基于遺傳算法進行特征選擇和權重設置的圖像檢索

姜雪

(淄博職業學院 信息工程系, 山東 淄博 255314)

基于內容的圖像檢索CBIR(content based image retrieval)，直接利用圖像的顏色、底紋、形狀等底層圖像內容作為檢索特征來進行圖像檢索[1]。在特征提取方面，為了更全面地描述圖像信息，提高圖像檢索精度，需要多提取圖像的各種特征，如顏色特征、紋理特征、形狀特征、角點特征[2]，語義特征[3]等。但實際情況表明，并非提取的特征越多檢索效果越好。本文運用遺傳算法對提取的圖像特征進行選擇，旨在去除冗余特征以降低特征的維數，減小計算的復雜性，縮短程序運行的時間，以提高圖像檢索效率；同時運用遺傳算法設置多檢索特征的權重，使特征有效融合，以達到更好的檢索效果。

1 遺傳算法

遺傳算法(genetic algorithm，GA)是借鑒適者生存、優勝劣汰的生物界進化規律的隨機化搜索方法，由美國的Holland教授于1969年提出[4]。遺傳算法從代表問題可能解的一個初始種群開始，種群由經過基因編碼的一定數目的個體組合而成。初始種群產生后，根據適者生存和優勝劣汰的原理，一代一代演化出越來越好的近似解。在每一代中，根據問題集中每個個體的適應度大小來選擇個體，借助遺傳算子按照一定的概率進行交叉和變異，產生下一代種群。這個過程將導致后代種群比前代更加適應環境，最后一代種群中的最優個體經過解碼，可以作為解決問題的最優解。遺傳算法流程如圖1所示。

圖1 遺傳算法流程Fig.1 Flow chart of genetic algorithm

遺傳算法的研究受到了國內外學者的廣泛關注，近年來該算法已被成功地應用于工業、經濟管理、交通運輸、工業設計等不同領域，解決了很多實際問題[5-7]。本文將遺傳算法用于圖像檢索的特征選擇和權重設置兩個環節，以提高圖像檢索效率。

2 特征選擇

特征選擇[8-9]是指從一個初始特征集中選出一些特征組成最優特征子集[10]，依據這些最優子集構成檢索特征能夠使檢索結果的評估標準達到最優，使檢索過程具有較高的檢索效率。本文選用Caltech256數據集和Corel1000數據集，分別提取了圖像的11個特征，即RGB、HSV直方圖特征、顏色相關圖特征、顏色矩特征，LBP特征、灰度共生矩陣特征、gabor小波的3個特征，以及角點的Hu矩特征和灰度共生矩陣特征，采用查準率和查全率作為評價特征子集的標準，通過遺傳算法進行特征選擇，得到最優特征子集。該最優特征子集作為圖像的檢索特征，用相對曼哈頓距離[11]進行相似性度量。特征選擇的步驟如下：

1)對初始種群的個體進行編碼。首先，將提取的n個圖像特征對應的特征值進行歸一化處理；然后，隨機產生n位二進制數作為個體編碼，其中1代表選擇該特征，0代表不選擇該特征[12]。

2)設定初始種群的規模。不同問題采用的初始種群規模各不相同，規模越大所得最優特征子集越接近最優解，但耗時會越多，初始種群的取值一般在30～100，本文將初始種群設定為100個個體。

3)確定適應度函數。基于內容的圖像檢索旨在提高檢索的效率，即在人能夠接受的一般時間范圍內，盡可能地提高圖像檢索的查準率和查全率，所以本文適應度函數定義為查準率和查全率之和，其公式如下：

F=Pn+Rn，

4)根據個體適應度的大小，選擇算子采用輪盤賭算法進行種群個體的選擇，即個體的適應度越大被選擇的幾率越大，被選擇的個體進入下一代種群。

5)在滿足一定交叉概率的前提下，依次從種群中抽出兩個個體，進行隨機位的交叉，交叉概率一般取值為0.4～0.99，本文選取的交叉概率為0.7。

6)在滿足一定變異概率的前提下，依次對種群中的個體進行隨機位的變異。原來為1，變異為0；原來為0，變異為1。變異概率一般取值為0.001～0.1，本文選取的變異概率為0.05。

7)算法終止條件的設定。算法終止條件的設定有多種，如所求解達到了精度要求或算法達到了最大運行時間等，本文選擇的算法終止條件為所求解達到最大的迭代次數100，即從初始種群開始要進化100代。

3 權重設置

依然采用遺傳算法，對通過特征選擇得到的多個最優特征進行權重設置，使得多個圖像特征能夠有效融合。具體操作步驟如下：

1)根據特征選擇得到的最優檢索特征的個數k，首先將這k個特征對應的特征值進行歸一化處理，然后進行初始種群個體的二進制編碼。假設權重系數要精確到小數點后兩位，則每個權重系數至少要編碼成7位二進制數[13]，k個檢索特征的權重系數就要編碼成7k位二進制數，即初始種群中的個體為7k位二進制數。

