文摘

纹理特征提取是图像分析的一个关键主题在许多应用程序中;提出了很多技术来测量的特点。其中,纹理能量提取用面具是一个旋转和尺度不变的纹理描述符。然而,调优过程是计算密集型和容易进入局部最优。在建议的方法,利用“调谐”面具提取水和nonwater纹理;获得最优“调谐”面具纹理能量价值最大化通过新提出的布谷鸟搜索算法(CS)。样品和实验结果表明,该方法适用于纹理图像特征提取、识别精度高于遗传算法(GA),粒子群优化(PSO)和引力搜索算法(GSA)优化“调谐”面具计划,和水面积可以意识到从原始图像。实验结果表明,该方法比其他方法具有更好的性能涉及本文的优化能力和识别结果。

1。介绍

结构(1,2)是一个核心属性的自然场景中的对象的外观和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。纹理特征提取(3,4)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。有类型的结构由于取向的变化,规模,或其他视觉表象;结果,大量的纹理特征提取方法,如灰度共生矩阵法应用灰度共生矩阵建立(),局部二进制模式(LBP),伽柏小波、分形理论、运行周期纹理描述符等等(5- - - - - -10),提出了多年。更重要的是,纹理特征是最重要的符号在遥感图像不同的对象,和水面积是其中最重要的景观元素。提取水域的形象已经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。一些研究已经集中在水领域的区域纹理特征识别。mette et al。11)提出了一个混合纹理描述符和本地视频检测算法来检测水,能够坚定地检测检测精度高的地区的水。邓et al。12]提出了一种高精度应用灰度共生矩阵建立面向对象的水萃取方案基于分解方法,它能够区分其他对象和检测的影响小的水域。它消耗大量的特性,但是完成任务的纹理特征提取一些传统的技术,需要大量的CPU时间提取特征,和过度的特性会降低同时识别效率。虽然有一些方法,只需要几个特性,很难稳定获得识别精度高。

为了有效地提取纹理特征和有效的,基于纹理的纹理特征提取方法掩盖了,而相当大的兴趣(13]。其中,法律的面具14)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静止的,这是很难适应各种类型的结构为一个固定的面具(15]。因此,你和科恩(16)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,及其有效性证明。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。然而,很容易导致高时间复杂度和可能的陷阱进入局部最优。

从本质上说,如何获得最优“调谐”面具是一个组合优化问题这可能是由群体智能算法。例如,郑,郑17利用遗传算法(GA)来搜索最优“调谐”面具,比随机搜索产生的效果很好。你们et al。18]解释“调谐”面具的原理和步骤与粒子群优化算法(PSO)和说明如何培养“调谐”面具的方法的细节。Wan et al。19]介绍了一个居民区基于“调谐”面具的识别方法和优化与引力搜索算法(GSA),这是能够保持良好的平衡效率和识别精度。GSA, GA算法,可以获得良好的“调谐”面具,但优化问题的维数是相对较高的,每个人的价值应该是一个实数范围广泛的连续空间,这可能不能保证解决方案空间的研究能力;值得尝试的更多的关于这一主题的群体智能算法。

布谷鸟搜索(CS) (20.)是一种新近提出的群体智能算法具有随机全局搜索策略。如今,CS算法已广泛应用于不同的应用程序,例如,王et al。21)利用CS算法解决函数优化问题和达到最佳的解决方案。Fouladgar et al。22)利用CS算法创建一个精确的预测方程产生的地面振动在铜矿爆破业务。苏雷什et al。23)使用CS算法让卫星图像对比度增强。纹理特征提取领域的,王et al。24)杂化CS算法和k - means算法优化聚类中心,提高了分类的精度和效率。杨et al。25)提出了一个远程图像分类方法通过学习朴素贝叶斯分类器的属性权重CS算法,获得了较高的分类精度和更稳定的性能比其他进化算法。此外,Medjahed et al。26)提出了一种新的程序乐队选择使用二进制编码CS算法优化目标函数,从而获得令人满意的结果对其他相关方法。摘要如何获得最佳的“调谐”面具是一个连续的组合优化问题,这可能是解决十进制编码。因此,一种新的水域识别技术,提出了使用“调谐”面具和CS算法的混合。

本文的其余部分的结构如下。该方法产生最优的想法“调谐”面具使用CS算法在节中有详细描述2。部分3显示实验结果和讨论。最后,本文的结论部分4。

2。该方法

2.1。布谷鸟搜索算法

布谷鸟搜索(CS)是一个新奇的杨和黛比在2009年提出的进化算法。算法是一个搜索策略模型孵育寄生产卵布谷鸟的物种在其他鸟类的巢。如果一个主机鸟发现鸡蛋不是他们自己的,他们会扔掉这些外星鸡蛋或简单地放弃巢和建立一个新的巢穴。更好的解决方案的新的解决方案将在鸟巢相对较差。为简单起见,只有三个理想化的规则用于CS算法描述如下(27]:(我)每个杜鹃把一颗蛋,转储在随机选择的巢。(2)最好的和高质量的蛋巢(解决方案)将延续到下一代。(3)可用主机巢穴的数量是固定的,和一个主机可以发现外星人鸡蛋概率 。主机鸟可以把鸡蛋扔了或者放弃巢,以构建一个全新的窝在一个新的位置。

此外,大量的研究表明,许多动物和昆虫的飞行行为的典型特征利维飞行。对于一个优化问题,解决方案的质量可以相应的健身价值目标函数。其他形式的健身并行的方式可以定义其他进化算法的目标函数。三个算法中定义的规则;首先,每个蛋巢代表一个解决方案;第二,布谷鸟鸡蛋代表一个新的解决方案;第三,所有的杜鹃的健身价值评估的目标函数进行优化,速度直接决定杜鹃的飞行;目的是使用新的更好的解决方案来取代巢不太好解决方案。

