一種基于果蠅優(yōu)化算法和光滑孿生支持向量機(jī)的彩色圖像分類方法與系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及人工智能和計(jì)算機(jī)圖像處理技術(shù)領(lǐng)域。特別設(shè)及一種基于果蛹優(yōu)化算 法和光滑李生支持向量機(jī)的彩色圖像分類方法與系統(tǒng)。
【背景技術(shù)】
[0002] 隨著計(jì)算機(jī)技術(shù)、因特網(wǎng)W及多媒體技術(shù)的快速發(fā)展，圖像資源大量涌現(xiàn)。特別是 智能手機(jī)的普及，使得彩色數(shù)字圖像的采集、存儲(chǔ)和分享數(shù)量迅猛增加。對(duì)圖像進(jìn)行分類是 從圖像中獲取有用信息的最基本手段，也是人們分析、理解和應(yīng)用圖像資源的重要途徑。圖 像分類是根據(jù)不同類別的數(shù)字圖像中所反映的不同特征，把不同類別的目標(biāo)區(qū)分開來的圖 像處理方法。圖像分類研究應(yīng)用廣泛，如圖像檢索、機(jī)械工件的分類，從遙感圖像或衛(wèi)星圖 片中辨別場(chǎng)景，根據(jù)CT圖像輔助診斷等。
[0003] 常用的分類方法包括貝葉斯分類器、人工神經(jīng)網(wǎng)絡(luò)和決策樹等。但是，貝葉斯分類 器需要先驗(yàn)概率，而且要求屬性間相互獨(dú)立，人工神經(jīng)網(wǎng)絡(luò)和決策樹存在過擬合問題。彩色 圖像信息往往數(shù)據(jù)量比較大，圖像特征數(shù)據(jù)結(jié)構(gòu)復(fù)雜，W上方法往往不能很好地處理彩色 圖像分類。因此，提供一種基于果蛹優(yōu)化算法和光滑李生支持向量機(jī)的彩色圖像分類方法 與系統(tǒng)。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明提供一種基于果蛹優(yōu)化算法和光滑李生支持向量機(jī)的彩色圖像分類方法 與系統(tǒng)，能夠運(yùn)用群體智能優(yōu)化算法自動(dòng)確定光滑李生支持向量機(jī)的參數(shù)，并使用光滑方 法求解光滑李生支持向量機(jī)的二次規(guī)劃問題，訓(xùn)練得到一個(gè)光滑李生支持向量機(jī)圖像分類 器。一種基于果蛹優(yōu)化算法和光滑李生支持向量機(jī)的彩色圖像分類方法與系統(tǒng)的主要技術(shù) 方案如下：
[0005] -種基于果蛹優(yōu)化算法和光滑李生支持向量機(jī)的彩色圖像分類方法與系統(tǒng)主要 包括W下步驟：
[0006] 步驟1:顏色特征提取。將RGB顏色空間轉(zhuǎn)換為HSV顏色空間，將HSV顏色空間均勻量 化為256個(gè)不同顏色，H量化成16級(jí)，S量化成4級(jí)，V量化成4級(jí)。統(tǒng)計(jì)不同顏色在圖像中所占 的比例作為該圖像的顏色特征，于是每幅圖像的顏色特征可用一個(gè)256維的向量表示。
[0007] 步驟2:紋理特征提取。將各顏色分量轉(zhuǎn)化為灰度，得到彩色圖像的灰度矩陣，對(duì)灰 度級(jí)壓縮，將灰度矩陣均勻量化為16級(jí)，計(jì)算灰度共生矩陣，根據(jù)灰度共生矩陣計(jì)算能量、 賭、相關(guān)性、逆差距，采用運(yùn)四個(gè)指標(biāo)的均值作為紋理特征。于是每幅圖像的紋理特征可用 一個(gè)4維的向量表示。
[000引步驟3:構(gòu)造加權(quán)混合特征。將步驟2和步驟3得到的顏色特征向量和紋理特征賦予 不同權(quán)重并組合后進(jìn)行歸一化作為彩色圖像的混合特征。
[0009]步驟4:果蛹優(yōu)化算法初始化。設(shè)定果蛹優(yōu)化算法的最大迭代次數(shù)MAX_i、群體規(guī) 模，設(shè)定果蛹初始位置(X_axis，Y_axis)為原點(diǎn)并隨機(jī)設(shè)定初始飛行距離(X，Y)，設(shè)定初始 最佳味道濃度Best_Smell為0,當(dāng)前迭代次數(shù)i為0。
