遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)在圖像目標(biāo)識(shí)別中的應(yīng)用研究

李雋　王偉

摘 要： 針對傳統(tǒng)的目標(biāo)識(shí)別方法存在易陷入局部最佳值和識(shí)別精度低的問題。提出基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的圖像目標(biāo)識(shí)別方法，通過灰度共生矩陣運(yùn)算出圖像的紋理特征值，并融合像素灰度值構(gòu)成分類圖像的特征矢量，將特征矢量輸入到神經(jīng)網(wǎng)絡(luò)中實(shí)施訓(xùn)練。神經(jīng)網(wǎng)絡(luò)先采用遺傳算法獲取最佳檢索范圍，再通過高階神經(jīng)網(wǎng)絡(luò)實(shí)施尋優(yōu)運(yùn)算，獲取最佳的圖像目標(biāo)識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果說明，所提方法在圖像目標(biāo)識(shí)別精度和效率方面具有較高的優(yōu)越性。

關(guān)鍵詞： 遺傳算法； 特征矢量構(gòu)成； 神經(jīng)網(wǎng)絡(luò)； 圖像目標(biāo)識(shí)別

中圖分類號： TN711?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號： 1004?373X（2017）20?0111?03

Abstract： For the traditional target recognition methods are easy to fall into local optimum value and have low recognition accuracy， an image target recognition method based on genetic algorithm optimizing neural network is proposed. The texture eigenvalues of the image are calculated by means of gray?level co?occurrence matrix （GLCM）， and fused with the pixel grey?level value to form the feature vector of the classification image. The feature vector is input into neural network for training. The genetic algorithm adopted in neural network is used to get the best search range， and then the optimization operation is performed in high?order neural network to get the best image target recognition results. The experimental results show that the proposed method has high superiority in the aspects of image target recognition accuracy and efficiency.

Keywords： genetic algorithm； feature vector constitution； neural network； image target recognition

隨著當(dāng)前圖像處理技術(shù)的快速發(fā)展，遠(yuǎn)距離遙控圖像的目標(biāo)識(shí)別技術(shù)日益受到人們的關(guān)注，該技術(shù)在探測、工業(yè)以及軍事領(lǐng)域具有重要應(yīng)用價(jià)值[1]。神經(jīng)網(wǎng)絡(luò)的分類方法被廣泛應(yīng)用在圖像目標(biāo)識(shí)別中，但該方法存在易陷入局部最佳解和識(shí)別效率低等問題[2]。研究出更為精確的圖像目標(biāo)識(shí)別方法，成為相關(guān)人員分析的重點(diǎn)。本文提出基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的圖像目標(biāo)識(shí)別方法，實(shí)驗(yàn)結(jié)果說明，該方法具有較高的識(shí)別效率和精度。

1 圖像目標(biāo)識(shí)別方法

神經(jīng)網(wǎng)絡(luò)算法容易陷入局部最佳值問題，遺傳算法是基于自然選擇和遺傳規(guī)律的并行全局搜索算法，具有很強(qiáng)的宏觀搜索能力[3]。先采用遺傳算法完成前期的搜索，避免神經(jīng)網(wǎng)絡(luò)出現(xiàn)陷入局部最佳解的問題。因此，進(jìn)行圖像目標(biāo)識(shí)別過程中，先采用遺傳算法對圖像實(shí)施全局尋優(yōu)，縮小圖像目標(biāo)搜索空間[4]，再通過高階神經(jīng)網(wǎng)絡(luò)完成圖像目標(biāo)的精確識(shí)別。

1.1 圖像目標(biāo)分類識(shí)別方法結(jié)構(gòu)模型

圖像目標(biāo)分類識(shí)別過程由圖像特征采集和圖像分類兩部分組成，其模型圖如圖1所示。

1.2 采集圖像特征值

采用圖像紋理中的熵、角二階矩、局部平穩(wěn)以及非相似性4個(gè)特征，同像素的灰度值組成5維矢量，并將該5維矢量當(dāng)成神經(jīng)網(wǎng)絡(luò)的輸入。采用大窗口運(yùn)算圖像紋理特征，獲取更為精確的局部信息，大窗口會(huì)使得圖像的差異紋理特征呈現(xiàn)一致性，導(dǎo)致分割窗口在圖像邊緣位置的精確度減弱[5]。本文采用不同的窗口大小，不同的灰度級和方向以及距離對相同圖像進(jìn)行運(yùn)算，采集分類圖像。設(shè)置圖像采用15×15大小的移動(dòng)窗口，選擇不同距離以[d（d=1，d=2，d=3）]及不同方向[θ（0°，45°，90°，135°）]實(shí)施目標(biāo)識(shí)別，當(dāng)d=2時(shí)，水平方向也就是[0°]時(shí)的效果最佳。當(dāng)灰度級L為16時(shí)，對圖像目標(biāo)識(shí)別不產(chǎn)生干擾?；谶\(yùn)算圖像紋理特征的各參數(shù)，采用灰度共生矩陣方法獲取圖像的紋理特征值。在圖像中采集典型目標(biāo)區(qū)域，設(shè)置目標(biāo)區(qū)域的大小為90×90像素，在典型目標(biāo)區(qū)域的圖像中變換15×15的移動(dòng)窗口，運(yùn)算出紋理特征值，并將該值賦給中心像元，融合4個(gè)特征值以及中心像元的灰度值構(gòu)成5維特征矢量?；顒?dòng)窗口的水平以及垂直移動(dòng)次數(shù)為6，各典型區(qū)域是35組數(shù)據(jù)，2類物質(zhì)共70組數(shù)據(jù)構(gòu)成70×5維矩陣，將該矩陣當(dāng)成神經(jīng)網(wǎng)絡(luò)的輸入。

