小差異化圖像數(shù)據(jù)庫(kù)中的特定特征挖掘方法設(shè)計(jì)*

劉 平， 王 曉， 劉 春

(河北科技大學(xué) a. 圖書(shū)館， b. 環(huán)境科學(xué)與工程學(xué)院， 石家莊 050018)

小差異化圖像數(shù)據(jù)庫(kù)中的特定特征挖掘方法設(shè)計(jì)*

劉 平a， 王 曉a， 劉 春b

(河北科技大學(xué) a. 圖書(shū)館， b. 環(huán)境科學(xué)與工程學(xué)院， 石家莊 050018)

針對(duì)傳統(tǒng)的特定特征關(guān)聯(lián)挖掘方法存在挖掘效率低的問(wèn)題，提出基于一種推薦模式的小差異化圖像數(shù)據(jù)庫(kù)中的特定特征數(shù)據(jù)挖掘方法.運(yùn)用螢火蟲(chóng)優(yōu)化支持向量機(jī)參數(shù)法，提取小差異化圖像數(shù)據(jù)特定特征，解決相似關(guān)聯(lián)問(wèn)題，采用主成分分析方法對(duì)小差異化圖像特征進(jìn)行降維處理，利用Laplace預(yù)測(cè)分類(lèi)方法對(duì)提取的小差異化圖像特定特征進(jìn)行推薦分類(lèi)，之后對(duì)分類(lèi)的特定特征按照推薦等級(jí)進(jìn)行挖掘.結(jié)果表明，所提出的挖掘方法要優(yōu)于傳統(tǒng)挖掘方法，準(zhǔn)確率及效率得到明顯提高.

螢火蟲(chóng)算法； 圖像數(shù)據(jù)庫(kù)； 特定特征； 挖掘方法； Laplace預(yù)測(cè)； 支持向量機(jī)； 主成分分析法； 推薦分類(lèi)

隨著圖像獲取技術(shù)與圖像存取技術(shù)的進(jìn)步，尤其是Internet上圖像數(shù)量的急劇增加，出現(xiàn)了圖像類(lèi)別豐富多樣，但圖像可表述信息缺乏的情況[1-2].由于圖像的來(lái)源不同，使得海量圖像存在小差異化現(xiàn)象，出現(xiàn)了很多小差異化圖像數(shù)據(jù)，這些海量數(shù)據(jù)形成數(shù)據(jù)庫(kù)，人們對(duì)于小差異化圖像數(shù)據(jù)庫(kù)中出現(xiàn)的大量相似圖像數(shù)據(jù)通過(guò)自動(dòng)分析來(lái)獲取有用的圖像信息的需求日益增加，一些相關(guān)的圖像挖掘方法提供了有效的方法[3-4].圖像特征挖掘是在圖像數(shù)據(jù)庫(kù)中抽取隱含的、先前為止的、潛在有用的圖像數(shù)據(jù)關(guān)系的過(guò)程，是圖像研究與數(shù)據(jù)挖掘領(lǐng)域的熱門(mén)話題，受到了廣大學(xué)者的關(guān)注，也出現(xiàn)了很多相關(guān)方法[5-6].但是，在應(yīng)用到海量相似數(shù)據(jù)挖掘中，還存在較大的問(wèn)題.

文獻(xiàn)[7]提出了一種兼?zhèn)銪RISK和FREAK采樣模式對(duì)圖像特征進(jìn)行挖掘的方法.由于圖像特征采樣點(diǎn)距中心密集程度和采樣點(diǎn)平滑范圍重疊程度都會(huì)影響圖像特征樣本采集，因此，將采樣模式建立在BRISK和FREAK模式上，可達(dá)到特征采樣最優(yōu)的狀態(tài)，結(jié)合SURF檢測(cè)方法構(gòu)成一個(gè)完整的特征挖掘方法.采用該方法可實(shí)現(xiàn)對(duì)圖像特征的挖掘，但挖掘精度較低.文獻(xiàn)[8]提出了融合漸變計(jì)算方法對(duì)圖像特征進(jìn)行挖掘.采用二維模式紋理分析方法提取圖像特征，同時(shí)融入漸變計(jì)算方法，依據(jù)圖像數(shù)據(jù)庫(kù)中圖像的紋理特征，完成對(duì)圖像特征的挖掘，但該方法挖掘耗時(shí)較長(zhǎng).文獻(xiàn)[9]提出了一種空間調(diào)制的光譜圖像主成分挖掘方法，利用AVRIS法真實(shí)地對(duì)圖像進(jìn)行評(píng)估，并通過(guò)調(diào)制核方法對(duì)圖像特征進(jìn)行挖掘，但該方法挖掘圖像特征的準(zhǔn)確度較差.

