，本文提出了一种基于图像分块的小波图像融合方法，并将免疫粒子群优化搜索策略应用于图像融合子块寻优中，将图像子块作为粒子，以寻求最优组合分块形成的融合图像，免疫粒子群优化算法是把免疫系统的免疫信息处理机制引入到粒子群优化算法中，改善了粒子群优化算法摆脱局部极值点的能力；又将自组织粒子群优化算法应用于基于区域能量的图像融合方法中，将阈值作为粒子，以寻求最优阈值形成的融合图像，自组织粒子群优化算法全面考虑了对算法性能有影响的参数(加速因子和惯性权重)，根据自适应地调整加速因子和惯性权重，组织粒子分别跟踪局部优化区域和全局优化区域，改善了粒子群优化算法的过早收敛。本文方法与已有的融合方法进行比较分析，取得了很好的融合效果，对图像融合的研究与发展有重要意义。与标准粒子群相比，这两种混合粒子群优化算法的收敛性能和达优率更好。