文摘

纹理图像分类是一个重要的主题在许多应用程序在机器视觉和图像分析。从原始纹理图像纹理特征提取采用“调谐”面具是最简单、最有效的方法之一。然而,希尔攀登的基础训练方法不能获得令人满意的面具一次;另一方面,一些常用的进化算法如遗传算法(GA)和粒子群优化(PSO)容易陷入局部最优。小说为代表的纹理图像分类方法识别的居住区详细。在拟议的方法中,“调谐”面具被视为一个约束优化问题和最优“调谐”面具被最大化纹理能量通过收购新提出的引力搜索算法(GSA)。最优“调谐”面具是通过GSA的收敛。该方法,分别测试了一些公共结构和遥感图像。结果与遗传算法相比,PSO,彼此之间交配优化(HBMO)和人工免疫算法(AIA)。此外,特征提取的Gabor小波也用来做进一步的比较。 Experimental results show that the proposed method is robust and adaptive and exhibits better performance than other methods involved in the paper in terms of fitness value and classification accuracy.

1。介绍

结构(1)是一个重要的特征在自然场景和对象的外观是一个强大的视觉线索,人类和机器所使用的描述和认识现实世界的对象。纹理图像分类(2)是一个重要的主题在机器视觉和图像分析,是确定一个结构样品的几个可能的类提供一个可靠的纹理分类器,并起着非常重要的作用在一个广泛的应用程序。在现实世界中,有各种质地由于取向的变化,规模,或其他视觉外观;因此,大量的纹理特征提取和分类方法提出了。例如,徐et al。3)开发了一个新的工具,称为动态分形分析动态纹理(DT)分类,它不仅提供了一个丰富的描述DT也是环境变化具有很强的鲁棒性。刘等人。4)提出了一个简单、新颖,但非常强大的健壮的旋转不变纹理分类方法基于随机投影,保持优势的随机投影,在计算效率和低维。侯赛因和Tjahjadi5)提出了一个监督多尺度纹理贝叶斯分类器得到复数的多尺度表示每个纹理的纹理样本训练类。Zhang et al。6]利用规范化local-oriented能量生成局部特征向量,它描述了当地结构独特和成像条件不太敏感。Thakare和帕蒂尔(7)提出了一种改进的纹理图像分类和检索方法使用灰度同现矩阵应用灰度共生矩阵建立()和自组织映射(SOM)。Riaz et al。8和李et al。9]介绍了一种新的方法来计算旋转和尺度不变的纹理分类基于伽柏波功能,有能力崩溃的滤波器响应根据规模和方向的纹理特性。刘等人。10和赵et al。11)提出了一种新颖的方法为纹理特征分类泛化著名的局部二进制模式(LBP)的方法。实验结果表明,该方法是健壮的噪音和能达到令人印象深刻的分类精度。时至今日et al。12)和Soulard卡雷(13)提出了一个研究小波变换(WT)有一个移不变的大小和三个角阶段在每个规模从纹理图像分析应用程序。实验结果证明了该方法的鲁棒性,并获得满意的精度。纹理特征尤其是是遥感图像分类的最重要的标志。例如,居住区是一个最重要的景观元素。居民区的提取遥感影像已成为最受欢迎的技术来监测城市扩张和环境,对区域可持续发展具有重要意义。一些研究已经关注居住区识别领域的纹理特征;例如,信息的居民区被机载SAR辅助提取与灰度同现矩阵应用灰度共生矩阵建立()纹理特征14]。王等人。15)提出了一种基于伽柏过滤的方法从遥感图像识别居民区。金等。16)提出了一个居民区识别方法对于一些遥感图像基于傅里叶变换和转换的脚腕。施等。17)提出了一个扩展的振荡相关算法进行无监督现场识别高光谱图像的居民区。实验证明了该方法的实用程序对居民区的认可。它消耗大量的特性,但是完成任务的纹理特征分类一些传统的技术,需要大量的CPU时间提取特征,和过度的特性将同时降低分类效率。虽然有一些方法,只需要几个特性,很难稳定获得较高的分类精度。

