蚁群算法在海面图像识别系统中的应用

郭 苹

(丽水职业技术学院，浙江 丽水323000)

0 引 言

在现代海洋开发中，对图像的有效识别是整个开发过程的关键步骤之一。在现有图像识别系统中，遗传算法、神经网络、蚁群算法［1］等智能算法已在图像处理领域得到应用。同时，在海上图像识别系统中，由于海面环境的不稳定性及海面噪声的影响，对海面图像的特征全局搜索往往更加困难，图像识别率降低。

在现有的一系列智能算法中，蚁群算法具有很好的全局搜索及自适应反馈能力，同时算法本身的鲁棒性较好，因此在现代图像识别领域，利用蚁群算法对图像的特征进行全方位的搜索进而实现对图像的识别得到广泛应用。

本文在研究现有蚁群算法及其关于海面图像纹理特征提取原理的基础上，将蚁群算法应用到海面图像识别系统中，提出一种新的对海面图像特征提取的有效的蚁群算法，从而实现了对海上图像的有效识别。最后对新的算法进行试验仿真，通过仿真表明该算法不仅具有较低的算法复杂度并且图像识别率较高。

1 蚁群算法原理

1.1 理想状态模型

蚁群算法是以蚂蚁觅食过程中的行为为研究对象的一种算法，绝大多数种类的蚁群在觅食过程中都表现出一种自组织的路径选择模式，Deneubourg利用数学建模方法［2］模拟了其觅食过程。在其模型中，蚂蚁和实物之间有2 条相等距离的路径可选择，每条路径对蚂蚁没有特殊的信息进行指引，所以每条路径被选择的概率相等。当初始时人为引入了波动，则一条路径被蚁群选择的概率更大，由此通过的蚂蚁在这条路径遗留的信息痕迹越多，那么必然将会引起更多的蚂蚁选择这条路径。

在理想模型中，不考虑信息浓度的自然挥发，则经过这条路径的蚂蚁数量与遗留的信息浓度成正比。这里，假设Ai及Bi分别代表前i个蚂蚁最终到达觅食终点时，分别经过路径A 及B的数量，则下一只蚂蚁选择不同路径的概率为:

式(1)是理想模型中蚂蚁选择概率公式，式中参数n 表示了概率的非线性特性，参数k 表示了其他不同的路径。上述公式基于实际经验推广得知，在实际中，参数n ≈2，k ≈20，下一只蚂蚁选择不同路径的公式如下:

式中:Ai+Bi=i;δ 为均匀分布在［0，1］之间的随机数。

图1 蚁群觅食路径搜索模型Fig.1 The model of ant colony foraging path searching

由蚂蚁觅食路径相等的理想模型可以扩展到路径不等的模型中。如图1所示，当蚂蚁经过较短的路径觅食时，回到蚁穴的时间也就越短，则滞留在路径信息浓度也就越高，后续经过这条路径的蚂蚁数量增加较快。

1.2 非理想状态模型

在现实觅食环境中，由于信息要素挥发、扩散等自然因素的影响，在实际的蚁群算法中按照经验引入了信息浓度的扩散特性，避免了理想状态下搜索算法的局部最优特性，如图2所示。

此模型中，符号E 表示蚁穴，符号A 表示觅食区，蚂蚁运动速度为1个单位，并且单位时间假设有30 只蚂蚁从A 向E 出发，一共有ABCDE和ABFDE 两条路径可选择，长度分别为3和4。假设在时刻t=0 ，还没有信息素，则各路径被选择的概率相等，由于路径BFD 是BCD 长度的2 倍，所以此时遗留在BCD 上的信息浓度是BFD的2 倍;到了t=1 时刻，下一批30 只蚂蚁按照信息浓度进行选择，则各路经的蚂蚁数量如图2(c)所示，整个过程即完成了由初始的随机选择到自适应选择的更新。

2 基于蚁群算法的纹理图像识别

2.1 图像纹理特征函数

对图像纹理特征［3-4］进行分析，方法模型分析法、构造法、信号分析法及统计法。由于海面图像的随机性及不稳定性，这里我们选择统计法，所以对于海面图像的各特征函数提取就成为整个识别系统中首要因素。在本文的算法中，共确定了4个图像特征函数作为图像识别的判断条件，公式如下:

式中:BA，BC，Bl，b4分别为海面图像的自相关特征函数、斜方差特征函数、惯性矩特征函数及整个图像的梯度矩阵特征函数;a，b 为图像对角点的不同灰度值;P(a，b)为点a和点b 之间的概率密度值;G(i，j)和T(i，j)分别为图像的梯度矩阵和方差矩阵;GT(i，j)为联合矩阵;m × n 为整个图像的大小。

2.2 改进型蚁群类聚算法

把具有不同种类的蚂蚁进行分类，其信息数据的类聚中心可以模拟为最终的觅食区。而类聚的过程则可以看做不同种类蚂蚁进行觅食的中间态过程，令X={Xi| Xi=(xi1，xi2，…，xim)，i=1，2，…，N}为需要进行类聚的数据集，则

