蟻群算法在海面圖像識別系統(tǒng)中的應(yīng)用

郭 蘋

(麗水職業(yè)技術(shù)學(xué)院，浙江 麗水323000)

0 引 言

在現(xiàn)代海洋開發(fā)中，對圖像的有效識別是整個開發(fā)過程的關(guān)鍵步驟之一。在現(xiàn)有圖像識別系統(tǒng)中，遺傳算法、神經(jīng)網(wǎng)絡(luò)、蟻群算法［1］等智能算法已在圖像處理領(lǐng)域得到應(yīng)用。同時，在海上圖像識別系統(tǒng)中，由于海面環(huán)境的不穩(wěn)定性及海面噪聲的影響，對海面圖像的特征全局搜索往往更加困難，圖像識別率降低。

在現(xiàn)有的一系列智能算法中，蟻群算法具有很好的全局搜索及自適應(yīng)反饋能力，同時算法本身的魯棒性較好，因此在現(xiàn)代圖像識別領(lǐng)域，利用蟻群算法對圖像的特征進行全方位的搜索進而實現(xiàn)對圖像的識別得到廣泛應(yīng)用。

本文在研究現(xiàn)有蟻群算法及其關(guān)于海面圖像紋理特征提取原理的基礎(chǔ)上，將蟻群算法應(yīng)用到海面圖像識別系統(tǒng)中，提出一種新的對海面圖像特征提取的有效的蟻群算法，從而實現(xiàn)了對海上圖像的有效識別。最后對新的算法進行試驗仿真，通過仿真表明該算法不僅具有較低的算法復(fù)雜度并且圖像識別率較高。

1 蟻群算法原理

1.1 理想狀態(tài)模型

蟻群算法是以螞蟻覓食過程中的行為為研究對象的一種算法，絕大多數(shù)種類的蟻群在覓食過程中都表現(xiàn)出一種自組織的路徑選擇模式，Deneubourg利用數(shù)學(xué)建模方法［2］模擬了其覓食過程。在其模型中，螞蟻和實物之間有2 條相等距離的路徑可選擇，每條路徑對螞蟻沒有特殊的信息進行指引，所以每條路徑被選擇的概率相等。當(dāng)初始時人為引入了波動，則一條路徑被蟻群選擇的概率更大，由此通過的螞蟻在這條路徑遺留的信息痕跡越多，那么必然將會引起更多的螞蟻選擇這條路徑。

在理想模型中，不考慮信息濃度的自然揮發(fā)，則經(jīng)過這條路徑的螞蟻數(shù)量與遺留的信息濃度成正比。這里，假設(shè)Ai及Bi分別代表前i個螞蟻最終到達覓食終點時，分別經(jīng)過路徑A 及B的數(shù)量，則下一只螞蟻選擇不同路徑的概率為:

式(1)是理想模型中螞蟻選擇概率公式，式中參數(shù)n 表示了概率的非線性特性，參數(shù)k 表示了其他不同的路徑。上述公式基于實際經(jīng)驗推廣得知，在實際中，參數(shù)n ≈2，k ≈20，下一只螞蟻選擇不同路徑的公式如下:

式中:Ai+Bi=i;δ 為均勻分布在［0，1］之間的隨機數(shù)。

圖1 蟻群覓食路徑搜索模型Fig.1 The model of ant colony foraging path searching

由螞蟻覓食路徑相等的理想模型可以擴展到路徑不等的模型中。如圖1所示，當(dāng)螞蟻經(jīng)過較短的路徑覓食時，回到蟻穴的時間也就越短，則滯留在路徑信息濃度也就越高，后續(xù)經(jīng)過這條路徑的螞蟻數(shù)量增加較快。

1.2 非理想狀態(tài)模型

在現(xiàn)實覓食環(huán)境中，由于信息要素揮發(fā)、擴散等自然因素的影響，在實際的蟻群算法中按照經(jīng)驗引入了信息濃度的擴散特性，避免了理想狀態(tài)下搜索算法的局部最優(yōu)特性，如圖2所示。