为了有效地提取纹理特征和有效的,基于纹理的纹理特征分类方法掩盖了,而近年来相当大的兴趣(18]。其中,法律“面具(19)是一种最常用的面具对不同类型的纹理进行分类。然而,法律的基本形式的面具是相对静止的,难以适应各种类型的结构为一个固定的面具(20.]。因此,你和科恩(21)开发了一个自适应纹理特征提取方法称为“调谐”面具免除纹理图像的旋转和尺度变化及其正确性证明。获得最优结构面具,它利用梯度估计的搜索策略和启发式随机搜索学习。这可能会导致高时间复杂度和陷阱进入局部最优(21]。

从本质上说,如何获得最优结构面具是一个组合优化问题这可能是由进化算法和群体智能算法。例如,郑et al。22)提出了一个掩码方法优化的人工免疫算法(AIA)探测卫星图像的纹理对象。h .郑,郑z (23)采用遗传算法(GA)引导搜索获得最佳“调谐”面具和产生的效果很好。你们et al。24)解释的原则和步骤生产结构“调谐”面具与粒子群优化算法(PSO)和说明如何培养“调谐”面具的方法的细节。郑(25]介绍了彼此之间模型,提供了一种新的生产方法更好地与彼此交配优化“调谐”面具(HBMO),应用于航空图像纹理分类。实验表明,该方法能够提高“调谐”面具的质量和分类精度。简而言之,友邦保险,GA、PSO和HBMO可以获得良好的“调谐”面具;然而,这是一个非常困难的优化问题具有高维度,每个维度的价值可能是一个实数范围广泛的连续空间;也就是说,上述算法不能保证最优解;值得尝试更多的进化算法和基于群体智能的算法这个话题。

引力搜索算法(GSA) [26)是一种新近提出的随机全局搜索算法。如今,GSA已广泛应用于不同的应用程序;例如,Yazdani et al。27)利用GSA找到多峰问题的多个方案。Kumar和Sahoo28]给出了简明的调查在GSA及其应用以及开明的GSA数据聚类和分类的适用性。Duman et al。29日GSA)用来找到最优潮流(OPF)问题的解决方案在一个电力系统。领域的分类、GSA被用来提供一个原型分类器面对多类数据集的分类实例(30.]。Sarafrazi和Nezamabadi-pour31日GSA)杂化与支持向量机(SVM),使小说GSA-SVM混合动力系统在二进制提高分类精度的问题。此外,有些变异和GSA的修改;例如,Rashedi et al。32提出了二进制编码的GSA (BGSA)和它用于基准测试函数。修改GSA移动策略是用来解决问题的路径规划的无人飞行器(UAV) (33]。李,段(34)提出了一个混乱的GSA (CGSA)混沌系统的参数识别问题,比标准的GSA表现更好。然而,标准的GSA是迄今为止最广泛使用,和最优“调谐”面具是一个组合优化问题,可以通过GSA解决。因此,在这篇文章中,小说居民区识别技术,提出了使用“调谐”面具和标准GSA的混合。

本文的其余部分的结构如下。部分2说明了引力搜索算法的基本原理。该方法产生最优的想法“调谐”面具在节中有详细描述3。部分4显示实验结果和讨论。最后,本文的结论部分5。

2。引力搜索算法的基本原理

2009年,Rashedi等人已经开发出一种新的群体智能算法命名为引力搜索算法(GSA)虽然牛顿引力定律和质量互动,已解决组合优化问题的巨大潜力26]。在该算法中,代理视为对象及其性能评估的质量。每个对象都是一个问题的解决方案。对象将引力相互吸引的力,和力导致全球运动的所有对象有重质量35]。因为重群众可以有良好的解决方案,他们更有可能获得最优解和移动缓慢较轻质量代表更糟糕的解决方案。在GSA,有四个细节每一个质量:位置,惯性质量,活跃的引力质量,和被动引力质量(35]。这个职位代表问题的解决方案之一,利用重力和惯性质量作为适应度函数。

假设有一个系统代理(对象);的位置代理可以被定义为 在哪里代表的位置th对象th维度和搜索空间的维数。根据GSA的理论,物体之间的引力和在迭代可以定义为 在哪里活跃的引力质量的对象吗,是被动的引力质量与对象,是一个小的常数,欧式距离的对象吗对象在迭代,在迭代是引力变量吗,这可能被定义为 在哪里的初始值吗,是一个常数通过手动设置,是当前迭代,最大迭代数。

