基于改進自適應(yīng)遺傳算法的神經(jīng)網(wǎng)絡(luò)圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種圖像分類方法，屬于智能計算、圖像處理技術(shù)領(lǐng)域，特別設(shè)及一種 基于改進自適應(yīng)遺傳算法的神經(jīng)網(wǎng)絡(luò)圖像分類方法。
【背景技術(shù)】
[0002] 遺傳算法(Genetic Algorithm,GA)是一種借鑒生物界自然選擇和進化機制發(fā)展 起來的高度并行的隨機捜索算法，提供了一種求解復(fù)雜優(yōu)化問題的通用框架，不依賴于問 題的具體領(lǐng)域，具有很強的魯棒性。廣泛應(yīng)用于非線性系統(tǒng)和控制方案的尋優(yōu)等問題。標(biāo)準(zhǔn) 遺傳算法存在一些缺點:在解決一些實際復(fù)雜問題時，很容易出現(xiàn)"早熟"收斂，在群體中的 解還未達(dá)到最優(yōu)解時，個體之間變得非常相似，喪失了進化能力，導(dǎo)致種群很快收斂到局部 最優(yōu)解而不是全局最優(yōu)解，使得算法的性能及優(yōu)化效果大為降低。"早熟"產(chǎn)生的主要原因 是種群多樣性的喪失，而保持種群的多樣性對于進化起著至關(guān)重要的作用，是種群進化的 動力。保持種群多樣性是解決遺傳算法"早熟"問題有效方法。
[0003] 傳統(tǒng)的圖像分類技術(shù)大都基于大規(guī)模計算，它們的計算量和計算精度之間存在嚴(yán) 重的矛盾。近年來，高速發(fā)展的神經(jīng)網(wǎng)絡(luò)技術(shù)是解決運一問題的一種新途徑。徑向基函數(shù) (Radial Basis化nction,RBF)神經(jīng)網(wǎng)絡(luò)一種基于人腦的神經(jīng)元細(xì)胞對外界反應(yīng)的局部性 而提出的前饋神經(jīng)網(wǎng)絡(luò)，是一種典型的用于解決模式分類、識別的神經(jīng)網(wǎng)絡(luò)。與其他前饋神 經(jīng)網(wǎng)絡(luò)相比，它具有最佳逼近性能和全局最優(yōu)特性，并且結(jié)構(gòu)簡單，訓(xùn)練速度較快等特點。 因此，RB巧巾經(jīng)網(wǎng)絡(luò)非常適合用于圖像分類，是解決圖像分類問題的有力工具。針對k-means 聚類算法等對初始值選取敏感的不足，將基于種群多樣性的自適應(yīng)遺傳算法用于RB巧申經(jīng) 網(wǎng)絡(luò)的參數(shù)優(yōu)化中。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的旨在解決上述技術(shù)缺陷。
[000引為達(dá)到上述目的，本發(fā)明提出一種基于遺傳優(yōu)化的神經(jīng)網(wǎng)絡(luò)圖像分類方法，包括 W下步驟：
[0006] S1:采用基于灰度共生矩陣的特征提取算法，提取出樣本圖像的紋理特征，獲得訓(xùn) 練樣本的和測試樣本的紋理特征向量；
[0007] S2:將訓(xùn)練樣本的紋理特征作為RB巧巾經(jīng)網(wǎng)絡(luò)的輸入，采用基于遺傳優(yōu)化的神經(jīng)網(wǎng) 絡(luò)學(xué)習(xí)方法訓(xùn)練RB巧申經(jīng)網(wǎng)絡(luò)，生成訓(xùn)練好的RB巧申經(jīng)網(wǎng)絡(luò)；訓(xùn)練RB巧申經(jīng)網(wǎng)絡(luò)步驟如下：
[0008] S2.1:確定種群規(guī)模、最大迭代次數(shù)相關(guān)參數(shù)，對RB巧巾經(jīng)網(wǎng)絡(luò)的參數(shù)進行實數(shù)編 碼，隨機產(chǎn)生初始種群；
[0009] S2.2:計算種群的方差和賭，W及種群"早熟"程度指標(biāo)，根據(jù)設(shè)定的適應(yīng)度函數(shù)， 計算種群中每個個體的適應(yīng)度值；
[0010] S2.3:根據(jù)個體的適應(yīng)度值使用輪盤賭選擇策略對種群進行選擇操作；
[0011] S2.4:判斷種群方差和賭值，根據(jù)公式進行交叉變異操作；
[0012] S2.5:經(jīng)過遺傳操作后，產(chǎn)生新一代種群，返回步驟2.2直至達(dá)到設(shè)定的收斂條件。
[0013] S2.6:優(yōu)化RB巧巾經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，得到最優(yōu)參數(shù)和結(jié)構(gòu)的訓(xùn)練后的RB巧巾經(jīng)網(wǎng)絡(luò)分 類器