此模型中，符號E 表示蟻穴，符號A 表示覓食區(qū)，螞蟻運動速度為1個單位，并且單位時間假設(shè)有30 只螞蟻從A 向E 出發(fā)，一共有ABCDE和ABFDE 兩條路徑可選擇，長度分別為3和4。假設(shè)在時刻t=0 ，還沒有信息素，則各路徑被選擇的概率相等，由于路徑BFD 是BCD 長度的2 倍，所以此時遺留在BCD 上的信息濃度是BFD的2 倍;到了t=1 時刻，下一批30 只螞蟻按照信息濃度進行選擇，則各路經(jīng)的螞蟻數(shù)量如圖2(c)所示，整個過程即完成了由初始的隨機選擇到自適應(yīng)選擇的更新。

2 基于蟻群算法的紋理圖像識別

2.1 圖像紋理特征函數(shù)

對圖像紋理特征［3-4］進行分析，方法模型分析法、構(gòu)造法、信號分析法及統(tǒng)計法。由于海面圖像的隨機性及不穩(wěn)定性，這里我們選擇統(tǒng)計法，所以對于海面圖像的各特征函數(shù)提取就成為整個識別系統(tǒng)中首要因素。在本文的算法中，共確定了4個圖像特征函數(shù)作為圖像識別的判斷條件，公式如下:

式中:BA，BC，Bl，b4分別為海面圖像的自相關(guān)特征函數(shù)、斜方差特征函數(shù)、慣性矩特征函數(shù)及整個圖像的梯度矩陣特征函數(shù);a，b 為圖像對角點的不同灰度值;P(a，b)為點a和點b 之間的概率密度值;G(i，j)和T(i，j)分別為圖像的梯度矩陣和方差矩陣;GT(i，j)為聯(lián)合矩陣;m × n 為整個圖像的大小。

2.2 改進型蟻群類聚算法

把具有不同種類的螞蟻進行分類，其信息數(shù)據(jù)的類聚中心可以模擬為最終的覓食區(qū)。而類聚的過程則可以看做不同種類螞蟻進行覓食的中間態(tài)過程，令X={Xi| Xi=(xi1，xi2，…，xim)，i=1，2，…，N}為需要進行類聚的數(shù)據(jù)集，則

式中:dij為類聚數(shù)據(jù)Xi與Xj之間的歐氏歸一化距離;P 為歸一化系數(shù)，由具體環(huán)境決定;r 為數(shù)據(jù)集類聚半徑;ε 為結(jié)果均方差。在此，假設(shè)τij(t)為路徑i 到j(luò) 之間的信息濃度，并且設(shè)初始時刻信息濃度τij(0)=0，則任意時刻路徑i 到j(luò) 之間的信息濃度可表示為:

數(shù)據(jù)集Xi是否和Xj歸并的表達式如下:

式中S={Xs| dsj≤r，s=1，2，…，j，j+ 1，N}，如果pij(t)≥p0，則Xi合并到Xj的相鄰域中。

同時，令CJ={Xk| dkj≤r，k=1，2，…，J}，其Cj代表所有可以歸并的數(shù)據(jù)集，則新的類聚中心為:

2.3 基于蟻群類聚算法的海上圖像識別

在對圖像實現(xiàn)識別時，首要步驟就是對圖像的特征值進行提取。在改進型的蟻群類聚算法中，選取一定數(shù)量的海上圖像，并進行特征函數(shù)的提取，使之作為整個數(shù)據(jù)集的中心。需要對算法各參數(shù)進行初始化的變量有N，m，r，a，β，τij(0)=0，p0，M。其中:N 為螞蟻的數(shù)量，即需要進行訓(xùn)練［5］的圖像數(shù)量;m 為特征值的維數(shù)，這里取2;r 為類聚中心的半徑，由具體需要識別的海面圖像及環(huán)境所確定;p0=0.6;M 為蟻群覓食區(qū)的數(shù)量，也即類聚中心的數(shù)量，同樣是需要識別圖像類別的數(shù)量。

