孫永盛 劉 鎮(zhèn)

（江蘇科技大學(xué)計(jì)算機(jī)學(xué)院 鎮(zhèn)江 212000）

1 引言

隨著計(jì)算機(jī)計(jì)算能力的提升與人工智能的發(fā)展，利用計(jì)算機(jī)模擬人眼的視覺(jué)注意機(jī)制，已成為計(jì)算機(jī)視覺(jué)領(lǐng)域重要的研究方向之一。圖像的顯著性檢測(cè)是指通過(guò)建立圖像顯著性檢測(cè)模型，準(zhǔn)確快速地檢測(cè)出圖像中的人眼注視區(qū)域。完整的圖像顯著性檢測(cè)模型需要充分模擬視覺(jué)注意機(jī)制，然而在實(shí)際運(yùn)用中，由于計(jì)算方法和建模方法的限制，檢測(cè)出的圖像顯著性區(qū)域與實(shí)際的人眼注視區(qū)域具有一定的差距，檢測(cè)的準(zhǔn)確度有待進(jìn)一步提高，模型的檢測(cè)速度經(jīng)常受到嚴(yán)重的影響。

卷積神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)中廣泛應(yīng)用于圖像處理領(lǐng)域的一種算法，但標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)響應(yīng)時(shí)存在的泛化能力差、收斂慢、網(wǎng)絡(luò)預(yù)測(cè)精度不高等缺陷［1］。據(jù)此，本文基于混沌策略?xún)?yōu)化的螢火蟲(chóng)算法予以改進(jìn)，優(yōu)化神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值以提高網(wǎng)絡(luò)預(yù)測(cè)性能和精度。結(jié)合圖像顯著性檢測(cè)的具體應(yīng)用建立相應(yīng)的檢測(cè)模型，該模型在檢測(cè)準(zhǔn)確度和檢測(cè)速度方面均有顯著的提高，能夠準(zhǔn)確快速地檢測(cè)出圖像的顯著性區(qū)域，并且具有廣泛的適用性。

2 卷積網(wǎng)絡(luò)的圖像顯著性檢測(cè)

卷積神經(jīng)網(wǎng)絡(luò)模型是機(jī)器學(xué)習(xí)中應(yīng)用于圖像處理領(lǐng)域中的一種經(jīng)典模型。它由特征提取層與特征映射層組成。網(wǎng)絡(luò)層由卷積層和下采樣層交替形成。卷積層和下采樣層之后，是全連接層輸出［2］。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示，若輸入圖像大小為n×n，經(jīng)過(guò)卷積層m個(gè)s×s的卷積核后，輸出m 個(gè)(n-s+1)×(n-s+1)大 小 的 圖 像，經(jīng) 過(guò) 下采樣層后輸出m個(gè)(n-s+1)/2×(n-s+1)/2的圖像，依次再經(jīng)過(guò)卷積層和下采樣層。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖1中C代表卷積層，S代表下采樣層。卷積層用來(lái)進(jìn)行特征提取，提高模型的魯棒性，公式如下：

其中表示當(dāng)前層所卷積出來(lái)的特征圖；同樣地，則表示前一層傳遞過(guò)來(lái)的下采樣層的特征圖；表示從上一層第m個(gè)特征圖到當(dāng)前層第n個(gè)特征圖的卷積核；f(x)=1/[1+exp(-x)]為激活函數(shù)。代表神經(jīng)元偏置，是卷積核與上一層特征圖譜卷積和的響應(yīng)，采用不同的卷積和則可以提取不同的特征［3］。下采樣層是對(duì)特征進(jìn)行映射，減少了特征的分辨率，節(jié)省了計(jì)算時(shí)間，增加量了模型的效率，下采樣層中的節(jié)點(diǎn)輸出可以表示為

其中表示下采樣層中采樣模板的權(quán)值，s×s表示采樣模板的尺寸。最后網(wǎng)絡(luò)形成一個(gè)全連接層輸出的最后結(jié)果，輸出公式如下：

