肖淑蘋

（西安翻譯學院 工程技術學院，陜西 西安710105）

基于改進的進化概率神經(jīng)網(wǎng)絡的紋理圖像識別

肖淑蘋

（西安翻譯學院 工程技術學院，陜西 西安710105）

計算機現(xiàn)在已經(jīng)在人們生活中普遍應用，為了使計算機能更好的服務大眾，幫助人們更好的生活，提高計算機視覺是一個主要措施。本文基于基本概率神經(jīng)網(wǎng)絡，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化概率神經(jīng)網(wǎng)絡的雙進化概率神經(jīng)網(wǎng)絡，將這種方法應用到紋理圖像識別中可發(fā)現(xiàn)，該方法有效的提高了識別率的正確性，加快了收斂速度，并且具備多樣性以及針對性的特點。

紋理識別；概率神經(jīng)網(wǎng)絡；差異進化；進化概率神經(jīng)網(wǎng)絡

現(xiàn)今自然界當中，所存在的每一個物體都包含有它的紋理特性，人們通過感知每一個紋理特性來認識世界，隨著計算機在人們日常生活中的普及，人們希望可以更好的將計算機應用到日常生活當中，幫助人們完成基本的任務，計算機視覺在其中起重要的一環(huán)，它通過識別生活中的紋理特性來加以分析，從而對人類進行模擬。但是，通過計算機來分析紋理是一項非常困難的工作，本文在之前研究的基礎上，對概率神經(jīng)網(wǎng)絡做了進一步的分析和整理，重點在于盡量提高該分析的精度以及速度上面，因此，提出了一項基于進化概率神經(jīng)網(wǎng)絡的紋理圖像識別，該識別方法可分為兩條線，對明顯特征的紋理僅需要較少參數(shù)即可，對不明顯特征的紋理就需要較多輸入?yún)?shù)進行識別，從而提高了識別率和識別速率。將該方法應用到實際紋理識別當中，結果表明該方法有效的提高了識別率的正確性，加快了收斂速度，并且具備多樣性以及針對性的特點［1-2］。

1　紋理識別的方法

紋理識別的原理是，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問題，這種識別方法的限制因素有兩個：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，紋理識別完成的因素有兩個：一是處理像素的各個紋理特征以便分類；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

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

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

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

信號處理法：該方法是通過將所分析的紋理圖像進行信號處理，對處理后的紋理進行分析進而提取紋理特征［4-5］。

文中采用小波變換的方法對目標圖像進行識別，小波變換主要分為兩種，分別是樹形結構算法和塔形結構算法。塔形結構算法主要應用對象是低頻信號的圖像，而樹形結構算法則是有選擇性的對所需識別的圖像進行識別。

塔形結構算法的原理是：它將初始信號根據(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。分解步驟可分為兩步，第一步是將信號按照行進行劃分，第二步是再按照列再進行劃分。塔形結構算法原理圖如圖1所示，小波變換結構如圖2所示，其中，H和G表示尺度常數(shù)和小波系數(shù)。

圖1　塔形結構算法原理圖

圖2　小波變換結構圖

樹形結構原理：通過低、高通濾波器將信號進行濾波，抽樣點每濾波一次就減半。結構圖和小波分解圖如圖3所示。

圖3　樹形結構小波分解圖

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、k-最近鄰法和神經(jīng)網(wǎng)絡。

最小距離法是將數(shù)據(jù)庫中圖像與參考圖像距離計算出來，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)點是分類速度快，缺點是對于較為密集的圖像來說，分類能力較差。

k-最近鄰法是對目標圖像去相鄰近的k個樣本，通過比對這些樣本，大部分歸屬的一類即為該目標圖像的類別。該方法優(yōu)點是分類簡便，且樣本越多，準確度越高，缺點是應用面較窄。

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

神經(jīng)網(wǎng)絡是該方法是以大量神經(jīng)元為基礎，模擬生物神經(jīng)網(wǎng)絡的分析和工作。該方法的優(yōu)點是處理能力強、使用時間長以及較好的實現(xiàn)能力，有較為廣泛的應用前景。本文所用神經(jīng)網(wǎng)絡作為分類器。

