基于粒子群算法的复杂图纹理特征提取方法

毕军涛 丁喜纲

摘要：随着计算机视觉应用领域的不断发展，对其结果精准度需求在不断提升，因此对基于粒子群算法的复杂图纹理特征提取方法进行研究。在研究过程中，以粒子群复杂图纹理特征提取模型为基础，对复杂图纹理特征统计后，对其中复杂图纹理进行分类处理，同时实现对结果最近邻复杂图纹理分类，并对其进行优化。根据实验可以看出粒子群提取方法相对于传统提取方法具有更低的错误率。

关键词：粒子群;算法;图纹理;特征

中图分类号： TP3      文献标识码：A

文章编号：1009-3044（2019）18-0181-02

纹理作为人类视觉对物体的一种感知形式，其主要是对图像图像像素或颜色变化，但与图像灰度与颜色特征不同，图纹理通过与周围空间邻域与像素分布进行表现，从而构成全局纹理信息[1]。大小、颜色、形状以及问题等物体性状共同构成了图像的重要特征，人类视觉主要以此为根据，依据主观经验来区分物体的类别及其属性。因此，图像中纹理可表征图像中具体场景与物体类别，从而区分不同种类物体。人类可以通过视觉系统对不同纹理类别中的图像或场景进行快速辨别，对物体进行识别。但计算机系统想要实现上述功能则需要对复杂问题图像进行自动识别，其复杂图纹理主要利用计算机技术与算法对图像多类纹理按照相似度进行自动分类，对于未识别问题按照算法规则进行归类[2]。随着近些年来计算机技术的发展，计算机识别技等技术快速发展，计算机视觉领域也向着纹理特性识别为主要发展方向。纹理分类可根据纹理不同特征对其进行分类，目前这一技术已经广泛应用于农业、工业、医疗、军事等领域[3]。因此对基于粒子群算法的复杂图纹理特征提取方法进行研究，从而为复杂图纹理发展提供可靠依据。

1 粒子群复杂图纹理特征提取方法

1.1 粒子群复杂图纹理特征提取模型

根据粒子群复杂图纹理特征提取需求，结合粒子群优化，从而实现粒子群复杂图纹理特征提取模型。根据粒子跟踪目标，自然形成全局最优解，将最优解轨迹视为迭代搜索的全局信息最优轨迹，从而实现信息不断保存并对新知识空间更新，以及知识解演化[4]。通过进一步求解指导，以及空间与知识空间的双重演化影响，让其具有更好的全局搜索能力。粒子群复杂图纹理特征提取模型，如图1所示：

1.2 复杂图纹理特征统计

以模型为基础，假设复杂灰度纹理图像其大小为[nx×ny]，其灰度为[n1]，根据像素灰度值及像素点坐标对应关系以[τ=f（x，y）]来描述图像，其曲线图像即为图像函数图[5]。其中，若为像素点位置坐标，则[（x，y）∈1，2，…，nx1，2，…，ny]，[τ∈0，1，2，…，n1-1]。模型中图像函数受到三维立体空间限制。其公式为：

1.3 复杂图纹理分类

以模型为基础，根据不可测有效状态，考虑到初始化状态概率与状态转移概率矩阵以及状态关联概率密度函数，将其应用于复杂图纹理分类算法。对于图纹理图像，对其图像中重要特征进行自然顺序排列。每个图像从左到右被看作一个状态，将其状态结构与非零转移概率a结合，其分类如图2所示：

1.4 最近邻复杂图纹理分类

将图纹理中的每个元素Z与训练样本特征C的每个特征矩阵对应值相乘，則得到[Z·C]，同样，针对Z与测试样本TX的每个特征矩阵相称，得到[Z·TX]，然后利用K阶近邻分类器进行分类。其测试样本特征矩阵为：

1.5 图纹理粒子群优化

在计算中，将每个优化问题作为搜索空间中的“粒子”。系统通过粒子群中的信息共享，从而实现当前空间中最优最优粒子的最佳位置搜索。

当Y对每个元素赋予优化权值时，在保证特征个数的情况下，需要确保突出特征中有用元素的作用，因此特征维数与粒子维数相等。随机对粒子群中粒子进行初始化，若第i个粒子初始位置为[Zi=Zi1，Zi2，…，Zim（i≤N）]，粒子维数为m，速度为[Vi=Vi1，Vi2，…，Vim，1≤i≤N]。为防止目标越界情况出现，对粒子位置限制于[-0.5≤Zij≤0.5]，其速度范围限制于[0≤Vij≤1]。因此，第i个粒子适应函数x为：

2 仿真实验

2.1 实验准备

为验证粒子群复杂图纹理特征提取方法有效性，其仿真样本采用标准数据集benchmark datasets中的Breastcance数据集。实验采用280组数据样本，并将其分为两类，随机对每组的140组数据进行特征提取结果分析。其中一组利用粒子群复杂图纹理特征提取方法，另一组利用传统复杂图纹理特征提取方法机械能处理，将结果中错误率作为评价标准。

2.2 实验结果

根据表1可以看出，传统特征提取与粒子群特征提取主分量对应参数值与分类错误率存在一点差距。在同类分类效果下，传统特征提取方法时间远远大于粒子群特征提取方法。而在同样时间下，粒子群特征提取方法错误率远远低于传统特征提取方法，因此可以看出本文提出方法更加适合用于复杂纹理特征提取。

3 结束语

粒子群复杂图纹理特征提取方法作为一种新进化算法，根据进化过程提取相关知识对进行指导搜索，对整体特征提取过程进行简化，从而提高搜索效率。粒子群算法具有计算简单、鲁棒性好等优点，将其应用于复杂图纹理特征提取，能够有效克服传统算法中容易陷入局部最优解的缺点，增强全局搜索能力与群多样性缺陷。通过实验可以证明，基于粒子群算法的复杂图纹理特征提取方法具有更优化结果。

参考文献：

[1] 张丽娟. 视觉传达下多帧影视图像特征实时跟踪仿真[J]. 计算机仿真， 2017， 34（9）：179-182.

[2] 赵蓉， 史红梅. 基于高阶谱特征提取的高速列车车轮擦伤识别算法研究[J]. 机械工程学报， 2017， 53（6）：102-109.

[3] 基于粒子群优化的改进EMD算法在轴承故障特征提取中的应用[J]. 振动与冲击， 2017， 36（16）：182-187.

[4] 时培明， 梁凯， 赵娜，等. 基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 中国机械工程， 2017， 28（09）：1056-1061.

[5] 姜国权， 杨小亚， 王志衡，等. 基于图像特征点粒子群聚类算法的麦田作物行检测[J]. 农业工程学报， 2017， 33（11）：173-178.

【通联编辑：张薇】