基于改进的进化概率神经网络的纹理图像识别

肖淑苹

（西安翻译学院 工程技术学院，陕西 西安710105）

基于改进的进化概率神经网络的纹理图像识别

肖淑苹

（西安翻译学院 工程技术学院，陕西 西安710105）

计算机现在已经在人们生活中普遍应用，为了使计算机能更好的服务大众，帮助人们更好的生活，提高计算机视觉是一个主要措施。本文基于基本概率神经网络，加入差异化的方法改善了之前的不足，然后提出了一种基于进化概率神经网络的双进化概率神经网络，将这种方法应用到纹理图像识别中可发现，该方法有效的提高了识别率的正确性，加快了收敛速度，并且具备多样性以及针对性的特点。

纹理识别；概率神经网络；差异进化；进化概率神经网络

现今自然界当中，所存在的每一个物体都包含有它的纹理特性，人们通过感知每一个纹理特性来认识世界，随着计算机在人们日常生活中的普及，人们希望可以更好的将计算机应用到日常生活当中，帮助人们完成基本的任务，计算机视觉在其中起重要的一环，它通过识别生活中的纹理特性来加以分析，从而对人类进行模拟。但是，通过计算机来分析纹理是一项非常困难的工作，本文在之前研究的基础上，对概率神经网络做了进一步的分析和整理，重点在于尽量提高该分析的精度以及速度上面，因此，提出了一项基于进化概率神经网络的纹理图像识别，该识别方法可分为两条线，对明显特征的纹理仅需要较少参数即可，对不明显特征的纹理就需要较多输入参数进行识别，从而提高了识别率和识别速率。将该方法应用到实际纹理识别当中，结果表明该方法有效的提高了识别率的正确性，加快了收敛速度，并且具备多样性以及针对性的特点［1-2］。

1　纹理识别的方法

纹理识别的原理是，根据不同区域中的像素不同，将这些像素分类归纳为各个问题，这种识别方法的限制因素有两个：一是像素的灰度值，二是像素周围的灰度值分布，而这是与传统处理方法不相同的原因。因此，纹理识别完成的因素有两个：一是处理像素的各个纹理特征以便分类；二是建立分类器并将前一步所得到的纹理特征加以分类。概括的说，纹理识别可以分类为特征提取和分类处理［1-3］。

1.1纹理特征提取

在纹理识别过程中，纹理特征提取是一项非常重要的步骤，它不仅关系到对像素识别的正确性，还与之后的分类提取息息相关，所以说，纹理是图像识别的基础。纹理特征提取的方法可总结为三类，分别是统计法、模型法和信号处理法。

统计法：根据像素特性和像素间的空间分布关系，统计法可分为一阶统计、二阶统计和高阶统计。一阶统计特性只考虑像素特性，而二阶和高阶统计将像素特性和像素间的空间分布关系综合考虑。需要大量的统计数据作为分析依据是该方法的缺点。

模型法：该方法是将所分析的纹理作为模型，进而将该模型的模型参数作为所分析纹理的纹理特征。这种方法实用性高，但仍旧需要大量计算数据作为支撑。

信号处理法：该方法是通过将所分析的纹理图像进行信号处理，对处理后的纹理进行分析进而提取纹理特征［4-5］。

文中采用小波变换的方法对目标图像进行识别，小波变换主要分为两种，分别是树形结构算法和塔形结构算法。塔形结构算法主要应用对象是低频信号的图像，而树形结构算法则是有选择性的对所需识别的图像进行识别。

塔形结构算法的原理是：它将初始信号根据分辨率划分为几部分，然后通过不同分辨率的处理方法去处理这几部分信号。分解步骤可分为两步，第一步是将信号按照行进行划分，第二步是再按照列再进行划分。塔形结构算法原理图如图1所示，小波变换结构如图2所示，其中，H和G表示尺度常数和小波系数。

图1　塔形结构算法原理图

图2　小波变换结构图

树形结构原理：通过低、高通滤波器将信号进行滤波，抽样点每滤波一次就减半。结构图和小波分解图如图3所示。

图3　树形结构小波分解图

1.2分类器

常用的分类的方法主要有4种。分别为最小距离法、支持向量机、k-最近邻法和神经网络。

最小距离法是将数据库中图像与参考图像距离计算出来，然后将距离最近的图像作为与参考图像最相似的图像处理。该方法最大的优点是分类速度快，缺点是对于较为密集的图像来说，分类能力较差。

k-最近邻法是对目标图像去相邻近的k个样本，通过比对这些样本，大部分归属的一类即为该目标图像的类别。该方法优点是分类简便，且样本越多，准确度越高，缺点是应用面较窄。

