張 力， 宋 偉

(昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500)

基于鏈?zhǔn)礁偁幉呗缘膱D像識(shí)別研究

張 力， 宋 偉

(昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，云南昆明650500)

針對(duì)反向傳播神經(jīng)網(wǎng)絡(luò)(BP-NN)在圖像識(shí)別運(yùn)算過程中容易陷入局部極小值的問題，提出了在常規(guī)的遺傳算法(GA)中引入3個(gè)鄰域的鏈?zhǔn)礁偁帲M(jìn)行特征選擇的圖像識(shí)別方法。仿真結(jié)果表明：將引入鏈?zhǔn)礁偁幉呗缘倪z傳算法應(yīng)用到反向傳播神經(jīng)網(wǎng)絡(luò)中，可以使圖像更清晰，提高了圖像識(shí)別的容錯(cuò)性及效果。

反向傳播神經(jīng)網(wǎng)絡(luò)； 圖像識(shí)別； 遺傳算法； 鏈?zhǔn)礁偁帲?容錯(cuò)性

0 引 言

在圖像處理過程中，需要經(jīng)過部分預(yù)處理操作，受到一些不利因素的影響，預(yù)處理結(jié)果仍然包含一定的噪音[1]。許多國內(nèi)外學(xué)者提出了一些新的特征提取算法以及多種神經(jīng)網(wǎng)絡(luò)模型以便于提高識(shí)別率。目前，中值濾波、均值濾波和小波變換[2～4]等方法是比較常用的圖像處理方法。其中，小波變換對(duì)高斯噪聲有較強(qiáng)的去噪能力，但對(duì)脈沖噪聲的去噪能力不佳。近年來，隨著反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BP-NN)的使用越來越廣泛，通過模仿人腦結(jié)構(gòu)及其功能，使其具有非線性映射、聯(lián)想記憶、分類、識(shí)別等功能[5]，能夠在圖像處理中去除各種類型噪聲。針對(duì)BP-NN容易陷入局部極小值，本文采用遺傳算法優(yōu)化BP-NN訓(xùn)練初始權(quán)值閾值，解決了該問題，提高了圖像識(shí)別的容錯(cuò)性，同時(shí)在遺傳算法中引入了3個(gè)鄰域的鏈?zhǔn)礁偁嶽6]，進(jìn)行特征選擇，使圖像處理效果更清晰、邊緣更明顯。

1 BP-NN基本原理及其在圖像識(shí)別中的應(yīng)用

1.1 BP-NN基本原理

BP-NN是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)[7]。學(xué)習(xí)過程中，分為信號(hào)的正向傳播和誤差的反向傳播。典型的3層BP-NN拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 3層BP-NN拓?fù)浣Y(jié)構(gòu)

1.1.1 正向傳播過程

圖1中輸入層有m個(gè)節(jié)點(diǎn)，隱含層有h個(gè)節(jié)點(diǎn)，輸出層有n個(gè)節(jié)點(diǎn)。隱含層節(jié)點(diǎn)的輸出函數(shù)為

ci=f(WX+bj)

(1)

式中ci為隱含層第i個(gè)節(jié)點(diǎn)的輸出值，i=1，2，...，h；f為激勵(lì)函數(shù)；W為輸入層到隱含層的權(quán)值；X為隱含層節(jié)點(diǎn)的輸入向量；bj為隱含層第j個(gè)節(jié)點(diǎn)的閾值，j=1，2，...，h。

輸出層節(jié)點(diǎn)的輸出函數(shù)為

yk=f(VC+θz)

(2)

式中yk為輸出層第k個(gè)節(jié)點(diǎn)的輸出值，k=1，2，...，n；f為激勵(lì)函數(shù)；V為隱含層到輸出層的權(quán)值；C為輸出層節(jié)點(diǎn)的輸入向量；θz為輸出層第z個(gè)節(jié)點(diǎn)的閾值，z=1，2，...，n。