此外,工作的总重力作用对象是一个随机加权和th组件的力量,这是计算 在哪里是一个统一的随机变量在区间和最好的是第一集代理与最大最佳的健身价值和质量,这是一个时间相关函数和初始化一开始和减少迭代。

运动定律,加速th对象在迭代和方向计算如下: 在哪里是惯性质量的对象。

速度迭代一个对象被认为是一个加法的速度和加速度的迭代。因此,新的速度和位置在迭代可以计算如下: 在哪里是一个随机数字区间内。

重力和惯性质量只是计算的健身价值。重质量意味着一个好的解决方案,这意味着更好的对象具有较高的吸引力,行走更缓慢。假设重力和惯性质量是平衡的,大众的价值观都是计算使用健身的地图。重力和惯性质量将更新以下方程: 在哪里是对象的健身价值在迭代和和应该定义如下(为一个最小化问题):

很明显,最大化问题,(8)和(9)将取而代之的是(10)和(11),分别为:

GSA是用于解决组合优化问题,每个对象位于某一位置的搜索空间,代表在每一次迭代时问题的一个解决方案。然后,对象将被更新和下一个计算了位置和速度(6)。其他参数的GSA重力变量引力质量,活跃,被动的引力质量,惯性质量和加速度分别将由其他方程计算。GSA的基本过程可以被描述为在伪代码1(26]。

3所示。该方法

在本节中,一个有效的纹理特征分类方法,阐述了“调谐”面具,学习“调谐”面具的参数为一个组合优化问题,使用GSA。该方法的目的是最大化只有一个特征的分类精度。该方法的主要过程解释如下。

3.1。“调谐”面具的根本

为了利用最优结构面具和作出准确的分类为不同的纹理特性,你和科恩(21)提出法律的扩展计划放弃传统面具常量,代之以变量为了提高分类精度和可靠性。的方法,一个掩模生产中提取一个共同特征的一个纹理在不同旋转和尺度;同时,这一特性区别于其他纹理特性在很大程度上。新的面具被称为“调谐”或自适应面具,和纹理特征分类的整个过程是非常简单的。原则上,捕获纹理特征的过程由两个步骤组成。第一步是整个图像卷积“调谐”面具。实验结果表明,对称的面具和零金额将减少计算成本,几乎没有影响的性能面具(23]。因此,整个面具只能由10参数。原始图像的二维卷积与大小和面具与大小计算如下: ,““代表卷积操作和“”表示乘法操作,变换后的图像,和分别是水平和垂直的翻译变量,然后呢是一个常数在报纸上。

第二步是内作出统计(用于纸)窗口中像素点。“纹理能量”可能在宏观计算方差统计窗口大小的在我们的培训阶段,它被定义为(36]

很明显,纹理能量的价值是由掩码决定;最优“调谐”面具可以提供有利的定罪的能力。本文新提出的进化算法GSA是用来生成健壮的“调谐”面具,使分类为不同的结构图像。

3.2。编码模式

关键问题应用GSA的表示问题,即如何使一个合适的问题解决方案和每个代理之间的映射(对象)GSA。在报纸上,一个面具的搜索空间是25维度。每个维度有连续或整数值。z h .郑,郑与零金额建议采用对称的面具,以避免大量的计算(23]。因此,“调谐”面具可以定义如下:

“调谐”面具的大小需要与零金额是对称的,所以只有10参数,,,,,,,,,在一个面具需要编码。在“调整”面具,面具的布局参数对纹理图像分类中扮演更重要的角色比其实际值。由于十进制代码可以直接用于GSA的参数,,,,,,,,,编码的十进制数的范围为简单起见(23]。

3.3。目标函数

为了使评估GSA和其他进化算法的优化能力,有必要选择一个合适的目标函数。因为居民区的识别可以被视为一种二进制类分类问题,这作为居民区类别和其他纹理区域作为另一个类别。费雪的标准二进制类分类问题,具有良好的性能,试图最大化组内的差异和最小化组内的差异和准确地识别目标类别从另一个类别37]。因此,在本文中,目标函数的定义是在费雪的标准 在哪里和分别是,特征值的均值和方差在第一类和和分别是,特征值的均值和方差在第二类。较大的适应度函数值表明更高质量的“优化”的面具。