支持向量机是该方法是通过在高维空间中建立一个向量空间来最大限度减少分类错误率。该方法的优点是大大提高了纹理特征提取与分类的能力，缺点是技术不成熟，仍有很多方面的限制。

神经网络是该方法是以大量神经元为基础，模拟生物神经网络的分析和工作。该方法的优点是处理能力强、使用时间长以及较好的实现能力，有较为广泛的应用前景。本文所用神经网络作为分类器。

2　进化概率神经网络

因为神经网络分类性能强，并且出错率较低，同时针对神经网络识别率会因参数改变而降低的缺点，本文利用差异进化方法改善了这一问题，同时提出一种进化概率神经网络作为纹理识别的工具。该方法首先用树形结构小波包提取纹理特征，用统计的方法提取平均值等主要参数，从而得到该纹理图像的特征矢量，然后应用进化概率神经网络实现该图像的识别［6-7］。

2.1差异进化算法

差异进化算法是一种非常有效的进化算法，具有可控制参数少，易上手的特点。它可以对多个群体同时进行并行计算搜索，并且不需要编码和解码，大大简化了操作性，并且它的参数较为固定，可控制参数较少，大大提高了收敛速度，也提高了应用范围。

差异进化算法主要分为三步：

1）变异：从样本中随机抽取4个个体xa，xb，xc，xd，构成Dabcd=（xa-xb）+（xc-xd）。然后将其对xg加噪声。

其中F为缩放因子。

2）交叉：交叉因数为CR，在1到n之间产生随机数字rnbr（i），与xβ交叉产生个体Vi。

其中，randb（j）是在1到n之间产生的第j个随机数字。3）替换：

该算法对基本概率神经网络的改进主要分为以下几步［8］：

1）初始化：首先抽取部分分量，将这些分量作为矢量的一个解，然后根据概率随机抽取样本作为初始值。

2）变异操作：因为抽取样本的值相互之间有差值，将两个样本之间的差值与随机抽取的第3个样本值通过加权等处理得到变异矢量。

3）交叉操作：通过交叉操作可得到新的矢量，这个矢量由下式表示：

其中，n是1到N间的任意整数；L为1到N之间的参数变换量，由交叉概率决定。

4）选择操作：将新矢量值与原定矢量值进行比较，若新矢量值效果更好，则使用新矢量值，反之，将继续使用原定矢量值。

2.2进化概率神经网络的应用

文中所提到的技术主要由两步完成，第一是利用树形小波包对纹理图像进行特征提取，并且用统计方法统计平均值等参数，将其作为特征矢量［9］；第二是特定算法进行分类。整体算法示意图如图4所示。

图4　算法流程图

3　双进化概率神经网络及其应用

3.1双进化概率神经网络

根据第3种所述，进化概率神经网络在纹理图像的识别上已经可以实现较高的识别精度和速度，但是针对某些纹理图像，有些需要较少参数即可实现，但有些则需要较多参数才可识别，所以，本章着重阐述另一种新的识别方法——双进化概率神经网络。

顾名思义，双进化概率神经网络是由两个进化概率神经网络X和Y构成，其中，X网络所需输入参数较少，适用于特征较为明显的纹理图像，Y网络所需输入参数较多，是针对特征较为不明显的纹理图像使用。在应用当中，先使用X网络识别，若识别不了再添加参数用Y网络识别，这样做的意义是大大简化了识别步骤，也提高了识别精度和速度［10］。

使用双进化概率神经网络在纹理识别的过程如下：

1）先将所需识别的纹理图像分为两部分，分别是训练区和测试区；

2）搭建两个进化神经网络X和Y，X网络主要识别特征较为明显的图像，而Y网络则负责特征较为模糊的图像。

3）训练X网络 将X网络结构设为1-8-8-9，分别表示1个输入参数、8个抽取样本数、8个对应神经元求和层和9个输出参数。其中，用0和1来分别表示参数是否属于该类别，1表示属于，0表示不属于。