1.3 識(shí)別圖像目標(biāo)的遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)

對圖像目標(biāo)進(jìn)行識(shí)別的過程中，需要采集圖像邊緣，應(yīng)對實(shí)時(shí)采集圖像的高效率采集閾值實(shí)施合理設(shè)置[6]。采用通過預(yù)操作的圖像樣本對神經(jīng)網(wǎng)絡(luò)實(shí)施訓(xùn)練，將圖像邊緣特征向量當(dāng)成神經(jīng)網(wǎng)絡(luò)的輸入，按照神經(jīng)網(wǎng)絡(luò)輸出值分析是否是圖像邊緣點(diǎn)。

個(gè)體適應(yīng)度決定了遺傳算法對高階神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率，本文將高階神經(jīng)網(wǎng)絡(luò)誤差平方和當(dāng)成遺傳算法的個(gè)體適應(yīng)度，設(shè)置個(gè)體適應(yīng)度為[f=1ems]，高階神經(jīng)網(wǎng)絡(luò)的誤差平方和值越小，遺傳算法的個(gè)體適應(yīng)值越高，個(gè)體被選擇繁殖后代的概率越高[7]。遺傳學(xué)習(xí)算法誤差平方和的目標(biāo)值[εCA=0.000 3]。遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的功能結(jié)構(gòu)圖，如圖2所示。

遺傳算法的控制參數(shù)有種群規(guī)模N、交叉概率[Pc]、變異概率[Pm]。種群規(guī)模N的大小同匹配圖像特征數(shù)據(jù)量相關(guān)[8]，設(shè)置種群規(guī)模N=48。交叉概率選擇過低，將導(dǎo)致算法停滯，設(shè)置其值為0.9，變異概率為0.03。遺傳算法進(jìn)行編碼和適應(yīng)度函數(shù)塑造的過程為：

（1） 編碼。設(shè)置圖像是256級灰度圖像，候選值取值范圍為[0，255]，通過8位二進(jìn)制編碼描述各參數(shù)，將網(wǎng)絡(luò)權(quán)值和節(jié)點(diǎn)的閾值編成二進(jìn)制代碼，運(yùn)算適應(yīng)度過程中，將二進(jìn)制代碼譯成對應(yīng)在取值范圍內(nèi)的實(shí)際值[ωi，θ]。設(shè)置權(quán)值[w1]的取值區(qū)間為[[ωimin，ωimax]]。二進(jìn)制代碼對應(yīng)的無符號十進(jìn)制數(shù)是[u1]，編碼長度是1，則譯碼公式是：

（2） 選擇。為了確保搜索到的最優(yōu)個(gè)體不受選擇、交叉以及變異算子操作的干擾，將父代種群內(nèi)具有最高適應(yīng)度的0.1N個(gè)（10%）優(yōu)良個(gè)體傳遞到子代種群內(nèi)，當(dāng)成子代種群的個(gè)體，對父代種群內(nèi)其余的0.9N個(gè)（90%）個(gè)體實(shí)施交叉以及變異。隨機(jī)形成運(yùn)算種群，采用[50≤N≤100]。遺傳算法內(nèi)采用適應(yīng)度評價(jià)，分析種群內(nèi)各個(gè)體在優(yōu)化運(yùn)算中逼近最優(yōu)解的優(yōu)良性。設(shè)置如下的適應(yīng)度函數(shù)：

（3） 遺傳操作算子選擇、交叉以及變異。將2個(gè)父個(gè)體部分結(jié)構(gòu)進(jìn)行替換重組產(chǎn)生新個(gè)體，增強(qiáng)算法的檢索性能[9]。交叉概率和變異概率分別是[Pc]和[Pm]。將單極型的Sigmoid函數(shù)當(dāng)成激活函數(shù)。

（4） 終止規(guī)范。設(shè)置算法運(yùn)行到最高代數(shù)時(shí)終止運(yùn)算，此時(shí)擁有最大適應(yīng)度值的個(gè)體則是求解的參數(shù)值，直至誤差平方和e低于設(shè)置值[εCA]，則說明完成權(quán)值的運(yùn)算，基于獲取的權(quán)值、閾值輸出圖像目標(biāo)識(shí)別結(jié)果[10]，進(jìn)行后續(xù)高階神經(jīng)網(wǎng)絡(luò)的運(yùn)算。

