基于粒子群算法的複雜圖紋理特征提取方法

2019-08-08 06:23:04 電腦知識與技術2019年18期

畢軍濤 丁喜綱

摘要:隨著計算機視覺應用領域的不斷發展,對其結果精准度需求在不斷提升,因此對基于粒子群算法的複雜圖紋理特征提取方法進行研究。在研究過程中,以粒子群複雜圖紋理特征提取模型爲基礎,對複雜圖紋理特征統計後,對其中複雜圖紋理進行分類處理,同時實現對結果最近鄰複雜圖紋理分類,並對其進行優化。根據實驗可以看出粒子群提取方法相對于傳統提取方法具有更低的錯誤率。

關鍵詞:粒子群;算法;圖紋理;特征

中圖分類號: TP3      文獻標識碼:A

文章編號:1009-3044(2019)18-0181-02

紋理作爲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顔色變化,但與圖像灰度與顔色特征不同,圖紋理通過與周圍空間鄰域與像素分布進行表現,從而構成全局紋理信息[1]。大小、顔色、形狀以及問題等物體性狀共同構成了圖像的重要特征,人類視覺主要以此爲根據,依據主觀經驗來區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,從而區分不同種類物體。人類可以通過視覺系統對不同紋理類別中的圖像或場景進行快速辨別,對物體進行識別。但計算機系統想要實現上述功能則需要對複雜問題圖像進行自動識別,其複雜圖紋理主要利用計算機技術與算法對圖像多類紋理按照相似度進行自動分類,對于未識別問題按照算法規則進行歸類[2]。隨著近些年來計算機技術的發展,計算機識別技等技術快速發展,計算機視覺領域也向著紋理特性識別爲主要發展方向。紋理分類可根據紋理不同特征對其進行分類,目前這一技術已經廣泛應用于農業、工業、醫療、軍事等領域[3]。因此對基于粒子群算法的複雜圖紋理特征提取方法進行研究,從而爲複雜圖紋理發展提供可靠依據。

1 粒子群複雜圖紋理特征提取方法

1.1 粒子群複雜圖紋理特征提取模型

根據粒子群複雜圖紋理特征提取需求,結合粒子群優化,從而實現粒子群複雜圖紋理特征提取模型。根據粒子跟蹤目標,自然形成全局最優解,將最優解軌迹視爲叠代搜索的全局信息最優軌迹,從而實現信息不斷保存並對新知識空間更新,以及知識解演化[4]。通過進一步求解指導,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。粒子群複雜圖紋理特征提取模型,如圖1所示:

1.2 複雜圖紋理特征統計

以模型爲基礎,假設複雜灰度紋理圖像其大小爲[nx×ny],其灰度爲[n1],根據像素灰度值及像素點坐標對應關系以[τ=f(x,y)]來描述圖像,其曲線圖像即爲圖像函數圖[5]。其中,若爲像素點位置坐標,則[(x,y)∈1,2,…,nx1,2,…,ny],[τ∈0,1,2,…,n1-1]。模型中圖像函數受到三維立體空間限制。其公式爲:

1.3 複雜圖紋理分類

以模型爲基礎,根據不可測有效狀態,考慮到初始化狀態概率與狀態轉移概率矩陣以及狀態關聯概率密度函數,將其應用于複雜圖紋理分類算法。對于圖紋理圖像,對其圖像中重要特征進行自然順序排列。每個圖像從左到右被看作一個狀態,將其狀態結構與非零轉移概率a結合,其分類如圖2所示:

1.4 最近鄰複雜圖紋理分類

將圖紋理中的每個元素Z與訓練樣本特征C的每個特征矩陣對應值相乘,則得到[Z·C],同樣,針對Z與測試樣本TX的每個特征矩陣相稱,得到[Z·TX],然後利用K階近鄰分類器進行分類。其測試樣本特征矩陣爲:

1.5 圖紋理粒子群優化

在計算中,將每個優化問題作爲搜索空間中的“粒子”。系統通過粒子群中的信息共享,從而實現當前空間中最優最優粒子的最佳位置搜索。

當Y對每個元素賦予優化權值時,在保證特征個數的情況下,需要確保突出特征中有用元素的作用,因此特征維數與粒子維數相等。隨機對粒子群中粒子進行初始化,若第i個粒子初始位置爲[Zi=Zi1,Zi2,…,Zim(i≤N)],粒子維數爲m,速度爲[Vi=Vi1,Vi2,…,Vim,1≤i≤N]。爲防止目標越界情況出現,對粒子位置限制于[-0.5≤Zij≤0.5],其速度範圍限制于[0≤Vij≤1]。因此,第i個粒子適應函數x爲:

2 仿真實驗

2.1 實驗准備

爲驗證粒子群複雜圖紋理特征提取方法有效性,其仿真樣本采用標准數據集benchmark datasets中的Breastcance數據集。實驗采用280組數據樣本,並將其分爲兩類,隨機對每組的140組數據進行特征提取結果分析。其中一組利用粒子群複雜圖紋理特征提取方法,另一組利用傳統複雜圖紋理特征提取方法機械能處理,將結果中錯誤率作爲評價標准。

2.2 實驗結果

根據表1可以看出,傳統特征提取與粒子群特征提取主分量對應參數值與分類錯誤率存在一點差距。在同類分類效果下,傳統特征提取方法時間遠遠大于粒子群特征提取方法。而在同樣時間下,粒子群特征提取方法錯誤率遠遠低于傳統特征提取方法,因此可以看出本文提出方法更加適合用于複雜紋理特征提取。

3 結束語

粒子群複雜圖紋理特征提取方法作爲一種新進化算法,根據進化過程提取相關知識對進行指導搜索,對整體特征提取過程進行簡化,從而提高搜索效率。粒子群算法具有計算簡單、魯棒性好等優點,將其應用于複雜圖紋理特征提取,能夠有效克服傳統算法中容易陷入局部最優解的缺點,增強全局搜索能力與群多樣性缺陷。通過實驗可以證明,基于粒子群算法的複雜圖紋理特征提取方法具有更優化結果。

參考文獻:

[1] 張麗娟. 視覺傳達下多幀影視圖像特征實時跟蹤仿真[J]. 計算機仿真, 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]. 機械工程學報, 2017, 53(6):102-109.

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

[4] 時培明, 梁凱, 趙娜,等. 基于深度學習特征提取和粒子群支持向量機狀態識別的齒輪智能故障診斷[J]. 中國機械工程, 2017, 28(09):1056-1061.

[5] 姜國權, 楊小亞, 王志衡,等. 基于圖像特征點粒子群聚類算法的麥田作物行檢測[J]. 農業工程學報, 2017, 33(11):173-178.

【通聯編輯:張薇】