4）训练Y网络 与3）相对应，Y网络结构为5-8-8-9，所表示状态与X网络一致。

5）网络的识别 将测试区中的一个纹理先放入X网络或Y网络当中，所得结果即可理解为该纹理属于对应节点的概率。

3.2双进化概率神经网络的应用

利用进化概率神经网络和双进化概率神经网络分别对指定纹理进行识别，识别结果如下表所示。

表1　双进化概率神经网络的识别结果

表2　进化概率神经网络的识别结果

通过比较分析可得，双进化概率神经网络和进化概率神经网络对纹理特征的识别度大致相当，但速度要相对快很多，这就是因为其在识别过程中大大简化了计算量，加快了分类速度［11］，因此，双进化概率神经网络具有更好的实际应用价值。

4　结束语

文中首先简单介绍了基本概率神经网络，针对该识别方法的缺点，加入差异化的方法改善了不足，然后提出了进化概率神经网络，该识别方法相比原先方法大大提高了识别精确度，但是针对实际应用过程中所面对的不同识别特征的纹理，为了简化识别过程，提高分类速率，更好的利用计算机服务人们生活，本文提出了一种基于进化概率神经网络的双进化概率神经网络，将这种方法应用到纹理图像识别中可发现，该方法有效的提高了识别率的正确性，加快了收敛速度，并且具备多样性以及针对性的特点。

［1］van Ginneken B，Katsuragewa S，ter Haar Romeny B M，et al.Automatic Detectionof Abnormalities in Chest Radiographs Using Local Texture Analysis［J］.IEEE Transactions on Medical Imaging，2002，21（2）:139-149.

［2］BhanuPrakash K N，Ramakrishnan A G，Suresh S，et al. Fetal Lung MaturityAnalysis Using Ultrasound Image Features ［J］.IEEE Trans.on Inf.TechnolBiomed，2002，6（l）：38-45.

［3］张继贤，柳健.基于能量分解的影像纹理多尺度分析［J］.电子学报，1997，25（12）：15-20.

［4］Shin D K，Kim H S，Chung T Y，et al.Image Retrieval Using VQ-basedLocalModifiedGaborFeature［J］.IEICETransactions on.Information and Systems，2002，E85-D（8）:1349-1353.

［5］Porter R，Canagarajah N.Robust Rotation-invariant Texture Classification:Wavelet，GaborFilterand GMRFBasedSchemes ［J］.IEE Proceedings of ImageSignal Processing，1997，144 （3）:180-188.

［6］Sidhu S，Raahemifar K.Texture Classification using Wavelet TransformandSupportVectorMachines［C］.CanndianConference on Electrical and ComputerEngineering，2005，941-944.

［7］飞思科技产品研发中心.神经网络理论与MATLAB实现［M］.北京：电子工业出版社，2005.

［8］Yang Y，Li K Y.Neural network based on GA-BP algorithm anditsapplication intheProtein Secondary Structure Prediction ［J］.Chinese Journal of Biomedical Engineering，2006，15 （1）:1-9.

［9］林仁杰，李天友，蔡金锭.基于小波分析和遗传BP神经网络的配电网线路绝缘预警研究［J］.供用电，2015（7）:64-69.

［10］王坤.基于SVPWM的STATCOM设计及实现［J］.陕西电力，2011（1）：11-15.

［11］何达，吴明.Ada-BP神经网络改进算法在电力负荷预测中的应用研究［J］.陕西电力，2012（12）：21-24.

Texture image recognition based on evolutionary probabilistic neural network

XIAO Shu-ping
（Xi'an Translation College of Engineering and Technology，Xi'an 710105，China）

Computer has now been widely used in people's life，in order to make the computer can better serve the public，to help people better life，improve computer vision is a major measure.In this paper，based on the basic probabilistic neural network，the proposed method is improved by using a new probabilistic neural network，which can be found in texture image recognition.The proposed method can effectively improve the accuracy of recognition rate and speed up the convergence rate.

texture recognition；probabilistic neural network；differential evolution；Evolutionary probabilistic neural network

TM933.4

A

1674－6236（2016）16-0184-03

2015-10-08稿件编号：201510025

陕西省教育厅2014年科学研究计划专项项目（14JK2037）

肖淑苹（1982—），女，陕西周至人，硕士，讲师。研究方向：智能信息处理。