PAM優化算法在圖像檢索中的應用研究

鄧浩

摘 要：隨著計算機視覺技術和圖像處理技術的迅速發展，圖像的檢索也從簡單的文本信息查詢發展到復雜的基于內容的圖像檢索，這是一個從低級到高級發展的過程。文章主要以基于內容的圖像檢索方法為研究對象，來分析一種基于煙花粒子群算法的優化PAM算法在圖像檢索中的應用。

關鍵詞：圖像檢索；PAM算法；煙花粒子群算法；聚類算法

圖像的檢索問題，自20世紀70年代便開始得到研究。由于計算機技術的發展水平限制，當時出現的圖像檢索技術主要是基于文本的圖像檢索技術，即TBIR技術。檢索的方法主要是通過對圖像性的文本描述來進行檢索的，比如圖像作品的作者、年代、大小尺寸以及作者的流派等。20世紀90年代以后，出現了基于內容的圖像檢索技術，即CBIR技術。檢索的方法主要是通過對圖像的顏色特征、紋理特征或布局特征來進行檢索的。本文主要以基于內容的圖像檢索為研究對象展開探討。

1 基于內容的圖像檢索流程

基于內容的圖像檢索方法不同于基于文本的檢索方法，不僅是因為其難度增加，最重要的區別是，基于內容的圖像檢索可以把圖像作為檢索對象進行輸入，從而檢索出與目標圖像有類似內容的結果圖像。在此過程中，其實也用到了圖像的近似匹配技術、機器視覺技術及圖像處理技術等相關技術，甚至還涉及圖像數據庫等相關研究領域的技術成果。

在進行基于內容的圖像檢索前，要做好兩個方面的準備工作，一方面是要獲取圖像數據庫的基本特征，另一個方面是要建立好圖像數據庫的索引。當然為了提高檢索的效率，克服人工建立索引的主觀誤差，這兩方面的準備工作一般都是由系統自動完成。具體的圖像檢索流程如圖1所示。

2 圖像檢索過程中的特征提取

在進行圖像檢索的過程中，我們需要獲取圖像的特征信息，如顏色、紋理和形狀。

2.1 圖像的顏色特征

目前主流的顏色模型主要有兩種，一種是RGB顏色模型，一種是HSV顏色模型。兩種模型各有特點，前者可以直接用像素來表示，非常方便，但是和人的視覺相比差別較大。后者主要是通過使用色相、飽和度以及亮度來表示，此種顏色模型可以直接看出色彩的相關信息，非常適合顏色之間的對比。同時，這種顏色模型和人的視覺更為接近。不管使用哪種顏色模型，都可以用顏色直方圖或顏色矩陣來表達顏色的特征向量。其中，顏色直方圖取決于每個顏色通道和整個圖像顏色通道的比重，而顏色矩陣則是使用概率的方法來描述的，比如均值、方差或偏度等概率分布的方法。

2.2 圖像的紋理特征

如果要準確地表達出物體的表面特征信息，一般都采用紋理特征來描述。雖然紋理特征的描述方法很多，本文主要使用的是灰度共生矩陣法來進行紋理描述。

2.3 圖像的形狀特征

圖像的形狀特征描述方法不是特別多，目前常用的主要有兩種，一種是幾何不變矩描述法，一種是傅立葉描述法。其中前者主要是描述區域特征的，而且還是一種非常重要的方法。早在1962年，就有人開始使用此種方法來表示圖像的形狀特征。而后者主要是一維變換，通過計算邊界上點的復數來表示圖像的形狀特征。

3 PAM優化算法在基于內容的圖像檢索中的應用

3.1 粒子群算法

早在1995年，粒子群算法作為一種群智能算法中的優秀代表被提了出來。此種算法的關鍵在于粒子群內粒子之間的信息交流和協同合作，通過這兩種方法來實現尋找最優的解決方法。最初只是一群隨機分布的粒子，然后讓粒子通過對信息交流的結果進行學習，從而尋找最優解，另外在每一次的更新過程中，粒子要向更新前找到的最優解學習，從而調整自己的位置，最后找到最終的結果。其算法流程如圖2所示。

3.2 基于煙花粒子群的優化PAM算法

3.2.1 煙花算法

煙花算法是在2010年提出來的一種優化算法，它主要是通過煙花爆炸產生的火花和半徑來對調整探索種群全局或局部的能力。因為在煙花算法中，每一次制造的火花個數是有特定規律的，同時爆炸的半徑大小也是有特定規律的。根據規律，函數值好的粒子一般可以在非常短的半徑內制造出非常多的火花，這種粒子通常被用于局域探索。函數值較差的粒子可以在較長的半徑內制造出非常少的火花，這種粒子則被用于全局尋優。