3.4。该方法的实现

该方法简单,容易实现。学习的主要过程“调谐”面具的纹理特征的分类是基于GSA的伪代码2。

4所示。仿真结果和讨论

该方法由MATLAB语言实现2014 b在个人电脑2.30 GHz CPU、8.00 G RAM在Windows 8系统。

为了评估性能提出了居住区的识别方法,3纹理图像纹理从公共数据库和5遥感图像,分别用于这一节。目标函数定义为(16)。有较高的健身价值适应度函数表明更好的优化能力。

做一个公平的比较,评价函数作为终端的数量标准;,所有算法都将停止当功能评估的数量达到1000,和所有的算法使50独立操作。的部分中,我们介绍一些对比实验结果,包括说明性的例子和性能评估表,这显然表明了该方法的优点。所有的算法都使用相同的目标函数进行计算。我们的主要兴趣是最佳的“调谐”面具,所示的健身价值目标函数定义为(16),利用最优分类精度“调谐”面具。

4.1。参数设置不同的算法

根据进化计算算法的操作过程,GSA的计算结果在一定程度上取决于参数设置;微调参数可以产生一个更好的结果。表1显示GSA所使用的参数。

一些常用的进化算法或基于群体智慧的纹理特征分类方法本文也进行了比较。见部分2GSA,主要用于本文。一些现有的“调谐”面具技术,分别提出了郑(GA (23],HBMO [25)你们et al。(PSO (24])是用来做个比较。另一方面,郑等人利用另一个纹理能量函数来检测纹理对象(22,实验结果证明了有效性,所以郑和的面具22分别是使用和优化友邦保险和GSA摘要。此外,常用伽柏小波的特性(8,9也用来做个比较,完全包括56个特性(7尺度和8个方向)。虽然有许多变异的遗传算法,算法,友邦保险,HBMO,为了一个公平的比较,遗传算法,算法,友邦保险,HBMO都使用他们的标准类型。表2- - - - - -5说明遗传算法的参数设置(38],PSO [39),友邦保险(40],HBMO [41]。

4.2。实验在公共纹理图像

这里,提出了纹理特征的初步测试3纹理图像分类技术,分别命名为“砖”,“石头,”和“瓷砖”从公共结构数据库(http://www.textures.com),和图像的大小,分别,,。30利用训练样本分类,大小,所有训练样本都从原始图像中提取。实现最优“调谐”面具,原始图像的每个像素的分类是通过使用最小距离分类器。表6显示的健身价值和分类准确性“调谐”面具由不同的算法处理。此外,表7显示了分类精度通过郑和的面具和伽柏基于小波的特性,将测试图像和识别结果数据1- - - - - -3。

在表中6和7Avg和性病,分别显示的平均和标准偏差的健身价值通过50独立操作。准确性是50的平均分类精度独立操作。时间是每个迭代的CPU时间;它的单位是秒。“调谐”友邦保险和“调谐”GSA表示识别结果通过使用“调谐”面具,友邦保险和GSA进行了优化。Zheng-AIA和Zheng-GSA表示认可的结果通过郑和的面具友邦和GSA优化。通过使用伽柏伽柏表明识别结果小波的特性。根据表中的数据6所有算法的分类精度接近;最大的区别是低于3%,“瓦”的形象,只有1.6%的差别。然而,GSA算法仍有五个最好的优化能力,其平均健身价值的最大3图片,和平均分类精度超过92%;尽管GSA的平均适应度值和HBMO非常相似,健身价值利用GSA的标准差最小3图片,证明GSA可以更稳定地收敛于最优解。计算效率,GSA算法和快速收敛速度与其他三种算法;他们之间的最大差异的CPU时间小于0.03秒为每个迭代,但健身价值利用GSA显然比算法;平均使用GSA健身价值超过29 3图像。数据显示1- - - - - -3,虽然基于伽柏波的特性可以使一个粗略的认识对象,选择边缘明显比使用该方法。在表7,这显然表明,郑和的面具(22将花费更多的时间,和分类精度明显低于通过使用“调谐”面具,和差异达到5%“砖”和“瓷砖”图像。因此,可以推断出该方法可广泛用于制造识别为不同纹理区域。

