基于改進(jìn)的進(jìn)化概率神經(jīng)網(wǎng)絡(luò)的紋理圖像識(shí)別

肖淑蘋

（西安翻譯學(xué)院 工程技術(shù)學(xué)院，陜西 西安710105）

基于改進(jìn)的進(jìn)化概率神經(jīng)網(wǎng)絡(luò)的紋理圖像識(shí)別

肖淑蘋

（西安翻譯學(xué)院 工程技術(shù)學(xué)院，陜西 西安710105）

計(jì)算機(jī)現(xiàn)在已經(jīng)在人們生活中普遍應(yīng)用，為了使計(jì)算機(jī)能更好的服務(wù)大眾，幫助人們更好的生活，提高計(jì)算機(jī)視覺是一個(gè)主要措施。本文基于基本概率神經(jīng)網(wǎng)絡(luò)，加入差異化的方法改善了之前的不足，然后提出了一種基于進(jìn)化概率神經(jīng)網(wǎng)絡(luò)的雙進(jìn)化概率神經(jīng)網(wǎng)絡(luò)，將這種方法應(yīng)用到紋理圖像識(shí)別中可發(fā)現(xiàn)，該方法有效的提高了識(shí)別率的正確性，加快了收斂速度，并且具備多樣性以及針對(duì)性的特點(diǎn)。

紋理識(shí)別；概率神經(jīng)網(wǎng)絡(luò)；差異進(jìn)化；進(jìn)化概率神經(jīng)網(wǎng)絡(luò)

現(xiàn)今自然界當(dāng)中，所存在的每一個(gè)物體都包含有它的紋理特性，人們通過感知每一個(gè)紋理特性來認(rèn)識(shí)世界，隨著計(jì)算機(jī)在人們?nèi)粘Ｉ钪械钠占埃藗兿Ｍ梢愿玫膶⒂?jì)算機(jī)應(yīng)用到日常生活當(dāng)中，幫助人們完成基本的任務(wù)，計(jì)算機(jī)視覺在其中起重要的一環(huán)，它通過識(shí)別生活中的紋理特性來加以分析，從而對(duì)人類進(jìn)行模擬。但是，通過計(jì)算機(jī)來分析紋理是一項(xiàng)非常困難的工作，本文在之前研究的基礎(chǔ)上，對(duì)概率神經(jīng)網(wǎng)絡(luò)做了進(jìn)一步的分析和整理，重點(diǎn)在于盡量提高該分析的精度以及速度上面，因此，提出了一項(xiàng)基于進(jìn)化概率神經(jīng)網(wǎng)絡(luò)的紋理圖像識(shí)別，該識(shí)別方法可分為兩條線，對(duì)明顯特征的紋理僅需要較少參數(shù)即可，對(duì)不明顯特征的紋理就需要較多輸入?yún)?shù)進(jìn)行識(shí)別，從而提高了識(shí)別率和識(shí)別速率。將該方法應(yīng)用到實(shí)際紋理識(shí)別當(dāng)中，結(jié)果表明該方法有效的提高了識(shí)別率的正確性，加快了收斂速度，并且具備多樣性以及針對(duì)性的特點(diǎn)［1-2］。

1　紋理識(shí)別的方法

紋理識(shí)別的原理是，根據(jù)不同區(qū)域中的像素不同，將這些像素分類歸納為各個(gè)問題，這種識(shí)別方法的限制因素有兩個(gè)：一是像素的灰度值，二是像素周圍的灰度值分布，而這是與傳統(tǒng)處理方法不相同的原因。因此，紋理識(shí)別完成的因素有兩個(gè)：一是處理像素的各個(gè)紋理特征以便分類；二是建立分類器并將前一步所得到的紋理特征加以分類。概括的說，紋理識(shí)別可以分類為特征提取和分類處理［1-3］。