針對(duì)上述問(wèn)題，本文提出了一種推薦模式挖掘的小差異化圖像挖掘方法，并進(jìn)行了實(shí)驗(yàn)對(duì)比分析.結(jié)果表明，本文方法的挖掘效果要優(yōu)于傳統(tǒng)方法的挖掘效果.

1 小差異化圖像數(shù)據(jù)庫(kù)特征分析

1.1 分類(lèi)特征提取

在進(jìn)行小差異化圖像特征分析時(shí)，需要對(duì)相關(guān)特征進(jìn)行提取.假設(shè)初始差異圖像樣本集為f(x，y)，其中，x=0，1，…，m-1，y=0，1，…，n-1，空間相關(guān)度函數(shù)定義為

(1)

式中，a、b為正整數(shù)，表示采集數(shù)據(jù)特征種類(lèi).結(jié)合空間護(hù)具特征，可以得到小差異化數(shù)據(jù)庫(kù)中數(shù)據(jù)的自適應(yīng)分布函數(shù)，即

(2)

式中：N為小差異化圖像數(shù)據(jù)庫(kù)數(shù)據(jù)對(duì)象的個(gè)數(shù)；rn′為與數(shù)據(jù)xn′的有效距離；C(xn′)為數(shù)據(jù)xn′的數(shù)據(jù)特征量；k為數(shù)據(jù)調(diào)節(jié)因子[10].

(3)

1.2 降維處理

在提取圖像數(shù)據(jù)特征的基礎(chǔ)上，由于是高維數(shù)據(jù)，處理較為費(fèi)事，需要采用主成分分析方法對(duì)圖像數(shù)據(jù)庫(kù)數(shù)據(jù)特征進(jìn)行降維處理.

對(duì)于非圖像數(shù)據(jù)特征tf，所包含的樣本數(shù)為N(tf)，屬于主導(dǎo)類(lèi)ib的樣本個(gè)數(shù)為Nib(tf)，則數(shù)據(jù)類(lèi)別ib在特征tf下的期望概率為

(4)

式中：Psib為第ib類(lèi)的先驗(yàn)概率；B為參數(shù)，用來(lái)設(shè)置先驗(yàn)概率在數(shù)據(jù)庫(kù)匯總的權(quán)值.

假設(shè)每個(gè)小差異化圖像數(shù)據(jù)庫(kù)中的數(shù)據(jù)樣本點(diǎn)在高維空間和所映射到的低維空間中始終處于相對(duì)應(yīng)位置，在局部空間被認(rèn)為是線性的情況下，通過(guò)對(duì)樣本點(diǎn)gik的鄰近點(diǎn)進(jìn)行線性組合來(lái)逼近gik，為了使gik用其K個(gè)鄰近點(diǎn)線性表示的誤差最小，計(jì)算權(quán)值wikjk時(shí)定義一個(gè)關(guān)聯(lián)誤差約束函數(shù)，即

(5)

(6)

式中：Δl是以最大l為對(duì)角線的對(duì)角矩陣；Vl為最大l特征值所對(duì)應(yīng)的特征向量組成的特征矩陣.把原有的樣本數(shù)據(jù)特征降到l維，實(shí)現(xiàn)小差異化圖像數(shù)據(jù)庫(kù)特征降維約束處理，其表達(dá)式為

(7)

式中，minE為降維所需的最低能耗.綜上所述，在提取小差異化圖像數(shù)據(jù)庫(kù)數(shù)據(jù)特征的基礎(chǔ)上，可根據(jù)主成分分析方法的降維原理，對(duì)小差異化圖像數(shù)據(jù)庫(kù)特征進(jìn)行降維處理，為改進(jìn)小差異化圖像數(shù)據(jù)庫(kù)特定特征挖掘提供基礎(chǔ)依據(jù).

