引力搜索算法優(yōu)化脈沖耦合網(wǎng)絡的圖像檢索方法*

雷　虎，　樊澤明

(1.西安翻譯學院 基礎部，陜西 西安 710105;2.西北工業(yè)大學 自動化學院，陜西 西安 710072)

?

引力搜索算法優(yōu)化脈沖耦合網(wǎng)絡的圖像檢索方法*

雷虎1*，樊澤明2

(1.西安翻譯學院 基礎部，陜西 西安 710105;2.西北工業(yè)大學 自動化學院，陜西 西安 710072)

啟發(fā)于脈沖耦合網(wǎng)絡(PCN)在視覺特征表示方面的優(yōu)勢，提出使用引力搜索算法(GSA)優(yōu)化脈沖耦合網(wǎng)絡(PCN)來提取圖像的視覺特征，對PCN的參數(shù)使用優(yōu)化機制來提高所獲取的特征質量，由此來提高基于內容的圖像檢索(CBIR)的分類和檢索結果.首先對學習的圖像用PCN生成特征碼；然后計算特征碼間的距離，距離變量作為適應度函數(shù)的輸入；最后利用引力搜索算法優(yōu)化PCN的幾個變量，進行參數(shù)更新.在Caltech256和Corel數(shù)據(jù)庫上的實驗結果表明提出方法的有效性，相比于改進的相關反饋方法(IRF)、顏色邊緣結合離散小波變換方法(CE-DWT)和色矩結合局部二進制模式方法(CM-LBP)，提出的方法檢索精確度至少提高了5%，查全率提高4%左右.

脈沖耦合網(wǎng)絡；引力搜索算法；基于內容的圖像檢索；適應度函數(shù)；特征碼

為了解決有損壓縮造成的顏色失真問題，[2]使用高斯混合模型(GMM)來表示圖像的顏色信息，評估顏色均勻性，從而解決了有損壓縮造成的顏色失真問題.然而GMM模型的初始值設置比較困難，對于非線性問題收斂較慢.很多圖像檢索(CBIR)方法的檢索效率很大程度上依賴于圖像特征的表現(xiàn)形式[1]，本文通過PCN產(chǎn)生的簡單特征向量用于表示圖像的視覺特征，并通過引力搜索算法優(yōu)化這一技術.提出的方法通過先分類再從定義的類別中匹配來提高檢索性能.

1　脈沖耦合網(wǎng)絡模型

如圖1所示為PCN的兩個組成部分，即鏈接和反饋，此過程中使用了閾值計算器和階躍函數(shù).且PCN以迭代的形式工作，即前一個神經(jīng)元的值將影響下一個.

鏈接部分基于神經(jīng)元的鏈接值和前一個迭代的輸出值進行工作：

(1)

式中，Lij是與神經(jīng)元(i,j)相關的鏈接值，VL和AL是常數(shù)，Yij是神經(jīng)元(i,j)的輸出值，n是迭代次數(shù).反饋部分從上一次迭代中接收神經(jīng)元的反饋值和輸出值，為

(2)

式中，F(xiàn)ij是與神經(jīng)元(i,j)相關的反饋值，VF和AF是常數(shù)，Yij是神經(jīng)元(i,j)的輸出值，Aij是圖像像素(i,j)的強度，n是迭代次數(shù).和原始PCN模型[3]不同，本文將權重值β考慮在內，并假設鏈接和反饋部分的權重常量為1.鏈接和反饋部分的輸出值按公式(3)結合在一起：

(3)

式中Uij是神經(jīng)元(i,j)的狀態(tài)，F(xiàn)ij是與神經(jīng)元(i,j)相關的反饋值，Lij是與神經(jīng)元(i,j)相關的鏈接值，β是常數(shù)，n是迭代次數(shù).神經(jīng)元的輸出值由式(4)的階躍函數(shù)計算獲得：

Yij=1,Uij>Tij；以及0，其他，

(4)

式中Uij是神經(jīng)元(i,j)的狀態(tài)，Tij是閾值，閾值由式(5)來計算并更新.

(5)

式中Yij是神經(jīng)元(i,j)的輸出，VT和AT是常數(shù).

由(1)～(5)，PCN產(chǎn)生的特征值很大程度上受參數(shù)AL、AF、AT、VL、VF、VL、VT和 β 影響.因此，為了提高所產(chǎn)生的特征值質量，參數(shù)需要調整為最優(yōu)值.

2　優(yōu)化模式

2.1引力搜索算法

式中Mi(t)和fiti(t)分別表示物體i在第t次迭代的質量和適應度；worst(t)和best(t)是物體群在t時最差和最佳適應度.引力定律方程如下：

2.2參數(shù)優(yōu)化

在優(yōu)化模式中，使用參數(shù)優(yōu)化機制提高PCN產(chǎn)生的特征質量.為了簡單起見并提高其應用范圍，假定優(yōu)化的參數(shù)為AL、AT、VL、VT和β，使用歐幾里得距離計算適應函數(shù).

式中X，Y分別是原始圖像和目標圖像的特征，k是特征長度.

圖2所示為本文GSA優(yōu)化的PCN，將優(yōu)化過程應用于一組學習圖像，且這些圖像已經(jīng)按類別分類.

這一程序針對預定義的次數(shù)來執(zhí)行，該模式的最后一步是讓數(shù)據(jù)庫中的所有圖像都有最優(yōu)的特征.將每一個預分類的圖像帶到優(yōu)化的PCN中，產(chǎn)生的特征將與原圖像保存在一起.基于輸入圖像特征之間的最小距離來選擇相似圖像，并將之保存在數(shù)據(jù)庫中.

