基于配網(wǎng)的5G通信承載網(wǎng)資源分配近優(yōu)算法

隋宇 陳亞彬 曹華珍 韋斌

摘 要：基于Backes Andre Ricardo等人提出的“構(gòu)造伴生動(dòng)態(tài)演化網(wǎng)絡(luò)”、生成“高維解釋向量”的紋理圖片分類法，研究了Kylberg紋理圖像庫的分類問題。通過將數(shù)據(jù)集圖片樣本進(jìn)行二次分割以減少該算法預(yù)處理計(jì)算量、提出了構(gòu)建紋理網(wǎng)絡(luò)時(shí)的“網(wǎng)絡(luò)頂點(diǎn)隨機(jī)化、抽樣采集”策略，該思路可進(jìn)一步減少算法的時(shí)間開銷。該類紋理圖片數(shù)據(jù)高維幾何數(shù)字特征的提取流程易于實(shí)現(xiàn)，擴(kuò)展了原算法的適用范圍。數(shù)值結(jié)果表明算法對(duì)旋轉(zhuǎn)操作、噪聲干擾具有一定的魯棒性，具備一定潛在應(yīng)用前景。

關(guān)鍵詞：紋理分析， 復(fù)雜網(wǎng)絡(luò)， 紋理簽名， Kylberg紋理數(shù)據(jù)集

中圖分類號(hào)：TP391 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

紋理分析是圖像處理和計(jì)算機(jī)視覺中的一個(gè)基本問題。在目標(biāo)識(shí)別、遙感和基于內(nèi)容的圖像檢索等諸多應(yīng)用領(lǐng)域中，它都是一個(gè)關(guān)鍵問題。盡管對(duì)于紋理沒有確切的定義，但它是一個(gè)很容易被人理解的屬性，并且是一個(gè)豐富的視覺新消息來源。圖像紋理通常被定義為像素強(qiáng)度的空間變化函數(shù)。紋理模式通常包含微紋理和宏紋理，前者由若干紋理基本體集合構(gòu)成，后者表征這些基本體的層次空間排列特征。對(duì)圖像紋理的感知取決于紋理基本體的空間大小：大基本體產(chǎn)生宏觀紋理，小基本體產(chǎn)生微觀紋理[1-2]。常見圖像特征包含內(nèi)部特征與外部特征：前者包含灰度特征、紋理特征和形狀特征等;后者則主要包含圖片內(nèi)部特定幾何形狀特征。利用特征提取獲得恰當(dāng)?shù)慕忉屪兞渴噶考沁M(jìn)行特征選擇、分類的關(guān)鍵問題之一;而紋理分析則是通過特定的圖像處理技術(shù)抽取出紋理特征、獲得紋理的定量或定性描述的分析過程。目前，各類紋理分析技術(shù)，特別是多特征融合分析技術(shù)的應(yīng)用越來越廣泛[1，2]。最近，Andre Ricardo Backs等人提出了一種運(yùn)用伴生復(fù)雜網(wǎng)絡(luò)來表征紋理結(jié)構(gòu)的新方法，將之用于圖形輪廓分類、圖像紋理內(nèi)容分析與解釋等領(lǐng)域，該類基于網(wǎng)絡(luò)圖分析的新穎方法能克服傳統(tǒng)輪廓分析、紋理分析的某些不足，開拓了輪廓分析、紋理分析的新視角[3-5]。Andre Ricardo Backs等人將紋理圖像轉(zhuǎn)化為復(fù)雜網(wǎng)絡(luò)后，給出了一類構(gòu)造輪廓、紋理特征解釋變量的策略，并將之與傳統(tǒng)的解釋變量構(gòu)造方法，如，一階直方圖、傅里葉分析、Gabor濾波分析、灰度共生矩陣分析、離散余弦變換、灰度差分矩陣、小波解釋、局部二進(jìn)模式變分法、完全局部二進(jìn)模式分析法以及局部三元模式法等生成的解釋變量的分類有效性進(jìn)行了比較[3，4]。隨后，Wesley Nunes Goncalves等人則建立了類似的具有旋轉(zhuǎn)不變性的灰度像素復(fù)雜網(wǎng)絡(luò)用于人臉識(shí)別研究，也取得了較好的應(yīng)用效果[5]。目前，基于復(fù)雜網(wǎng)絡(luò)建模與分析思路的各類新穎算法及其改進(jìn)已在紋理分析、形狀分類、圖像檢索、多特征融合等領(lǐng)域得到了廣泛應(yīng)用[6-9]，逐漸引起國內(nèi)外圖形分析、圖像處理、計(jì)算機(jī)視覺等領(lǐng)域相關(guān)學(xué)者的充分關(guān)注[10-22]。