2 改進(jìn)小差異化圖像數(shù)據(jù)庫(kù)特定特征挖掘方法

2.1 小差異化圖像數(shù)據(jù)庫(kù)的推薦等級(jí)計(jì)算

本文引入一種在關(guān)聯(lián)分析基礎(chǔ)上的推薦等級(jí)挖掘概念，通過(guò)對(duì)相似圖像的關(guān)聯(lián)特征進(jìn)行推薦等級(jí)的確認(rèn)，可進(jìn)一步約束關(guān)聯(lián)過(guò)程，具體步驟如下：

1) 初始化弱關(guān)聯(lián)數(shù)據(jù).設(shè)id=1，XY為劃分圖像數(shù)據(jù)點(diǎn)，XW為未劃分圖像數(shù)據(jù)點(diǎn).

2) 確定圖像數(shù)據(jù)間的關(guān)聯(lián)距離.假設(shè)有兩個(gè)樣本分別為x1=(x11，x12，…，x1nd)，x2=(x21，x22，…，x2nd)，則樣本間的關(guān)聯(lián)距離為

(8)

3) 數(shù)據(jù)特征推薦標(biāo)記.假設(shè)當(dāng)前推薦器模型的閾值為θ，則其推薦標(biāo)記結(jié)果為

(9)

4) 數(shù)據(jù)特征推薦排序.采用Laplace的預(yù)測(cè)推薦方法，對(duì)標(biāo)記好的數(shù)據(jù)特征進(jìn)行推薦等級(jí)排序，其表達(dá)式為

(10)

式中：G為數(shù)據(jù)特征調(diào)節(jié)系數(shù)；ptot(r)為匹配圖像關(guān)聯(lián)樣本數(shù)；pc(r)為匹配分類(lèi)標(biāo)簽的個(gè)數(shù).

2.2 改進(jìn)挖掘方法的實(shí)現(xiàn)

在對(duì)小差異化圖像數(shù)據(jù)庫(kù)數(shù)據(jù)特定特征進(jìn)行推薦分類(lèi)的基礎(chǔ)上，采用推薦等級(jí)篩選的方式對(duì)特定圖像特征數(shù)據(jù)進(jìn)行挖掘.假設(shè)S為目標(biāo)區(qū)域R中具有特定空間聯(lián)系的關(guān)聯(lián)圖像數(shù)據(jù)集合，則其共生矩陣P可表示為

(11)

式中，|S|為數(shù)據(jù)庫(kù)中數(shù)據(jù)特征的基數(shù).設(shè)定小差異化圖像數(shù)據(jù)庫(kù)數(shù)據(jù)特征集合為{xpyq}，其權(quán)核為小差異化圖像數(shù)據(jù)庫(kù)中數(shù)據(jù)點(diǎn)坐標(biāo)的冪，p和q重二維幾何矩陣用gpq表示，空間的坐標(biāo)系可定義為

(12)

式中，ξ為數(shù)據(jù)特征集合f(x，y)的空間區(qū)域.基于Zernike矩陣重構(gòu)方法對(duì)數(shù)據(jù)特定特征進(jìn)行重構(gòu)，其表達(dá)式為

(13)

式中：mmax為特征矩陣的最高階數(shù)；Z為數(shù)據(jù)的特定特征矩陣.基于推薦思維進(jìn)行小差異化圖像數(shù)據(jù)庫(kù)的特定特征挖掘，先確定小差異化圖像數(shù)據(jù)庫(kù)特定特征的推薦度.

