棉花圖像檢索中的分塊權重優化

史書偉，夏　彬，冀　翼，桑小田

(中華全國供銷合作總社鄭州棉麻工程技術設計研究所，鄭州　450000)

?

棉花圖像檢索中的分塊權重優化

史書偉，夏彬，冀翼，桑小田

(中華全國供銷合作總社鄭州棉麻工程技術設計研究所，鄭州450000)

摘要：針對棉花圖像檢索中顏色直方圖方法中的各圖像分塊權重難以設定的難題，提出一種基于粒子群算法的多分塊權重自動優化方法，它將圖像各分塊權重設定轉化為智能求優過程，使用粒子群算法求取較佳分塊權重組合。結合棉花數據集的實驗結果表明，與均等權重方法以及用戶自定義權重方法相比，該方法能夠取得較為優化的權重組合，提高棉花圖像的檢索性能。

關鍵詞：棉花圖像；分塊顏色直方圖；粒子群算法；權重優化

0　引　言

棉花圖像檢索就是根據棉花圖像本身的顏色、紋理、形狀等內容屬性,在目標圖像數據庫中查詢具有指定特征或內容圖像的過程，是目前圖像檢索中較為常用的方法。在顏色特征中，由于全局顏色直方圖計算簡單，且具有較強的魯棒性，已廣泛應用[1-2]于圖像檢索中。但是，由于全局顏色直方圖沒有考慮圖像顏色的空間關系，不同的圖像有可能具有相同的直方圖，從而造成誤檢，因此，文獻[3-4]提出采用對棉花圖像進行分塊和加權的方法，將圖像分成N*N塊，計算相應塊之間的直方圖距離，然后為每個圖像塊設置權重，棉花圖像整體的相似度根據相應子塊的距離和權重綜合得到。

對于棉花圖像各個分塊權重，一般情況下，有3種設置方法:a)圖像的每個分塊設置相同權重,即，都賦值為“1”，這樣以來，圖像所有分塊均被同等對待；b)每個圖像分塊實行選擇對待,這樣它們的權重有兩種可能:“1”或者“0”,分別表示該分塊被選中或者沒被選中,這樣有效降低了分塊所構成的特征維數,但會忽略沒有被選中的圖像塊；c)手工設置權重,也即是通過實驗分析預先求取優化過的權重值,顯然，這種權重選取方法主觀性較強。由于劃分的不同圖像分塊在整幅圖像中的重要程度不相同,對檢索結果的影響也不一致,所以，如何為這些圖像分塊自動賦予合適的權值,進而提高圖像檢索的性能,成為一個亟待研究的課題。

針對上述問題，本文提出一種基于粒子群算法的圖像分塊權重自動優化方法，用粒子群算法[5-6]來求取棉花圖像檢索中合適的分塊權重組合，并結合棉花圖像數據集進行了實驗。

1　相關知識

1.1粒子群算法原理

粒子群算法，也稱粒子群優化算法[7-9](particle swarm optimization，PSO)是Eberhart和Kennedy發明的一種新的全局優化算法，它來源于對鳥群捕食過程中的行為研究。假設有一個場景：在特定區域中只有一塊食物，一群鳥在空間中隨機搜索該食物，所有的鳥都不清楚食物的具體位置。但它們知道當前的位置距離食物的遠近。那么找到食物簡單、有效的就是搜索當前距離食物最近的鳥的附近區域。而PSO算法就是通過模擬鳥群覓食行為而提出來的，該算法通過群體行為中個體間協作和信息共享來求取最優解，已成為一種常用的自動優化方法。

在求解問題時，PSO將搜索空間中的一個粒子(particle)對應一個問題解法。其中，每個粒子都擁有自己的位置、速度和適應值(fitness value)，每個粒子在解空間中跟隨當前最優粒子進行搜索，且不斷更新自身的位置和速度。具體求解過程如下：首先，PSO隨機初始化一群粒子，假設粒子數目為N，那么，第i個粒子的位置采用D維向量表示xi，xi=(xi1,xi2,…xiD),其中，i=1,2,…N。接著，粒子通過跟蹤兩個極值來更新自身的位置和速度，直到找到最優解。其中，在全局版PSO中，兩個極值分別是指：一個是全局極值，表示群體找到的最優解；一個是個體極值，表示粒子個體找到的最優解。在局部版PSO中，粒子除了跟蹤個體極值之外，另外還追蹤局部極值。對于全局版PSO，每次迭代中，粒子根據式(1)，式(2)更新自身的位置和速度：

(1)

(2)