3 標(biāo)準(zhǔn)螢火蟲(chóng)算法

螢火蟲(chóng)優(yōu)化算法（Firefly Algorithm）是一種新型仿生智能優(yōu)化算法，該算法的仿生原理為：螢火蟲(chóng)個(gè)體總是朝最近、最亮的個(gè)體移動(dòng)，未找到最近最亮個(gè)體的螢火蟲(chóng)規(guī)定其在原位置基礎(chǔ)上進(jìn)行無(wú)指導(dǎo)方向的運(yùn)動(dòng)；螢火蟲(chóng)之間的相對(duì)吸引力決定了個(gè)體的移動(dòng)距離，越亮的個(gè)體其對(duì)周?chē)灮鹣x(chóng)的吸引力越大，同時(shí)對(duì)越遠(yuǎn)螢火蟲(chóng)的吸引力越?。?］。

對(duì)于待優(yōu)化問(wèn)題，其對(duì)應(yīng)的優(yōu)化函數(shù)在定義域中的取值可以作為判斷螢火蟲(chóng)亮度高低的標(biāo)準(zhǔn)，螢火蟲(chóng)的位置對(duì)應(yīng)優(yōu)化函數(shù)在定義域中的解。亮度越高的螢火蟲(chóng)所對(duì)應(yīng)的目標(biāo)函數(shù)值越優(yōu)，隨著種群不斷進(jìn)化，整個(gè)種群不斷接近最亮的個(gè)體，最終獲得優(yōu)化函數(shù)的最優(yōu)解即對(duì)應(yīng)最亮個(gè)體位置［5］。

在螢火蟲(chóng)優(yōu)化算法中，個(gè)體i到j(luò)的距離表示為rij，一般采用歐氏距離［6］，即：

其中d代表搜索空間的維度。

由定義螢火蟲(chóng)個(gè)體i對(duì)j的吸引力和其對(duì)j的相對(duì)亮度成正比，可得螢火蟲(chóng)i對(duì)螢火蟲(chóng)j的吸引力公式表示為

式中，β0表示螢火蟲(chóng)在光源處的吸引力，在光源位置rij=0，此時(shí)螢火蟲(chóng)具有的吸引力最大，通常取β0=1，γ為光吸收系數(shù)，該參數(shù)的取值影響螢火蟲(chóng)優(yōu)化算法的搜索速度和最終尋優(yōu)質(zhì)量［7］。

螢火蟲(chóng)i相對(duì)螢火蟲(chóng)j的熒光亮度公式為

式中，Ii是螢火蟲(chóng)i的絕對(duì)亮度，對(duì)應(yīng)螢火蟲(chóng)i所處位置的目標(biāo)函數(shù)值：γ表示光吸收系數(shù)，從光學(xué)角度描述了亮度在傳播過(guò)程中會(huì)被介質(zhì)吸收，同時(shí)由于距離增加而不斷變暗，一般情況下對(duì)γ取常亮［8］。

螢火蟲(chóng)j被螢火蟲(chóng)i吸引，j向i移動(dòng)來(lái)更新原來(lái)位置，j位置更新公式為

式中，t為算法的迭代次數(shù)，xj(t+1)代表螢火蟲(chóng)j在第t+1次迭代的位置；βij表示個(gè)體i對(duì)j的吸引力：α為常數(shù)，取α∈[0，1]；rand代表隨機(jī)數(shù)，在[0，1]上服從均勻分布。

4 基于混沌化策略的種群初始化

混沌現(xiàn)象是一種普遍存在于自然界中的一種復(fù)雜隨機(jī)現(xiàn)象，它具有隨機(jī)、遍歷、規(guī)律、敏感等特性。從表面上看，混沌運(yùn)動(dòng)與隨機(jī)運(yùn)動(dòng)很相似，但是兩者存在本質(zhì)的區(qū)別?；煦邕\(yùn)動(dòng)是由于確定性的物理規(guī)律所形成的，是可以短期預(yù)測(cè)的［9］。而隨機(jī)特性是由內(nèi)在特性的外部噪聲所產(chǎn)生的?；煦鐑?yōu)化就是通過(guò)隨機(jī)、遍歷和初始值敏感等這些混沌運(yùn)動(dòng)所具有的特點(diǎn)來(lái)對(duì)隨機(jī)算法的性能進(jìn)行改進(jìn)。

