郭 蘋

(麗水職業(yè)技術(shù)學(xué)院，浙江 麗水323000)

0 引 言

在現(xiàn)代海洋開發(fā)中，對圖像的有效識別是整個(gè)開發(fā)過程的關(guān)鍵步驟之一。在現(xiàn)有圖像識別系統(tǒng)中，遺傳算法、神經(jīng)網(wǎng)絡(luò)、蟻群算法［1］等智能算法已在圖像處理領(lǐng)域得到應(yīng)用。同時(shí)，在海上圖像識別系統(tǒng)中，由于海面環(huán)境的不穩(wěn)定性及海面噪聲的影響，對海面圖像的特征全局搜索往往更加困難，圖像識別率降低。

在現(xiàn)有的一系列智能算法中，蟻群算法具有很好的全局搜索及自適應(yīng)反饋能力，同時(shí)算法本身的魯棒性較好，因此在現(xiàn)代圖像識別領(lǐng)域，利用蟻群算法對圖像的特征進(jìn)行全方位的搜索進(jìn)而實(shí)現(xiàn)對圖像的識別得到廣泛應(yīng)用。

本文在研究現(xiàn)有蟻群算法及其關(guān)于海面圖像紋理特征提取原理的基礎(chǔ)上，將蟻群算法應(yīng)用到海面圖像識別系統(tǒng)中，提出一種新的對海面圖像特征提取的有效的蟻群算法，從而實(shí)現(xiàn)了對海上圖像的有效識別。最后對新的算法進(jìn)行試驗(yàn)仿真，通過仿真表明該算法不僅具有較低的算法復(fù)雜度并且圖像識別率較高。

1 蟻群算法原理

1.1 理想狀態(tài)模型

蟻群算法是以螞蟻覓食過程中的行為為研究對象的一種算法，絕大多數(shù)種類的蟻群在覓食過程中都表現(xiàn)出一種自組織的路徑選擇模式，Deneubourg利用數(shù)學(xué)建模方法［2］模擬了其覓食過程。在其模型中，螞蟻和實(shí)物之間有2 條相等距離的路徑可選擇，每條路徑對螞蟻沒有特殊的信息進(jìn)行指引，所以每條路徑被選擇的概率相等。當(dāng)初始時(shí)人為引入了波動(dòng)，則一條路徑被蟻群選擇的概率更大，由此通過的螞蟻在這條路徑遺留的信息痕跡越多，那么必然將會(huì)引起更多的螞蟻選擇這條路徑。

在理想模型中，不考慮信息濃度的自然揮發(fā)，則經(jīng)過這條路徑的螞蟻數(shù)量與遺留的信息濃度成正比。這里，假設(shè)Ai及Bi分別代表前i個(gè)螞蟻?zhàn)罱K到達(dá)覓食終點(diǎn)時(shí)，分別經(jīng)過路徑A 及B的數(shù)量，則下一只螞蟻選擇不同路徑的概率為:

式(1)是理想模型中螞蟻選擇概率公式，式中參數(shù)n 表示了概率的非線性特性，參數(shù)k 表示了其他不同的路徑。上述公式基于實(shí)際經(jīng)驗(yàn)推廣得知，在實(shí)際中，參數(shù)n ≈2，k ≈20，下一只螞蟻選擇不同路徑的公式如下:

式中:Ai+Bi=i;δ 為均勻分布在［0，1］之間的隨機(jī)數(shù)。

圖1 蟻群覓食路徑搜索模型Fig.1 The model of ant colony foraging path searching

由螞蟻覓食路徑相等的理想模型可以擴(kuò)展到路徑不等的模型中。如圖1所示，當(dāng)螞蟻經(jīng)過較短的路徑覓食時(shí)，回到蟻穴的時(shí)間也就越短，則滯留在路徑信息濃度也就越高，后續(xù)經(jīng)過這條路徑的螞蟻數(shù)量增加較快。

1.2 非理想狀態(tài)模型

在現(xiàn)實(shí)覓食環(huán)境中，由于信息要素?fù)]發(fā)、擴(kuò)散等自然因素的影響，在實(shí)際的蟻群算法中按照經(jīng)驗(yàn)引入了信息濃度的擴(kuò)散特性，避免了理想狀態(tài)下搜索算法的局部最優(yōu)特性，如圖2所示。

