姜雪

(淄博職業(yè)學(xué)院 信息工程系, 山東 淄博 255314)

基于內(nèi)容的圖像檢索CBIR(content based image retrieval)，直接利用圖像的顏色、底紋、形狀等底層圖像內(nèi)容作為檢索特征來進(jìn)行圖像檢索[1]。在特征提取方面，為了更全面地描述圖像信息，提高圖像檢索精度，需要多提取圖像的各種特征，如顏色特征、紋理特征、形狀特征、角點(diǎn)特征[2]，語義特征[3]等。但實(shí)際情況表明，并非提取的特征越多檢索效果越好。本文運(yùn)用遺傳算法對(duì)提取的圖像特征進(jìn)行選擇，旨在去除冗余特征以降低特征的維數(shù)，減小計(jì)算的復(fù)雜性，縮短程序運(yùn)行的時(shí)間，以提高圖像檢索效率；同時(shí)運(yùn)用遺傳算法設(shè)置多檢索特征的權(quán)重，使特征有效融合，以達(dá)到更好的檢索效果。

1 遺傳算法

遺傳算法(genetic algorithm，GA)是借鑒適者生存、優(yōu)勝劣汰的生物界進(jìn)化規(guī)律的隨機(jī)化搜索方法，由美國(guó)的Holland教授于1969年提出[4]。遺傳算法從代表問題可能解的一個(gè)初始種群開始，種群由經(jīng)過基因編碼的一定數(shù)目的個(gè)體組合而成。初始種群產(chǎn)生后，根據(jù)適者生存和優(yōu)勝劣汰的原理，一代一代演化出越來越好的近似解。在每一代中，根據(jù)問題集中每個(gè)個(gè)體的適應(yīng)度大小來選擇個(gè)體，借助遺傳算子按照一定的概率進(jìn)行交叉和變異，產(chǎn)生下一代種群。這個(gè)過程將導(dǎo)致后代種群比前代更加適應(yīng)環(huán)境，最后一代種群中的最優(yōu)個(gè)體經(jīng)過解碼，可以作為解決問題的最優(yōu)解。遺傳算法流程如圖1所示。

圖1 遺傳算法流程Fig.1 Flow chart of genetic algorithm

遺傳算法的研究受到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注，近年來該算法已被成功地應(yīng)用于工業(yè)、經(jīng)濟(jì)管理、交通運(yùn)輸、工業(yè)設(shè)計(jì)等不同領(lǐng)域，解決了很多實(shí)際問題[5-7]。本文將遺傳算法用于圖像檢索的特征選擇和權(quán)重設(shè)置兩個(gè)環(huán)節(jié)，以提高圖像檢索效率。

2 特征選擇

特征選擇[8-9]是指從一個(gè)初始特征集中選出一些特征組成最優(yōu)特征子集[10]，依據(jù)這些最優(yōu)子集構(gòu)成檢索特征能夠使檢索結(jié)果的評(píng)估標(biāo)準(zhǔn)達(dá)到最優(yōu)，使檢索過程具有較高的檢索效率。本文選用Caltech256數(shù)據(jù)集和Corel1000數(shù)據(jù)集，分別提取了圖像的11個(gè)特征，即RGB、HSV直方圖特征、顏色相關(guān)圖特征、顏色矩特征，LBP特征、灰度共生矩陣特征、gabor小波的3個(gè)特征，以及角點(diǎn)的Hu矩特征和灰度共生矩陣特征，采用查準(zhǔn)率和查全率作為評(píng)價(jià)特征子集的標(biāo)準(zhǔn)，通過遺傳算法進(jìn)行特征選擇，得到最優(yōu)特征子集。該最優(yōu)特征子集作為圖像的檢索特征，用相對(duì)曼哈頓距離[11]進(jìn)行相似性度量。特征選擇的步驟如下：

1)對(duì)初始種群的個(gè)體進(jìn)行編碼。首先，將提取的n個(gè)圖像特征對(duì)應(yīng)的特征值進(jìn)行歸一化處理；然后，隨機(jī)產(chǎn)生n位二進(jìn)制數(shù)作為個(gè)體編碼，其中1代表選擇該特征，0代表不選擇該特征[12]。

2)設(shè)定初始種群的規(guī)模。不同問題采用的初始種群規(guī)模各不相同，規(guī)模越大所得最優(yōu)特征子集越接近最優(yōu)解，但耗時(shí)會(huì)越多，初始種群的取值一般在30～100，本文將初始種群設(shè)定為100個(gè)個(gè)體。

