畢軍濤 丁喜綱

摘要：隨著計(jì)算機(jī)視覺應(yīng)用領(lǐng)域的不斷發(fā)展，對其結(jié)果精準(zhǔn)度需求在不斷提升，因此對基于粒子群算法的復(fù)雜圖紋理特征提取方法進(jìn)行研究。在研究過程中，以粒子群復(fù)雜圖紋理特征提取模型為基礎(chǔ)，對復(fù)雜圖紋理特征統(tǒng)計(jì)后，對其中復(fù)雜圖紋理進(jìn)行分類處理，同時(shí)實(shí)現(xiàn)對結(jié)果最近鄰復(fù)雜圖紋理分類，并對其進(jìn)行優(yōu)化。根據(jù)實(shí)驗(yàn)可以看出粒子群提取方法相對于傳統(tǒng)提取方法具有更低的錯(cuò)誤率。

關(guān)鍵詞：粒子群;算法;圖紋理;特征

中圖分類號： TP3? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2019）18-0181-02

紋理作為人類視覺對物體的一種感知形式，其主要是對圖像圖像像素或顏色變化，但與圖像灰度與顏色特征不同，圖紋理通過與周圍空間鄰域與像素分布進(jìn)行表現(xiàn)，從而構(gòu)成全局紋理信息[1]。大小、顏色、形狀以及問題等物體性狀共同構(gòu)成了圖像的重要特征，人類視覺主要以此為根據(jù)，依據(jù)主觀經(jīng)驗(yàn)來區(qū)分物體的類別及其屬性。因此，圖像中紋理可表征圖像中具體場景與物體類別，從而區(qū)分不同種類物體。人類可以通過視覺系統(tǒng)對不同紋理類別中的圖像或場景進(jìn)行快速辨別，對物體進(jìn)行識別。但計(jì)算機(jī)系統(tǒng)想要實(shí)現(xiàn)上述功能則需要對復(fù)雜問題圖像進(jìn)行自動(dòng)識別，其復(fù)雜圖紋理主要利用計(jì)算機(jī)技術(shù)與算法對圖像多類紋理按照相似度進(jìn)行自動(dòng)分類，對于未識別問題按照算法規(guī)則進(jìn)行歸類[2]。隨著近些年來計(jì)算機(jī)技術(shù)的發(fā)展，計(jì)算機(jī)識別技等技術(shù)快速發(fā)展，計(jì)算機(jī)視覺領(lǐng)域也向著紋理特性識別為主要發(fā)展方向。紋理分類可根據(jù)紋理不同特征對其進(jìn)行分類，目前這一技術(shù)已經(jīng)廣泛應(yīng)用于農(nóng)業(yè)、工業(yè)、醫(yī)療、軍事等領(lǐng)域[3]。因此對基于粒子群算法的復(fù)雜圖紋理特征提取方法進(jìn)行研究，從而為復(fù)雜圖紋理發(fā)展提供可靠依據(jù)。

1 粒子群復(fù)雜圖紋理特征提取方法

1.1 粒子群復(fù)雜圖紋理特征提取模型

根據(jù)粒子群復(fù)雜圖紋理特征提取需求，結(jié)合粒子群優(yōu)化，從而實(shí)現(xiàn)粒子群復(fù)雜圖紋理特征提取模型。根據(jù)粒子跟蹤目標(biāo)，自然形成全局最優(yōu)解，將最優(yōu)解軌跡視為迭代搜索的全局信息最優(yōu)軌跡，從而實(shí)現(xiàn)信息不斷保存并對新知識空間更新，以及知識解演化[4]。通過進(jìn)一步求解指導(dǎo)，以及空間與知識空間的雙重演化影響，讓其具有更好的全局搜索能力。粒子群復(fù)雜圖紋理特征提取模型，如圖1所示：

1.2 復(fù)雜圖紋理特征統(tǒng)計(jì)

以模型為基礎(chǔ)，假設(shè)復(fù)雜灰度紋理圖像其大小為[nx×ny]，其灰度為[n1]，根據(jù)像素灰度值及像素點(diǎn)坐標(biāo)對應(yīng)關(guān)系以[τ=f（x，y）]來描述圖像，其曲線圖像即為圖像函數(shù)圖[5]。其中，若為像素點(diǎn)位置坐標(biāo)，則[（x，y）∈1，2，…，nx1，2，…，ny]，[τ∈0，1，2，…，n1-1]。模型中圖像函數(shù)受到三維立體空間限制。其公式為：

1.3 復(fù)雜圖紋理分類

以模型為基礎(chǔ)，根據(jù)不可測有效狀態(tài)，考慮到初始化狀態(tài)概率與狀態(tài)轉(zhuǎn)移概率矩陣以及狀態(tài)關(guān)聯(lián)概率密度函數(shù)，將其應(yīng)用于復(fù)雜圖紋理分類算法。對于圖紋理圖像，對其圖像中重要特征進(jìn)行自然順序排列。每個(gè)圖像從左到右被看作一個(gè)狀態(tài)，將其狀態(tài)結(jié)構(gòu)與非零轉(zhuǎn)移概率a結(jié)合，其分類如圖2所示：