在多種混沌序列的模型中，可知在混沌空間相同的條件下，由邏輯自映射函數(shù)生成的序列比logistics映射更具有遍歷性［10］。采用邏輯自映射函數(shù)生成混沌序列，如式（8）所示：

其中，為避免混沌序列出現(xiàn)全為1或0.5的情況，所以初始值不能取0和0.5，d表示D維搜索空間的第d維。

初始化混沌種群的過(guò)程［11］描述如下：

1）對(duì)于D維空間的M個(gè)螢火蟲(chóng)個(gè)體，根據(jù)邏輯自映射函數(shù)的性質(zhì)，首先初始化混沌變量，在(-1，1)區(qū)間隨機(jī)產(chǎn)生初始變量。

2）按照式（8）迭代，將邏輯自映射生成的MaxGen×D-1個(gè)混沌變量，與初始混沌變量一起對(duì)應(yīng)全部MaxGen×D個(gè)螢火蟲(chóng)個(gè)體。

3）講產(chǎn)生的混沌變量序列按變換到目標(biāo)函數(shù)的搜索空間，生成螢火蟲(chóng)初始種群的M個(gè)個(gè)體，公式如下：

式中，Lb和Ub分別表示搜索空間第d維的下限和上限，yn，d是根據(jù)式（9）產(chǎn)生的第i個(gè)螢火蟲(chóng)對(duì)應(yīng)的第d維混沌變量，xi，d為第i個(gè)螢火蟲(chóng)在搜索空間中第d維的坐標(biāo)值。

傳統(tǒng)螢火蟲(chóng)算法和基于混沌優(yōu)化策略的種群初始化效果分別如圖2所示。

圖2 傳統(tǒng)螢火蟲(chóng)算法的種群初始化效果圖

從圖2和圖3的初始化種群分布對(duì)比可以看出，采用混沌優(yōu)化策略的初始化種群，種群分布的均勻性要明顯優(yōu)于采用隨機(jī)策略的初始化種群。

圖3 基于混沌優(yōu)化策略的和群初始化效果圖

5 基于螢火蟲(chóng)算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)通常包含輸入層、隱含層和輸出層。輸入、輸出層節(jié)點(diǎn)數(shù)由訓(xùn)練樣本的輸入、輸出維數(shù)確定［12］。隱含層的節(jié)點(diǎn)數(shù)根據(jù)經(jīng)驗(yàn)公式選定。

各層之間的傳遞函數(shù)為Sigmiod函數(shù)，隱含層第j個(gè)節(jié)點(diǎn)的輸出：

式中wij為輸入層第i個(gè)節(jié)點(diǎn)到隱含層第j個(gè)節(jié)點(diǎn)的連接權(quán)值；θj為隱含層第j個(gè)節(jié)點(diǎn)的閾值；pi為隱含層第i個(gè)輸入。將隱含層輸出hj進(jìn)一步向后傳遞，相應(yīng)得到輸出層第k個(gè)節(jié)點(diǎn)的輸出［13］：

式中：wˉjk為隱含層第j個(gè)節(jié)點(diǎn)和輸出層第k個(gè)節(jié)點(diǎn)之間的連接權(quán)值；θˉ為輸出層第k個(gè)節(jié)點(diǎn)的閾值［14］。

螢火蟲(chóng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，每個(gè)螢火蟲(chóng)個(gè)體xi代表神經(jīng)網(wǎng)絡(luò)各層的連接權(quán)值wij、wˉjk和閾值θj、θˉk，個(gè)體編碼采用實(shí)數(shù)矢量形式［15］，則編碼長(zhǎng)度（即需要優(yōu)化的變量總數(shù)）由各層節(jié)點(diǎn)數(shù)N，H和O決定。

