基于改进自适应遗传算法的神经网络图像分类方法
基于改进自适应遗传算法的神经网络图像分类方法
【技术领域】
[0001] 本发明设及一种图像分类方法，属于智能计算、图像处理技术领域，特别设及一种 基于改进自适应遗传算法的神经网络图像分类方法。
【背景技术】
[0002] 遗传算法(Genetic Algorithm,GA)是一种借鉴生物界自然选择和进化机制发展 起来的高度并行的随机捜索算法，提供了一种求解复杂优化问题的通用框架，不依赖于问 题的具体领域，具有很强的鲁棒性。广泛应用于非线性系统和控制方案的寻优等问题。标准 遗传算法存在一些缺点:在解决一些实际复杂问题时，很容易出现"早熟"收敛，在群体中的 解还未达到最优解时，个体之间变得非常相似，丧失了进化能力，导致种群很快收敛到局部 最优解而不是全局最优解，使得算法的性能及优化效果大为降低。"早熟"产生的主要原因 是种群多样性的丧失，而保持种群的多样性对于进化起着至关重要的作用，是种群进化的 动力。保持种群多样性是解决遗传算法"早熟"问题有效方法。
[0003] 传统的图像分类技术大都基于大规模计算，它们的计算量和计算精度之间存在严 重的矛盾。近年来，高速发展的神经网络技术是解决运一问题的一种新途径。径向基函数 (Radial Basis化nction,RBF)神经网络一种基于人脑的神经元细胞对外界反应的局部性 而提出的前馈神经网络，是一种典型的用于解决模式分类、识别的神经网络。与其他前馈神 经网络相比，它具有最佳逼近性能和全局最优特性，并且结构简单，训练速度较快等特点。 因此，RB巧巾经网络非常适合用于图像分类，是解决图像分类问题的有力工具。针对k-means 聚类算法等对初始值选取敏感的不足，将基于种群多样性的自适应遗传算法用于RB巧申经 网络的参数优化中。
【发明内容】
[0004] 本发明的目的旨在解决上述技术缺陷。
[000引为达到上述目的，本发明提出一种基于遗传优化的神经网络图像分类方法，包括 W下步骤：
[0006] S1:采用基于灰度共生矩阵的特征提取算法，提取出样本图像的纹理特征，获得训 练样本的和测试样本的纹理特征向量；
[0007] S2:将训练样本的纹理特征作为RB巧巾经网络的输入，采用基于遗传优化的神经网 络学习方法训练RB巧申经网络，生成训练好的RB巧申经网络；训练RB巧申经网络步骤如下：
[0008] S2.1:确定种群规模、最大迭代次数相关参数，对RB巧巾经网络的参数进行实数编 码，随机产生初始种群；
[0009] S2.2:计算种群的方差和赌，W及种群"早熟"程度指标，根据设定的适应度函数， 计算种群中每个个体的适应度值；
[0010] S2.3:根据个体的适应度值使用轮盘赌选择策略对种群进行选择操作；
[0011] S2.4:判断种群方差和赌值，根据公式进行交叉变异操作；
[0012] S2.5:经过遗传操作后，产生新一代种群，返回步骤2.2直至达到设定的收敛条件。
[0013] S2.6:优化RB巧巾经网络的结构，得到最优参数和结构的训练后的RB巧巾经网络分 类器
[0014] S3:将测试样本的纹理特征输入训练好的RB巧巾经网络，进行图像分类测试。
[001引有益效果
[0016] 根据本发明实施例的基于改进自适应遗传优化算法的神经网络图像分类方法，方 法中对自适应遗传算法的交叉变异概率的选择方法等提出了相应的改进策略。种群的多样 性是有效捜索整个可行空间的必要条件，所用的种群多样性是用基因内部多样性来度量 的，它表明种群在该基因结构的收敛程度，是衡量算法进化能力强弱的重要尺度。根据"进 化"时期种群的多样性指标，将进化状态分四种情况讨论，在不同的进化状态下，具有不同 的交叉变异概率调整方案，每一种调整方案都和种群此时的进化性相适应，能够更好的指 导种群进化。仿真实验表明，提出的算法思想，能够较好地避免遗传算法的"早熟"收敛，提 高了遗传算法的进化效率。
[0017] 针对k-means聚类算法等对初始值选取敏感的不足，将基于种群多样性的自适应 遗传算法用于RB巧申经网络的参数优化中，提出了一种基于改进自适应遗传算法的RB巧申经 网络图像分类方法。在该方法中，自适应遗传算法利用种群多样性评价指标改进标准遗传 算法，克服了 "早熟"收敛问题;然后，采用自适应遗传算法优化RB巧巾经网络的参数，克服了 k-means聚类算法等对初始值选取敏感的不足;最后，还对RB巧巾经网络的结构也进行了优 化。仿真实验表明该算法不但能够简化网络结构，而且提高了网络的泛化能力和图像的正 确分类率。
【附图说明】
[0018] 本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得 明显和容易理解，其中：