1.1紋理特征提取

在紋理識(shí)別過程中，紋理特征提取是一項(xiàng)非常重要的步驟，它不僅關(guān)系到對(duì)像素識(shí)別的正確性，還與之后的分類提取息息相關(guān)，所以說，紋理是圖像識(shí)別的基礎(chǔ)。紋理特征提取的方法可總結(jié)為三類，分別是統(tǒng)計(jì)法、模型法和信號(hào)處理法。

統(tǒng)計(jì)法：根據(jù)像素特性和像素間的空間分布關(guān)系，統(tǒng)計(jì)法可分為一階統(tǒng)計(jì)、二階統(tǒng)計(jì)和高階統(tǒng)計(jì)。一階統(tǒng)計(jì)特性只考慮像素特性，而二階和高階統(tǒng)計(jì)將像素特性和像素間的空間分布關(guān)系綜合考慮。需要大量的統(tǒng)計(jì)數(shù)據(jù)作為分析依據(jù)是該方法的缺點(diǎn)。

模型法：該方法是將所分析的紋理作為模型，進(jìn)而將該模型的模型參數(shù)作為所分析紋理的紋理特征。這種方法實(shí)用性高，但仍舊需要大量計(jì)算數(shù)據(jù)作為支撐。

信號(hào)處理法：該方法是通過將所分析的紋理圖像進(jìn)行信號(hào)處理，對(duì)處理后的紋理進(jìn)行分析進(jìn)而提取紋理特征［4-5］。

文中采用小波變換的方法對(duì)目標(biāo)圖像進(jìn)行識(shí)別，小波變換主要分為兩種，分別是樹形結(jié)構(gòu)算法和塔形結(jié)構(gòu)算法。塔形結(jié)構(gòu)算法主要應(yīng)用對(duì)象是低頻信號(hào)的圖像，而樹形結(jié)構(gòu)算法則是有選擇性的對(duì)所需識(shí)別的圖像進(jìn)行識(shí)別。

塔形結(jié)構(gòu)算法的原理是：它將初始信號(hào)根據(jù)分辨率劃分為幾部分，然后通過不同分辨率的處理方法去處理這幾部分信號(hào)。分解步驟可分為兩步，第一步是將信號(hào)按照行進(jìn)行劃分，第二步是再按照列再進(jìn)行劃分。塔形結(jié)構(gòu)算法原理圖如圖1所示，小波變換結(jié)構(gòu)如圖2所示，其中，H和G表示尺度常數(shù)和小波系數(shù)。

圖1　塔形結(jié)構(gòu)算法原理圖

圖2　小波變換結(jié)構(gòu)圖

樹形結(jié)構(gòu)原理：通過低、高通濾波器將信號(hào)進(jìn)行濾波，抽樣點(diǎn)每濾波一次就減半。結(jié)構(gòu)圖和小波分解圖如圖3所示。

圖3　樹形結(jié)構(gòu)小波分解圖

1.2分類器

常用的分類的方法主要有4種。分別為最小距離法、支持向量機(jī)、k-最近鄰法和神經(jīng)網(wǎng)絡(luò)。

最小距離法是將數(shù)據(jù)庫中圖像與參考圖像距離計(jì)算出來，然后將距離最近的圖像作為與參考圖像最相似的圖像處理。該方法最大的優(yōu)點(diǎn)是分類速度快，缺點(diǎn)是對(duì)于較為密集的圖像來說，分類能力較差。

k-最近鄰法是對(duì)目標(biāo)圖像去相鄰近的k個(gè)樣本，通過比對(duì)這些樣本，大部分歸屬的一類即為該目標(biāo)圖像的類別。該方法優(yōu)點(diǎn)是分類簡便，且樣本越多，準(zhǔn)確度越高，缺點(diǎn)是應(yīng)用面較窄。

支持向量機(jī)是該方法是通過在高維空間中建立一個(gè)向量空間來最大限度減少分類錯(cuò)誤率。該方法的優(yōu)點(diǎn)是大大提高了紋理特征提取與分類的能力，缺點(diǎn)是技術(shù)不成熟，仍有很多方面的限制。