3　實驗與分析

3.1實驗環(huán)境與數(shù)據(jù)庫

首先給出實驗模擬環(huán)境，然后給出實驗結果，最后總結并比較圖像檢索結果.文中所用方法均采用matlab2010b編程，采用兩種圖像數(shù)據(jù)庫.

Caltech256圖像數(shù)據(jù)庫[5]由多種類別圖像構成.采用三類圖像，一共90幅.這里選擇“001.ak47”、“002.american-flag”和“003.motorbikes-101”三種類型圖像.每種類型包含30幅隨機圖像，彩色圖像轉化為灰度形式.從圖像數(shù)據(jù)庫中進行隨機抽取，每類抽取6幅圖像用于PCN訓練過程.

3.2評估標準

3.3Caltech256數(shù)據(jù)庫上的實驗結果

PCN內部行為取決于用戶預定義值，本文方法采用長度為70的特征碼.圖3是Caltech256數(shù)據(jù)庫中已經(jīng)學習到的圖像樣本序列.

圖4(a)給出了本文方法GSA-PCN與改進的相關反饋方法(IRF)[2]、顏色邊緣結合離散小波變換方法(CE-DWT)[6]和色矩結合局部二進制模式方法(CM-LBP)[7]在查全率(召回率)和查準率(精度)方面的比較結果.結果表明本文方法查準率優(yōu)于其他三種方法，精度提高的幅度在5%以上.可以看出隨著檢索圖像數(shù)量的增加，查全率逐漸增加，查準率逐漸減少，本文方法具有較明顯的優(yōu)勢.

4　結論與展望

使用PCN提取圖像特征，PCN提供一個圖像樣本和輕量級圖像表示.通過最小化搜索空間中的非相關圖像數(shù)來提高檢索性能,通過分類來減少類中的非相關圖像.本文方法在計算距離時會導致檢索結果延遲，直到搜索空間中的所有圖像和輸入圖像匹配完為止.通常，隨著搜索空間的增長，計算時間也會增長.在優(yōu)化和檢索中需要考慮PCN的查詢功率.

未來研究方向大致如下：第一，在特征碼中考慮顏色因素，取代以往的灰度圖.第二，考慮特征碼的長度.文中的研究采用了固定長度的特征碼，但未來的優(yōu)化方法應當考慮特征碼長度.

[1]李宗民, 唐志輝. 九宮格空間框架的圖書圖像檢索[J]. 中國圖象圖形學報, 2013, 18(3): 325-329.

[2]LUSZCZKIEWICZ-PIATEK M, SMOLKA B. Robust image retrieval based on mixture modeling of weighted spatio-color information[J]. Image Processing & Communications Challenges，2015, 42(12): 85-93.

[3]鄧翔宇, 馬義德. PCNN 參數(shù)自適應設定及其模型的改進[J]. 電子學報, 2012, 40(5): 955-964.

[4]RASHEDI E, NEZAMABADI P H, SARYAZDI S. Improving the precision of CBIR systems by color and texture feature adaptation using GSA[J]. Intelligent Systems in Electrical Engineering, 2013, 4(3): 43-56.

[5]Caltech256 database[D/OL]http://www.vision.caltech.edu /Image_Datasets/Caltech256/.

[6]AGARWAL S, VERMA A K, DIXIT N. Content based image retrieval using color edge detection and discrete wavelet transform[C]//Issues and Challenges in Intelligent Computing Techniques (ICICT), 2014 International Conference on. IEEE, 2014: 368-372.

[7]CHOUDHARY R, RAINA N, CHAUDHARY N, et al. An integrated approach to content based image retrieval[C]//Advances in Computing, Communications and Informatics (ICACCI, 2014 International Conference on IEEE, 2014: 2 404-2 410.

責任編輯：龍順潮

Image Retrieval Method Using Pulse-Coupled Network Optimized by Gravitational Search Algorithm

LEIHu1*,FANZe-ming2

(1.Department of Basic,Xi’an Fanyi University, Xi’an 710105;2.School of Automation,Northwestern Polytechnical University,Xi’an 710072 China)

Inspired by the visual features represented advantages in pulse coupling network (PCN), the method using gravitational search algorithm (GSA) to optimize pulse coupling network (PCN) to extract visual features is proposed, in which the parameters of PCN is applied to improve the quality of the acquired characteristics by optimization mechanism, thereby improving the classification and searching results of content-based image retrieval (CBIR). Firstly, signature is generated by PCN using learning images. Then, the distance between the signature is calculated, and distance is being as the input of fitness function. Finally, gravitational search algorithm is used to optimize several variables of PCN, updating the parameters. The effectiveness of proposed method is verified by the experimental results on Caltech256 and Corel database, compared with method of improved relevance feedback (IRF), color edge combined discrete wavelet transform (CE-DWT) and color moments combined with local binary pattern (CM -LBP), the proposed method improves the retrieval accuracy by 5% at least, and the recall accuracy improves about 4%.

pulse-coupled network; gravitational search algorithm; content-based image retrieval; fitness function; signature

2015-07-10

國家自然科學基金項目(11102162)；陜西省教育廳重點項目(13BZ69)

雷虎(1976-)，男，陜西 渭南人，講師. E-mail:fanzeming@nwpu.edu.cn

TP391

A

1000-5900(2016)01-0086-04