[0014] S3:將測試樣本的紋理特征輸入訓(xùn)練好的RB巧巾經(jīng)網(wǎng)絡(luò)，進行圖像分類測試。
[001引有益效果
[0016] 根據(jù)本發(fā)明實施例的基于改進自適應(yīng)遺傳優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)圖像分類方法，方 法中對自適應(yīng)遺傳算法的交叉變異概率的選擇方法等提出了相應(yīng)的改進策略。種群的多樣 性是有效捜索整個可行空間的必要條件，所用的種群多樣性是用基因內(nèi)部多樣性來度量 的，它表明種群在該基因結(jié)構(gòu)的收斂程度，是衡量算法進化能力強弱的重要尺度。根據(jù)"進 化"時期種群的多樣性指標(biāo)，將進化狀態(tài)分四種情況討論，在不同的進化狀態(tài)下，具有不同 的交叉變異概率調(diào)整方案，每一種調(diào)整方案都和種群此時的進化性相適應(yīng)，能夠更好的指 導(dǎo)種群進化。仿真實驗表明，提出的算法思想，能夠較好地避免遺傳算法的"早熟"收斂，提 高了遺傳算法的進化效率。
[0017] 針對k-means聚類算法等對初始值選取敏感的不足，將基于種群多樣性的自適應(yīng) 遺傳算法用于RB巧申經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化中，提出了一種基于改進自適應(yīng)遺傳算法的RB巧申經(jīng) 網(wǎng)絡(luò)圖像分類方法。在該方法中，自適應(yīng)遺傳算法利用種群多樣性評價指標(biāo)改進標(biāo)準(zhǔn)遺傳 算法，克服了 "早熟"收斂問題;然后，采用自適應(yīng)遺傳算法優(yōu)化RB巧巾經(jīng)網(wǎng)絡(luò)的參數(shù)，克服了 k-means聚類算法等對初始值選取敏感的不足;最后，還對RB巧巾經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)也進行了優(yōu) 化。仿真實驗表明該算法不但能夠簡化網(wǎng)絡(luò)結(jié)構(gòu)，而且提高了網(wǎng)絡(luò)的泛化能力和圖像的正 確分類率。
【附圖說明】
[0018] 本發(fā)明上述的和/或附加的方面和優(yōu)點從下面結(jié)合附圖對實施例的描述中將變得 明顯和容易理解，其中：
[0019] 圖1為本發(fā)明實施例的基于改進自適應(yīng)遺傳算法的神經(jīng)網(wǎng)絡(luò)圖像分類方法的流程 圖；W及
[0020] 圖2為本發(fā)明一個實施例的RB巧巾經(jīng)網(wǎng)絡(luò)訓(xùn)練過程示意圖；W及
[0021] 圖3為本發(fā)明一個實施例的待分類無人機航拍圖像示意圖。
【具體實施方式】
[0022] 下面詳細(xì)描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終 相同或類似的標(biāo)號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附 圖描述的實施例是示例性的，僅用于解釋本發(fā)明，而不能解釋為對本發(fā)明的限制。
[0023] 如圖1所示，根據(jù)本發(fā)明基于改進自適應(yīng)遺傳算法的神經(jīng)網(wǎng)絡(luò)圖像分類方法，對幾 類無人機航拍圖像進行分類。
[0024] 為了解決無人機的自主著陸問題，需要對無人機著陸點地貌圖像進行分類，W識 別出適合無人機自主著陸的地貌。選取沙地、草地、水和森林運4類無人機航拍圖像進行實 驗。運4類地貌圖像比較具有代表性，是實例的主要研究對象。其他地貌在本方法中不會直 接分出類，而直接歸為不宜著陸類，不加關(guān)注，因此不用細(xì)分類，運樣也是為了加快算法處 理速度。
[0025] 無人機飛行環(huán)境一般比較復(fù)雜，拍攝到的圖像也是各種地物相互交錯，很難得到 只含單一地貌的航拍圖像，為獲得符合條件的訓(xùn)練測試樣本，需對無人機拍攝的原始圖像 進行分割處理，從而獲得只含有單一地貌的無人機航拍圖像庫，不應(yīng)在各類地物的混交地 區(qū)和類別的邊緣選取，W保證數(shù)據(jù)具有典型性，從而能進行準(zhǔn)確的分類。分割后的上述4類 地貌的圖像如圖3所示。