1.1.2 BP過程

定義學(xué)習(xí)誤差函數(shù)

(3)

式中EP為第p個(gè)樣本的誤差；dpk為第p個(gè)樣本下的第k個(gè)節(jié)點(diǎn)目標(biāo)輸出值；ypk為第p個(gè)樣本下的第k個(gè)節(jié)點(diǎn)實(shí)際輸出值。

若正向傳播計(jì)算的實(shí)際輸出與目標(biāo)的輸出之間存在誤差，則將誤差信號(hào)反向傳播，調(diào)整權(quán)值和閾值，直到輸出滿足要求，使誤差函數(shù)值達(dá)到最小。

1.2 BP-NN在圖像識(shí)別中的應(yīng)用

BP-NN實(shí)現(xiàn)從輸入到輸出的映射，數(shù)學(xué)理論已經(jīng)證明，它具有實(shí)現(xiàn)任何復(fù)雜的非線性映射功能，不需要建立模型，了解其內(nèi)部流程，只需輸入獲得輸出。因此，BP-NN比較廣泛地應(yīng)用在圖像識(shí)別中[8]。

將含有混合噪聲的圖像Y(x,y)每一個(gè)像素點(diǎn)作為BP-NN的每一個(gè)輸入Yi(x,y)，輸出值Xi(x,y)為該像素點(diǎn)的去噪結(jié)果，重組Xi(x,y)即可得到X(x,y)。若期望輸出為D(x,y)，則進(jìn)入BP-NN的BP過程，不斷調(diào)整網(wǎng)絡(luò)中的權(quán)值和閾值，直到誤差減少到可以接受的程度，或者達(dá)到設(shè)定的學(xué)習(xí)次數(shù)為止。

BP-NN是一種局部尋優(yōu)的算法，網(wǎng)絡(luò)訓(xùn)練樣本時(shí)可能會(huì)面臨局部極小化的問題，造成網(wǎng)絡(luò)訓(xùn)練失敗，影響網(wǎng)絡(luò)的收斂速度，容錯(cuò)能力等。

2 鏈?zhǔn)礁偁幉呗缘倪z傳優(yōu)化BP-NN算法設(shè)計(jì)

本文采用鏈?zhǔn)礁偁幉呗缘倪z傳算法[9](genetic algorithm,GA)優(yōu)化BP-NN的初始權(quán)值閾值，然后利用網(wǎng)絡(luò)的訓(xùn)練算法在該局部解空間內(nèi)尋找最優(yōu)權(quán)值閾值。

1)初始化BP-NN，確定網(wǎng)絡(luò)的結(jié)構(gòu)和學(xué)習(xí)規(guī)則以及GA中染色體長度(隱含層和輸出層的權(quán)值和閾值的個(gè)數(shù))。

2)初始化GA中的參數(shù)(包括迭代次數(shù)、種群規(guī)模、交叉和變異概率的選擇等)以及種群，選擇GA所需要的適應(yīng)度函數(shù)。

3)采用輪盤賭法選擇若干滿足適應(yīng)度函數(shù)要求的染色體組成新種群作為父本。

4)通過GA中的交叉、變異對(duì)父本進(jìn)行處理，產(chǎn)生新一代種群。

5)計(jì)算種群中每個(gè)個(gè)體的適應(yīng)值，引入3個(gè)鄰域的鏈?zhǔn)礁偁?，?duì)個(gè)體的適應(yīng)值進(jìn)行3個(gè)鄰域比較，進(jìn)行特征選擇，產(chǎn)生新的種群。