(14)

式中：u為小差異化圖像數(shù)據(jù)庫(kù)數(shù)據(jù)特征頻繁度；t為小差異化圖像數(shù)據(jù)庫(kù)中的任意數(shù)據(jù)特征.占有度需滿(mǎn)足的約束條件為

(15)

(16)

式中：v為擴(kuò)展長(zhǎng)度；PSL為前綴序列長(zhǎng)度向量；SL為序列長(zhǎng)度向量；le為向量PSL、SL中序列對(duì)應(yīng)的下標(biāo).根據(jù)式(16)推導(dǎo)出的特征推薦模式進(jìn)行小差異化圖像數(shù)據(jù)庫(kù)數(shù)據(jù)特定特征挖掘，挖掘模型為

(17)

式中：fjd(x)為數(shù)據(jù)特定特征的概率密度期望函數(shù)；cjd為系數(shù).

綜上所述，在對(duì)提取的小差異化圖像數(shù)據(jù)庫(kù)數(shù)據(jù)特定特征進(jìn)行分類(lèi)的基礎(chǔ)上，采用推薦模式挖掘方法，對(duì)分類(lèi)的特定特征數(shù)據(jù)按照推薦模式，可實(shí)現(xiàn)對(duì)小差異化圖像數(shù)據(jù)庫(kù)數(shù)據(jù)特定特征的挖掘.

3 實(shí)驗(yàn)結(jié)果分析

3.1 實(shí)驗(yàn)參數(shù)設(shè)置

實(shí)驗(yàn)采用大規(guī)模小差異化圖像數(shù)據(jù)集，Live-Jpurnal數(shù)據(jù)集包含8 475個(gè)數(shù)據(jù).實(shí)驗(yàn)采用開(kāi)源HadoopMapReduce為系統(tǒng)平臺(tái).實(shí)驗(yàn)包括4臺(tái)PC(PC配置均為雙核、2GB內(nèi)存、250GB硬盤(pán))，在每臺(tái)機(jī)器上均有ubuntu9.04，32位操作系統(tǒng).

3.2 數(shù)據(jù)推薦分類(lèi)對(duì)比實(shí)驗(yàn)

為了驗(yàn)證改進(jìn)挖掘方法在小差異化圖像數(shù)據(jù)庫(kù)的特定特征挖掘方面的有效性，挖掘LiveJpurnal數(shù)據(jù)集中分辨率為640×480的圖像，采用人工神經(jīng)網(wǎng)絡(luò)法及小波尺度特征法進(jìn)行收斂性對(duì)比分析，結(jié)果如圖1所示.

由圖1a可知，采用改進(jìn)的方法時(shí)，其對(duì)所要挖掘數(shù)據(jù)的推薦分類(lèi)結(jié)果更為集中，且隨著迭代次數(shù)的增加，推薦分類(lèi)結(jié)果更為聚集，提高了挖掘的精度.由圖1b可知，采用人工神經(jīng)網(wǎng)絡(luò)法時(shí)，其對(duì)數(shù)據(jù)的推薦分類(lèi)結(jié)果未隨著迭代次數(shù)的增加而提高，相反出現(xiàn)擴(kuò)散的現(xiàn)象，導(dǎo)致無(wú)法集中，降低了挖掘精度.由圖1c可知，采用小波尺度特征法時(shí)，其推薦分類(lèi)結(jié)果出現(xiàn)隨著迭代次數(shù)的增加而先分散再集中最后又分散的結(jié)果，導(dǎo)致分類(lèi)穩(wěn)定性較差，挖掘精度不穩(wěn)定，不適合在小差異化圖像數(shù)據(jù)庫(kù)中使用.由此可知，采用改進(jìn)的挖掘方法時(shí)，其推薦分類(lèi)結(jié)果要比小波尺度特征法、人工神經(jīng)網(wǎng)絡(luò)法更精確，可提高一定的數(shù)據(jù)挖掘精度.

3.3 不同方法運(yùn)行效率對(duì)比實(shí)驗(yàn)

為了驗(yàn)證改進(jìn)挖掘方法在小差異化圖像數(shù)據(jù)庫(kù)的特定特征挖掘方面的有效性，采用人工神經(jīng)網(wǎng)絡(luò)法及小波尺度特征法進(jìn)行運(yùn)行效率對(duì)比分析，結(jié)果如圖2所示.

