PAM优化算法在图像检索中的应用研究

邓浩

摘 要：随着计算机视觉技术和图像处理技术的迅速发展，图像的检索也从简单的文本信息查询发展到复杂的基于内容的图像检索，这是一个从低级到高级发展的过程。文章主要以基于内容的图像检索方法为研究对象，来分析一种基于烟花粒子群算法的优化PAM算法在图像检索中的应用。

关键词：图像检索；PAM算法；烟花粒子群算法；聚类算法

图像的检索问题，自20世纪70年代便开始得到研究。由于计算机技术的发展水平限制，当时出现的图像检索技术主要是基于文本的图像检索技术，即TBIR技术。检索的方法主要是通过对图像性的文本描述来进行检索的，比如图像作品的作者、年代、大小尺寸以及作者的流派等。20世纪90年代以后，出现了基于内容的图像检索技术，即CBIR技术。检索的方法主要是通过对图像的颜色特征、纹理特征或布局特征来进行检索的。本文主要以基于内容的图像检索为研究对象展开探讨。

1 基于内容的图像检索流程

基于内容的图像检索方法不同于基于文本的检索方法，不仅是因为其难度增加，最重要的区别是，基于内容的图像检索可以把图像作为检索对象进行输入，从而检索出与目标图像有类似内容的结果图像。在此过程中，其实也用到了图像的近似匹配技术、机器视觉技术及图像处理技术等相关技术，甚至还涉及图像数据库等相关研究领域的技术成果。

在进行基于内容的图像检索前，要做好两个方面的准备工作，一方面是要获取图像数据库的基本特征，另一个方面是要建立好图像数据库的索引。当然为了提高检索的效率，克服人工建立索引的主观误差，这两方面的准备工作一般都是由系统自动完成。具体的图像检索流程如图1所示。

2 图像检索过程中的特征提取

在进行图像检索的过程中，我们需要获取图像的特征信息，如颜色、纹理和形状。

2.1 图像的颜色特征

目前主流的颜色模型主要有两种，一种是RGB颜色模型，一种是HSV颜色模型。两种模型各有特点，前者可以直接用像素来表示，非常方便，但是和人的视觉相比差别较大。后者主要是通过使用色相、饱和度以及亮度来表示，此种颜色模型可以直接看出色彩的相关信息，非常适合颜色之间的对比。同时，这种颜色模型和人的视觉更为接近。不管使用哪种颜色模型，都可以用颜色直方图或颜色矩阵来表达颜色的特征向量。其中，颜色直方图取决于每个颜色通道和整个圖像颜色通道的比重，而颜色矩阵则是使用概率的方法来描述的，比如均值、方差或偏度等概率分布的方法。

2.2 图像的纹理特征

如果要准确地表达出物体的表面特征信息，一般都采用纹理特征来描述。虽然纹理特征的描述方法很多，本文主要使用的是灰度共生矩阵法来进行纹理描述。

2.3 图像的形状特征

图像的形状特征描述方法不是特别多，目前常用的主要有两种，一种是几何不变矩描述法，一种是傅立叶描述法。其中前者主要是描述区域特征的，而且还是一种非常重要的方法。早在1962年，就有人开始使用此种方法来表示图像的形状特征。而后者主要是一维变换，通过计算边界上点的复数来表示图像的形状特征。

3 PAM优化算法在基于内容的图像检索中的应用

3.1 粒子群算法

早在1995年，粒子群算法作为一种群智能算法中的优秀代表被提了出来。此种算法的关键在于粒子群内粒子之间的信息交流和协同合作，通过这两种方法来实现寻找最优的解决方法。最初只是一群随机分布的粒子，然后让粒子通过对信息交流的结果进行学习，从而寻找最优解，另外在每一次的更新过程中，粒子要向更新前找到的最优解学习，从而调整自己的位置，最后找到最终的结果。其算法流程如图2所示。

3.2 基于烟花粒子群的优化PAM算法

3.2.1 烟花算法

烟花算法是在2010年提出来的一种优化算法，它主要是通过烟花爆炸产生的火花和半径来对调整探索种群全局或局部的能力。因为在烟花算法中，每一次制造的火花个数是有特定规律的，同时爆炸的半径大小也是有特定规律的。根据规律，函数值好的粒子一般可以在非常短的半径内制造出非常多的火花，这种粒子通常被用于局域探索。函数值较差的粒子可以在较长的半径内制造出非常少的火花，这种粒子则被用于全局寻优。