此模型中，符號E 表示蟻穴，符號A 表示覓食區(qū)，螞蟻運(yùn)動(dòng)速度為1個(gè)單位，并且單位時(shí)間假設(shè)有30 只螞蟻從A 向E 出發(fā)，一共有ABCDE和ABFDE 兩條路徑可選擇，長度分別為3和4。假設(shè)在時(shí)刻t=0 ，還沒有信息素，則各路徑被選擇的概率相等，由于路徑BFD 是BCD 長度的2 倍，所以此時(shí)遺留在BCD 上的信息濃度是BFD的2 倍;到了t=1 時(shí)刻，下一批30 只螞蟻按照信息濃度進(jìn)行選擇，則各路經(jīng)的螞蟻數(shù)量如圖2(c)所示，整個(gè)過程即完成了由初始的隨機(jī)選擇到自適應(yīng)選擇的更新。

2 基于蟻群算法的紋理圖像識別

2.1 圖像紋理特征函數(shù)

對圖像紋理特征［3-4］進(jìn)行分析，方法模型分析法、構(gòu)造法、信號分析法及統(tǒng)計(jì)法。由于海面圖像的隨機(jī)性及不穩(wěn)定性，這里我們選擇統(tǒng)計(jì)法，所以對于海面圖像的各特征函數(shù)提取就成為整個(gè)識別系統(tǒng)中首要因素。在本文的算法中，共確定了4個(gè)圖像特征函數(shù)作為圖像識別的判斷條件，公式如下:

式中:BA，BC，Bl，b4分別為海面圖像的自相關(guān)特征函數(shù)、斜方差特征函數(shù)、慣性矩特征函數(shù)及整個(gè)圖像的梯度矩陣特征函數(shù);a，b 為圖像對角點(diǎn)的不同灰度值;P(a，b)為點(diǎn)a和點(diǎn)b 之間的概率密度值;G(i，j)和T(i，j)分別為圖像的梯度矩陣和方差矩陣;GT(i，j)為聯(lián)合矩陣;m × n 為整個(gè)圖像的大小。

2.2 改進(jìn)型蟻群類聚算法

把具有不同種類的螞蟻進(jìn)行分類，其信息數(shù)據(jù)的類聚中心可以模擬為最終的覓食區(qū)。而類聚的過程則可以看做不同種類螞蟻進(jìn)行覓食的中間態(tài)過程，令X={Xi| Xi=(xi1，xi2，…，xim)，i=1，2，…，N}為需要進(jìn)行類聚的數(shù)據(jù)集，則

式中:dij為類聚數(shù)據(jù)Xi與Xj之間的歐氏歸一化距離;P 為歸一化系數(shù)，由具體環(huán)境決定;r 為數(shù)據(jù)集類聚半徑;ε 為結(jié)果均方差。在此，假設(shè)τij(t)為路徑i 到j(luò) 之間的信息濃度，并且設(shè)初始時(shí)刻信息濃度τij(0)=0，則任意時(shí)刻路徑i 到j(luò) 之間的信息濃度可表示為:

數(shù)據(jù)集Xi是否和Xj歸并的表達(dá)式如下:

式中S={Xs| dsj≤r，s=1，2，…，j，j+ 1，N}，如果pij(t)≥p0，則Xi合并到Xj的相鄰域中。

同時(shí)，令CJ={Xk| dkj≤r，k=1，2，…，J}，其Cj代表所有可以歸并的數(shù)據(jù)集，則新的類聚中心為:

2.3 基于蟻群類聚算法的海上圖像識別

在對圖像實(shí)現(xiàn)識別時(shí)，首要步驟就是對圖像的特征值進(jìn)行提取。在改進(jìn)型的蟻群類聚算法中，選取一定數(shù)量的海上圖像，并進(jìn)行特征函數(shù)的提取，使之作為整個(gè)數(shù)據(jù)集的中心。需要對算法各參數(shù)進(jìn)行初始化的變量有N，m，r，a，β，τij(0)=0，p0，M。其中:N 為螞蟻的數(shù)量，即需要進(jìn)行訓(xùn)練［5］的圖像數(shù)量;m 為特征值的維數(shù)，這里取2;r 為類聚中心的半徑，由具體需要識別的海面圖像及環(huán)境所確定;p0=0.6;M 為蟻群覓食區(qū)的數(shù)量，也即類聚中心的數(shù)量，同樣是需要識別圖像類別的數(shù)量。

