引力搜索算法优化脉冲耦合网络的图像检索方法*

雷　虎，　樊泽明

(1.西安翻译学院 基础部，陕西 西安 710105;2.西北工业大学 自动化学院，陕西 西安 710072)



引力搜索算法优化脉冲耦合网络的图像检索方法*

雷虎1*，樊泽明2

(1.西安翻译学院 基础部，陕西 西安 710105;2.西北工业大学 自动化学院，陕西 西安 710072)

启发于脉冲耦合网络(PCN)在视觉特征表示方面的优势，提出使用引力搜索算法(GSA)优化脉冲耦合网络(PCN)来提取图像的视觉特征，对PCN的参数使用优化机制来提高所获取的特征质量，由此来提高基于内容的图像检索(CBIR)的分类和检索结果.首先对学习的图像用PCN生成特征码；然后计算特征码间的距离，距离变量作为适应度函数的输入；最后利用引力搜索算法优化PCN的几个变量，进行参数更新.在Caltech256和Corel数据库上的实验结果表明提出方法的有效性，相比于改进的相关反馈方法(IRF)、颜色边缘结合离散小波变换方法(CE-DWT)和色矩结合局部二进制模式方法(CM-LBP)，提出的方法检索精确度至少提高了5%，查全率提高4%左右.

脉冲耦合网络；引力搜索算法；基于内容的图像检索；适应度函数；特征码

为了解决有损压缩造成的颜色失真问题，[2]使用高斯混合模型(GMM)来表示图像的颜色信息，评估颜色均匀性，从而解决了有损压缩造成的颜色失真问题.然而GMM模型的初始值设置比较困难，对于非线性问题收敛较慢.很多图像检索(CBIR)方法的检索效率很大程度上依赖于图像特征的表现形式[1]，本文通过PCN产生的简单特征向量用于表示图像的视觉特征，并通过引力搜索算法优化这一技术.提出的方法通过先分类再从定义的类别中匹配来提高检索性能.

1　脉冲耦合网络模型

如图1所示为PCN的两个组成部分，即链接和反馈，此过程中使用了阈值计算器和阶跃函数.且PCN以迭代的形式工作，即前一个神经元的值将影响下一个.

链接部分基于神经元的链接值和前一个迭代的输出值进行工作：

(1)

式中，Lij是与神经元(i,j)相关的链接值，VL和AL是常数，Yij是神经元(i,j)的输出值，n是迭代次数.反馈部分从上一次迭代中接收神经元的反馈值和输出值，为

(2)

式中，Fij是与神经元(i,j)相关的反馈值，VF和AF是常数，Yij是神经元(i,j)的输出值，Aij是图像像素(i,j)的强度，n是迭代次数.和原始PCN模型[3]不同，本文将权重值β考虑在内，并假设链接和反馈部分的权重常量为1.链接和反馈部分的输出值按公式(3)结合在一起：

(3)

式中Uij是神经元(i,j)的状态，Fij是与神经元(i,j)相关的反馈值，Lij是与神经元(i,j)相关的链接值，β是常数，n是迭代次数.神经元的输出值由式(4)的阶跃函数计算获得：

Yij=1,Uij>Tij；以及0，其他，

(4)

式中Uij是神经元(i,j)的状态，Tij是阈值，阈值由式(5)来计算并更新.

(5)

式中Yij是神经元(i,j)的输出，VT和AT是常数.

由(1)～(5)，PCN产生的特征值很大程度上受参数AL、AF、AT、VL、VF、VL、VT和 β 影响.因此，为了提高所产生的特征值质量，参数需要调整为最优值.

2　优化模式

2.1引力搜索算法

式中Mi(t)和fiti(t)分别表示物体i在第t次迭代的质量和适应度；worst(t)和best(t)是物体群在t时最差和最佳适应度.引力定律方程如下：

2.2参数优化

在优化模式中，使用参数优化机制提高PCN产生的特征质量.为了简单起见并提高其应用范围，假定优化的参数为AL、AT、VL、VT和β，使用欧几里得距离计算适应函数.

式中X，Y分别是原始图像和目标图像的特征，k是特征长度.

图2所示为本文GSA优化的PCN，将优化过程应用于一组学习图像，且这些图像已经按类别分类.

这一程序针对预定义的次数来执行，该模式的最后一步是让数据库中的所有图像都有最优的特征.将每一个预分类的图像带到优化的PCN中，产生的特征将与原图像保存在一起.基于输入图像特征之间的最小距离来选择相似图像，并将之保存在数据库中.

3　实验与分析

3.1实验环境与数据库

首先给出实验模拟环境，然后给出实验结果，最后总结并比较图像检索结果.文中所用方法均采用matlab2010b编程，采用两种图像数据库.