[0019] 图1为本发明实施例的基于改进自适应遗传算法的神经网络图像分类方法的流程 图；W及
[0020] 图2为本发明一个实施例的RB巧巾经网络训练过程示意图；W及
[0021] 图3为本发明一个实施例的待分类无人机航拍图像示意图。
【具体实施方式】
[0022] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0023] 如图1所示，根据本发明基于改进自适应遗传算法的神经网络图像分类方法，对几 类无人机航拍图像进行分类。
[0024] 为了解决无人机的自主着陆问题，需要对无人机着陆点地貌图像进行分类，W识 别出适合无人机自主着陆的地貌。选取沙地、草地、水和森林运4类无人机航拍图像进行实 验。运4类地貌图像比较具有代表性，是实例的主要研究对象。其他地貌在本方法中不会直 接分出类，而直接归为不宜着陆类，不加关注，因此不用细分类，运样也是为了加快算法处 理速度。
[0025] 无人机飞行环境一般比较复杂，拍摄到的图像也是各种地物相互交错，很难得到 只含单一地貌的航拍图像，为获得符合条件的训练测试样本，需对无人机拍摄的原始图像 进行分割处理，从而获得只含有单一地貌的无人机航拍图像库，不应在各类地物的混交地 区和类别的边缘选取，W保证数据具有典型性，从而能进行准确的分类。分割后的上述4类 地貌的图像如图3所示。
[0026] 采用上述4类经过裁剪后的无人机航拍图像进行本发明的实施例，具体实施步骤 如下：
[0027] S1:图像纹理特征提取：
[0028] 获取待分类无人机航拍图像，每一类图像选择50幅作为训练样本，另外选取30幅 图像作为测试样本。采用基于灰度共生矩阵的特征提取算法，提取出样本图像的纹理特征， 获得400个训练样本纹理特征向量和120个测试样本纹理特征向量，表1为四幅实例图像提 取后的纹理特征向量。
[0029] 表1无人机航拍图像的纹理特征值
[0030]
[0031] S2:将训练样本的纹理特征向量作为RB巧巾经网络的输入，采用基于遗传优化的神 经网络学习方法训练RB巧巾经网络，生成训练好的RB巧巾经网络分类器，训练RB巧巾经网络步 骤如下，运里W输入一组(400个)训练样本图像的特征向量为例：
[0032] S2.1:确定种群规模100、最大迭代次数2000，RB巧巾经网络的输入层节点数为4;输 出层节点数设为2,即用00~11分别表示待分类的4类无人机航拍图像，00代表沙地、01代表 草地、10代表水域、11代表森林;初始的隐含层节点数设为8。
[0033] 对RB巧巾经网络的参数进行实数编码，随机产生初始种群，表2详细地显示了个体 的编码格式，初始为随机数。
[0034] 表2个体的编码格式
[0035]
[0036] 其中ci为R邸神经网络的第i个隐含层节点的中屯、，i = 1，2，…，8; 0功RB巧申经网络 的第i个隐含层节点的宽度;WU为RB巧巾经网络的第i个隐含层节点到第j个输出层节点之间 的连接权值，j = l，2。
[0037] S2.2:计算上一次迭代后种群的方差和赌，W及种群"早熟"程度指标，根据设定的 适应度函数，计算种群中每个个体的适应度值；
[0038] 在向神经网络输入一组训练样本向量之后，神经网络会有对应的实际输出根 据期望输出和实际输出得到每个个体的适应度值，通过RB巧申经网络的均方误差与一个非 常小的常数之和取倒数得到。第k个个体的适应度值如下所示：
[0039]
(I)
[0040] 其中C为大于且接近于零的常数，目的是为了防止分母为0，运里取C = 10-4; RB巧申 经网络的输入样本数为400;RB巧巾经网络的输出层节点数为2; 为RB巧巾经网络的期望 输出；为RB巧申经网络的实际输出。
[0041] S2.3:根据所有个体的适应度值使用轮盘赌选择方法W及最佳个体保存策略对种 群进行选择操作；
[0042] 在赌轮选择法中，每个个体被选中的概率与其适应度值是成正比关系的，最佳个 体保存方法是一种将种群中适应度值最高的个体不进行配对交叉，而直接复制到下一代中 的选择方法。
[0043] S2.4:判断种群方差和赌值，根据公式进行交叉变异操作；
[0044] 由上面步骤得到种群方差和赌值W及种群"早熟"程度指标，根据W下公式求得种 群最适应当前种群状态的交叉变异概率：
[0045] (3)
[0046] 其中，Pci，Pc2分别为最大和最小的遗传算法交叉概率，取0.9和0.6，Pml，Pm2分别为 最大和最小的遗传算法变异概率，取0.1和0.001; ki，k2是个交叉变异率变化的系数，取值在 (〇，1)之间；D(t)，s(t )为当前代的种群方差和赌，a，b为其判断阔值，用来判定种群的进化 状态，取值为7和2.5; G表示自上次进化W来至当前代为止连续未进化的代数，d为未进化代 数的阔值，取值为5; Δ为种群"早熟"程度的评价指标。