1.2權重設置問題的轉化

定義1棉花圖像庫的定義為：

DB={Ii}n,i=1

其中：Ii表示圖像庫中的一幅棉花圖像，n表示圖像庫中的棉花圖像總數。

定義2任意兩幅棉花圖像I1，I2間相似程度函數S定義為：

(3)

定義3樣本訓練數據庫為db?DB，訓練對定義為：

TD=(Ie,IT,IR)

(4)

其中:Ie為檢索示例棉花圖像，IT為與該示例圖像相似的目標數據集，IT={It1,It2,…,Itk}，IR為實際檢索出的圖像集,即S(Ii,Ie)

定義4圖像檢索評價指標查全率(recall)和查準率(precision)定義為：

(5)

其中:P為查準率，是指在檢索過程中，查詢到的相關圖像數量同該次查到的所有圖像數量的比值；a為檢索出的與示例圖像相關的圖像數量；z為檢索出圖像總數量；R為查全率，指在檢索過程中,查詢到的相關圖像數量與圖像庫中實際與目標圖像相關的所有圖像數量的比值；k為目標圖像數量。

(6)

其中:num為檢索示例圖像總數。在棉花圖像檢索中，查全率和查準率越高，說明該棉花圖像檢索算法性能越優越。

2　基于PSO的分塊權重優化方法

2.1優化策略與實現

粒子群算法開始時隨機生成粒子的初始位置Xi=(Xi1,Xi2,…,Xim),(i=1,2,…,n)，n為群中粒子數，m為粒子維數，并且每個粒子都隨機分配一個初始速度Vi=(Vi1,Vi2,…,Vid)，(i=1,2,…,n)。在計算過程中，粒子的當前速度Vi，粒子搜索過程中的最優點Pi，群體的最優點Pg。粒子在迭代過程中實時改變速度向前Pi和Pg移動[10]。

在棉花圖像檢索中，使用PSO進行分塊權重優化的方法流程如圖1所示。

圖1　圖像塊權重優化流程

優化策略具體步驟如下：

Step1對粒子群進行初始化，隨機生成各個粒子的初始位置Xi、初始速度Vi。

Step2將各個粒子位置Xi載入優化目標函數，計算粒子適應度。

Step3將各個粒子當前值與其自身最優適應度值Pi進行比較，如果當前值小于Pi，則用當前適應度值替換Pi，并使用當前位置更新自身最優位置。

Step4將各個粒子適應度值Pi與全局最優適應度值Pg進行比較，如果小于Pg，則替換Pg，同時，使用該粒子位置更新全局最優粒子位置。

Step5各粒子速度和位置使用式(1)和式(2)更新。

vid(t+1)=w×vid(t)+φ×rand()

×[pid(t)-xid(t)]+φ2+rand()×

pgd(t)-xid(t)]

(7)

xid(t+1)=xid(t)+vid(t+1)

1≤i≤n,1≤d≤D

(8)

其中:φ1和φ2為加速因子；w為慣性因子，w越大探查范圍越大，w越小適用于小范圍開挖；rand()為在[0,1]上的隨機數；xi為迭代中位置；vi為速度。

Step6如果滿足迭代終止條件(足夠好的位置或最大迭代次數),優化完成,否則轉Step2。

2.2關鍵參數選取

為了獲取穩健和高效的優化效果，按照方差分析選擇適應的算法參數設置水平，關鍵參數選取如下:

a)選取適應度函數E=Y(W)。

b)群中粒子數n:通常在[25,42]區間取值，對于一般情況，32個粒子已經足夠；對于特定類別的問題或較難問題，粒子數n可以在[50,1000]區間中選取。

c)粒子維數m:一般情況下，問題解的長度通常設為粒子的范圍寬度。

d)加速因子φ1和φ2:加速常數值取值越小，可使粒子在遠離目標區域內振蕩搜索；而取值較大的加速常數值，可使粒子迅速向目標區域移動，甚至又離開目標區域。模擬結果表明，當φ1由2.5線性遞減至0.5，φ2由0.5線性遞增至2.5時，算法容易獲得最優適應值。

e)慣性因子w:讓m隨著疊代次數的增加，在[1.4,0]區間逐步減少可以獲取較好的實驗結果。

3　實驗結果與分析

在算法驗證試驗中，采集白棉三級棉花圖像作為數據集進行實驗，該數據集包括1960例棉樣圖像，每副圖像分辨率為1400×1400；實驗硬件平臺是一臺聯想M490便攜式計算機，該計算機配備CORE i5 CPU，4GB內存。