为了生成新的解决方案 ,叫那只鸟我;征税的航班可以定义如下: 在哪里是应该的步长与解决空间。该产品意味着entry-wise乘法。这个entry-wise产品类似用于算法,随机漫步通过征收飞行更高效的搜索解空间,和它的步长从长远来看是更长的时间。

利维飞行本质上提供了一个随机游走在随机步长来自征税分布,具有无限方差与无限的意思如下:

这里,一只布谷鸟的连续步骤基本上从一个随机游走过程中遵循一个权力法律步长的分布与沉重的尾巴。然而,大部分的新解决方案可能产生的广泛的随机化的位置可能远离当前的最佳解决方案;这将确保该算法不会陷入局部最优。

2.2。“调谐”面具

为了利用最优结构面具和作出准确的识别不同的纹理特性,你和科恩(16)提出法律的扩展的计划放弃传统的面具与常量,代之以变量为了提高识别的准确性和可靠性。的方法,产生一个5×5面具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,和纹理特征提取的整个过程是非常简单的。

关键问题应用CS算法表示的问题,即如何使一个合适的解决方案,每一只鸟之间的映射问题。在报纸上,一个面具是25维度的搜索空间。每个维度与连续值与零资金利用对称的面具,以避免大量的计算,和整个面具只能由10参数(17]。因此,“调谐”面具可以定义如下:

“调谐”面具的大小是5×5,需要对称的金额为零,所以只有10面具需要编码的参数,参数的布局面具扮演更重要角色的纹理图像分类比其实际值。因为十进制代码可以直接用于CS算法,参数编码的范围(−50,50)为简单起见。

“纹理能量”TE可以计算的方差统计在macro-window大小在训练阶段,定义如下: 在哪里与最优变换后的图像像素点“调谐”面具吗 , “调谐”面具的编码,然后呢是一个窗口像素点(9×9的纸)。

2.3。该方法的实现

该方法实现起来比较简单。学习“调谐”面具的主要过程基于CS水域识别和纹理特征提取算法的伪代码1。

根据群体智能算法的操作过程,计算结果主要取决于参数设置在某种程度上;微调参数可以产生一个更好的结果。表1显示CS算法中使用的参数。

3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和8.00 GB RAM在Windows 8系统。

,一些现有的“调谐”面具技术,分别提出了郑,郑(GA (17]),你们et al。(PSO (18])和广域网et al。(GSA [19])是用来做个比较。整个实验分为两个部分:(1)实验样本:获得最优“调谐”面具基于训练样本和使水和nonwater识别测试样品。(2)遥感图像上的实验:让水区域识别每个像素的图像。使用遗传算法的参数,算法,GSA表所示2- - - - - -4。

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,将停止当功能评估的数量达到1000。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。

3.1。实验训练样本

分别在这一节中,有10个水和nonwater样本用于培训;同时,30水和nonwater样本用于测试;所有的训练和测试样本从原始图像中提取。训练样本的一部分已经呈现在图1;第一行是水样,第二行是nonwater样本。每个训练样本的纹理能量值的方法列在表中5,识别精度和健身价值基于水和nonwater纹理之间的距离进行测试和样品最优“调谐”面具使用表中给出了不同的算法6。

根据表5,它是发现,水样的平均纹理能量的值是399.6和415.7两个图像;同时,nonwater样本的平均纹理能量价值已达到1200;此外,最小和最大纹理能量的值这两种结构明显不同,这意味着这两种纹理样本可以分化与纹理能量的价值。对于表中的数据6,很明显,CS算法可以获得更好的结果比其他算法;健身价值高于“调谐”面具技术优化的遗传算法和算法。虽然通过使用GSA也健身价值,它仍然是0.6低于CS算法。此外,其平均识别精度为水和nonwater样品已达到90%;特别是,CS算法可以获得100%的识别精度I2 nonwater样本图像,以及水和nonwater准确的确定,它是一个健壮、可靠和有效的纹理特征提取方法基于水域。

3.2。在遥感图像的实验

学习的最佳“调谐”面具后的培训和测试实验样品,2利用遥感图像在这部分水域,使识别的整个图像。两幅图像的识别结果如图2和3;左边的图像是原始图像,右边是公认的形象;水被标记为黑色。

这是观察到的数据2和3的水域可能也发现纹理能量价值,只提取一个特性来识别和时间复杂度为整个过程将明显减少。选择几乎与原始图像的边缘,这可能使水域的识别基于图像的每个像素。此外,与地面实况图相比,识别精度可以达到91.7263%和92.8705%,分别为2的图片,和CPU时间只有0.28秒,这可能在一定程度上满足实际应用的需要。

4所示。结论

纹理特征提取是纹理分析的基本步骤。摘要CS算法是用来学习的最佳“调谐”面具来解决这个问题。CS算法的性能测试在一些水和nonwater样本。此外,结果与其他“调谐”mask-based纹理特征提取技术。实验结果表明,CS算法优于遗传算法,算法,GSA,具有更好的优化能力,可以产生更好的“调谐”面具。此外,最优“调谐”面具用来检测水域的纹理能量价值和能够获得满意的实际应用的识别精度。总之,“调谐”面具有一个稳定的纹理特征提取在大多数情况下的性能。进一步,CS算法稳定收敛到最优解的幂律分布步长与沉重的尾巴,使它更适合一些实际应用。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由科学技术下的国家电网湖南省电力有限公司项目批准号5216 a2160008。