將Backes Andre Ricardo等人提出的、構(gòu)造“伴生動(dòng)態(tài)演化復(fù)雜網(wǎng)絡(luò)”、生成高維解釋變量的新穎分類技術(shù)應(yīng)用到紋理圖像的分類研究之中。在數(shù)據(jù)集預(yù)處理方面，為減少算法計(jì)算量，增加了將采集數(shù)據(jù)集圖片樣本進(jìn)行二次分割環(huán)節(jié);進(jìn)一步，在實(shí)際操作中，還改進(jìn)性地提出了適合實(shí)際分類應(yīng)用的隨機(jī)抽樣網(wǎng)絡(luò)頂點(diǎn)采集策略。后文將詳細(xì)介紹用于分類的“高維特征解釋向量”的生成策略、紋理圖像“幾何數(shù)字特征”的提取過程。通過對(duì)Kylberg紋理[23，24]圖像庫的分類研究發(fā)現(xiàn)：基于該方法構(gòu)建的紋理圖像“高維解釋向量（又稱指紋向量）”能有效表征織物紋理圖像數(shù)字特征。數(shù)值結(jié)果表明此類方法具備對(duì)旋轉(zhuǎn)操作、噪聲干擾的魯棒性，具有較好的快速分類應(yīng)用前景。下面將分三個(gè)部分給出相關(guān)研究方法及結(jié)果。

1 圖像紋理特征的高維幾何化解釋向量生成策略

1.1 灰度圖像的網(wǎng)絡(luò)化轉(zhuǎn)化研究主要進(jìn)展

復(fù)雜網(wǎng)絡(luò)理論及其應(yīng)用是新興的重要研究領(lǐng)域之一，它涉及了圖論、非線性動(dòng)力學(xué)、統(tǒng)計(jì)力學(xué)等眾多科學(xué)知識(shí)和理論基礎(chǔ)，呈現(xiàn)出了多學(xué)科交叉快速融合的特點(diǎn)。近年來，伴隨系統(tǒng)科學(xué)、統(tǒng)計(jì)學(xué)、物理學(xué)、數(shù)學(xué)、計(jì)算機(jī)與信息科學(xué)等學(xué)科交叉的進(jìn)一步深入，復(fù)雜網(wǎng)絡(luò)科學(xué)與技術(shù)手段在模式識(shí)別、計(jì)算機(jī)視覺等領(lǐng)域也展現(xiàn)了廣闊的研究前景。事實(shí)上，幾乎所有的實(shí)測對(duì)象均能表征為復(fù)雜網(wǎng)絡(luò)對(duì)象，從演化視角出發(fā)的動(dòng)態(tài)演化網(wǎng)絡(luò)、時(shí)空網(wǎng)絡(luò)更是拓展了復(fù)雜網(wǎng)絡(luò)領(lǐng)域的應(yīng)用空間。

3.2 數(shù)值實(shí)驗(yàn)及討論

數(shù)值實(shí)驗(yàn)過程中，使用半徑r=3和變化閾值策略開展相關(guān)計(jì)算。具體設(shè)置時(shí)，閾值由初始閾值T_initial=0.005，步長T_incr=0.015逐漸增加，直到達(dá)到最大閾值T_max=0.530，構(gòu)成的解釋變量集合力圖得到最好分類識(shí)別效果。參考相關(guān)文獻(xiàn)[4]的經(jīng)驗(yàn)研究結(jié)果發(fā)現(xiàn)：當(dāng)“能量”、“熵”和“對(duì)比度”這三個(gè)特征結(jié)合起來時(shí)，效果達(dá)到最佳。

數(shù)值實(shí)驗(yàn)共使用了108個(gè)解釋量作為測試對(duì)象的特征用于分類研究（每個(gè)閾值取3個(gè)特征值，總共有36組閾值），實(shí)驗(yàn)表明，此種策略下可以得到最好的識(shí)別結(jié)果。

3.2.1 采用的幾類分類算法

使用了多種分類算法檢測本文構(gòu)造高維幾何化簽名特征去分析圖片紋理算法的有效性。 具體采用的對(duì)比用算法包含：線性判別分析法（Linear Discriminant Analysis， LDA）、K最近鄰算法（K-Nearest Neighbor， KNN）、決策樹（Decision Tree）方法，以及支持向量機(jī)（Support Vector Machine）。