神經(jīng)網(wǎng)絡(luò)是該方法是以大量神經(jīng)元為基礎(chǔ)，模擬生物神經(jīng)網(wǎng)絡(luò)的分析和工作。該方法的優(yōu)點(diǎn)是處理能力強(qiáng)、使用時(shí)間長以及較好的實(shí)現(xiàn)能力，有較為廣泛的應(yīng)用前景。本文所用神經(jīng)網(wǎng)絡(luò)作為分類器。

2　進(jìn)化概率神經(jīng)網(wǎng)絡(luò)

因?yàn)樯窠?jīng)網(wǎng)絡(luò)分類性能強(qiáng)，并且出錯(cuò)率較低，同時(shí)針對(duì)神經(jīng)網(wǎng)絡(luò)識(shí)別率會(huì)因參數(shù)改變而降低的缺點(diǎn)，本文利用差異進(jìn)化方法改善了這一問題，同時(shí)提出一種進(jìn)化概率神經(jīng)網(wǎng)絡(luò)作為紋理識(shí)別的工具。該方法首先用樹形結(jié)構(gòu)小波包提取紋理特征，用統(tǒng)計(jì)的方法提取平均值等主要參數(shù)，從而得到該紋理圖像的特征矢量，然后應(yīng)用進(jìn)化概率神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)該圖像的識(shí)別［6-7］。

2.1差異進(jìn)化算法

差異進(jìn)化算法是一種非常有效的進(jìn)化算法，具有可控制參數(shù)少，易上手的特點(diǎn)。它可以對(duì)多個(gè)群體同時(shí)進(jìn)行并行計(jì)算搜索，并且不需要編碼和解碼，大大簡化了操作性，并且它的參數(shù)較為固定，可控制參數(shù)較少，大大提高了收斂速度，也提高了應(yīng)用范圍。

差異進(jìn)化算法主要分為三步：

1）變異：從樣本中隨機(jī)抽取4個(gè)個(gè)體xa，xb，xc，xd，構(gòu)成Dabcd=（xa-xb）+（xc-xd）。然后將其對(duì)xg加噪聲。

其中F為縮放因子。

2）交叉：交叉因數(shù)為CR，在1到n之間產(chǎn)生隨機(jī)數(shù)字rnbr（i），與xβ交叉產(chǎn)生個(gè)體Vi。

其中，randb（j）是在1到n之間產(chǎn)生的第j個(gè)隨機(jī)數(shù)字。3）替換：

該算法對(duì)基本概率神經(jīng)網(wǎng)絡(luò)的改進(jìn)主要分為以下幾步［8］：

1）初始化：首先抽取部分分量，將這些分量作為矢量的一個(gè)解，然后根據(jù)概率隨機(jī)抽取樣本作為初始值。

2）變異操作：因?yàn)槌槿颖镜闹迪嗷ブg有差值，將兩個(gè)樣本之間的差值與隨機(jī)抽取的第3個(gè)樣本值通過加權(quán)等處理得到變異矢量。

3）交叉操作：通過交叉操作可得到新的矢量，這個(gè)矢量由下式表示：

其中，n是1到N間的任意整數(shù)；L為1到N之間的參數(shù)變換量，由交叉概率決定。

4）選擇操作：將新矢量值與原定矢量值進(jìn)行比較，若新矢量值效果更好，則使用新矢量值，反之，將繼續(xù)使用原定矢量值。

2.2進(jìn)化概率神經(jīng)網(wǎng)絡(luò)的應(yīng)用

文中所提到的技術(shù)主要由兩步完成，第一是利用樹形小波包對(duì)紋理圖像進(jìn)行特征提取，并且用統(tǒng)計(jì)方法統(tǒng)計(jì)平均值等參數(shù)，將其作為特征矢量［9］；第二是特定算法進(jìn)行分類。整體算法示意圖如圖4所示。

圖4　算法流程圖

3　雙進(jìn)化概率神經(jīng)網(wǎng)絡(luò)及其應(yīng)用

3.1雙進(jìn)化概率神經(jīng)網(wǎng)絡(luò)