[0047] 根据自适应的交叉变异概率，对种群个体进行交叉变异操作 [004引 S2.5:经过遗传操作后，产生新一代种群。
[0049] 至此就完成了一组训练样本的训练过程，然后迭代重复W上步骤，直至达到终止 条件，运里终止条件设为最优个体适应度值小于10- 8。
[0050] S2.6:优化RB巧巾经网络的结构，得到最优参数和结构的训练后的RB巧巾经网络。
[0051] 一次训练终止后进行RB巧巾经网络的结构的修正，在完成迭代后，若满意解的某个 连接权值近似为零(运里精度设为10- 6)，那么删除该连接;若某个隐含层节点的权值都近似 为零，那么删除该节点及其参数，从而减少隐含层节点数，再生成新的种群重新进行迭代训 练，最终得到最优的RB巧巾经网络结构。
[0052] 需要注意的是，只有在结构优化后网络的性能不降低的前提下，才能将优化后的 网络作为最终得到的网络;否则，仍然将优化前的网络作为最终获得的网络。
[0053] S3:将测试样本的纹理特征输入训练好的RB巧巾经网络，进行图像分类测试。
[0054] 在输入待测样本图像的纹理特征向量值之后，RB巧申经网络会得到一个输出结果， 判断输出结果属于哪一类图像时，采用是欧氏距离判断法，输出向量和四个目标向量(00、 01、10、11)哪一个距离最近就判定为哪一类，前提是距离需要达到一定精度，若任一距离都 大于10- 4则判定为其他图像。
[0055] 采用基于标准遗传优化RB巧巾经网络的分类方法与提出的基于改进算法的分类方 法进行测试实验，具体的实验结果如表3和表4所示。从表中可W看出，相比于标准遗传优化 的分类方法，基于改进的自适应遗传算法的分类方法能够更好地对无人机航拍图像进行分 类，获得更简洁的网络结构和更高的正确分类率。
[0056] 表2标准遗传优化方法的分类结果
【主权项】
1. 基于改进自适应遗传算法的神经网络图像分类方法，其特征在于：该方法包括以下 步骤， Si:采用基于灰度共生矩阵的特征提取算法，提取出样本图像的纹理特征，获得训练样 本的和测试样本的纹理特征向量； S2:将训练样本的纹理特征作为RBF神经网络的输入，采用基于遗传优化的神经网络学 习方法训练RBF神经网络，生成训练好的RBF神经网络;训练RBF神经网络步骤如下： S2.1:确定种群规模、最大迭代次数相关参数，对RBF神经网络的参数进行实数编码，随 机产生初始种群； S2.2:计算种群的方差和熵，以及种群"早熟"程度指标，根据设定的适应度函数，计算 种群中每个个体的适应度值； S2.3:根据个体的适应度值使用轮盘赌选择策略对种群进行选择操作； S2.4:判断种群方差和熵值，根据公式进行交叉变异操作； S2.5:经过遗传操作后，产生新一代种群，返回步骤2.2直至达到设定的收敛条件； S2.6:优化RBF神经网络的结构，得到最优参数和结构的训练后的RBF神经网络分类器 S3:将测试样本的纹理特征输入训练好的RBF神经网络，进行图像分类测试。2. 根据权利要求1所述的基于改进自适应遗传算法的神经网络图像分类方法，其特征 在于:该方法包括以下步骤， 选取沙地、草地、水和森林这4类无人机航拍图像进行实验;这4类地貌图像比较具有代 表性，是实例的主要研究对象;其他地貌在本方法中不会直接分出类，而直接归为不宜着陆 类，不加关注，因此不用细分类，这样也是为了加快算法处理速度； 无人机飞行环境一般比较复杂，拍摄到的图像也是各种地物相互交错，很难得到只含 单一地貌的航拍图像，为获得符合条件的训练测试样本，需对无人机拍摄的原始图像进行 分割处理，从而获得只含有单一地貌的无人机航拍图像库，不应在各类地物的混交地区和 类别的边缘选取，以保证数据具有典型性，从而能进行准确的分类； 采用上述4类经过裁剪后的无人机航拍图像进行实施，具体实施步骤如下： SI:图像纹理特征提取： 获取待分类无人机航拍图像，每一类图像选择50幅作为训练样本，另外选取30幅图像 作为测试样本;采用基于灰度共生矩阵的特征提取算法，提取出样本图像的纹理特征，获得 400个训练样本纹理特征向量和120个测试样本纹理特征向量，表1为四幅实例图像提取后 的纹理特征向量； 表1无人机航拍图像的纹理特征值S2:将训练样本的纹理特征向量作为RBF神经网络的输入，采用基于遗传优化的神经网 络学习方法训练RBF神经网络，生成训练好的RBF神经网络分类器，训练RBF神经网络步骤如 下，这里以输入一组(400个)训练样本图像的特征向量为例： S2.1:确定种群规模100、最大迭代次数2000，RBF神经网络的输入层节点数为4;输出层 节点数设为2,即用00~11分别表示待分类的4类无人机航拍图像，00代表沙地、01代表草 