3)確定適應(yīng)度函數(shù)。基于內(nèi)容的圖像檢索旨在提高檢索的效率，即在人能夠接受的一般時(shí)間范圍內(nèi)，盡可能地提高圖像檢索的查準(zhǔn)率和查全率，所以本文適應(yīng)度函數(shù)定義為查準(zhǔn)率和查全率之和，其公式如下：

F=Pn+Rn，

4)根據(jù)個(gè)體適應(yīng)度的大小，選擇算子采用輪盤賭算法進(jìn)行種群個(gè)體的選擇，即個(gè)體的適應(yīng)度越大被選擇的幾率越大，被選擇的個(gè)體進(jìn)入下一代種群。

5)在滿足一定交叉概率的前提下，依次從種群中抽出兩個(gè)個(gè)體，進(jìn)行隨機(jī)位的交叉，交叉概率一般取值為0.4～0.99，本文選取的交叉概率為0.7。

6)在滿足一定變異概率的前提下，依次對(duì)種群中的個(gè)體進(jìn)行隨機(jī)位的變異。原來為1，變異為0；原來為0，變異為1。變異概率一般取值為0.001～0.1，本文選取的變異概率為0.05。

7)算法終止條件的設(shè)定。算法終止條件的設(shè)定有多種，如所求解達(dá)到了精度要求或算法達(dá)到了最大運(yùn)行時(shí)間等，本文選擇的算法終止條件為所求解達(dá)到最大的迭代次數(shù)100，即從初始種群開始要進(jìn)化100代。

3 權(quán)重設(shè)置

依然采用遺傳算法，對(duì)通過特征選擇得到的多個(gè)最優(yōu)特征進(jìn)行權(quán)重設(shè)置，使得多個(gè)圖像特征能夠有效融合。具體操作步驟如下：

1)根據(jù)特征選擇得到的最優(yōu)檢索特征的個(gè)數(shù)k，首先將這k個(gè)特征對(duì)應(yīng)的特征值進(jìn)行歸一化處理，然后進(jìn)行初始種群個(gè)體的二進(jìn)制編碼。假設(shè)權(quán)重系數(shù)要精確到小數(shù)點(diǎn)后兩位，則每個(gè)權(quán)重系數(shù)至少要編碼成7位二進(jìn)制數(shù)[13]，k個(gè)檢索特征的權(quán)重系數(shù)就要編碼成7k位二進(jìn)制數(shù)，即初始種群中的個(gè)體為7k位二進(jìn)制數(shù)。

2)初始種群的個(gè)數(shù)仍設(shè)定為100。個(gè)體適應(yīng)度函數(shù)與特征選擇的適應(yīng)度函數(shù)相同，為查全率和查準(zhǔn)率之和。

3)選擇、交叉和變異過程均與特征選擇的過程相同，其中交叉概率為0.7，變異概率為0.05，種群進(jìn)化代數(shù)為300。

4)編碼的解碼，是將7k位二進(jìn)制數(shù)解碼為k個(gè)權(quán)重系數(shù)。依次將每7位二進(jìn)制數(shù)轉(zhuǎn)化成對(duì)應(yīng)的十進(jìn)制數(shù)a1，a2…，ak，k個(gè)檢索特征的權(quán)重系數(shù)為

4 實(shí)驗(yàn)及結(jié)果分析

本文的實(shí)驗(yàn)環(huán)境為：Intel(R) Core(TM) i5-4460 CPU @ 3.20 GHz，8.00GBRAM，Windows7操作系統(tǒng)，MATLAB R2016a軟件。

實(shí)驗(yàn)選用了Caltech256數(shù)據(jù)集和Corel1000數(shù)據(jù)集，分為如下四個(gè)階段來進(jìn)行：

1)提取圖像的顏色特征(HSV直方圖特征、顏色相關(guān)圖特征、顏色矩特征)和紋理特征(gabor小波特征中的3個(gè)特征)共6個(gè)特征，構(gòu)成的特征向量為190維進(jìn)行圖像檢索實(shí)驗(yàn)。

2)再提取圖像的顏色特征(RGB直方圖特征)、紋理特征(LBP特征、灰度共生矩陣特征)以及角點(diǎn)的Hu矩特征和灰度共生矩陣特征共11個(gè)特征，構(gòu)成的特征向量為321維，對(duì)這11個(gè)特征對(duì)應(yīng)的特征值進(jìn)行歸一化處理，并將其作為檢索特征進(jìn)行圖像檢索實(shí)驗(yàn)。

3)用遺傳算法對(duì)這11個(gè)圖像特征進(jìn)行特征選擇，其中初始種群個(gè)數(shù)為100、交叉概率為0.7、變異概率為0.05、迭代次數(shù)為100，將得到的多個(gè)最優(yōu)特征作為檢索特征進(jìn)行圖像檢索實(shí)驗(yàn)。