Caltech256图像数据库[5]由多种类别图像构成.采用三类图像，一共90幅.这里选择“001.ak47”、“002.american-flag”和“003.motorbikes-101”三种类型图像.每种类型包含30幅随机图像，彩色图像转化为灰度形式.从图像数据库中进行随机抽取，每类抽取6幅图像用于PCN训练过程.

3.2评估标准

3.3Caltech256数据库上的实验结果

PCN内部行为取决于用户预定义值，本文方法采用长度为70的特征码.图3是Caltech256数据库中已经学习到的图像样本序列.

图4(a)给出了本文方法GSA-PCN与改进的相关反馈方法(IRF)[2]、颜色边缘结合离散小波变换方法(CE-DWT)[6]和色矩结合局部二进制模式方法(CM-LBP)[7]在查全率(召回率)和查准率(精度)方面的比较结果.结果表明本文方法查准率优于其他三种方法，精度提高的幅度在5%以上.可以看出随着检索图像数量的增加，查全率逐渐增加，查准率逐渐减少，本文方法具有较明显的优势.

4　结论与展望

使用PCN提取图像特征，PCN提供一个图像样本和轻量级图像表示.通过最小化搜索空间中的非相关图像数来提高检索性能,通过分类来减少类中的非相关图像.本文方法在计算距离时会导致检索结果延迟，直到搜索空间中的所有图像和输入图像匹配完为止.通常，随着搜索空间的增长，计算时间也会增长.在优化和检索中需要考虑PCN的查询功率.

未来研究方向大致如下：第一，在特征码中考虑颜色因素，取代以往的灰度图.第二，考虑特征码的长度.文中的研究采用了固定长度的特征码，但未来的优化方法应当考虑特征码长度.

[1]李宗民, 唐志辉. 九宫格空间框架的图书图像检索[J]. 中国图象图形学报, 2013, 18(3): 325-329.

[2]LUSZCZKIEWICZ-PIATEK M, SMOLKA B. Robust image retrieval based on mixture modeling of weighted spatio-color information[J]. Image Processing & Communications Challenges，2015, 42(12): 85-93.

[3]邓翔宇, 马义德. PCNN 参数自适应设定及其模型的改进[J]. 电子学报, 2012, 40(5): 955-964.

[4]RASHEDI E, NEZAMABADI P H, SARYAZDI S. Improving the precision of CBIR systems by color and texture feature adaptation using GSA[J]. Intelligent Systems in Electrical Engineering, 2013, 4(3): 43-56.

[5]Caltech256 database[D/OL]http://www.vision.caltech.edu /Image_Datasets/Caltech256/.

[6]AGARWAL S, VERMA A K, DIXIT N. Content based image retrieval using color edge detection and discrete wavelet transform[C]//Issues and Challenges in Intelligent Computing Techniques (ICICT), 2014 International Conference on. IEEE, 2014: 368-372.

[7]CHOUDHARY R, RAINA N, CHAUDHARY N, et al. An integrated approach to content based image retrieval[C]//Advances in Computing, Communications and Informatics (ICACCI, 2014 International Conference on IEEE, 2014: 2 404-2 410.

责任编辑：龙顺潮

Image Retrieval Method Using Pulse-Coupled Network Optimized by Gravitational Search Algorithm

LEIHu1*,FANZe-ming2

(1.Department of Basic,Xi’an Fanyi University, Xi’an 710105;2.School of Automation,Northwestern Polytechnical University,Xi’an 710072 China)

Inspired by the visual features represented advantages in pulse coupling network (PCN), the method using gravitational search algorithm (GSA) to optimize pulse coupling network (PCN) to extract visual features is proposed, in which the parameters of PCN is applied to improve the quality of the acquired characteristics by optimization mechanism, thereby improving the classification and searching results of content-based image retrieval (CBIR). Firstly, signature is generated by PCN using learning images. Then, the distance between the signature is calculated, and distance is being as the input of fitness function. Finally, gravitational search algorithm is used to optimize several variables of PCN, updating the parameters. The effectiveness of proposed method is verified by the experimental results on Caltech256 and Corel database, compared with method of improved relevance feedback (IRF), color edge combined discrete wavelet transform (CE-DWT) and color moments combined with local binary pattern (CM -LBP), the proposed method improves the retrieval accuracy by 5% at least, and the recall accuracy improves about 4%.

pulse-coupled network; gravitational search algorithm; content-based image retrieval; fitness function; signature

2015-07-10

国家自然科学基金项目(11102162)；陕西省教育厅重点项目(13BZ69)

雷虎(1976-)，男，陕西 渭南人，讲师. E-mail:fanzeming@nwpu.edu.cn

TP391

A

1000-5900(2016)01-0086-04