3.2.2 煙花粒子群算法

粒子群算法在實際應用過程中，特別是在圖像檢索方面，存在一些尋優能力不足的問題。為了在圖像檢索方面得到最佳性能，本文提出了一種粒子群算法和煙花算法相結合的煙花粒子群算法。優化后的煙花粒子群算法即PS0-FWA算法，可以實現局部探索和全局探索之間的平衡問題，從而避免了局部探索達到最佳值而全局探索的效果卻非常差的情況。這樣便可以得到整個探索空間中尋優的最佳解。

在整個煙花粒子群算法執行過程中，先使用粒子群算法進行最佳解的探索。在N代探索后，為了防止單獨局部最佳解的產生，先使用煙花算法的火花爆炸效果產生新的種群粒子，然后再進行尋優求解，最終求得整個探索空間的最佳解。

綜上所述，優化后的煙花粒子群算法，其整個算法實現的流程為：

（1）確定個體規模進行單個粒子的第一步散布。（2）對每個粒子進行適應度計算并適時更新Pbest，Gbest。（3）利用粒子群算法實現小組迭代進化，循環N次。（4）借助煙花算法計算每個粒子的適應度，從而算出其火花數目及爆炸半徑。（5）產生新的種群粒子。（6）對循環次進行判斷，如果已完成就輸出最終結合，如果未完成則重新開始循環。

3.3 優化后的PAM算法在基于內容的圖像檢索中應用

3.3.1 優化后PAM算法的圖像檢索流程

根據上述優化后PAM算法，為了達到對圖像檢索的最佳效果，其檢索流程需要按照如下步驟進行。

（1）將待搜索的圖像數據庫中的所有目標圖像的顏色特征信息進行收集，并存入指定的數據庫。（2）使用本文提出的優化后的PAM算法對待搜索的圖像數據庫中的目標顏色特征信息進行聚類。（3）將查詢目標圖像的顏色特征信息與聚類的顏色特征信息進行對比，從而確定在哪一類中進行目標圖像的搜索。（4）在相應聚類中進行目標圖像的查找，最后輸出結果圖像。

3.3.2 仿真結果

為了凸顯改良后的優化算法的優勢，本文在進行仿真實驗時，除了使用本文提出的算法進行仿真實驗外，還使用K-means圖像檢索方法和PSO-K-means圖像檢索方法進行了仿真實驗，在進行仿真實驗時，本文選用了Coral圖像庫中的20個主要分類中圖像為實驗對象，由于每個分類中的圖像有100個，這樣便有總計2 000個圖像作為檢索的對象，為了驗證本文提出的優化算法的性能，隨機抽取每類圖像中的10幅進行性能計算。其檢索的結果如表1所示 。

4 結語

由上述內容得知，本文提出的這種基于煙花粒子群算法在與其他圖像檢索算法相比之后，其性能存在一定優勢，但是也存在著一定的問題。比如所用的圖像數據庫比較單一。有條件的話，應該在其他的圖像數據庫平臺上進行仿真實驗的驗證。總之，圖像處理方面的研究已經成為當前形勢下重要的一門學科，其在計算機科學應用研究中的作用越來越強大。

[參考文獻]

[1]張鑫.優化算法在圖像處理技術中的研究[D].太原：中北大學，2018.

[2]柴琴琴，林瓊斌，林雙杰.基于快速粒子群算法的蒸發過程優化控制[J].過程工程學報，2017（3）：539-544.

[3]靳雁霞，張曉聞，銀莉，等.融入最佳葉節點的改進粒子群算法[J].微電子學與計算機，2016（9）：64-69.

[4]朱奇光，張朋珍，李昊立，等.基于全局和局部特征融合的圖像匹配算法研究[J].儀器儀表學報，2016（1）：170-176.

[5]呂莉，趙嘉，孫輝.具有反向學習和自適應逃逸功能的粒子群優化算法[J].計算機應用，2015（5）：1336-1341.

[6]朱蓉，靳雁霞，范衛華.融合優質粒子分布的粒子群優化算法[J].小型微型計算機系統，2015（3）：576-580.

[7]馬娟娟，張偉，李朝鋒，等.新的改進K-means算法的圖像檢索方法[J].微電子學與計算機，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