3.2.2 烟花粒子群算法

粒子群算法在实际应用过程中，特别是在图像检索方面，存在一些寻优能力不足的问题。为了在图像检索方面得到最佳性能，本文提出了一种粒子群算法和烟花算法相结合的烟花粒子群算法。优化后的烟花粒子群算法即PS0-FWA算法，可以实现局部探索和全局探索之间的平衡问题，从而避免了局部探索达到最佳值而全局探索的效果却非常差的情况。这样便可以得到整个探索空间中寻优的最佳解。

在整个烟花粒子群算法执行过程中，先使用粒子群算法进行最佳解的探索。在N代探索后，为了防止单独局部最佳解的产生，先使用烟花算法的火花爆炸效果产生新的种群粒子，然后再进行寻优求解，最终求得整个探索空间的最佳解。

综上所述，优化后的烟花粒子群算法，其整个算法实现的流程为：

（1）确定个体规模进行单个粒子的第一步散布。（2）对每个粒子进行适应度计算并适时更新Pbest，Gbest。（3）利用粒子群算法实现小组迭代进化，循环N次。（4）借助烟花算法计算每个粒子的适应度，从而算出其火花数目及爆炸半径。（5）产生新的种群粒子。（6）对循环次进行判断，如果已完成就输出最终结合，如果未完成则重新开始循环。

3.3 优化后的PAM算法在基于内容的图像检索中应用

3.3.1 优化后PAM算法的图像检索流程

根据上述优化后PAM算法，为了达到对图像检索的最佳效果，其检索流程需要按照如下步骤进行。

（1）将待搜索的图像数据库中的所有目标图像的颜色特征信息进行收集，并存入指定的数据库。（2）使用本文提出的优化后的PAM算法对待搜索的图像数据库中的目标颜色特征信息进行聚类。（3）将查询目标图像的颜色特征信息与聚类的颜色特征信息进行对比，从而确定在哪一类中进行目标图像的搜索。（4）在相应聚类中进行目标图像的查找，最后输出结果图像。

3.3.2 仿真结果

为了凸显改良后的优化算法的优势，本文在進行仿真实验时，除了使用本文提出的算法进行仿真实验外，还使用K-means图像检索方法和PSO-K-means图像检索方法进行了仿真实验，在进行仿真实验时，本文选用了Coral图像库中的20个主要分类中图像为实验对象，由于每个分类中的图像有100个，这样便有总计2 000个图像作为检索的对象，为了验证本文提出的优化算法的性能，随机抽取每类图像中的10幅进行性能计算。其检索的结果如表1所示 。

4 结语

由上述内容得知，本文提出的这种基于烟花粒子群算法在与其他图像检索算法相比之后，其性能存在一定优势，但是也存在着一定的问题。比如所用的图像数据库比较单一。有条件的话，应该在其他的图像数据库平台上进行仿真实验的验证。总之，图像处理方面的研究已经成为当前形势下重要的一门学科，其在计算机科学应用研究中的作用越来越强大。

[参考文献]

[1]张鑫.优化算法在图像处理技术中的研究[D].太原：中北大学，2018.

[2]柴琴琴，林琼斌，林双杰.基于快速粒子群算法的蒸发过程优化控制[J].过程工程学报，2017（3）：539-544.

[3]靳雁霞，张晓闻，银莉，等.融入最佳叶节点的改进粒子群算法[J].微电子学与计算机，2016（9）：64-69.

[4]朱奇光，张朋珍，李昊立，等.基于全局和局部特征融合的图像匹配算法研究[J].仪器仪表学报，2016（1）：170-176.

[5]吕莉，赵嘉，孙辉.具有反向学习和自适应逃逸功能的粒子群优化算法[J].计算机应用，2015（5）：1336-1341.

[6]朱蓉，靳雁霞，范卫华.融合优质粒子分布的粒子群优化算法[J].小型微型计算机系统，2015（3）：576-580.

[7]马娟娟，张伟，李朝锋，等.新的改进K-means算法的图像检索方法[J].微电子学与计算机，2014（12）：148-151.

Abstract：With the rapid development of computer vision technology and image processing technology， image retrieval has evolved from simple text information query to complex content-based image retrieval. This is a process from low-level to high-level development. This paper mainly uses content-based image retrieval method as the research object to analyze the application of an optimized PAM algorithm based on firefly particle swarm optimization algorithm in image retrieval.

Key words：image retrieval； PAM algorithm； firefly particle swarm optimization； clustering algorithm