[0026] 采用上述4類經(jīng)過裁剪后的無人機航拍圖像進行本發(fā)明的實施例，具體實施步驟 如下：
[0027] S1:圖像紋理特征提取：
[0028] 獲取待分類無人機航拍圖像，每一類圖像選擇50幅作為訓(xùn)練樣本，另外選取30幅 圖像作為測試樣本。采用基于灰度共生矩陣的特征提取算法，提取出樣本圖像的紋理特征， 獲得400個訓(xùn)練樣本紋理特征向量和120個測試樣本紋理特征向量，表1為四幅實例圖像提 取后的紋理特征向量。
[0029] 表1無人機航拍圖像的紋理特征值
[0030]
[0031] S2:將訓(xùn)練樣本的紋理特征向量作為RB巧巾經(jīng)網(wǎng)絡(luò)的輸入，采用基于遺傳優(yōu)化的神 經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法訓(xùn)練RB巧巾經(jīng)網(wǎng)絡(luò)，生成訓(xùn)練好的RB巧巾經(jīng)網(wǎng)絡(luò)分類器，訓(xùn)練RB巧巾經(jīng)網(wǎng)絡(luò)步 驟如下，運里W輸入一組(400個)訓(xùn)練樣本圖像的特征向量為例：
[0032] S2.1:確定種群規(guī)模100、最大迭代次數(shù)2000，RB巧巾經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點數(shù)為4;輸 出層節(jié)點數(shù)設(shè)為2,即用00~11分別表示待分類的4類無人機航拍圖像，00代表沙地、01代表 草地、10代表水域、11代表森林;初始的隱含層節(jié)點數(shù)設(shè)為8。
[0033] 對RB巧巾經(jīng)網(wǎng)絡(luò)的參數(shù)進行實數(shù)編碼，隨機產(chǎn)生初始種群，表2詳細(xì)地顯示了個體 的編碼格式，初始為隨機數(shù)。
[0034] 表2個體的編碼格式
[0035]
[0036] 其中ci為R邸神經(jīng)網(wǎng)絡(luò)的第i個隱含層節(jié)點的中屯、，i = 1，2，…，8; 0功RB巧申經(jīng)網(wǎng)絡(luò) 的第i個隱含層節(jié)點的寬度;WU為RB巧巾經(jīng)網(wǎng)絡(luò)的第i個隱含層節(jié)點到第j個輸出層節(jié)點之間 的連接權(quán)值，j = l，2。
[0037] S2.2:計算上一次迭代后種群的方差和賭，W及種群"早熟"程度指標(biāo)，根據(jù)設(shè)定的 適應(yīng)度函數(shù)，計算種群中每個個體的適應(yīng)度值；
[0038] 在向神經(jīng)網(wǎng)絡(luò)輸入一組訓(xùn)練樣本向量之后，神經(jīng)網(wǎng)絡(luò)會有對應(yīng)的實際輸出根 據(jù)期望輸出和實際輸出得到每個個體的適應(yīng)度值，通過RB巧申經(jīng)網(wǎng)絡(luò)的均方誤差與一個非 常小的常數(shù)之和取倒數(shù)得到。第k個個體的適應(yīng)度值如下所示：
[0039]
(I)
[0040] 其中C為大于且接近于零的常數(shù)，目的是為了防止分母為0，運里取C = 10-4; RB巧申 經(jīng)網(wǎng)絡(luò)的輸入樣本數(shù)為400;RB巧巾經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點數(shù)為2; 為RB巧巾經(jīng)網(wǎng)絡(luò)的期望 輸出；為RB巧申經(jīng)網(wǎng)絡(luò)的實際輸出。
[0041] S2.3:根據(jù)所有個體的適應(yīng)度值使用輪盤賭選擇方法W及最佳個體保存策略對種 群進行選擇操作；
[0042] 在賭輪選擇法中，每個個體被選中的概率與其適應(yīng)度值是成正比關(guān)系的，最佳個 體保存方法是一種將種群中適應(yīng)度值最高的個體不進行配對交叉，而直接復(fù)制到下一代中 的選擇方法。
[0043] S2.4:判斷種群方差和賭值，根據(jù)公式進行交叉變異操作；
[0044] 由上面步驟得到種群方差和賭值W及種群"早熟"程度指標(biāo)，根據(jù)W下公式求得種 群最適應(yīng)當(dāng)前種群狀態(tài)的交叉變異概率：
[0045] (3)
[0046] 其中，Pci，Pc2分別為最大和最小的遺傳算法交叉概率，取0.9和0.6，Pml，Pm2分別為 最大和最小的遺傳算法變異概率，取0.1和0.001; ki，k2是個交叉變異率變化的系數(shù)，取值在 (〇，1)之間；D(t)，s(t