由2.2 節(jié)所述，式(7)為各類別單只螞蟻距離其類聚中心的計算表達式;式(8)為其覓食路徑的信息濃度變化值;式(9)則給出了路徑Xi到Xj的合并概率pij，并給出了判斷閥值p0=0.6，pij> 0.6則說明條件成立，路徑Xi可以歸并至Xj域，否則不能進行歸并;式(10)對之前計算的類聚中心進行修正，得到新的類聚中心，再重新對式(1)～式(3)的各參數(shù)進行迭代，直至最后根據(jù)式(10)計算出的類聚中心數(shù)值恒定。

另外，本文對圖像特征函數(shù)進行加權(quán)處理，在識別過程中，函數(shù)的特征值可以模擬為單個路徑上遺留的信息濃度，并且在此假設(shè)其濃度值與路徑的距離成反比。

整個過程的算法流程如圖3所示。

圖3 基于蟻群算法的海上圖像識別流程圖Fig.3 The flow of sea image recognition based on ant colony algorithm

3 算法仿真及分析

以海洋紋理圖像作為需要識別目標(biāo)的背景，選取64 幅分辨率為1024 ×1024的圖像。在初始化階段，對各圖像按照每8個點進行重復(fù)采樣來保證算法有足夠的訓(xùn)練圖像。采樣后，圖像的分辨率為256 ×256，這樣一共得到8 698 幅圖像，選擇其中的1 024 作為訓(xùn)練圖像。

由于其強大的矩陣及向量處理功能，本次實驗利用Matlab 作為其仿真工具。對于海面圖像識別最關(guān)鍵的性能指標(biāo)為識別時間及識別率，由于現(xiàn)有的處理器技術(shù)及內(nèi)存芯片的飛速發(fā)展，算法的內(nèi)存利用率及復(fù)雜度已不再是考慮的主要因素，所以本文重點給出了改進前及改進后的蟻群算法在圖像識別率上的比較結(jié)果，如表1所示。

表1 識別率比較表Tab.1 The comparison table of image recognition rate

4 結(jié) 語

在現(xiàn)代海面圖像識別技術(shù)中，各種智能處理算法已經(jīng)得到了較為廣泛的應(yīng)用。蟻群算法由于具有較好的全局搜索能力及其自適應(yīng)反饋能力，并且算法實時性也能滿足現(xiàn)代海上系統(tǒng)的要求而得到廣泛應(yīng)用。

本文在分析了現(xiàn)有的蟻群算法數(shù)學(xué)原理的基礎(chǔ)上，將蟻群算法應(yīng)用到海面圖像識別系統(tǒng)中，通過對海面圖像紋理特征提取的分析，提出了一種新的對海面圖像特征提取的有效的蟻群算法，從而實現(xiàn)了對海上圖像的有效識別。最后通過實驗，比較了改進前后的算法識別率，結(jié)果表明該算法相比較于傳統(tǒng)算法對圖像識別率較高，有較好的應(yīng)用價值。

［1］SILVA R M A，RAMALHO G L.Ant system for the set covering problem［J］.IEEE International Conference on Systems，Mam，and Cybernetics，2001(5):3129-3133.

［2］MNAIEZZO V，CARBONARO A.An ants heuristic for the frequency assignment problem［M］.Proceedings of MIC＇99，1999:927-935.

［3］王艷萍.實時視頻圖像相關(guān)跟蹤的算法的改進與實現(xiàn)［J］.艦船科學(xué)技術(shù)，2004，26(6):57-62.WANG Yan-ping.Improvement and implement of real time video image correlation track［J］.Ship Science and Technology，2004，26(6):57-62.

［4］王國富，陳良益，馬彩文.艦載經(jīng)緯儀連續(xù)幀圖像目標(biāo)快速識別算法研究［J］.艦船科學(xué)技術(shù)，2007，29(10):73-75.WANG Guo-fu，CHEN Liang-yi，MA Cai-wen，Study of fast identification for series image of carrier-borne theodolite［J］.Ship Science and Technology，2007，29(10):73-75.

［5］WHITE T，PAUGREK B.Towards multi-swarm problem solving in networks ［C］//Proc.Third International Conference onmulti-Agent Systems，1998:333-340.