6)重復(fù)步驟(3)～(5)，使染色體不斷變化，直到進(jìn)化代數(shù)完成，記錄每一代進(jìn)化中最好的適應(yīng)度值。

7)找出最佳適應(yīng)度值對(duì)應(yīng)的個(gè)體解碼為BP-NN的初始權(quán)值閾值。

步驟(5)為本文引入的鏈?zhǔn)礁偁幉呗?，?duì)個(gè)體的適應(yīng)值進(jìn)行3個(gè)鄰域比較，特征選擇。當(dāng)掃描到第一個(gè)個(gè)體時(shí)，其前一個(gè)個(gè)體為最后一個(gè)個(gè)體，其下一個(gè)個(gè)體為第二個(gè)個(gè)體。同理，當(dāng)掃描最后一個(gè)個(gè)體時(shí)，其前一個(gè)個(gè)體為倒數(shù)第二個(gè)個(gè)體，其下一個(gè)個(gè)體為第一個(gè)個(gè)體。將相鄰的3個(gè)個(gè)體的適應(yīng)值存放于鄰域寄存器中，找出相鄰3個(gè)個(gè)體中的最優(yōu)的適應(yīng)值以及對(duì)應(yīng)的個(gè)體，如果最優(yōu)適應(yīng)值對(duì)應(yīng)的個(gè)體為當(dāng)前掃描的個(gè)體，則當(dāng)前個(gè)體不變，否則，將此最優(yōu)適應(yīng)值對(duì)應(yīng)的個(gè)體與當(dāng)前掃描的個(gè)體比較，相同位不變，不同位則隨機(jī)生成0～1之間的隨機(jī)數(shù)。

對(duì)于算法的編碼方案，即網(wǎng)絡(luò)初始權(quán)值閾值和染色體之間的相互映射的關(guān)系，文中采用實(shí)數(shù)編碼，并且GA適應(yīng)度函數(shù)的選取是關(guān)鍵。文中主要以GA來優(yōu)化BP-NN，找出最佳的染色體使BP-NN的誤差平方和最小，所以GA的適應(yīng)度函數(shù)可以選取為BP-NN誤差平方和，即

(4)

3 圖像識(shí)別仿真實(shí)例及分析

3.1 仿真過程

為了驗(yàn)證本文方法的有效性，分別使用BP-NN和基于鏈?zhǔn)礁偁幉呗缘倪z傳優(yōu)化BP-NN對(duì)圖像進(jìn)行處理。然后，通過圖像處理的結(jié)果對(duì)比2種方法。

首先將圖像進(jìn)行處理，使用不同的高斯噪聲、脈沖噪聲和隨機(jī)噪聲等加入原始圖像，生成訓(xùn)練樣本和測試樣本。本文神經(jīng)網(wǎng)絡(luò)采用了典型的3層拓?fù)浣Y(jié)構(gòu)，根據(jù)訓(xùn)練樣本確定網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)，隱含層神經(jīng)元數(shù)目為輸入層神經(jīng)元數(shù)目的2倍[10]，2種方法的BP-NN參數(shù)相同,參數(shù)設(shè)置：種群規(guī)模為60，遺傳代數(shù)為100，交叉概率為0.3，變異概率為0.1。

將訓(xùn)練樣本分別送入BP-NN和基于鏈?zhǔn)礁偁幉呗缘倪z傳優(yōu)化BP-NN中進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后，選取一個(gè)隨機(jī)測試樣本對(duì)2種方法進(jìn)行測試，各種方法的降噪效果如圖2和圖3所示。

3.2 仿真結(jié)果分析

由圖2和圖3可以看出:將混合噪聲加入原始圖像中，原始圖像有一定程度的失真，從圖2可以看出:將訓(xùn)練好的BP-NN中加入測試樣本，失真的圖像得到明顯的改善，但圖像中仍含有一定的噪聲。從圖3可以看出:將測試的樣本送入訓(xùn)練好的由鏈?zhǔn)礁偁幉呗缘倪z傳優(yōu)化BP-NN中，混合噪聲以及一些未知的噪聲已經(jīng)很好地被去除。

