[发明专利]基于改进自适应遗传算法的神经网络图像分类方法

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。

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，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：S1：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c_i为RBF神经网络的第i个隐含层节点的中心，i＝1，2，…，8；σ_i为RBF神经网络的第i个隐含层节点的宽度；w_ij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＝1，2；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＝10^‑4；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，P_c1，P_c2分别为最大和最小的遗传算法交叉概率，取0.9和0.6，P_m1，P_m2分别为最大和最小的遗传算法变异概率，取0.1和0.001；k₁，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；Δ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10^‑8；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即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。