地、10代表水域、11代表森林;初始的隐含层节点数设为8; 对RBF神经网络的参数进行实数编码，随机产生初始种群，表2详细地显示了个体的编 码格式，初始为随机数； 表2个体的编码格式其中Ci为RBF神经网络的第i个隐含层节点的中心，i = 1，2，…，8; OiSRBF神经网络的第 i个隐含层节点的宽度;为RBF神经网络的第i个隐含层节点到第j个输出层节点之间的连 接权值，j = l，2; S2.2:计算上一次迭代后种群的方差和熵，以及种群"早熟"程度指标，根据设定的适应 度函数，计算种群中每个个体的适应度值； 在向神经网络输入一组训练样本向量之后，神经网络会有对应的实际输出?，根据期 望输出和实际输出得到每个个体的适应度值，通过RBF神经网络的均方误差与一个非常小 的常数之和取倒数得到;第k个个体的适应度值如下所示：其中c为大于且接近于零的常数，目的是为了防止分母为0,这里取c = l(T4;RBF神经网 络的输入样本数为400; RBF神经网络的输出层节点数为2; 为RBF神经网络的期望输出； 为RBF神经网络的实际输出； S2.3:根据所有个体的适应度值使用轮盘赌选择方法以及最佳个体保存策略对种群进 行选择操作； 在赌轮选择法中，每个个体被选中的概率与其适应度值是成正比关系的，最佳个体保 存方法是一种将种群中适应度值最高的个体不进行配对交叉，而直接复制到下一代中的选 择方法； S2.4:判断种群方差和熵值，根据公式进行交叉变异操作； 由上面步骤得到种群方差和熵值以及种群"早熟"程度指标，根据以下公式求得种群最 适应当前种群状态的交叉变异概率：其中，Pc^义2分别为最大和最小的遗传算法交叉概率，取0.9和0.6，pml，Pm^别为最大 和最小的遗传算法变异概率，取〇. 1和〇. OOl;h，k2是个交叉变异率变化的系数，取值在(0， 1)之间；D(t)，S(t)为当前代的种群方差和熵，a，b为其判断阈值，用来判定种群的进化状 态，取值为7和2.5; G表示自上次进化以来至当前代为止连续未进化的代数，d为未进化代数 的阈值，取值为5; △为种群"早熟"程度的评价指标； 根据自适应的交叉变异概率，对种群个体进行交叉变异操作 S2.5:经过遗传操作后，产生新一代种群； 至此就完成了一组训练样本的训练过程，然后迭代重复以上步骤，直至达到终止条件， 这里终止条件设为最优个体适应度值小于HT8; S2.6:优化RBF神经网络的结构，得到最优参数和结构的训练后的RBF神经网络； 一次训练终止后进行RBF神经网络的结构的修正，在完成迭代后，若满意解的某个连接 权值近似为零(这里精度设为1〇_6)，那么删除该连接;若某个隐含层节点的权值都近似为 零，那么删除该节点及其参数，从而减少隐含层节点数，再生成新的种群重新进行迭代训 练，最终得到最优的RBF神经网络结构； 需要注意的是，只有在结构优化后网络的性能不降低的前提下，才能将优化后的网络 作为最终得到的网络;否则，仍然将优化前的网络作为最终获得的网络； S3:将测试样本的纹理特征输入训练好的RBF神经网络，进行图像分类测试； 在输入待测样本图像的纹理特征向量值之后，RBF神经网络会得到一个输出结果，判断 输出结果属于哪一类图像时，采用是欧氏距离判断法，输出向量和四个目标向量(〇〇、〇1、 10、11)哪一个距离最近就判定为哪一类，前提是距离需要达到一定精度，若任一距离都大 于HT4则判定为其他图像； 采用基于标准遗传优化RBF神经网络的分类方法与提出的基于改进算法的分类方法进 行测试实验，具体的实验结果如表3和表4所示;从表中可以看出，相比于标准遗传优化的分 类方法，基于改进的自适应遗传算法的分类方法能够更好地对无人机航拍图像进行分类， 获得更简洁的网络结构和更高的正确分类率。 表2标准遗传优化方法的分类结果表3本发明的分类结果表4两种方法的分类结果比较
【专利摘要】基于改进自适应遗传算法的神经网络图像分类方法，包括以下步骤：采用基于灰度共生矩阵的特征提取算法，提取出样本图像的纹理特征，获得训练样本的和测试样本的纹理特征；将训练样本的纹理特征作为RBF神经网络的输入，采用基于遗传优化的神经网络学习方法训练RBF神经网络，生成训练好的RBF神经网络；将测试样本的纹理特征输入训练好的RBF神经网络，进行图像分类测试。针对k-means聚类算法等对初始值选取敏感的不足，本发明能够较好地避免遗传算法的“早熟”收敛，能够简化神经网络分类器的网络结构，而且提高了网络的泛化能力和图像的正确分类率。
【IPC分类】G06K9/62
【公开号】CN105488528
【申请号】CN201510846339
【发明人】刘芳, 马玉磊, 黄光伟, 周慧娟
【申请人】北京工业大学
【公开日】2016年4月13日