圖2 采用BP-NN降噪

圖3 采用鏈?zhǔn)礁偁幉呗缘倪z傳優(yōu)化BP-NN降噪

4 結(jié) 論

通過仿真對(duì)比結(jié)果可以看出：本文提出的在鏈?zhǔn)礁偁幉呗缘腉A優(yōu)化BP-NN的初始權(quán)值閾值可以有效提高圖像識(shí)別效果，提高了圖像識(shí)別中的容錯(cuò)性，不需要對(duì)噪聲進(jìn)行分類處理，降低圖像識(shí)別過程的復(fù)雜性，同時(shí)避免了單純的

BP-NN容易陷入局部極小值的不足，發(fā)揮了GA和BP-NN兩者各自的優(yōu)勢(shì)，有效地提升了圖像識(shí)別的性能。下一步的工作重點(diǎn)為縮短文中方法網(wǎng)絡(luò)訓(xùn)練過程的時(shí)間的研究。

[1] 王耀南,李樹濤,毛建旭.計(jì)算機(jī)圖像處理與識(shí)別技術(shù)[M].北京：高等教育出版社,2007.

[2] 顏 兵,王金鶴,趙 靜.基于均值濾波和小波變換的圖像去噪技術(shù)研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2011,21(2):51-53.

[3] 滕 軍,朱焰煌,周 峰,等.自適應(yīng)分解層數(shù)的小波域中值濾波振動(dòng)信號(hào)降噪法[J].振動(dòng)與沖擊，2009,28(12):58-62.

[4] 張振宇,黃崇林,譚恒松.基于小波變換的圖像識(shí)別算法[J].計(jì)算機(jī)應(yīng)用，2007(27):97-99.

[5] 郭陽明,冉從寶,姬昕禹.基于組合優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J].西北工業(yè)大學(xué)學(xué)報(bào),2013,31(1):44-48.

[6] 曾孝平,李勇明,王 靖,等.基于競爭策略的鏈?zhǔn)街悄荏w遺傳算法用于特征選擇的研究[J].系統(tǒng)仿真學(xué)報(bào),2008,20(8):1973-1979.

[7] 林 琳,張志華,張睿欣.基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的產(chǎn)品造型設(shè)計(jì)評(píng)價(jià)[J].計(jì)算機(jī)工程與設(shè)計(jì),2015,36(3):789-792，813.

[8] 張 華,張 淼,劉 魏,等.基于BP神經(jīng)網(wǎng)絡(luò)的圖像形狀識(shí)別[J].計(jì)算機(jī)科學(xué),2006,33(1):268-271.

[9] McCall J.Genetic algorithms for modelling and optimisation[J].Journal of Computational and Applied Mathematics,2009,184:205-222.

[10] Eric Wong W,Yu Qi.BP neural network-based effective fault localization[J].International Journal of Software Engineering and Knowledge Engineering,2009,19 (4): 573-597.

Studyofimagerecognitionbasedonchaincompetitivestrategy

ZHANG Li, SONG Wei

(SchoolofInformationEngineeringandAutomation，KunmingUniversityofScienceandTechnology，Kunming650500，China)

Aiming at problem that back propagation neural network(BP-NN) is easy to fall into local minima in operation process in image recognition,introduce chain competition of three areas in the conventional genetic algorithm(GA).The improved GA is applied to BP-NN,which can make the image more clearer,and improve fault-tolerance and effect of image recognition.

back propagation neural network(BP-NN);image recognition;genetic algorithm(GA);chain competition;fault-tolerance

10.13873/J.1000—9787(2017)11—0067—03

TP 391

A

1000—9787(2017)11—0067—03

2016—10—24

張 力(1962-),男,副教授,主要從事嵌入式系統(tǒng)、計(jì)算機(jī)應(yīng)用研究工作。

宋 偉(1990-)，男，通訊作者，碩士，研究方向?yàn)榍度胧较到y(tǒng)，E—mail:425500547@qq.com。