3.2.2 算法分類表現(xiàn)比較

為檢驗(yàn)不同算法在數(shù)據(jù)集特征提取分類應(yīng)用中的有效性，表1和表2分別給出了針對(duì)原始數(shù)據(jù)集的、應(yīng)用不同算法對(duì)同一解釋變量分類分析的計(jì)算時(shí)間開銷與分類精度的具體結(jié)果。

研究表明：通過構(gòu)造紋理圖像的高維幾何化簽名特征，采用KNN、SVM、LDA、決策樹均能得到較好的分類效果，樸素貝葉斯算法僅能達(dá)到80.6%;因而，推薦開展此類紋理圖片研究時(shí)，優(yōu)先選用高效的KNN、SVM、或者LDA方法就能達(dá)到一般工業(yè)應(yīng)用級(jí)別的場景需求。需要指出的是，若將得到的特征高維幾何化簽名特征解釋向量進(jìn)行“歸一化”處理之后，使用同樣的算法開展分類研究，數(shù)值結(jié)果表明，所有算法均一致地得到了更高的識(shí)別準(zhǔn)確率。采用KNN、SVM、LDA、決策樹均能得到較好的分類效果，樸素貝葉斯算法仍僅能達(dá)到84.6%，不推薦使用。

此外，由實(shí)驗(yàn)結(jié)果分析可知，在未歸一化特征向量之前，KNN算法和SVM算法有著比LDA高的分類正確率，但這兩種訓(xùn)練時(shí)間均比LDA所需時(shí)間高;解釋變量歸一化之后，KNN算法的識(shí)別正確率比LDA方法高，但所需要的訓(xùn)練時(shí)間同樣比LDA高;綜合比較可見，采用LDA針對(duì)本數(shù)據(jù)集是最合適的分類方法。

表3和表4分別給出了針對(duì)原始數(shù)據(jù)旋轉(zhuǎn)所得數(shù)據(jù)集、應(yīng)用不同算法對(duì)同一解釋變量分類分析的計(jì)算時(shí)間開銷與分類精度的具體結(jié)果。研究表明：通過構(gòu)造紋理圖像的高維幾何化簽名特征，采用KNN、SVM、LDA、決策樹均能得到較好的分類效果，樸素貝葉斯算法僅能達(dá)到85.1%;因而，本文推薦開展此類紋理圖片研究時(shí)，優(yōu)先選用高效的KNN、SVM、或者LDA方法就能達(dá)到一般工業(yè)應(yīng)用級(jí)別的場景需求。

需要指出的是，若將得到的特征高維幾何化簽名特征解釋向量進(jìn)行“歸一化”處理之后，使用同樣的算法開展分類研究，數(shù)值結(jié)果表明，所有算法均一致地得到了更高的識(shí)別準(zhǔn)確率。采用KNN、SVM、LDA、決策樹均能得到較好的分類效果，樸素貝葉斯算法仍僅能達(dá)到85.1%，不推薦使用。

此外，由實(shí)驗(yàn)結(jié)果分析可知，針對(duì)此類數(shù)據(jù)，歸一化特征向量對(duì)分類正確率影響不大;比較可見，采用KNN針對(duì)該類數(shù)據(jù)集可以達(dá)到最佳分類效果。

表5和表6分別給出了針對(duì)原始數(shù)據(jù)添加椒鹽噪聲后所得數(shù)據(jù)集、應(yīng)用不同算法對(duì)同一解釋變量分類分析的計(jì)算時(shí)間開銷與分類精度的具體結(jié)果。

研究表明：通過構(gòu)造紋理圖像的高維幾何化簽名特征，采用KNN、LDA、SVM、決策樹均能得到較好的分類效果，樸素貝葉斯算法僅能達(dá)到84.7%;因而，本文推薦開展此類紋理圖片研究時(shí)，優(yōu)先選用高效的KNN、LDA、SVM方法就能達(dá)到一般工業(yè)應(yīng)用級(jí)別的場景需求。需要指出的是，若將得到的特征高維幾何化簽名特征解釋向量進(jìn)行“歸一化”處理之后，使用同樣的算法開展分類研究，數(shù)值結(jié)果表明，所有算法總體上均得到了更高的識(shí)別準(zhǔn)確率。采用KNN、SVM、LDA、決策樹均能得到較好的分類效果，樸素貝葉斯算法仍僅能達(dá)到84.7%，不推薦使用。