由圖2可知，不同方法呈現(xiàn)了相同的規(guī)律，都隨著挖掘時(shí)間的增加，挖掘方法運(yùn)行效率增加，具有良好的可擴(kuò)展性.在相同的實(shí)驗(yàn)環(huán)境下運(yùn)行，改進(jìn)的特征挖掘方法在花費(fèi)時(shí)間一定的情況下，運(yùn)行效率相比小波尺度特征法、人工神經(jīng)網(wǎng)絡(luò)法要高.說(shuō)明本文提出的基于推薦模式挖掘的小差異化圖像數(shù)據(jù)庫(kù)的特定特征挖掘方法具有負(fù)載均衡的能力，比人工神經(jīng)網(wǎng)絡(luò)法及小波尺度特征法有更好的挖掘效果.

圖1 推薦分類(lèi)對(duì)比Fig.1 Comparison in recommendation classification

圖2 運(yùn)行效率對(duì)比Fig.2 Comparison in operational efficiency

上述實(shí)驗(yàn)充分證明了改進(jìn)的特定特征挖掘方法具有很好的可擴(kuò)展性，可以適用于小差異化圖像數(shù)據(jù)庫(kù)特定特征的挖掘，具有良好的負(fù)載均衡效果，挖掘效率較高.

4 結(jié) 論

針對(duì)傳統(tǒng)的特征挖掘方法一直存在的挖掘精度低和運(yùn)行效率差的問(wèn)題，提出了基于推薦模式挖掘的小差異化圖像數(shù)據(jù)庫(kù)的特定特征挖掘方法.經(jīng)實(shí)驗(yàn)對(duì)比得出如下結(jié)論：

1) 采用改進(jìn)挖掘方法時(shí)，其對(duì)所要挖掘的數(shù)據(jù)推薦分類(lèi)結(jié)果更為集中，且隨著迭代次數(shù)的增加，推薦分類(lèi)結(jié)果更為聚集，具有一定的優(yōu)勢(shì)；

2) 基于推薦模式挖掘的小差異化圖像數(shù)據(jù)庫(kù)的特定特征挖掘方法具有負(fù)載均衡能力，比人工神經(jīng)網(wǎng)絡(luò)法及小波尺度特征法的平衡挖掘量效果更好，運(yùn)行效率更高.

[1] 王春紅.大型圖像數(shù)據(jù)庫(kù)的快速檢索方法研究仿真 [J].計(jì)算機(jī)仿真，2014，31(5)：246-249.

(WANG Chun-hong.Quick retrieval method simulation for large image database [J].Computer Simulation，2014，31(5)：246-249.)

[2] 陳銀鳳.海量高光譜遙感圖像數(shù)據(jù)庫(kù)的高效挖掘算法研究 [J].科技通報(bào)，2015，31(3)：188-191.

(CHEN Yin-feng.Research of efficient mining algorithm for hyperspectral remote sensing image data [J].Bulletin of Science and Technology，2015，31(3)：188-191.)

[3] 李慧玲.大型圖像數(shù)據(jù)庫(kù)的特征挖掘優(yōu)化模型仿真 [J].科技通報(bào)，2015，31(2)：194-196.

(LI Hui-ling.Large image database characteristics mining optimization model [J].Bulletin of Science and Technology，2015，31(2)：194-196.)

[4] 張健欽，仇培元，杜明義.基于時(shí)空軌跡數(shù)據(jù)的出行特征挖掘方法 [J].交通運(yùn)輸系統(tǒng)工程與信息，2014，14(6)：72-78.

(ZHANG Jian-qin，QIU Pei-yuan，DU Ming-yi.Mi-ning method of travel characteristics based on spatio-temporal trajectory data [J].Journal of Transportation Systems Engineering and Information Technology，2014，14(6)：72-78.)

[5] 鄭寶芬，蘇宏業(yè)，羅林.無(wú)監(jiān)督特征選擇在時(shí)間序列數(shù)據(jù)挖掘中的應(yīng)用 [J].儀器儀表學(xué)報(bào)，2014，35(4)：834-840.