3.1圖像分塊數目分析

對于棉花圖像檢索來講，重要的就是確定圖像分塊數目，而分塊的數目取決于單塊圖像的分辨率像素點數。為了選取合適的圖像塊大小尺寸，本文針對常用的不同分塊尺寸進行了實驗，結果如表1所示。

表1不同圖像塊尺寸對比實驗

圖像分塊尺寸/pixel檢索響應時間/s8*82.124*241.948*481.864*641.5128*1281.3256*2561.1

根據表1數據，考慮到數據集中圖像的分辨率以及檢索響應時間，實驗選取64 pixel*64 pixel作為圖像塊尺寸進行算法間對比分析。

3.2不同方法間對比分析

為了驗證本文方法的有效性，將其與現有權重相等方法和用戶自定義權重方法進行比較和分析。其中，本文方法選取64 pixel*64 pixel為圖像塊尺寸，粒子群算法參數根據2.1節的方法設置；用戶自定義權重方法中各分塊權重按照實驗中經驗值設置。實驗結果如圖2所示。

圖2　3種方法的性能比較

由圖2可見，由于本文方法采用粒子群算法優化分塊權重，通過訓練學習的優化方法彌補了由于用戶自定義設置權重的不足，提高了檢索效果，本文提出的方法在查全率和查準率上優于其它分塊權重方法，具有一定的有效性。

4　結　語

本文提出一種在棉花圖像檢索中，基于粒子群算法的圖像分塊權重自動優化方法，用粒子群算法來自動求取棉花圖像檢索中合適的分塊權重組合，將圖像各分塊權重設定轉化為智能求優過程，改善圖像檢索性能。這種方法思路較為新穎，在棉花圖像檢索的實驗結果表明,該方法具有學習能力,分塊權重的自動優化,提高了系統查全率和查準率，在提高棉花圖像檢索效率上有一定的優勢。對于一些特定應用，該論文有很好的參考和借鑒作用。

如何進一步優化算法，在更大棉花數據集上進行實驗將是下一階段的主要工作內容。

參考文獻：

[1] 夏彬.基于內容的近似圖像檢測算法研究[D].武漢:湖北工業大學,2010.

[2] 汪啟偉,萬壽紅,岳麗華.一種新的空間顏色直方圖及其度量方法[J].小型微型計算機系統,2014,46(6):34-36.

[3] 溫泉徹,彭宏,黎瓊.基于內容的圖像檢索關鍵技術研究[J].微計算機信息,2007,23(3):278-280.

[4] 方俊,郭雷,汪子強.一種改進的基于顏色空間特征的圖像檢索方法[J].計算機工程與應用,2005,24(25):68-70.

[5] 薄玉玲,姜靜清,孫艷紅.粒子群優化算法研究進展[J].內蒙古民族大學學報(自然科學版),2010,29(6):91-93.

[6] 張丹,韓勝菊,李建,等.基于改進粒子群算法的BP算法的研究[J].計算機仿真,2011,23(2):102-104.

[7] 楊維,李歧強.粒子群優化算法綜述[J].中國工程科學，2004,10(5):87-93.

[8] 楊帆,胡春平,顏學峰.基于蟻群系統的參數自適應粒子群算法及其應用[J].控制理論與應用,2010,45(11):78-79.

[9] 劉志雄,梁華.粒子群算法中隨機數參數的設置與實驗分析[J].控制理論與應用,2010,15(11):26-27.

[10] 張琪,屈衛清,熊偉清.基于混沌粒子群算法的多目標調度優化研究[J].激光雜志,2015,29(1):57-59.

(責任編輯：陳和榜)

收稿日期：2015-04-29

作者簡介：史書偉(1979-)，男，河南新鄭人，高級工程師，主要從事棉花光電檢測方面的研究。 通信作者：夏彬，E-mail:binxia@126.com

中圖分類號：TP391

文獻標志碼：A

文章編號：1009-265X(2016)01-0001-04

Block Weight Optimization of Cotton Image Retrieval

SHIShuwei,XIABin,JIYi,SANGXiaotian

(Zhengzhou Cotton & Jute Engineering Technology and Design Research Institute of China Co-op, Zhengzhou 450000, China)

Abstract：Aiming at the problem that it is difficult to set image block weight in cotton image retrieval with color histogram, this paper proposes multi-block weight automatic optimization method based on Particle Swarm Optimization (PSO). It converts the block weight setting into intelligent optimization process, and then PSO is used to gain optimal block weight combination. Experimental results combined with cotton data set show that the method ca gain optimized weight combination and improves cotton image retrieval property, compared with equal weighting method and user-defined weighting method.

Key words：cotton image; block color histogram; PSO; weight optimization