2)初始種群的個數仍設定為100。個體適應度函數與特征選擇的適應度函數相同，為查全率和查準率之和。

3)選擇、交叉和變異過程均與特征選擇的過程相同，其中交叉概率為0.7，變異概率為0.05，種群進化代數為300。

4)編碼的解碼，是將7k位二進制數解碼為k個權重系數。依次將每7位二進制數轉化成對應的十進制數a1，a2…，ak，k個檢索特征的權重系數為

4 實驗及結果分析

本文的實驗環境為：Intel(R) Core(TM) i5-4460 CPU @ 3.20 GHz，8.00GBRAM，Windows7操作系統，MATLAB R2016a軟件。

實驗選用了Caltech256數據集和Corel1000數據集，分為如下四個階段來進行：

1)提取圖像的顏色特征(HSV直方圖特征、顏色相關圖特征、顏色矩特征)和紋理特征(gabor小波特征中的3個特征)共6個特征，構成的特征向量為190維進行圖像檢索實驗。

2)再提取圖像的顏色特征(RGB直方圖特征)、紋理特征(LBP特征、灰度共生矩陣特征)以及角點的Hu矩特征和灰度共生矩陣特征共11個特征，構成的特征向量為321維，對這11個特征對應的特征值進行歸一化處理，并將其作為檢索特征進行圖像檢索實驗。

3)用遺傳算法對這11個圖像特征進行特征選擇，其中初始種群個數為100、交叉概率為0.7、變異概率為0.05、迭代次數為100，將得到的多個最優特征作為檢索特征進行圖像檢索實驗。

4)用遺傳算法為特征選擇得到的最優特征設置權重，其中初始種群個數為100、交叉概率為0.7、變異概率為0.05、迭代次數為300，將得到的權重系數有效融合多個最優特征并進行圖像檢索實驗。

4.1 在Caltech256數據集上的表現

在Caltech256數據集中，選擇了Backpack、Bear、Binoculars、Bonsai、Butterfly五個語義類，每類100幅共500幅圖像作為數據庫圖像，從五類中各選10幅共50幅圖像作為查詢圖像，檢索結果返回20幅圖像。

在實驗的第三階段，通過特征選擇得到了gabor小波的2個特征和角點的Hu矩特征共3個最優特征，構成的特征向量為71維；在實驗的第四階段，通過權重設置得到的權重系數為[0.23,0.39,0.38]。

在四個階段的圖像檢索中，所得數據見表1，各階段的檢索精度對比如圖2所示。

表1 各類圖像在四個階段的檢索精度Tab.1 Retrieval accuracy of all kinds of images in four stages

圖2 各階段的檢索精度對比Fig.2 Comparison of retrieval accuracy in different stages

從實驗數據來看，僅僅增加檢索特征并不能使檢索精度得到有效改善。如在增加5個檢索特征后，Bear類和Bonsai類的檢索精度反而降低了，其他類的檢索精度略有提升。用遺傳算法進行特征選擇后，得到了3個最優特征，用這3個特征進行圖像檢索的精度提高了。當用遺傳算法賦予這3個最優特征適當權重之后，檢索精度又有所提升。

4.2 在Corel1000數據集上的表現

在Corel1000數據集中，從每類中各選10幅共100幅圖像作為查詢圖像，檢索結果返回20幅圖像。

在實驗的第三階段，通過特征選擇得到了RGB、HSV直方圖特征、顏色矩特征、灰度共生矩陣特征和gabor小波(其中1個特征)共5個最優特征，構成的特征向量為118維；在實驗的第四階段，通過權重設置得到的權重系數為[0.21,0.13,0.01,0.40,0.26]。

在四個階段的圖像檢索中，所得數據見表2，各階段的檢索精度對比如圖3所示。

圖3 各階段的檢索精度對比Fig.3 Comparison of retrieval accuracy in different stages

實驗數據說明，在增加5個檢索特征后，Africa類、Elephant類、Mountain類和Food類的檢索精度降低了，其他類的檢索精度略有提升。用遺傳算法進行特征選擇和權重設置后，有效融合了5個最優特征，優化了檢索效率。

5 結束語

在基于內容的圖像檢索中，提取的圖像特征越多，雖然對于圖像的描述更加全面和細致了，但是并非圖像檢索的效果就越好。本文對于圖像中提取的11種特征，通過用遺傳算法進行特征選擇后僅僅選出了少數最優特征，降低了特征向量的維度，而檢索精度卻提升了，這充分說明在特征提取后先進行特征選擇是十分必要的；而當用遺傳算法進行了權重設置后，檢索精度又有了提高，這也說明了對多個特征進行有效融合同樣很重要。同時要注意到，經過特征選擇，各類圖像檢索精度的提升幅度各不相同，如本文中Bear類圖像提升的幅度就比較小，如何進一步優化特征選擇算法，以使各類圖像的檢索精度都有效提升，將是今后工作的重點。