4.3。在遥感图像的实验

因为它是部分所示4.2,该方法具有较好的分类结果对公共纹理数据集,这体现它适用于纹理特征分类。在本节中,5遥感图像,包括居住区的一部分,分别命名为卢比,卢比,RS3,卢比,和生活费用来做进一步的实验,和图像的大小都是。训练样本都从原始图像中提取。实现最优“调谐”面具,原始图像的每个像素的分类是通过使用最小距离分类器。表8显示了健身价值和“调谐”面具的分类精度不同的算法进行优化。表9显示了分类精度与郑和的面具和伽柏基于小波的特性,并将识别结果数据4- - - - - -8。

在表中8和9Avg和性病,分别显示的平均和标准偏差的健身价值通过50独立操作。准确性是50的平均分类精度独立操作。在每一次迭代时间是CPU时间;它的单位是秒。“调谐”友邦保险的含义,“调谐”gsa, Zheng-AIA Zheng-GSA和伽柏表是一样的7。随着遥感图像纹理特征的比较随机,为RS3健身价值,卢比,和生活费图像明显低于其他图像;识别的居民区是更复杂的,因此,很容易识别错目标区域。根据表中的数据8,GSA可以获得最大平均适应度值,为平日的形象,GSA的平均适应度超过49,这说明GSA的优化能力与其他4算法相比有明显的优势,以及不同类别的识别能力是明显的。另一方面,健身价值利用GSA的标准差最小;RS3,卢比,生活费图像、健身价值的标准偏差都小于0.1,这是一个很小的范围,几乎没有波动;说明,该算法能稳定收敛到一个满意的解决方案为每一个独立的实验。分类精度5图像通过使用GSA已超过86%,RS1形象尤其是它已经达到了97.1932%,这是实际应用,满足精度和居民区已经被公认。收敛效率,它是相同的最后一节,PSO和GSA可以快速收敛到最优解,和不同的是只有0.08年代为每个迭代。然而,健身价值利用GSA明显优于PSO;平均适应度值的最大区别他们之间已经达到了1.5。与此同时,掩模技术的优点是比伽柏基于小波的方法;此外,郑和的面具的分类结果(22)仅为72.9157%和69.6710%,卢比和生活费图像,这显然比用“调谐”面具。更重要的是,“调谐”面具在同一时间将花费更少的CPU时间。实验结果表明,GSA有更好的优化能力与其他4算法相比,“调谐”面具是一种可行的方法,纹理特征分类,它只需要更少的参数,和令人满意的分类精度;尤其是居民区识别,分类精度明显优于郑和的面具(22]。

5。结论

总之,一个居民区基于“调谐”面具的识别方法和优化与引力搜索算法(GSA)详细。三个纹理图像纹理从公共数据库和5遥感图像用于使该方法的评价。结果与其他一些面具相比基于分类技术由GA优化算法,友邦保险,HBMO。一般来说,可以看出进化算法和群体智能算法可以用于完成任务的纹理特征分类。在这些算法中,GSA有更好的性能;平均适应度值高于其他4算法;,GSA更适合使用比遗传算法获得最优“调谐”面具,PSO,友邦保险,HBMO。此外,CPU时间,GSA可以快速收敛到最优解,这是相当足够快以满足实时应用程序。另一方面,为了使一个更全面的比较,基于伽柏特性提出的小波和另一个面具技术郑et al。22]本文也使用和友邦和GSA的掩模进行了优化。研究结果表明,该方法具有更好的性能;分类精度是满意的。总之,“调谐”面具对纹理特征的分类性能稳定在大多数情况下。此外,沉重的计算效率的缺点时可以在最大程度上征服与GSA相结合。该方法能够保持良好的平衡效率和分类精度,这使得它更适合一些纹理特征分类的应用。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国863高科技项目批准号下2013 aa122104,国家科技支柱项目批准号下2014 bal05b07,中国国家自然科学基金批准号下41301371,和信息工程国家重点实验室批准号SKLGIE2014-M-3-3。