遗传算法优化神经网络在图像目标识别中的应用研究

李隽　王伟

摘 要： 针对传统的目标识别方法存在易陷入局部最佳值和识别精度低的问题。提出基于遗传算法优化神经网络的图像目标识别方法，通过灰度共生矩阵运算出图像的纹理特征值，并融合像素灰度值构成分类图像的特征矢量，将特征矢量输入到神经网络中实施训练。神经网络先采用遗传算法获取最佳检索范围，再通过高阶神经网络实施寻优运算，获取最佳的图像目标识别结果。实验结果说明，所提方法在图像目标识别精度和效率方面具有较高的优越性。

关键词： 遗传算法； 特征矢量构成； 神经网络； 图像目标识别

中图分类号： TN711?34； TP391 文献标识码： A 文章编号： 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

随着当前图像处理技术的快速发展，远距离遥控图像的目标识别技术日益受到人们的关注，该技术在探测、工业以及军事领域具有重要应用价值[1]。神经网络的分类方法被广泛应用在图像目标识别中，但该方法存在易陷入局部最佳解和识别效率低等问题[2]。研究出更为精确的图像目标识别方法，成为相关人员分析的重点。本文提出基于遗传算法优化神经网络的图像目标识别方法，实验结果说明，该方法具有较高的识别效率和精度。

1 图像目标识别方法

神经网络算法容易陷入局部最佳值问题，遗传算法是基于自然选择和遗传规律的并行全局搜索算法，具有很强的宏观搜索能力[3]。先采用遗传算法完成前期的搜索，避免神经网络出现陷入局部最佳解的问题。因此，进行图像目标识别过程中，先采用遗传算法对图像实施全局寻优，缩小图像目标搜索空间[4]，再通过高阶神经网络完成图像目标的精确识别。

1.1 图像目标分类识别方法结构模型

图像目标分类识别过程由图像特征采集和图像分类两部分组成，其模型图如图1所示。

1.2 采集图像特征值

采用图像纹理中的熵、角二阶矩、局部平稳以及非相似性4个特征，同像素的灰度值组成5维矢量，并将该5维矢量当成神经网络的输入。采用大窗口运算图像纹理特征，获取更为精确的局部信息，大窗口会使得图像的差异纹理特征呈现一致性，导致分割窗口在图像边缘位置的精确度减弱[5]。本文采用不同的窗口大小，不同的灰度级和方向以及距离对相同图像进行运算，采集分类图像。设置图像采用15×15大小的移动窗口，选择不同距离以[d（d=1，d=2，d=3）]及不同方向[θ（0°，45°，90°，135°）]实施目标识别，当d=2时，水平方向也就是[0°]时的效果最佳。当灰度级L为16时，对图像目标识别不产生干扰。基于运算图像纹理特征的各参数，采用灰度共生矩阵方法获取图像的纹理特征值。在图像中采集典型目标区域，设置目标区域的大小为90×90像素，在典型目标区域的图像中变换15×15的移动窗口，运算出纹理特征值，并将该值赋给中心像元，融合4个特征值以及中心像元的灰度值构成5维特征矢量。活动窗口的水平以及垂直移动次数为6，各典型区域是35组数据，2类物质共70组数据构成70×5维矩阵，将该矩阵当成神经网络的输入。

1.3 识别图像目标的遗传优化神经网络

对图像目标进行识别的过程中，需要采集图像边缘，应对实时采集图像的高效率采集阈值实施合理设置[6]。采用通过预操作的图像样本对神经网络实施训练，将图像边缘特征向量当成神经网络的输入，按照神经网络输出值分析是否是图像边缘点。

个体适应度决定了遗传算法对高阶神经网络的训练效率，本文将高阶神经网络误差平方和当成遗传算法的个体适应度，设置个体适应度为[f=1ems]，高阶神经网络的误差平方和值越小，遗传算法的个体适应值越高，个体被选择繁殖后代的概率越高[7]。遗传学习算法误差平方和的目标值[εCA=0.000 3]。遗传算法优化神经网络模型的功能结构图，如图2所示。

遗传算法的控制参数有种群规模N、交叉概率[Pc]、变异概率[Pm]。種群规模N的大小同匹配图像特征数据量相关[8]，设置种群规模N=48。交叉概率选择过低，将导致算法停滞，设置其值为0.9，变异概率为0.03。遗传算法进行编码和适应度函数塑造的过程为：

（1） 编码。设置图像是256级灰度图像，候选值取值范围为[0，255]，通过8位二进制编码描述各参数，将网络权值和节点的阈值编成二进制代码，运算适应度过程中，将二进制代码译成对应在取值范围内的实际值[ωi，θ]。设置权值[w1]的取值区间为[[ωimin，ωimax]]。二进制代码对应的无符号十进制数是[u1]，编码长度是1，则译码公式是：