根據(jù)第3種所述，進(jìn)化概率神經(jīng)網(wǎng)絡(luò)在紋理圖像的識(shí)別上已經(jīng)可以實(shí)現(xiàn)較高的識(shí)別精度和速度，但是針對(duì)某些紋理圖像，有些需要較少參數(shù)即可實(shí)現(xiàn)，但有些則需要較多參數(shù)才可識(shí)別，所以，本章著重闡述另一種新的識(shí)別方法——雙進(jìn)化概率神經(jīng)網(wǎng)絡(luò)。

顧名思義，雙進(jìn)化概率神經(jīng)網(wǎng)絡(luò)是由兩個(gè)進(jìn)化概率神經(jīng)網(wǎng)絡(luò)X和Y構(gòu)成，其中，X網(wǎng)絡(luò)所需輸入?yún)?shù)較少，適用于特征較為明顯的紋理圖像，Y網(wǎng)絡(luò)所需輸入?yún)?shù)較多，是針對(duì)特征較為不明顯的紋理圖像使用。在應(yīng)用當(dāng)中，先使用X網(wǎng)絡(luò)識(shí)別，若識(shí)別不了再添加參數(shù)用Y網(wǎng)絡(luò)識(shí)別，這樣做的意義是大大簡化了識(shí)別步驟，也提高了識(shí)別精度和速度［10］。

使用雙進(jìn)化概率神經(jīng)網(wǎng)絡(luò)在紋理識(shí)別的過程如下：

1）先將所需識(shí)別的紋理圖像分為兩部分，分別是訓(xùn)練區(qū)和測試區(qū)；

2）搭建兩個(gè)進(jìn)化神經(jīng)網(wǎng)絡(luò)X和Y，X網(wǎng)絡(luò)主要識(shí)別特征較為明顯的圖像，而Y網(wǎng)絡(luò)則負(fù)責(zé)特征較為模糊的圖像。

3）訓(xùn)練X網(wǎng)絡(luò) 將X網(wǎng)絡(luò)結(jié)構(gòu)設(shè)為1-8-8-9，分別表示1個(gè)輸入?yún)?shù)、8個(gè)抽取樣本數(shù)、8個(gè)對(duì)應(yīng)神經(jīng)元求和層和9個(gè)輸出參數(shù)。其中，用0和1來分別表示參數(shù)是否屬于該類別，1表示屬于，0表示不屬于。

4）訓(xùn)練Y網(wǎng)絡(luò) 與3）相對(duì)應(yīng)，Y網(wǎng)絡(luò)結(jié)構(gòu)為5-8-8-9，所表示狀態(tài)與X網(wǎng)絡(luò)一致。

5）網(wǎng)絡(luò)的識(shí)別 將測試區(qū)中的一個(gè)紋理先放入X網(wǎng)絡(luò)或Y網(wǎng)絡(luò)當(dāng)中，所得結(jié)果即可理解為該紋理屬于對(duì)應(yīng)節(jié)點(diǎn)的概率。

3.2雙進(jìn)化概率神經(jīng)網(wǎng)絡(luò)的應(yīng)用

利用進(jìn)化概率神經(jīng)網(wǎng)絡(luò)和雙進(jìn)化概率神經(jīng)網(wǎng)絡(luò)分別對(duì)指定紋理進(jìn)行識(shí)別，識(shí)別結(jié)果如下表所示。

表1　雙進(jìn)化概率神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果

表2　進(jìn)化概率神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果

通過比較分析可得，雙進(jìn)化概率神經(jīng)網(wǎng)絡(luò)和進(jìn)化概率神經(jīng)網(wǎng)絡(luò)對(duì)紋理特征的識(shí)別度大致相當(dāng)，但速度要相對(duì)快很多，這就是因?yàn)槠湓谧R(shí)別過程中大大簡化了計(jì)算量，加快了分類速度［11］，因此，雙進(jìn)化概率神經(jīng)網(wǎng)絡(luò)具有更好的實(shí)際應(yīng)用價(jià)值。