[0010] 步驟5:利用果蛹優(yōu)化算法選取光滑李生支持向量機(jī)的參數(shù)。運(yùn)行果蛹優(yōu)化算法， 計(jì)算當(dāng)前每個(gè)果蛹個(gè)體的味道濃度判定值向量S(i，l)和S(i，2)，將濃度判定值向量作為光 滑李生支持向量機(jī)的參數(shù)。隨機(jī)選取80%圖像作為訓(xùn)練集，剩余圖像構(gòu)成測(cè)試集。將訓(xùn)練集 圖像在步驟3得到的加權(quán)混合特征數(shù)據(jù)W及由當(dāng)前果蛹優(yōu)化算法給定的光滑李生支持向量 機(jī)參數(shù)作為輸入，訓(xùn)練得到光滑李生支持向量機(jī)模型，將測(cè)試集輸入光滑李生支持向量機(jī) 模型計(jì)算準(zhǔn)確率ACCi作為味道濃度Sme 11 (i)。如果味道濃度Smel 1 (i)大于當(dāng)前記錄中的最 佳味道濃度Best_Smell，那么將最佳味道濃度賦值為Smell (i)的值并記錄對(duì)應(yīng)的果蛹位置 信息和味道判定值。當(dāng)前迭代次數(shù)i加1。如果當(dāng)前迭代次數(shù)大于了最大迭代次數(shù)，則執(zhí)行步 驟6;否則更新所有果蛹位置的位置為當(dāng)前最佳準(zhǔn)確率對(duì)應(yīng)的果蛹位置，如果該步中最佳味 道濃度未更新，對(duì)所有果蛹位置加一個(gè)高斯擾動(dòng)，否則不加。然后隨機(jī)賦予每個(gè)果蛹一個(gè)飛 行距離，然后重新執(zhí)行步驟5。
[0011] 步驟6:光滑李生支持向量機(jī)分類器的構(gòu)建。使用步驟5最后記錄的味道判定值作 為參數(shù)和所有圖像的混合特征數(shù)據(jù)作為輸入，采用光滑算法求解光滑李生支持向量機(jī)的二 次規(guī)劃問題，訓(xùn)練得到最終的光滑李生支持向量機(jī)分類器。
[0012] 步驟7:分類決策。當(dāng)?shù)玫揭粡埼粗悇e的新圖像時(shí)，將圖像輸入量化并執(zhí)行步驟 2、步驟3和步驟4得到新圖像特征數(shù)據(jù)，將該特征輸入步驟7得到的光滑李生支持向量機(jī)分 類器，輸出新圖像對(duì)應(yīng)的類別。
[0013] 本發(fā)明具有如下優(yōu)點(diǎn)及效果：
[0014] (1)本方法使用果蛹優(yōu)化算法確定分類器的參數(shù)，能夠得到合理的參數(shù)值。
[0015] (2)本方法使用光滑李生支持向量機(jī)作為分類器，具有更快的訓(xùn)練速度。
【附圖說明】
[0016] 附圖1為本發(fā)明一種基于果蛹優(yōu)化算法和光滑李生支持向量機(jī)的彩色圖像分類方 法與系統(tǒng)的實(shí)施流程圖。
[0017] 附圖2為本發(fā)明一種基于果蛹優(yōu)化算法和光滑李生支持向量機(jī)的彩色圖像分類方 法與系統(tǒng)中的果蛹優(yōu)化算法流程圖。
[0018] 附圖3為本發(fā)明一種基于果蛹優(yōu)化算法和光滑李生支持向量機(jī)的彩色圖像分類方 法與系統(tǒng)中的使用牛頓算法求解光滑李生支持向量機(jī)模型的流程圖。
[0019] 附圖4為本發(fā)明一種基于果蛹優(yōu)化算法和光滑李生支持向量機(jī)的彩色圖像分類方 法與系統(tǒng)的模塊組成示意圖。
[0020] 附圖5為本發(fā)明實(shí)施例公開的一種基于果蛹優(yōu)化算法和光滑李生支持向量機(jī)的彩 色圖像分類方法與系統(tǒng)的過程示意圖。
[0021] 附圖6為本發(fā)明一種基于果蛹優(yōu)化算法和光滑李生支持向量機(jī)的彩色圖像分類方 法與系統(tǒng)的性能比較圖。
【具體實(shí)施方式】
[0022] 本發(fā)明一種基于果蛹優(yōu)化算法和光滑李生支持向量機(jī)的彩色圖像分類方法與系 統(tǒng)的實(shí)施過程為：
[0023] 本發(fā)明的基本框架為光滑李生支持向量機(jī)分類器，是一種有監(jiān)督分類方法，訓(xùn)練 光滑李生支持向量機(jī)過程是利用輸入的樣本特征構(gòu)造兩個(gè)二次規(guī)劃問題，通過求解二次規(guī) 劃問題得到兩個(gè)超平面，每個(gè)超平面各對(duì)應(yīng)一個(gè)類別，分類規(guī)則為新樣本離哪個(gè)類對(duì)應(yīng)的 超平面近就分類到該類別。上述超平面和分類規(guī)則就構(gòu)成了光滑李生支持向量機(jī)分類器。 光滑李生支持向量機(jī)分類器需要設(shè)定兩個(gè)參數(shù)，通過果蛹優(yōu)化算法自動(dòng)確定參數(shù)。
[0024] W下結(jié)合圖1詳細(xì)描述本發(fā)明【具體實(shí)施方式】。
[0025] 步驟1:圖1中SlOl，圖像顏色特征提取。存儲(chǔ)的圖像為使用RGB空間表示的矩陣，將 RGB顏色空間轉(zhuǎn)換為HSV顏色空間，對(duì)于一個(gè)RGB顏色空間中表示為(R，G，B)的彩色圖像中的 像素點(diǎn)，具體的轉(zhuǎn)換公式為：