【申请日】2015年11月26日
【技术领域】
[0001] 本发明设及一种图像分类方法，属于智能计算、图像处理技术领域，特别设及一种 基于改进自适应遗传算法的神经网络图像分类方法。
【背景技术】
[0002] 遗传算法(Genetic Algorithm,GA)是一种借鉴生物界自然选择和进化机制发展 起来的高度并行的随机捜索算法，提供了一种求解复杂优化问题的通用框架，不依赖于问 题的具体领域，具有很强的鲁棒性。广泛应用于非线性系统和控制方案的寻优等问题。标准 遗传算法存在一些缺点:在解决一些实际复杂问题时，很容易出现"早熟"收敛，在群体中的 解还未达到最优解时，个体之间变得非常相似，丧失了进化能力，导致种群很快收敛到局部 最优解而不是全局最优解，使得算法的性能及优化效果大为降低。"早熟"产生的主要原因 是种群多样性的丧失，而保持种群的多样性对于进化起着至关重要的作用，是种群进化的 动力。保持种群多样性是解决遗传算法"早熟"问题有效方法。
[0003] 传统的图像分类技术大都基于大规模计算，它们的计算量和计算精度之间存在严 重的矛盾。近年来，高速发展的神经网络技术是解决运一问题的一种新途径。径向基函数 (Radial Basis化nction,RBF)神经网络一种基于人脑的神经元细胞对外界反应的局部性 而提出的前馈神经网络，是一种典型的用于解决模式分类、识别的神经网络。与其他前馈神 经网络相比，它具有最佳逼近性能和全局最优特性，并且结构简单，训练速度较快等特点。 因此，RB巧巾经网络非常适合用于图像分类，是解决图像分类问题的有力工具。针对k-means 聚类算法等对初始值选取敏感的不足，将基于种群多样性的自适应遗传算法用于RB巧申经 网络的参数优化中。
【发明内容】
[0004] 本发明的目的旨在解决上述技术缺陷。
[000引为达到上述目的，本发明提出一种基于遗传优化的神经网络图像分类方法，包括 W下步骤：
[0006] S1:采用基于灰度共生矩阵的特征提取算法，提取出样本图像的纹理特征，获得训 练样本的和测试样本的纹理特征向量；
[0007] S2:将训练样本的纹理特征作为RB巧巾经网络的输入，采用基于遗传优化的神经网 络学习方法训练RB巧申经网络，生成训练好的RB巧申经网络；训练RB巧申经网络步骤如下：
[0008] S2.1:确定种群规模、最大迭代次数相关参数，对RB巧巾经网络的参数进行实数编 码，随机产生初始种群；
[0009] S2.2:计算种群的方差和赌，W及种群"早熟"程度指标，根据设定的适应度函数， 计算种群中每个个体的适应度值；
[0010] S2.3:根据个体的适应度值使用轮盘赌选择策略对种群进行选择操作；
[0011] S2.4:判断种群方差和赌值，根据公式进行交叉变异操作；
[0012] S2.5:经过遗传操作后，产生新一代种群，返回步骤2.2直至达到设定的收敛条件。
[0013] S2.6:优化RB巧巾经网络的结构，得到最优参数和结构的训练后的RB巧巾经网络分 类器
[0014] S3:将测试样本的纹理特征输入训练好的RB巧巾经网络，进行图像分类测试。
[001引有益效果
[0016] 根据本发明实施例的基于改进自适应遗传优化算法的神经网络图像分类方法，方 法中对自适应遗传算法的交叉变异概率的选择方法等提出了相应的改进策略。种群的多样 性是有效捜索整个可行空间的必要条件，所用的种群多样性是用基因内部多样性来度量 的，它表明种群在该基因结构的收敛程度，是衡量算法进化能力强弱的重要尺度。根据"进 化"时期种群的多样性指标，将进化状态分四种情况讨论，在不同的进化状态下，具有不同 的交叉变异概率调整方案，每一种调整方案都和种群此时的进化性相适应，能够更好的指 导种群进化。仿真实验表明，提出的算法思想，能够较好地避免遗传算法的"早熟"收敛，提 高了遗传算法的进化效率。
[0017] 针对k-means聚类算法等对初始值选取敏感的不足，将基于种群多样性的自适应 遗传算法用于RB巧申经网络的参数优化中，提出了一种基于改进自适应遗传算法的RB巧申经 网络图像分类方法。在该方法中，自适应遗传算法利用种群多样性评价指标改进标准遗传 算法，克服了 "早熟"收敛问题;然后，采用自适应遗传算法优化RB巧巾经网络的参数，克服了 k-means聚类算法等对初始值选取敏感的不足;最后，还对RB巧巾经网络的结构也进行了优 化。仿真实验表明该算法不但能够简化网络结构，而且提高了网络的泛化能力和图像的正 确分类率。
【附图说明】
[0018] 本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得 明显和容易理解，其中：
[0019] 图1为本发明实施例的基于改进自适应遗传算法的神经网络图像分类方法的流程 图；W及