遺傳算法以及神經(jīng)網(wǎng)絡(luò)通過多次循環(huán)運(yùn)算可獲取異常算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

2 實(shí)驗(yàn)分析

2.1 圖像的選擇

圖3是某海面石油泄漏事故發(fā)生后第8天拍攝的，深色區(qū)域是污染嚴(yán)重的區(qū)域，亮區(qū)域表示陸地，左面包圍溢油的暗區(qū)域表示海水，該溢油面從5月25日逐漸向南擴(kuò)散。采用人工判斷方法，從圖3中顯著發(fā)暗的范圍內(nèi)采集像素訓(xùn)練樣本當(dāng)成溢油目標(biāo)的訓(xùn)練樣本。從圖3中亮面區(qū)域中采集像素當(dāng)成樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

2.2 溢油目標(biāo)圖像識(shí)別結(jié)果

實(shí)驗(yàn)采用神經(jīng)網(wǎng)絡(luò)以及本文提出的遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)對實(shí)驗(yàn)海洋溢油圖像目標(biāo)進(jìn)行識(shí)別。先計(jì)算圖像的特征量，本文方法對海面溢油目標(biāo)圖像進(jìn)行識(shí)別時(shí)，采用神經(jīng)網(wǎng)絡(luò)對海面溢油圖像實(shí)施識(shí)別，對遙感圖像實(shí)施預(yù)操作，隨機(jī)選擇150×150像素的子區(qū)當(dāng)成檢測對象。神經(jīng)網(wǎng)絡(luò)和本文方法的識(shí)別結(jié)果如圖4所示。從中可以看出，本文提出的遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)對溢油圖像目標(biāo)的識(shí)別效果達(dá)到了預(yù)期水平，是一種有效的目標(biāo)識(shí)別方法。還可看出，相對于神經(jīng)網(wǎng)絡(luò)方法，本文方法能夠更準(zhǔn)確識(shí)別出溢油圖像目標(biāo)，尤其對右上方溢油擴(kuò)散的范圍中，能夠精確識(shí)別出海水和溢油的交接處。

由表1可得，相比神經(jīng)網(wǎng)絡(luò)，本文方法可通過更少的訓(xùn)練次數(shù)，獲取更高的訓(xùn)練樣本精度以及檢測樣本精度，具有較高的學(xué)習(xí)效率。并且本文方法也具有較高的圖像目標(biāo)識(shí)別分類效率。

3 結(jié) 論

為了提高圖像目標(biāo)識(shí)別精度，本文提出了基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的圖像目標(biāo)識(shí)別方法。實(shí)驗(yàn)結(jié)果表明，本文方法具有較佳的圖像目標(biāo)識(shí)別效果和識(shí)別效率。

參考文獻(xiàn)

[1] 劉浩然，趙翠香，李軒，等.一種基于改進(jìn)遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化算法研究[J].儀器儀表學(xué)報(bào)，2016，37（7）：1573?1580.

[2] 胥紅敏，郭湛，李曉宇，等.基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的道口事故預(yù)測[J].鐵路計(jì)算機(jī)應(yīng)用，2016，25（3）：8?11.

[3] 莫蓉，田國良，孫惠斌.基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)在粗糙度預(yù)測上的應(yīng)用[J].機(jī)械科學(xué)與技術(shù)，2015，34（5）：729?732.

[4] 蘇鑫，裴華健，吳迎亞，等.應(yīng)用經(jīng)遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測催化裂化裝置焦炭產(chǎn)率[J].化工進(jìn)展，2016，35（2）：389?396.

[5] 李強(qiáng)，劉堅(jiān)，李小穗，等.基于遺傳算法的神經(jīng)網(wǎng)絡(luò)模型在巖心掃描儀測定海洋沉積物多種組分中的應(yīng)用研究[J].巖礦測試，2016，35（5）：488?495.

[6] 曹慶才，高德欣，劉芳.基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的鍋爐燃燒優(yōu)化系統(tǒng)設(shè)計(jì)[J].自動(dòng)化技術(shù)與應(yīng)用，2016，35（6）：10?14.

[7] 高峰.基于群智能算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全事件分析[J].現(xiàn)代電子技術(shù)，2016，39（21）：123?126.

[8] 丁冬，楊成禹.基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)在長輸管道泄漏檢測系統(tǒng)中的應(yīng)用[J].長春理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，38（6）：136?139.

[9] 張文達(dá)，許悅雷，倪嘉成，等.基于多尺度分塊卷積神經(jīng)網(wǎng)絡(luò)的圖像目標(biāo)識(shí)別算法[J].計(jì)算機(jī)應(yīng)用，2016，36（4）：1033?1038.

[10] 湯佳，李春青.基于遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)在MBR膜污染仿真預(yù)測中的研究[J].軟件工程，2016，19（9）：11?13.