[发明专利]用于图像分类的多目标特征选择方法、装置和存储介质

说明书

本发明提供一种用于图像分类的多目标特征选择方法、装置和存储介质，方法包括：计算包含多维图像特征的训练样本中每维特征对应的条件熵，计算该维特征的被选中概率；利用粒子群优化算法初始化预设数量个粒子；计算所有粒子的目标函数值，并进行非支配排序，选择非支配解更新粒子个体最优位置和粒子群的全局最优位置；在当前的迭代次数达到预定条件，则基于交叉熵进行局部搜索，在局部搜索步骤中更新粒子的速度信息和位置信息，计算所有粒子的目标函数值，并进行非支配排序，选择非支配解更新粒子个体最优位置和粒子群的全局最优位置；在迭代次数达到预设迭代次数阈值的情况下，采用拐点选择法输出最终解。

技术领域

本发明涉及图像分类技术领域，尤其涉及一种用于图像分类的多目标特征选择方法、装置和存储介质。

背景技术

图像分类是根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。在图像分类的实现过程中，往往需要从图像的特征空间提取图像的深度图像特征，然后通过特征选择（FS，Featureselection）来去除冗余的图像特征从而降低计算复杂度。特征选择是指从已有的D个特征中选择多个特征使得特定指标最优化以达到降低数据集维数的目的，通过特定标准选择一组具有代表性的特征子集或属性，以去除冗余特征，根据目标函数的不同，常用的特征选择算法主要分为三类：过滤式、包裹式以及嵌入式方法。一般过滤式方法基于非监督策略采用信息论、模糊集等领域指标进行特征选择，方法简单但限制了特征子集质量。包裹式方法结合分类性能指标进行特征选择，特征子集质量较好。嵌入式方法将特征选择嵌入分类器训练过程中，具有包裹式方法的特性，但是所选择的特征质量取决于所训练的分类器优劣程度。

目前在特征选择过程中常用的特征选择搜索策略主要有：完全搜索算法、启发式搜索和随机搜索算法。完全搜索算法可以获得全局最优解但计算复杂度较高、效率低下。启发式搜索算法主要包括前向搜索、后向搜索和双向搜索策略，可在低时空复杂度下搜索到近似最优特征子集。随机搜索算法在整个搜索空间中通过随机迭代方式进行特征选择，包含常用的进化算法、粒子群算法（又称粒子群优化算法）和模拟退火算法等，复杂度较低且特征子集质量优于启发式方法。

粒子群优化算法是一种基于种群的随机优化算法，数据维数的增大使得特征选择的搜索空间呈指数级增加，增大了特征选择求解的难度。但是由于传统粒子群优化算法的随机搜索性，特征选择的维数越多，其收敛速度变慢，因此如何提升该类算法的收敛速度是其面临的重要问题之一。同时，增强特征选择的性能尽可能的降低特征数目是需要解决的另一问题。

现有的一种基于多目标粒子群优化的特征选择算法包括以下步骤：

步骤S11，随机初始化pop个粒子，使得，其中，i=1,…,pop，pop为粒子个数，X_i表示第i个粒子，表示第i个粒子的第j个特征的编码，D为特征维度，每个粒子中的特征在本发明一实施例中为从图像中提取的图像特征。