[0020] 图2为本发明一个实施例的RB巧巾经网络训练过程示意图；W及
[0021] 图3为本发明一个实施例的待分类无人机航拍图像示意图。
【具体实施方式】
[0022] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0023] 如图1所示，根据本发明基于改进自适应遗传算法的神经网络图像分类方法，对几 类无人机航拍图像进行分类。
[0024] 为了解决无人机的自主着陆问题，需要对无人机着陆点地貌图像进行分类，W识 别出适合无人机自主着陆的地貌。选取沙地、草地、水和森林运4类无人机航拍图像进行实 验。运4类地貌图像比较具有代表性，是实例的主要研究对象。其他地貌在本方法中不会直 接分出类，而直接归为不宜着陆类，不加关注，因此不用细分类，运样也是为了加快算法处 理速度。
[0025] 无人机飞行环境一般比较复杂，拍摄到的图像也是各种地物相互交错，很难得到 只含单一地貌的航拍图像，为获得符合条件的训练测试样本，需对无人机拍摄的原始图像 进行分割处理，从而获得只含有单一地貌的无人机航拍图像库，不应在各类地物的混交地 区和类别的边缘选取，W保证数据具有典型性，从而能进行准确的分类。分割后的上述4类 地貌的图像如图3所示。
[0026] 采用上述4类经过裁剪后的无人机航拍图像进行本发明的实施例，具体实施步骤 如下：
[0027] S1:图像纹理特征提取：
[0028] 获取待分类无人机航拍图像，每一类图像选择50幅作为训练样本，另外选取30幅 图像作为测试样本。采用基于灰度共生矩阵的特征提取算法，提取出样本图像的纹理特征， 获得400个训练样本纹理特征向量和120个测试样本纹理特征向量，表1为四幅实例图像提 取后的纹理特征向量。
[0029] 表1无人机航拍图像的纹理特征值
[0030]
[0031] S2:将训练样本的纹理特征向量作为RB巧巾经网络的输入，采用基于遗传优化的神 经网络学习方法训练RB巧巾经网络，生成训练好的RB巧巾经网络分类器，训练RB巧巾经网络步 骤如下，运里W输入一组(400个)训练样本图像的特征向量为例：
[0032] S2.1:确定种群规模100、最大迭代次数2000，RB巧巾经网络的输入层节点数为4;输 出层节点数设为2,即用00~11分别表示待分类的4类无人机航拍图像，00代表沙地、01代表 草地、10代表水域、11代表森林;初始的隐含层节点数设为8。
[0033] 对RB巧巾经网络的参数进行实数编码，随机产生初始种群，表2详细地显示了个体 的编码格式，初始为随机数。
[0034] 表2个体的编码格式
[0035]
[0036] 其中ci为R邸神经网络的第i个隐含层节点的中屯、，i = 1，2，…，8; 0功RB巧申经网络 的第i个隐含层节点的宽度;WU为RB巧巾经网络的第i个隐含层节点到第j个输出层节点之间 的连接权值，j = l，2。
[0037] S2.2:计算上一次迭代后种群的方差和赌，W及种群"早熟"程度指标，根据设定的 适应度函数，计算种群中每个个体的适应度值；
[0038] 在向神经网络输入一组训练样本向量之后，神经网络会有对应的实际输出根 据期望输出和实际输出得到每个个体的适应度值，通过RB巧申经网络的均方误差与一个非 常小的常数之和取倒数得到。第k个个体的适应度值如下所示：
[0039]
(I)
[0040] 其中C为大于且接近于零的常数，目的是为了防止分母为0，运里取C = 10-4; RB巧申 经网络的输入样本数为400;RB巧巾经网络的输出层节点数为2; 为RB巧巾经网络的期望 输出；为RB巧申经网络的实际输出。
[0041] S2.3:根据所有个体的适应度值使用轮盘赌选择方法W及最佳个体保存策略对种 群进行选择操作；
[0042] 在赌轮选择法中，每个个体被选中的概率与其适应度值是成正比关系的，最佳个 体保存方法是一种将种群中适应度值最高的个体不进行配对交叉，而直接复制到下一代中 的选择方法。
[0043] S2.4:判断种群方差和赌值，根据公式进行交叉变异操作；
[0044] 由上面步骤得到种群方差和赌值W及种群"早熟"程度指标，根据W下公式求得种 群最适应当前种群状态的交叉变异概率：
[0045] (3)
[0046] 其中，Pci，Pc2分别为最大和最小的遗传算法交叉概率，取0.9和0.6，Pml，Pm2分别为 最大和最小的遗传算法变异概率，取0.1和0.001; ki，k2是个交叉变异率变化的系数，取值在 (〇，1)之间；D(t)，s(t )为当前代的种群方差和赌，a，b为其判断阔值，用来判定种群的进化 状态，取值为7和2.5; G表示自上次进化W来至当前代为止连续未进化的代数，d为未进化代 数的阔值，取值为5; Δ为种群"早熟"程度的评价指标。