4)用遺傳算法為特征選擇得到的最優(yōu)特征設(shè)置權(quán)重，其中初始種群個(gè)數(shù)為100、交叉概率為0.7、變異概率為0.05、迭代次數(shù)為300，將得到的權(quán)重系數(shù)有效融合多個(gè)最優(yōu)特征并進(jìn)行圖像檢索實(shí)驗(yàn)。

4.1 在Caltech256數(shù)據(jù)集上的表現(xiàn)

在Caltech256數(shù)據(jù)集中，選擇了Backpack、Bear、Binoculars、Bonsai、Butterfly五個(gè)語義類，每類100幅共500幅圖像作為數(shù)據(jù)庫(kù)圖像，從五類中各選10幅共50幅圖像作為查詢圖像，檢索結(jié)果返回20幅圖像。

在實(shí)驗(yàn)的第三階段，通過特征選擇得到了gabor小波的2個(gè)特征和角點(diǎn)的Hu矩特征共3個(gè)最優(yōu)特征，構(gòu)成的特征向量為71維；在實(shí)驗(yàn)的第四階段，通過權(quán)重設(shè)置得到的權(quán)重系數(shù)為[0.23,0.39,0.38]。

在四個(gè)階段的圖像檢索中，所得數(shù)據(jù)見表1，各階段的檢索精度對(duì)比如圖2所示。

表1 各類圖像在四個(gè)階段的檢索精度Tab.1 Retrieval accuracy of all kinds of images in four stages

圖2 各階段的檢索精度對(duì)比Fig.2 Comparison of retrieval accuracy in different stages

從實(shí)驗(yàn)數(shù)據(jù)來看，僅僅增加檢索特征并不能使檢索精度得到有效改善。如在增加5個(gè)檢索特征后，Bear類和Bonsai類的檢索精度反而降低了，其他類的檢索精度略有提升。用遺傳算法進(jìn)行特征選擇后，得到了3個(gè)最優(yōu)特征，用這3個(gè)特征進(jìn)行圖像檢索的精度提高了。當(dāng)用遺傳算法賦予這3個(gè)最優(yōu)特征適當(dāng)權(quán)重之后，檢索精度又有所提升。

4.2 在Corel1000數(shù)據(jù)集上的表現(xiàn)

在Corel1000數(shù)據(jù)集中，從每類中各選10幅共100幅圖像作為查詢圖像，檢索結(jié)果返回20幅圖像。

在實(shí)驗(yàn)的第三階段，通過特征選擇得到了RGB、HSV直方圖特征、顏色矩特征、灰度共生矩陣特征和gabor小波(其中1個(gè)特征)共5個(gè)最優(yōu)特征，構(gòu)成的特征向量為118維；在實(shí)驗(yàn)的第四階段，通過權(quán)重設(shè)置得到的權(quán)重系數(shù)為[0.21,0.13,0.01,0.40,0.26]。

在四個(gè)階段的圖像檢索中，所得數(shù)據(jù)見表2，各階段的檢索精度對(duì)比如圖3所示。

圖3 各階段的檢索精度對(duì)比Fig.3 Comparison of retrieval accuracy in different stages

實(shí)驗(yàn)數(shù)據(jù)說明，在增加5個(gè)檢索特征后，Africa類、Elephant類、Mountain類和Food類的檢索精度降低了，其他類的檢索精度略有提升。用遺傳算法進(jìn)行特征選擇和權(quán)重設(shè)置后，有效融合了5個(gè)最優(yōu)特征，優(yōu)化了檢索效率。

5 結(jié)束語

在基于內(nèi)容的圖像檢索中，提取的圖像特征越多，雖然對(duì)于圖像的描述更加全面和細(xì)致了，但是并非圖像檢索的效果就越好。本文對(duì)于圖像中提取的11種特征，通過用遺傳算法進(jìn)行特征選擇后僅僅選出了少數(shù)最優(yōu)特征，降低了特征向量的維度，而檢索精度卻提升了，這充分說明在特征提取后先進(jìn)行特征選擇是十分必要的；而當(dāng)用遺傳算法進(jìn)行了權(quán)重設(shè)置后，檢索精度又有了提高，這也說明了對(duì)多個(gè)特征進(jìn)行有效融合同樣很重要。同時(shí)要注意到，經(jīng)過特征選擇，各類圖像檢索精度的提升幅度各不相同，如本文中Bear類圖像提升的幅度就比較小，如何進(jìn)一步優(yōu)化特征選擇算法，以使各類圖像的檢索精度都有效提升，將是今后工作的重點(diǎn)。