(ZHENG Bao-fen，SU Hong-ye，LUO Lin.Application of unsupervised feature selection in time series data mining [J].Chinese Journal of Scientific Instrument，2014，35(4)：834-840.)

[6] 王昌輝.云計(jì)算設(shè)備中的大數(shù)據(jù)特征高效分類(lèi)挖掘方法研究 [J].現(xiàn)代電子技術(shù)，2015，38(22)：55-58.

(WANG Chang-hui.Research on efficient classification mining algorithm for large data feature of cloud computing equipment [J].Modern Electronics Technique，2015，38(22)：55-58.)

[7] 史玉珍，呂瓊帥.基于進(jìn)化模糊規(guī)則的Web新聞文本挖掘與分類(lèi)方法 [J].湘潭大學(xué)自然科學(xué)學(xué)報(bào)，2016，38(2)：99-103.

(SHI Yu-zhen，Lü Qiong-shuai.Web news text mi-ning and classification method based on evolving fuzzy rule [J].Natural Science Journal of Xiangtan University，2016，38(2)：99-103.)

[8] 惠國(guó)保，李東波，童一飛.挖掘圖像補(bǔ)丁特征信息增強(qiáng)二進(jìn)制描述子獨(dú)特性 [J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2014，26(9)：1419-1429.

(HUI Guo-bao，LI Dong-bo，TONG Yi-fei.A discri-minative binary descriptor built on further mining marginal information [J].Journal of Computer-Aided Design & Computer Graphics，2014，26(9)：1419-1429.)

[9] 劉振林，谷延鋒，張曄.一種用于高光譜圖像特征提取的子空間核方法 [J].哈爾濱工程大學(xué)學(xué)報(bào)，2014，35(2)：238-244.

(LIU Zhen-lin，GU Yan-feng，ZHANG Ye.A subspace kernel learning method for feature extraction of the hyperspectral image [J].Journal of Harbin Engineering University，2014，35(2)：238-244.)

[10]牛連強(qiáng)，趙子天，張勝男.基于Gabor特征融合與LBP直方圖的人臉表情特征提取方法 [J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2016，38(1)：63-68.

(NIU Lian-qiang，ZHAO Zi-tian，ZHANG Sheng-nan.Extraction method for facial expression features based on Gabor feature fusion and LBP histogram [J].Journal of Shenyang University of Technology，2016，38(1)：63-68.)

(責(zé)任編輯：鐘 媛 英文審校：尹淑英)

Designofspecificfeatureminingmethodinimagedatabasewithsmallalienation

LIU Pinga, WANG Xiaoa, LIU Chunb

(a. Library, b. School of Environmental Science and Engineering, Hebei University of Science and Technology, Shijiazhuang 050018, China)

Aiming at the problem that the traditional specific feature association mining method has low mining efficiency, a specific feature data mining method in the image database with small alienation based on a recommendation model was proposed. With the firefly parameter optimization method of support vector machine (SVM), the specific feature of image data with small alienation was extracted, and the similarity association problem was solved. The principal component analysis method was used to reduce the dimension of image feature association with small alienation, and the Laplace prediction classification method was adopted to recommend and classify the specific features of extracted image with small alienation. In addition, the specific feature after the classification was mined according to the recommended levels. The results show that the proposed mining method is superior to the traditional mining methods, and the accuracy rate and efficiency get obviously enhanced.

firefly algorithm; image database; special feature; mining method; Laplace prediction; support vector machine; principal component analysis method; recommendation classification

TP 391.41

： A

： 1000-1646(2017)05-0562-05

2016-11-23.

河北省教育廳青年基金資助項(xiàng)目(SQ161142).

劉 平(1976-)，女，河南安陽(yáng)人，講師，碩士，主要從事多媒體信息安全及競(jìng)爭(zhēng)情報(bào)等方面的研究.

* 本文已于2017-08-01 12∶35在中國(guó)知網(wǎng)優(yōu)先數(shù)字出版. 網(wǎng)絡(luò)出版地址： http：∥www.cnki.net/kcms/detail/21.1189.T.20170801.1235.022.html

10.7688/j.issn.1000-1646.2017.05.16