由2.2 節(jié)所述，式(7)為各類別單只螞蟻距離其類聚中心的計(jì)算表達(dá)式;式(8)為其覓食路徑的信息濃度變化值;式(9)則給出了路徑Xi到Xj的合并概率pij，并給出了判斷閥值p0=0.6，pij> 0.6則說明條件成立，路徑Xi可以歸并至Xj域，否則不能進(jìn)行歸并;式(10)對之前計(jì)算的類聚中心進(jìn)行修正，得到新的類聚中心，再重新對式(1)～式(3)的各參數(shù)進(jìn)行迭代，直至最后根據(jù)式(10)計(jì)算出的類聚中心數(shù)值恒定。

另外，本文對圖像特征函數(shù)進(jìn)行加權(quán)處理，在識別過程中，函數(shù)的特征值可以模擬為單個(gè)路徑上遺留的信息濃度，并且在此假設(shè)其濃度值與路徑的距離成反比。

整個(gè)過程的算法流程如圖3所示。

圖3 基于蟻群算法的海上圖像識別流程圖Fig.3 The flow of sea image recognition based on ant colony algorithm

3 算法仿真及分析

以海洋紋理圖像作為需要識別目標(biāo)的背景，選取64 幅分辨率為1024 ×1024的圖像。在初始化階段，對各圖像按照每8個(gè)點(diǎn)進(jìn)行重復(fù)采樣來保證算法有足夠的訓(xùn)練圖像。采樣后，圖像的分辨率為256 ×256，這樣一共得到8 698 幅圖像，選擇其中的1 024 作為訓(xùn)練圖像。

由于其強(qiáng)大的矩陣及向量處理功能，本次實(shí)驗(yàn)利用Matlab 作為其仿真工具。對于海面圖像識別最關(guān)鍵的性能指標(biāo)為識別時(shí)間及識別率，由于現(xiàn)有的處理器技術(shù)及內(nèi)存芯片的飛速發(fā)展，算法的內(nèi)存利用率及復(fù)雜度已不再是考慮的主要因素，所以本文重點(diǎn)給出了改進(jìn)前及改進(jìn)后的蟻群算法在圖像識別率上的比較結(jié)果，如表1所示。

表1 識別率比較表Tab.1 The comparison table of image recognition rate

4 結(jié) 語

在現(xiàn)代海面圖像識別技術(shù)中，各種智能處理算法已經(jīng)得到了較為廣泛的應(yīng)用。蟻群算法由于具有較好的全局搜索能力及其自適應(yīng)反饋能力，并且算法實(shí)時(shí)性也能滿足現(xiàn)代海上系統(tǒng)的要求而得到廣泛應(yīng)用。

本文在分析了現(xiàn)有的蟻群算法數(shù)學(xué)原理的基礎(chǔ)上，將蟻群算法應(yīng)用到海面圖像識別系統(tǒng)中，通過對海面圖像紋理特征提取的分析，提出了一種新的對海面圖像特征提取的有效的蟻群算法，從而實(shí)現(xiàn)了對海上圖像的有效識別。最后通過實(shí)驗(yàn)，比較了改進(jìn)前后的算法識別率，結(jié)果表明該算法相比較于傳統(tǒng)算法對圖像識別率較高，有較好的應(yīng)用價(jià)值。

［1］SILVA R M A，RAMALHO G L.Ant system for the set covering problem［J］.IEEE International Conference on Systems，Mam，and Cybernetics，2001(5):3129-3133.

［2］MNAIEZZO V，CARBONARO A.An ants heuristic for the frequency assignment problem［M］.Proceedings of MIC＇99，1999:927-935.

［3］王艷萍.實(shí)時(shí)視頻圖像相關(guān)跟蹤的算法的改進(jìn)與實(shí)現(xiàn)［J］.艦船科學(xué)技術(shù)，2004，26(6):57-62.WANG Yan-ping.Improvement and implement of real time video image correlation track［J］.Ship Science and Technology，2004，26(6):57-62.

［4］王國富，陳良益，馬彩文.艦載經(jīng)緯儀連續(xù)幀圖像目標(biāo)快速識別算法研究［J］.艦船科學(xué)技術(shù)，2007，29(10):73-75.WANG Guo-fu，CHEN Liang-yi，MA Cai-wen，Study of fast identification for series image of carrier-borne theodolite［J］.Ship Science and Technology，2007，29(10):73-75.

［5］WHITE T，PAUGREK B.Towards multi-swarm problem solving in networks ［C］//Proc.Third International Conference onmulti-Agent Systems，1998:333-340.