此外，由實(shí)驗(yàn)結(jié)果分析可知，針對(duì)此類數(shù)據(jù)，歸一化特征向量對(duì)分類正確率影響不大;比較可見，采用KNN針對(duì)該類數(shù)據(jù)集可以達(dá)到最佳分類效果。

表7和表8分別給出了針對(duì)原始數(shù)據(jù)添加高斯白噪聲后所得數(shù)據(jù)集、應(yīng)用不同算法對(duì)同一解釋變量分類分析的計(jì)算時(shí)間開銷與分類精度的具體結(jié)果。研究表明：通過構(gòu)造紋理圖像的高維幾何化簽名特征，采用KNN、LDA、SVM均能得到較好的分類效果，決策樹、樸素貝葉斯算法分別僅能達(dá)到81.5%和68.7%;因而，本文推薦開展此類紋理圖片研究時(shí)，優(yōu)先選用高效的KNN、LDA、SVM方法就能達(dá)到一般工業(yè)應(yīng)用級(jí)別的場景需求。需要指出的是，若將得到的特征高維幾何化簽名特征解釋向量進(jìn)行“歸一化”處理之后，使用同樣的算法開展分類研究，數(shù)值結(jié)果表明，所有算法總體上均得到了更高的識(shí)別準(zhǔn)確率。采用KNN、SVM、LDA、決策樹均能得到較好的分類效果，樸素貝葉斯算法仍僅能達(dá)到84.7%，不推薦使用。

此外，由實(shí)驗(yàn)結(jié)果分析可知，針對(duì)此類數(shù)據(jù)，歸一化特征向量僅對(duì)LDA、SVM分類正確率影響略有提升，其它三類反有下降;故認(rèn)為采用LDA針對(duì)該類數(shù)據(jù)集可以達(dá)到最佳分類效果。

當(dāng)然，新近針對(duì)同一數(shù)據(jù)集地相關(guān)研究表明，采用特定的充分訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)（CNN）可以將分類的準(zhǔn)確率提升至99.2%-99.4%左右，但該方法對(duì)重新分割樣本增加訓(xùn)練樣本數(shù)量、計(jì)算開銷等方面的要求則提高了很多[12]，[13]。因此，綜合訓(xùn)練時(shí)間與分類精度兩方面表現(xiàn)比較，基于本文算法和本文建議的KNN、SVM、LDA等算法，在小樣本條件下，LDA分類方法的在“分類精度”和“訓(xùn)練時(shí)長”兩方面的綜合表現(xiàn)無疑仍具有一定優(yōu)勢，故而本文建議讀者在類似應(yīng)用場景下優(yōu)先選用此方法。

4 結(jié) 論

基于新近提出的構(gòu)造伴生動(dòng)態(tài)演化復(fù)雜網(wǎng)絡(luò)生成解釋變量的紋理分析法，本文給出了紋理圖像的高維特征解釋向量生成策略與特征提取流程，數(shù)值實(shí)驗(yàn)表明，基于該方法構(gòu)建的紋理圖像指紋向量能有效地表征紋理圖像數(shù)字特征、并成功用于對(duì)Kylberg紋理圖像庫的分類;此類方法具備完全的旋轉(zhuǎn)不變性、一定的噪聲抗干擾性，同時(shí)我們還指出，盡管基于Imagenet上訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)也能在小樣本集上對(duì)紋理圖片試試較好的分類效果，但總體上，相較于文獻(xiàn)提出的一些深度學(xué)習(xí)分類算法而言（如文獻(xiàn)[12]，[13]），本文建議的LDA方法仍具備所需樣本少、時(shí)間開銷不大，識(shí)別率接近的應(yīng)用優(yōu)勢;且算法所需硬件配置相對(duì)較低，具有較好的工業(yè)應(yīng)用前景。未來我們還將進(jìn)一步嘗試降低算法復(fù)雜性和存儲(chǔ)占用，使得該類算法能在相關(guān)應(yīng)用場景下發(fā)揮更大的作用。

參考文獻(xiàn)

[1] TUCERYAN M， JAIN K， Texture analysis，handbook of pattern recognition of computer vision[M].World Scientific Publishing Co.， 1998：207-248.

[2] HOSSAIN S， SERIKAWA S. Texture databases—A comprehensive survey[J].Pattern Recognition Letters， 2013， 34（15）： 2007-2022.

[3] BACKES R， CASANOVA D， BRUNO M. A complex network-based approach for boundary shape analysis[J]. Pattern Recognition， 2009， 42（1）：54-67.