[0047] 根据自适应的交叉变异概率，对种群个体进行交叉变异操作 [004引 S2.5:经过遗传操作后，产生新一代种群。
[0049] 至此就完成了一组训练样本的训练过程，然后迭代重复W上步骤，直至达到终止 条件，运里终止条件设为最优个体适应度值小于10- 8。
[0050] S2.6:优化RB巧巾经网络的结构，得到最优参数和结构的训练后的RB巧巾经网络。
[0051] 一次训练终止后进行RB巧巾经网络的结构的修正，在完成迭代后，若满意解的某个 连接权值近似为零(运里精度设为10- 6)，那么删除该连接;若某个隐含层节点的权值都近似 为零，那么删除该节点及其参数，从而减少隐含层节点数，再生成新的种群重新进行迭代训 练，最终得到最优的RB巧巾经网络结构。
[0052] 需要注意的是，只有在结构优化后网络的性能不降低的前提下，才能将优化后的 网络作为最终得到的网络;否则，仍然将优化前的网络作为最终获得的网络。
[0053] S3:将测试样本的纹理特征输入训练好的RB巧巾经网络，进行图像分类测试。
[0054] 在输入待测样本图像的纹理特征向量值之后，RB巧申经网络会得到一个输出结果， 判断输出结果属于哪一类图像时，采用是欧氏距离判断法，输出向量和四个目标向量(00、 01、10、11)哪一个距离最近就判定为哪一类，前提是距离需要达到一定精度，若任一距离都 大于10- 4则判定为其他图像。
[0055] 采用基于标准遗传优化RB巧巾经网络的分类方法与提出的基于改进算法的分类方 法进行测试实验，具体的实验结果如表3和表4所示。从表中可W看出，相比于标准遗传优化 的分类方法，基于改进的自适应遗传算法的分类方法能够更好地对无人机航拍图像进行分 类，获得更简洁的网络结构和更高的正确分类率。
[0056] 表2标准遗传优化方法的分类结果
【主权项】
1. 基于改进自适应遗传算法的神经网络图像分类方法，其特征在于：该方法包括以下 步骤， Si:采用基于灰度共生矩阵的特征提取算法，提取出样本图像的纹理特征，获得训练样 本的和测试样本的纹理特征向量； S2:将训练样本的纹理特征作为RBF神经网络的输入，采用基于遗传优化的神经网络学 习方法训练RBF神经网络，生成训练好的RBF神经网络;训练RBF神经网络步骤如下： S2.1:确定种群规模、最大迭代次数相关参数，对RBF神经网络的参数进行实数编码，随 机产生初始种群； S2.2:计算种群的方差和熵，以及种群"早熟"程度指标，根据设定的适应度函数，计算 种群中每个个体的适应度值； S2.3:根据个体的适应度值使用轮盘赌选择策略对种群进行选择操作； S2.4:判断种群方差和熵值，根据公式进行交叉变异操作； S2.5:经过遗传操作后，产生新一代种群，返回步骤2.2直至达到设定的收敛条件； S2.6:优化RBF神经网络的结构，得到最优参数和结构的训练后的RBF神经网络分类器 S3:将测试样本的纹理特征输入训练好的RBF神经网络，进行图像分类测试。2. 根据权利要求1所述的基于改进自适应遗传算法的神经网络图像分类方法，其特征 在于:该方法包括以下步骤， 选取沙地、草地、水和森林这4类无人机航拍图像进行实验;这4类地貌图像比较具有代 表性，是实例的主要研究对象;其他地貌在本方法中不会直接分出类，而直接归为不宜着陆 类，不加关注，因此不用细分类，这样也是为了加快算法处理速度； 无人机飞行环境一般比较复杂，拍摄到的图像也是各种地物相互交错，很难得到只含 单一地貌的航拍图像，为获得符合条件的训练测试样本，需对无人机拍摄的原始图像进行 分割处理，从而获得只含有单一地貌的无人机航拍图像库，不应在各类地物的混交地区和 类别的边缘选取，以保证数据具有典型性，从而能进行准确的分类； 采用上述4类经过裁剪后的无人机航拍图像进行实施，具体实施步骤如下： SI:图像纹理特征提取： 获取待分类无人机航拍图像，每一类图像选择50幅作为训练样本，另外选取30幅图像 作为测试样本;采用基于灰度共生矩阵的特征提取算法，提取出样本图像的纹理特征，获得 400个训练样本纹理特征向量和120个测试样本纹理特征向量，表1为四幅实例图像提取后 的纹理特征向量； 表1无人机航拍图像的纹理特征值S2:将训练样本的纹理特征向量作为RBF神经网络的输入，采用基于遗传优化的神经网 络学习方法训练RBF神经网络，生成训练好的RBF神经网络分类器，训练RBF神经网络步骤如 下，这里以输入一组(400个)训练样本图像的特征向量为例： S2.1:确定种群规模100、最大迭代次数2000，RBF神经网络的输入层节点数为4;输出层 节点数设为2,即用00~11分别表示待分类的4类无人机航拍图像，00代表沙地、01代表草 地、10代表水域、11代表森林;初始的隐含层节点数设为8; 对RBF神经网络的参数进行实数编码，随机产生初始种群，表2详细地显示了个体的编 码格式，初始为随机数； 表2个体的编码格式其中Ci为RBF神经网络的第i个隐含层节点的中心，i = 1，2，…，8; OiSRBF神经网络的第 i个隐含层节点的宽度;为RBF神经网络的第i个隐含层节点到第j个输出层节点之间的连 接权值，j = l，2; S2.2:计算上一次迭代后种群的方差和熵，以及种群"早熟"程度指标，根据设定的适应 度函数，计算种群中每个个体的适应度值； 在向神经网络输入一组训练样本向量之后，神经网络会有对应的实际输出?