2　進化概率神經(jīng)網(wǎng)絡

因為神經(jīng)網(wǎng)絡分類性能強，并且出錯率較低，同時針對神經(jīng)網(wǎng)絡識別率會因參數(shù)改變而降低的缺點，本文利用差異進化方法改善了這一問題，同時提出一種進化概率神經(jīng)網(wǎng)絡作為紋理識別的工具。該方法首先用樹形結構小波包提取紋理特征，用統(tǒng)計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，然后應用進化概率神經(jīng)網(wǎng)絡實現(xiàn)該圖像的識別［6-7］。

2.1差異進化算法

差異進化算法是一種非常有效的進化算法，具有可控制參數(shù)少，易上手的特點。它可以對多個群體同時進行并行計算搜索，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，也提高了應用范圍。

差異進化算法主要分為三步：

1）變異：從樣本中隨機抽取4個個體xa，xb，xc，xd，構成Dabcd=（xa-xb）+（xc-xd）。然后將其對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之間產生隨機數(shù)字rnbr（i），與xβ交叉產生個體Vi。

其中，randb（j）是在1到n之間產生的第j個隨機數(shù)字。3）替換：

該算法對基本概率神經(jīng)網(wǎng)絡的改進主要分為以下幾步［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解，然后根據(jù)概率隨機抽取樣本作為初始值。

2）變異操作：因為抽取樣本的值相互之間有差值，將兩個樣本之間的差值與隨機抽取的第3個樣本值通過加權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進化概率神經(jīng)網(wǎng)絡的應用

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

圖4　算法流程圖

3　雙進化概率神經(jīng)網(wǎng)絡及其應用

3.1雙進化概率神經(jīng)網(wǎng)絡

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

顧名思義，雙進化概率神經(jīng)網(wǎng)絡是由兩個進化概率神經(jīng)網(wǎng)絡X和Y構成，其中，X網(wǎng)絡所需輸入?yún)?shù)較少，適用于特征較為明顯的紋理圖像，Y網(wǎng)絡所需輸入?yún)?shù)較多，是針對特征較為不明顯的紋理圖像使用。在應用當中，先使用X網(wǎng)絡識別，若識別不了再添加參數(shù)用Y網(wǎng)絡識別，這樣做的意義是大大簡化了識別步驟，也提高了識別精度和速度［10］。

使用雙進化概率神經(jīng)網(wǎng)絡在紋理識別的過程如下：

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

2）搭建兩個進化神經(jīng)網(wǎng)絡X和Y，X網(wǎng)絡主要識別特征較為明顯的圖像，而Y網(wǎng)絡則負責特征較為模糊的圖像。

3）訓練X網(wǎng)絡 將X網(wǎng)絡結構設為1-8-8-9，分別表示1個輸入?yún)?shù)、8個抽取樣本數(shù)、8個對應神經(jīng)元求和層和9個輸出參數(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）訓練Y網(wǎng)絡 與3）相對應，Y網(wǎng)絡結構為5-8-8-9，所表示狀態(tài)與X網(wǎng)絡一致。

5）網(wǎng)絡的識別 將測試區(qū)中的一個紋理先放入X網(wǎng)絡或Y網(wǎng)絡當中，所得結果即可理解為該紋理屬于對應節(jié)點的概率。

3.2雙進化概率神經(jīng)網(wǎng)絡的應用

利用進化概率神經(jīng)網(wǎng)絡和雙進化概率神經(jīng)網(wǎng)絡分別對指定紋理進行識別，識別結果如下表所示。

表1　雙進化概率神經(jīng)網(wǎng)絡的識別結果

表2　進化概率神經(jīng)網(wǎng)絡的識別結果

通過比較分析可得，雙進化概率神經(jīng)網(wǎng)絡和進化概率神經(jīng)網(wǎng)絡對紋理特征的識別度大致相當，但速度要相對快很多，這就是因為其在識別過程中大大簡化了計算量，加快了分類速度［11］，因此，雙進化概率神經(jīng)網(wǎng)絡具有更好的實際應用價值。

4　結束語

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

［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］.電子學報，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］飛思科技產品研發(fā)中心.神經(jīng)網(wǎng)絡理論與MATLAB實現(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)絡的配電網(wǎng)線路絕緣預警研究［J］.供用電，2015（7）:64-69.

［10］王坤.基于SVPWM的STATCOM設計及實現(xiàn)［J］.陜西電力，2011（1）：11-15.

［11］何達，吳明.Ada-BP神經(jīng)網(wǎng)絡改進算法在電力負荷預測中的應用研究［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：201510025

陜西省教育廳2014年科學研究計劃專項項目（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。