訓(xùn)練時(shí)，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度由誤差RMSE來(lái)衡量：

式中：Q為訓(xùn)練樣本數(shù)；為第i個(gè)訓(xùn)練樣本在輸出層第k個(gè)節(jié)點(diǎn)的期望輸出。

螢火蟲(chóng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，螢火蟲(chóng)每一個(gè)個(gè)體代表一個(gè)神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的性能用訓(xùn)練誤差來(lái)表示，螢火蟲(chóng)個(gè)體的適應(yīng)度值可以直接取為該個(gè)體代表的網(wǎng)絡(luò)訓(xùn)練迭代終止時(shí)的誤差值［16］。

算法流程如圖4所示。

圖4 算法流程圖

6 實(shí)驗(yàn)分析

6.1 實(shí)驗(yàn)條件及評(píng)價(jià)指標(biāo)

本文在MSAR圖像數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn)。該圖像數(shù)據(jù)庫(kù)包含動(dòng)物、植物、人等多種圖像，是顯著性檢測(cè)的常用數(shù)據(jù)庫(kù)［17］。本文中的實(shí)驗(yàn)環(huán)境為Matlab r2014b，CNN網(wǎng)絡(luò)采用五層經(jīng)典結(jié)構(gòu)。

為了體現(xiàn)顯著性檢測(cè)效果，本文采用F-Measure來(lái)評(píng)價(jià)它能夠同時(shí)考慮到檢測(cè)的準(zhǔn)確率和完全率［18］。計(jì)算公式如下：

其中，P代表示檢測(cè)的準(zhǔn)確率；R表示檢測(cè)的完全率；α用來(lái)衡量F-Measure值是側(cè)重于檢測(cè)的準(zhǔn)確率還是完全率，本文取α為0.3，表示側(cè)重于檢測(cè)的準(zhǔn)確率［19］。

6.2 結(jié)果分析

將MSAR圖像數(shù)據(jù)庫(kù)中的圖片分別在AC、FT、SF、SR四種經(jīng)典的顯著性檢測(cè)算法［20］上運(yùn)行，并與本文算法運(yùn)行結(jié)果、標(biāo)準(zhǔn)GT集對(duì)比，結(jié)果如圖5所示。

由圖6的實(shí)驗(yàn)數(shù)據(jù)結(jié)果可以看出本文算法的P，R，F(xiàn)-Measure值均高于其它四種算法，證明本文提出的顯著性檢測(cè)算法有一定的合理性和優(yōu)勢(shì)。

圖5 對(duì)比結(jié)果

圖6 實(shí)驗(yàn)數(shù)據(jù)結(jié)果

7 結(jié)語(yǔ)

本文將混沌序列用于螢火蟲(chóng)算法的種群初始化，提高了螢火蟲(chóng)算法初始種群分布的均勻性。構(gòu)建了螢火蟲(chóng)算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，優(yōu)化了神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值，提高了預(yù)測(cè)性能和精度。該模型不依賴(lài)于目標(biāo)的形狀、環(huán)境和場(chǎng)景的變化，具有較好的魯棒性。利用卷積神經(jīng)網(wǎng)絡(luò)有效地提取顯著性特征，經(jīng)過(guò)特征融合進(jìn)行顯著性檢測(cè)。結(jié)果顯示，在主觀觀測(cè)和客觀計(jì)算結(jié)果上顯著性效果均有一定的提高，顯著性結(jié)果圖片在清晰度和準(zhǔn)確度上也有一定的提高。但對(duì)比方法和本文方法都停留在單目標(biāo)無(wú)法很好地處理多目標(biāo)顯著性的檢測(cè)，后續(xù)將對(duì)多目標(biāo)的顯著性檢測(cè)進(jìn)行研究。