，根据期 望输出和实际输出得到每个个体的适应度值，通过RBF神经网络的均方误差与一个非常小 的常数之和取倒数得到;第k个个体的适应度值如下所示：其中c为大于且接近于零的常数，目的是为了防止分母为0,这里取c = l(T4;RBF神经网 络的输入样本数为400; RBF神经网络的输出层节点数为2; 为RBF神经网络的期望输出； 为RBF神经网络的实际输出； S2.3:根据所有个体的适应度值使用轮盘赌选择方法以及最佳个体保存策略对种群进 行选择操作； 在赌轮选择法中，每个个体被选中的概率与其适应度值是成正比关系的，最佳个体保 存方法是一种将种群中适应度值最高的个体不进行配对交叉，而直接复制到下一代中的选 择方法； S2.4:判断种群方差和熵值，根据公式进行交叉变异操作； 由上面步骤得到种群方差和熵值以及种群"早熟"程度指标，根据以下公式求得种群最 适应当前种群状态的交叉变异概率：其中，Pc^义2分别为最大和最小的遗传算法交叉概率，取0.9和0.6，pml，Pm^别为最大 和最小的遗传算法变异概率，取〇. 1和〇. OOl;h，k2是个交叉变异率变化的系数，取值在(0， 1)之间；D(t)，S(t)为当前代的种群方差和熵，a，b为其判断阈值，用来判定种群的进化状 态，取值为7和2.5; G表示自上次进化以来至当前代为止连续未进化的代数，d为未进化代数 的阈值，取值为5; △为种群"早熟"程度的评价指标； 根据自适应的交叉变异概率，对种群个体进行交叉变异操作 S2.5:经过遗传操作后，产生新一代种群； 至此就完成了一组训练样本的训练过程，然后迭代重复以上步骤，直至达到终止条件， 这里终止条件设为最优个体适应度值小于HT8; S2.6:优化RBF神经网络的结构，得到最优参数和结构的训练后的RBF神经网络； 一次训练终止后进行RBF神经网络的结构的修正，在完成迭代后，若满意解的某个连接 权值近似为零(这里精度设为1〇_6)，那么删除该连接;若某个隐含层节点的权值都近似为 零，那么删除该节点及其参数，从而减少隐含层节点数，再生成新的种群重新进行迭代训 练，最终得到最优的RBF神经网络结构； 需要注意的是，只有在结构优化后网络的性能不降低的前提下，才能将优化后的网络 作为最终得到的网络;否则，仍然将优化前的网络作为最终获得的网络； S3:将测试样本的纹理特征输入训练好的RBF神经网络，进行图像分类测试； 在输入待测样本图像的纹理特征向量值之后，RBF神经网络会得到一个输出结果，判断 输出结果属于哪一类图像时，采用是欧氏距离判断法，输出向量和四个目标向量(〇〇、〇1、 10、11)哪一个距离最近就判定为哪一类，前提是距离需要达到一定精度，若任一距离都大 于HT4则判定为其他图像； 采用基于标准遗传优化RBF神经网络的分类方法与提出的基于改进算法的分类方法进 行测试实验，具体的实验结果如表3和表4所示;从表中可以看出，相比于标准遗传优化的分 类方法，基于改进的自适应遗传算法的分类方法能够更好地对无人机航拍图像进行分类， 获得更简洁的网络结构和更高的正确分类率。 表2标准遗传优化方法的分类结果表3本发明的分类结果表4两种方法的分类结果比较
【专利摘要】基于改进自适应遗传算法的神经网络图像分类方法，包括以下步骤：采用基于灰度共生矩阵的特征提取算法，提取出样本图像的纹理特征，获得训练样本的和测试样本的纹理特征；将训练样本的纹理特征作为RBF神经网络的输入，采用基于遗传优化的神经网络学习方法训练RBF神经网络，生成训练好的RBF神经网络；将测试样本的纹理特征输入训练好的RBF神经网络，进行图像分类测试。针对k-means聚类算法等对初始值选取敏感的不足，本发明能够较好地避免遗传算法的“早熟”收敛，能够简化神经网络分类器的网络结构，而且提高了网络的泛化能力和图像的正确分类率。
【IPC分类】G06K9/62
【公开号】CN105488528
【申请号】CN201510846339
【发明人】刘芳, 马玉磊, 黄光伟, 周慧娟
【申请人】北京工业大学
【公开日】2016年4月13日
【申请日】2015年11月26日
最新回复(0)