（2） 选择。为了确保搜索到的最优个体不受选择、交叉以及变异算子操作的干扰，将父代种群内具有最高适应度的0.1N个（10%）优良个体传递到子代种群内，当成子代种群的个体，对父代种群内其余的0.9N个（90%）个体实施交叉以及变异。随机形成运算种群，采用[50≤N≤100]。遗传算法内采用适应度评价，分析种群内各个体在优化运算中逼近最优解的优良性。设置如下的适应度函数：

（3） 遗传操作算子选择、交叉以及变异。将2个父个体部分结构进行替换重组产生新个体，增强算法的检索性能[9]。交叉概率和变异概率分别是[Pc]和[Pm]。将单极型的Sigmoid函数当成激活函数。

（4） 终止规范。设置算法运行到最高代数时终止运算，此时拥有最大适应度值的个体则是求解的参数值，直至误差平方和e低于设置值[εCA]，则说明完成权值的运算，基于获取的权值、阈值输出图像目标识别结果[10]，进行后续高阶神经网络的运算。

遗传算法以及神经网络通过多次循环运算可获取异常算法优化神经网络结构。

2 实验分析

2.1 图像的选择

图3是某海面石油泄漏事故发生后第8天拍摄的，深色区域是污染严重的区域，亮区域表示陆地，左面包围溢油的暗区域表示海水，该溢油面从5月25日逐渐向南扩散。采用人工判断方法，从图3中显著发暗的范围内采集像素训练样本当成溢油目标的训练样本。从图3中亮面区域中采集像素当成样本训练神经网络。

2.2 溢油目标图像识别结果

实验采用神经网络以及本文提出的遗传算法优化神经网络对实验海洋溢油图像目标进行识别。先计算图像的特征量，本文方法对海面溢油目标图像进行识别时，采用神经网络对海面溢油图像实施识别，对遥感图像实施预操作，随机选择150×150像素的子区当成检测对象。神经网络和本文方法的识别结果如图4所示。从中可以看出，本文提出的遗传算法优化神经网络对溢油图像目标的识别效果达到了预期水平，是一种有效的目标识别方法。还可看出，相对于神经网络方法，本文方法能够更准确识别出溢油图像目标，尤其对右上方溢油扩散的范围中，能够精确识别出海水和溢油的交接处。

由表1可得，相比神经网络，本文方法可通过更少的训练次数，获取更高的训练样本精度以及检测样本精度，具有较高的学习效率。并且本文方法也具有较高的图像目标识别分类效率。

3 结 论

为了提高图像目标识别精度，本文提出了基于遗传算法优化神经网络的图像目标识别方法。实验结果表明，本文方法具有较佳的图像目标识别效果和识别效率。

参考文献

[1] 刘浩然，赵翠香，李轩，等.一种基于改进遗传算法的神经网络优化算法研究[J].仪器仪表学报，2016，37（7）：1573?1580.

[2] 胥红敏，郭湛，李晓宇，等.基于遗传算法优化神经网络的道口事故预测[J].铁路计算机应用，2016，25（3）：8?11.

[3] 莫蓉，田国良，孙惠斌.基于遗传算法优化的神经网络在粗糙度预测上的应用[J].机械科学与技术，2015，34（5）：729?732.

[4] 苏鑫，裴华健，吴迎亚，等.应用经遗传算法优化的神经网络预测催化裂化装置焦炭产率[J].化工进展，2016，35（2）：389?396.

[5] 李强，刘坚，李小穗，等.基于遗传算法的神经网络模型在岩心扫描仪测定海洋沉积物多种组分中的应用研究[J].岩矿测试，2016，35（5）：488?495.

[6] 曹庆才，高德欣，刘芳.基于神经网络与遗传算法的锅炉燃烧优化系统设计[J].自动化技术与应用，2016，35（6）：10?14.

[7] 高峰.基于群智能算法优化神经网络的网络安全事件分析[J].现代电子技术，2016，39（21）：123?126.

[8] 丁冬，杨成禹.基于遗传算法优化的神经网络在长输管道泄漏检测系统中的应用[J].长春理工大学学报（自然科学版），2015，38（6）：136?139.

[9] 张文达，许悦雷，倪嘉成，等.基于多尺度分块卷积神经网络的图像目标识别算法[J].计算机应用，2016，36（4）：1033?1038.

[10] 汤佳，李春青.基于遗传算法优化的RBF神经网络在MBR膜污染仿真预测中的研究[J].软件工程，2016，19（9）：11?13.