4　結(jié)束語

文中首先簡單介紹了基本概率神經(jīng)網(wǎng)絡(luò)，針對(duì)該識(shí)別方法的缺點(diǎn)，加入差異化的方法改善了不足，然后提出了進(jìn)化概率神經(jīng)網(wǎng)絡(luò)，該識(shí)別方法相比原先方法大大提高了識(shí)別精確度，但是針對(duì)實(shí)際應(yīng)用過程中所面對(duì)的不同識(shí)別特征的紋理，為了簡化識(shí)別過程，提高分類速率，更好的利用計(jì)算機(jī)服務(wù)人們生活，本文提出了一種基于進(jìn)化概率神經(jīng)網(wǎng)絡(luò)的雙進(jìn)化概率神經(jīng)網(wǎng)絡(luò)，將這種方法應(yīng)用到紋理圖像識(shí)別中可發(fā)現(xiàn)，該方法有效的提高了識(shí)別率的正確性，加快了收斂速度，并且具備多樣性以及針對(duì)性的特點(diǎn)。

［1］van Ginneken B，Katsuragewa S，ter Haar Romeny B M，et al.Automatic Detectionof Abnormalities in Chest Radiographs Using Local Texture Analysis［J］.IEEE Transactions on Medical Imaging，2002，21（2）:139-149.

［2］BhanuPrakash K N，Ramakrishnan A G，Suresh S，et al. Fetal Lung MaturityAnalysis Using Ultrasound Image Features ［J］.IEEE Trans.on Inf.TechnolBiomed，2002，6（l）：38-45.

［3］張繼賢，柳健.基于能量分解的影像紋理多尺度分析［J］.電子學(xué)報(bào)，1997，25（12）：15-20.

［4］Shin D K，Kim H S，Chung T Y，et al.Image Retrieval Using VQ-basedLocalModifiedGaborFeature［J］.IEICETransactions on.Information and Systems，2002，E85-D（8）:1349-1353.

［5］Porter R，Canagarajah N.Robust Rotation-invariant Texture Classification:Wavelet，GaborFilterand GMRFBasedSchemes ［J］.IEE Proceedings of ImageSignal Processing，1997，144 （3）:180-188.

［6］Sidhu S，Raahemifar K.Texture Classification using Wavelet TransformandSupportVectorMachines［C］.CanndianConference on Electrical and ComputerEngineering，2005，941-944.

［7］飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB實(shí)現(xiàn)［M］.北京：電子工業(yè)出版社，2005.

［8］Yang Y，Li K Y.Neural network based on GA-BP algorithm anditsapplication intheProtein Secondary Structure Prediction ［J］.Chinese Journal of Biomedical Engineering，2006，15 （1）:1-9.

［9］林仁杰，李天友，蔡金錠.基于小波分析和遺傳BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)線路絕緣預(yù)警研究［J］.供用電，2015（7）:64-69.

［10］王坤.基于SVPWM的STATCOM設(shè)計(jì)及實(shí)現(xiàn)［J］.陜西電力，2011（1）：11-15.

［11］何達(dá)，吳明.Ada-BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法在電力負(fù)荷預(yù)測中的應(yīng)用研究［J］.陜西電力，2012（12）：21-24.

Texture image recognition based on evolutionary probabilistic neural network

XIAO Shu-ping
（Xi'an Translation College of Engineering and Technology，Xi'an 710105，China）

Computer has now been widely used in people's life，in order to make the computer can better serve the public，to help people better life，improve computer vision is a major measure.In this paper，based on the basic probabilistic neural network，the proposed method is improved by using a new probabilistic neural network，which can be found in texture image recognition.The proposed method can effectively improve the accuracy of recognition rate and speed up the convergence rate.

texture recognition；probabilistic neural network；differential evolution；Evolutionary probabilistic neural network

TM933.4

A

1674－6236（2016）16-0184-03

2015-10-08稿件編號(hào)：201510025

陜西省教育廳2014年科學(xué)研究計(jì)劃專項(xiàng)項(xiàng)目（14JK2037）

肖淑蘋（1982—），女，陜西周至人，碩士，講師。研究方向：智能信息處理。