[4] BACKES R， CASANOVA D， BRUNO M. Texture analysis and classification： A complex network-based approach[J]. Information Sciences， 2013， 219：168-180.

[5] GONCALVES W N， ANDRADE DE， SILVA J， et al. A rotation invariant face recognition method based on complex network[C].Progress in Pattern Recognition， Image Analysis， Computer Vision， and Applications. CIARP 2010. Lecture Notes in Computer Science， Springer， Berlin， Heidelberg， 2010， 6419： 426-433.

[6] COIFMAN R， WICKERHAUSER M. Entropy-based algorithms for best basis selection[J]. IEEE Transactions on Information Theory， 1992， 38（2）：713-718.

[7] BOCCALETTI S， LATORA V， MORENO Y， et al. Complex networks： Structure and dynamics[J]. Physics Reports， 2006， 424（4-5）：175-308.

[8] COSTA L F， RODRIGUES F A， TRAVIESO G， et al. Characterization of complex networks： A survey of measurements[J]. Advances in Physics， 2007， 56：167-242.

[9] COMIN C H， PERON T， SILVA F N， et al.， Complex systems： features， similarity and connectivity， Physics Reports， 2020， （861）：1-41.

[10]BAILEY I， BACKES A， WALSH P， et al. Image analysis of weaverbird nests reveals signature weave textures[J]. Royal Society Open Science， 2015， 2（6）：150074.

[11]TYAGI V. Content-based image retrieval based on relative locations of multiple regions of interest using selective regions matching[M]. Elsevier Science Inc，2017.

[12]VINCENT A， PAUL F， Using filter banks in convolutional neural networks for texture classification[J].Pattern Recognition Letters， 2016， 84（11）： 63-69.

[13]CHRISTODOULIDIS S， ANTHIMOPOULOS M， EBNER L， et al. Multisource transfer learning with convolutional neural networks for lung pattern analysis[J]. IEEE Journal of biomedical and health informatics， 2016， 21（1）： 76-84.

[14]阮瑞， 江波， 湯進(jìn)， 等. 改進(jìn)復(fù)雜網(wǎng)絡(luò)模型的形狀特征提取[J]. 中國圖象圖形學(xué)報(bào)， 2018， 19（9）：1332-1337.

[15]洪睿， 康曉東， 李博，等. 一種基于復(fù)雜網(wǎng)絡(luò)的圖像形狀及紋理描述方法[J]. 計(jì)算機(jī)科學(xué)， 2018， 45（S2）： 254-256.

[16]湯進(jìn)， 陳影， 江波等. 基于復(fù)雜網(wǎng)絡(luò)的圖像建模與特征提取方法[J]. 計(jì)算機(jī)工程， 2013，39（5）：243-247.

[17]郅大鵬， 湯進(jìn)， 江波等. 多模復(fù)雜網(wǎng)絡(luò)模型的形狀特征提取方法[J].計(jì)算機(jī)科學(xué)與探索，2013 （6）： 94-100.

[18]湯進(jìn)， 郅大鵬， 江波等. 基于有向復(fù)雜網(wǎng)絡(luò)模型的形狀描述與識(shí)別[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)， 2014 （11）：2039-2045.

[19]湯曉， 王銀河. 基于復(fù)雜網(wǎng)絡(luò)和圖像輪廓的形狀識(shí)別方法[J]. 山西師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2013 （3）：38-45.

[20]高劑斌， 李裕梅， 張慧娜. 基于復(fù)雜網(wǎng)絡(luò)的圖像特征提取及多特征融合方案探究[J].圖像與信號(hào)處理，2015，4（4）：101-110.

[21]何蘇利， 王銀河， 陳作宏. 基于輪廓形狀和復(fù)雜網(wǎng)絡(luò)的圖像識(shí)別新方法[J].工業(yè)控制計(jì)算機(jī)， 2016 （5）：129-131.

[22]王民， 王羽笙， 劉濤， 等. 利用圖像熵和復(fù)雜網(wǎng)絡(luò)的中國畫分類方法[J]. 激光與光電子學(xué)進(jìn)展， 2017（2）： 181-188.

[23]KYLBERG G， The Kylberg texture dataset v. 1.0[M].Sweish， Centre for Image Analysis， Swedish University of Agricultural Sciences and Uppsala University，2011. （Obtained online on 2019-11-18.）

[24]KYLBERG G， SINTORN I. Evaluation of noise robustness for local binary pattern descriptors in texture classification[J]. EURASIP Journal on Image and Video Processing， 2013， 17：1-20.