[0026]
[0027]
[002引
[0029] 計(jì)算得到的化，S，V)即為像素點(diǎn)在HSV空間中的值。將服V顏色空間均勻量化為256 個(gè)不同顏色，H量化成16級(jí)，S量化成4級(jí)，V量化成4級(jí)。統(tǒng)計(jì)不同顏色在圖像中所占的比例作 為該圖像的顏色特征，于是每幅圖像的顏色特征可用一個(gè)256維的向量表示。
[0030] 步驟2:圖像紋理特征提取，本步驟對(duì)應(yīng)于S102。將彩色圖片轉(zhuǎn)化為灰度模式，得到 圖像的灰度矩陣，具體的為，對(duì)于彩色圖像中某一個(gè)RGB值為(R，G，B)的像素點(diǎn)，該點(diǎn)的灰度 Gray值為
[0031] Gray = O.30R+0.59G+0.1 lB
[0032] 計(jì)算一幅彩色圖像所有像素點(diǎn)的灰點(diǎn)得到該圖像的灰度矩陣。對(duì)灰度級(jí)壓縮，將 灰度矩陣均勻量化為16級(jí)得到圖像壓縮后灰度f(x，y)，計(jì)算灰度共生矩陣P，灰度共生矩陣 P的元素 P(i，j，S，0)通過統(tǒng)計(jì)f(x，y)中從灰度為i的像素出發(fā)，距離為5,角度為0處灰度為j 的像素點(diǎn)出現(xiàn)的次數(shù)再除W所有統(tǒng)計(jì)得到的次數(shù)總和求得。運(yùn)樣得到的共生矩陣P已經(jīng)是 歸一化的，根據(jù)灰度共生矩陣可計(jì)算能量、賭，、相關(guān)性、逆差距。
[0033] 能量:ASM=
[0034] 賭：ENT = -Xi X jp(ij)lg(p(i，j))
[0035] 相關(guān)性
[0036] 其中
[0037] 逆差距：INV= S i 2 jp(i，j)/(1+(i+j )2)
[0038] 取距離為S為I像素，角度為0為0度，45度，90度和135度，通過前面描述的方法得到 四個(gè)灰度共生矩陣P1、P2、P3和P4,根據(jù)灰度共生矩陣計(jì)算能量、賭、相關(guān)性、逆差距，然后分 別取平均數(shù)作為紋理特征。于是每幅圖像的顏色特征可用一個(gè)4維的向量表示。
[0039] 步驟3:構(gòu)造加權(quán)混合特征，該步對(duì)應(yīng)于圖1中S103。將步驟2和步驟3得到的顏色特 征向量和紋理特征根據(jù)實(shí)際運(yùn)行需要賦予不同權(quán)值然后進(jìn)行組合并進(jìn)行歸一化處理得到 混合特征。根據(jù)實(shí)際情況，對(duì)僅包含五種W內(nèi)相近顏色的彩色圖像集，顏色特征的權(quán)值取 0.4,對(duì)顏色豐富的彩色圖像集，顏色特征的權(quán)值取0.6。根據(jù)實(shí)際情況，圖像紋理不清晰，紋 理特征的權(quán)值可取0.4，圖像紋理清晰，紋理特征的權(quán)值可取0.6。
[0040] 圖1中S104對(duì)應(yīng)步驟4和步驟5。圖2是果蛹優(yōu)化算法的流程圖，果蛹優(yōu)化算法初始 化后經(jīng)過若干步迭代為光滑李生支持向量機(jī)分類器找到合適的參數(shù)。具體的如下。
[0041] 步驟4:初始化果蛹優(yōu)化算法。設(shè)定果蛹優(yōu)化算法的最大迭代次數(shù)14《_1為500、群 體規(guī)模為20和初始果蛹初始位置(X_axis，Y_axis)為原點(diǎn)并隨機(jī)賦值初始飛行距離(X，Y)， 設(shè)定初始最佳味道濃度Best_Smell為0,當(dāng)前迭代次數(shù)i為0。
[0042] 步驟5:利用果蛹優(yōu)化算法選取光滑李生支持向量機(jī)的參數(shù)。運(yùn)行果蛹優(yōu)化算法， 利用嗅覺隨機(jī)飛行一定距離捜索食物，即計(jì)算當(dāng)前每個(gè)果蛹個(gè)體的味道濃度判定值向量，
[0043]
[0044] 將味道濃度判定值向量作為光滑李生支持向量機(jī)的兩個(gè)參數(shù)。隨機(jī)選取80%圖像 作為訓(xùn)練集，剩余圖像構(gòu)成測(cè)試集。將訓(xùn)練集圖像在步驟4得到的混合特征數(shù)據(jù)Cl W及由當(dāng) 前果蛹優(yōu)化算法給定的光滑李生支持向量機(jī)參數(shù)作為輸入，構(gòu)成兩個(gè)二次規(guī)劃問題：
[0045