1.4 最近鄰復(fù)雜圖紋理分類

將圖紋理中的每個(gè)元素Z與訓(xùn)練樣本特征C的每個(gè)特征矩陣對應(yīng)值相乘，則得到[Z·C]，同樣，針對Z與測試樣本TX的每個(gè)特征矩陣相稱，得到[Z·TX]，然后利用K階近鄰分類器進(jìn)行分類。其測試樣本特征矩陣為：

1.5 圖紋理粒子群優(yōu)化

在計(jì)算中，將每個(gè)優(yōu)化問題作為搜索空間中的“粒子”。系統(tǒng)通過粒子群中的信息共享，從而實(shí)現(xiàn)當(dāng)前空間中最優(yōu)最優(yōu)粒子的最佳位置搜索。

當(dāng)Y對每個(gè)元素賦予優(yōu)化權(quán)值時(shí)，在保證特征個(gè)數(shù)的情況下，需要確保突出特征中有用元素的作用，因此特征維數(shù)與粒子維數(shù)相等。隨機(jī)對粒子群中粒子進(jìn)行初始化，若第i個(gè)粒子初始位置為[Zi=Zi1，Zi2，…，Zim（i≤N）]，粒子維數(shù)為m，速度為[Vi=Vi1，Vi2，…，Vim，1≤i≤N]。為防止目標(biāo)越界情況出現(xiàn)，對粒子位置限制于[-0.5≤Zij≤0.5]，其速度范圍限制于[0≤Vij≤1]。因此，第i個(gè)粒子適應(yīng)函數(shù)x為：

2 仿真實(shí)驗(yàn)

2.1 實(shí)驗(yàn)準(zhǔn)備

為驗(yàn)證粒子群復(fù)雜圖紋理特征提取方法有效性，其仿真樣本采用標(biāo)準(zhǔn)數(shù)據(jù)集benchmark datasets中的Breastcance數(shù)據(jù)集。實(shí)驗(yàn)采用280組數(shù)據(jù)樣本，并將其分為兩類，隨機(jī)對每組的140組數(shù)據(jù)進(jìn)行特征提取結(jié)果分析。其中一組利用粒子群復(fù)雜圖紋理特征提取方法，另一組利用傳統(tǒng)復(fù)雜圖紋理特征提取方法機(jī)械能處理，將結(jié)果中錯(cuò)誤率作為評價(jià)標(biāo)準(zhǔn)。

2.2 實(shí)驗(yàn)結(jié)果

根據(jù)表1可以看出，傳統(tǒng)特征提取與粒子群特征提取主分量對應(yīng)參數(shù)值與分類錯(cuò)誤率存在一點(diǎn)差距。在同類分類效果下，傳統(tǒng)特征提取方法時(shí)間遠(yuǎn)遠(yuǎn)大于粒子群特征提取方法。而在同樣時(shí)間下，粒子群特征提取方法錯(cuò)誤率遠(yuǎn)遠(yuǎn)低于傳統(tǒng)特征提取方法，因此可以看出本文提出方法更加適合用于復(fù)雜紋理特征提取。

3 結(jié)束語

粒子群復(fù)雜圖紋理特征提取方法作為一種新進(jìn)化算法，根據(jù)進(jìn)化過程提取相關(guān)知識對進(jìn)行指導(dǎo)搜索，對整體特征提取過程進(jìn)行簡化，從而提高搜索效率。粒子群算法具有計(jì)算簡單、魯棒性好等優(yōu)點(diǎn)，將其應(yīng)用于復(fù)雜圖紋理特征提取，能夠有效克服傳統(tǒng)算法中容易陷入局部最優(yōu)解的缺點(diǎn)，增強(qiáng)全局搜索能力與群多樣性缺陷。通過實(shí)驗(yàn)可以證明，基于粒子群算法的復(fù)雜圖紋理特征提取方法具有更優(yōu)化結(jié)果。

參考文獻(xiàn)：

[1] 張麗娟. 視覺傳達(dá)下多幀影視圖像特征實(shí)時(shí)跟蹤仿真[J]. 計(jì)算機(jī)仿真， 2017， 34（9）：179-182.

[2] 趙蓉， 史紅梅. 基于高階譜特征提取的高速列車車輪擦傷識別算法研究[J]. 機(jī)械工程學(xué)報(bào)， 2017， 53（6）：102-109.

[3] 基于粒子群優(yōu)化的改進(jìn)EMD算法在軸承故障特征提取中的應(yīng)用[J]. 振動(dòng)與沖擊， 2017， 36（16）：182-187.

[4] 時(shí)培明， 梁凱， 趙娜，等. 基于深度學(xué)習(xí)特征提取和粒子群支持向量機(jī)狀態(tài)識別的齒輪智能故障診斷[J]. 中國機(jī)械工程， 2017， 28（09）：1056-1061.

[5] 姜國權(quán)， 楊小亞， 王志衡，等. 基于圖像特征點(diǎn)粒子群聚類算法的麥田作物行檢測[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2017， 33（11）：173-178.

【通聯(lián)編輯：張薇】