式中:dij为类聚数据Xi与Xj之间的欧氏归一化距离;P 为归一化系数，由具体环境决定;r 为数据集类聚半径;ε 为结果均方差。在此，假设τij(t)为路径i 到j 之间的信息浓度，并且设初始时刻信息浓度τij(0)=0，则任意时刻路径i 到j 之间的信息浓度可表示为:

数据集Xi是否和Xj归并的表达式如下:

式中S={Xs| dsj≤r，s=1，2，…，j，j+ 1，N}，如果pij(t)≥p0，则Xi合并到Xj的相邻域中。

同时，令CJ={Xk| dkj≤r，k=1，2，…，J}，其Cj代表所有可以归并的数据集，则新的类聚中心为:

2.3 基于蚁群类聚算法的海上图像识别

在对图像实现识别时，首要步骤就是对图像的特征值进行提取。在改进型的蚁群类聚算法中，选取一定数量的海上图像，并进行特征函数的提取，使之作为整个数据集的中心。需要对算法各参数进行初始化的变量有N，m，r，a，β，τij(0)=0，p0，M。其中:N 为蚂蚁的数量，即需要进行训练［5］的图像数量;m 为特征值的维数，这里取2;r 为类聚中心的半径，由具体需要识别的海面图像及环境所确定;p0=0.6;M 为蚁群觅食区的数量，也即类聚中心的数量，同样是需要识别图像类别的数量。

由2.2 节所述，式(7)为各类别单只蚂蚁距离其类聚中心的计算表达式;式(8)为其觅食路径的信息浓度变化值;式(9)则给出了路径Xi到Xj的合并概率pij，并给出了判断阀值p0=0.6，pij> 0.6则说明条件成立，路径Xi可以归并至Xj域，否则不能进行归并;式(10)对之前计算的类聚中心进行修正，得到新的类聚中心，再重新对式(1)～式(3)的各参数进行迭代，直至最后根据式(10)计算出的类聚中心数值恒定。

另外，本文对图像特征函数进行加权处理，在识别过程中，函数的特征值可以模拟为单个路径上遗留的信息浓度，并且在此假设其浓度值与路径的距离成反比。

整个过程的算法流程如图3所示。

图3 基于蚁群算法的海上图像识别流程图Fig.3 The flow of sea image recognition based on ant colony algorithm

3 算法仿真及分析

以海洋纹理图像作为需要识别目标的背景，选取64 幅分辨率为1024 ×1024的图像。在初始化阶段，对各图像按照每8个点进行重复采样来保证算法有足够的训练图像。采样后，图像的分辨率为256 ×256，这样一共得到8 698 幅图像，选择其中的1 024 作为训练图像。

由于其强大的矩阵及向量处理功能，本次实验利用Matlab 作为其仿真工具。对于海面图像识别最关键的性能指标为识别时间及识别率，由于现有的处理器技术及内存芯片的飞速发展，算法的内存利用率及复杂度已不再是考虑的主要因素，所以本文重点给出了改进前及改进后的蚁群算法在图像识别率上的比较结果，如表1所示。

表1 识别率比较表Tab.1 The comparison table of image recognition rate

4 结 语

在现代海面图像识别技术中，各种智能处理算法已经得到了较为广泛的应用。蚁群算法由于具有较好的全局搜索能力及其自适应反馈能力，并且算法实时性也能满足现代海上系统的要求而得到广泛应用。

本文在分析了现有的蚁群算法数学原理的基础上，将蚁群算法应用到海面图像识别系统中，通过对海面图像纹理特征提取的分析，提出了一种新的对海面图像特征提取的有效的蚁群算法，从而实现了对海上图像的有效识别。最后通过实验，比较了改进前后的算法识别率，结果表明该算法相比较于传统算法对图像识别率较高，有较好的应用价值。

［1］SILVA R M A，RAMALHO G L.Ant system for the set covering problem［J］.IEEE International Conference on Systems，Mam，and Cybernetics，2001(5):3129-3133.

［2］MNAIEZZO V，CARBONARO A.An ants heuristic for the frequency assignment problem［M］.Proceedings of MIC＇99，1999:927-935.

［3］王艳萍.实时视频图像相关跟踪的算法的改进与实现［J］.舰船科学技术，2004，26(6):57-62.WANG Yan-ping.Improvement and implement of real time video image correlation track［J］.Ship Science and Technology，2004，26(6):57-62.

［4］王国富，陈良益，马彩文.舰载经纬仪连续帧图像目标快速识别算法研究［J］.舰船科学技术，2007，29(10):73-75.WANG Guo-fu，CHEN Liang-yi，MA Cai-wen，Study of fast identification for series image of carrier-borne theodolite［J］.Ship Science and Technology，2007，29(10):73-75.

［5］WHITE T，PAUGREK B.Towards multi-swarm problem solving in networks ［C］//Proc.Third International Conference onmulti-Agent Systems，1998:333-340.