基于支持向量机参数优化的图像特征智能辨识

摘要：随着人工智能时代的到来，智能算法应具有较强的非线性映射能力、数据处理能力和泛化能力等。文章基于支持向量机（PSO）参数优化的算法实现图像特的智能辨识。首先，理论分析SVM分类过程，明确影响SVM分类性能的重要因素。其次，选择四种不同胃状的图像特征信息作为分类对象，对特征信息进行了预处理操作，消除了量纲及量级对分类效果的影响。最后，经过粒子群优化（PSO）算法实现SVM的参数寻优，建立优化模型，可视化分类结果。结果表明，PSO-SVM的分类准确率高达95%，说明基于PSO-SVM的人工智能技术可以提供一个方法来实现图像特征的智能辨识。

关键词：人工智能;支持向量机;粒子群优化;参数寻优;图像识别

中图分类号：TP393

文献标识码：A

文章编号：1009-3044（2020）04-0173-03

收稿日期：2019-10-15

作者简介：肖磊（1998—），男，江西南昌人，学士，本科在读，研究方向为人工智能与计算科学。

Intelligent Identification of Image Features Based on Support Vector Machine Parameter Optimization

XIAO Lei

（Hainan Normal University，School of Information Science and Technology，Hainan 570100，China）

Abstract：With the advent of the era of artificial intelligence，intelligent algorithms have a strong ability of non-linear mapping，data processing and generalization.In this paper，the intelligent recognition of image features was realized Based on the parameter optimization algorithm of support vector machine （SVM）.Firstly，the classification process of SVM was analyzed theoretically，and the important factors affecting the classification performance of SVM were clarified.Secondly，4 kinds of stomach-shaped image feature information were selected as the classification object，and the feature information were preprocessed to eliminate the influence of dimension and scale on the classification effect.Finally，the parameters of SVM were optimized by particle swarm optimization （PSO）algorithm，the optimization model was established and the classification results was visualized.The results show that the classification accuracy of PSO-SVM is as high as 95%，which indicates that PSO-SVM can provide a method to realize the intelligent identification of image features.

Key words：artificial intelligence;support vector machine;particle swarm optimization;parameter optimization;image recognition

随着人工智能的发展，图像分类成为近年来研究和应用的热点。图像处理技术最早来源于医疗方面，比如，可以通过图像观察病人体内各种病变的细胞，包括红细胞、白细胞、淋巴细胞、嗅球细胞、软组织、染色体等等[1]。还可以进行腦电图像的获取，心电图分析，B超孕期检查、肺部透析等等。图像经过特殊的技术手段获取之后，通过系列的处理手段进行传输、备案、分析，极大程度上提高了诊断质量[2]。数字处理技术可以帮助医生对患者的情况进行实时查询，不同的病变不同的结果都会通过图像进行展示，通过观察图像处理结果可以进行预先诊断。数字图形处理涉及的研究领域非常广泛比如说航空行天、科研人员利用数字图像处理技术实现了太空形态的拍摄和特征获取，对于探求其他星球表面的生物形态等等，这都减少了人工处理的难度，同时获得了有用信息，去除了冗余信息[3]。

图像处理过程需要经过特征数据的有效获取，数据的预处理，还有人工智能算法的高效嵌入，同时还要求处理图像的系统平台具有较高的运算能力。国内外科研人员为有效提高数字图像处理速度，主要展开了以下这几方面的研究：第一，为了充分的获取能代表整体图像的有用信息，采取系列的特征提取方法，对待识别的图像进行数字获取，这是非常重要的对于之后人工智能算法的有效识别。第二，开发高效处理数字图像的软件平台，针对待处理图像特向，运用不同的软件，处理想过和处理速度都是不同的，但是这样同时也会增加其软件开发难度。第三，开发高效的人工智能算法，根据检测图像的数据特点，采用不同的人工智能算法，可以大幅度提高图像的识别效率，也节约成本，这是目前广大科研人员专注的问题。

每种不同的胃状样本随机选择80组作为训练集，30组作为预测集。因此，训练集样本一共包含320组，预测集样本一共包含120组。首先根据2.1的数据预处理方法，消除24维图像特征中不同量纲和量级对分类性能的影响。选择PSO对影响SVM分类性能的两个重要参数进行优化选择。在迭代寻优的过程中，粒子之间彼此跟踪自己的历史最优准确率不断更新自己的搜索方向和速度，使粒子朝着最优的方向收敛。PSO算法的速度更新公式为：

式中，0（t）—粒子的速度;

—惯性权重;

qImr（t）—到t时刻时粒子的最优解;

q（t）—t时刻的交叉验证准确率;

pPour（t）—t时刻所有粒子全局最优解;

rand（）—[0，1]范围内的随机数;

c1，c2—学习因子，c=1.5，c2=1.7。

图2为PSO-SVM的参数寻优过程及分类结果图。图2（a）图可以看出当达到训练集5倍交叉验证准确率100%时，得到了最优参数c为12.0697，g为0.057983。图2（b）显示了最终的分类准确率为95%，有效实现图像特征信息的高精度智能识别。

3 结束语

文章基于PSP-SVM实现了四种不同胃状图像特征的智能辨识。首先对四种不同胃状图像提取了24维的颜色特征和纹理特征。其次，为了相处不同量纲和量级数据对分类性能的影响，对数据进行了归一化处理。最后，基于PSO算法优化影响SVM分类的重要参数，可视化参数寻优过程以及分类结果。结果表明，PSO-SVM对四种不同胃状特征数据的分类准确率高达95%，基于人工智能算法实现了胃状图像特征数据的智能辨识。

参考文献：

[1]尹聪，栾秋平，冯念伦.病变细胞显微图像分析与识别技术的研究[J].生物医学工程研究，2009，28（1）：35-38.

[2]金鑫.图像测量系统在心电图机检定中的运用[J].计量与测试技术，2018，45（6）：58-59，62.

[3]吴诗姻.遥感图像预处理与分析方法研究[D].南京：南京航空航天大学，2017.

[4]Suykens J A K，Vandewalle J.Least Squares Support Vector Machine Classifiers[J].Neural Processing Letters，2012，9（3）：.293-300.

[5]Lukas L，Suykens J，Vandewalle J.Least squares support vector machines classifiers ：a multi two-spiral benchmark problem[J].Proc of the Indonesian Student Scientific Meeting，2011，3（11）：289-292.

[6]Chang C C，Lin C J.Training v-support vector classifiers：theory and algorithms[J].Neural Computation，2001，13（9）：2119-2147.

[7]張文生，丁辉，王珏.基于邻域原理计算海量数据支持向量的研究[J].软件学报，2001，12（5）：711-720.

[8]汪西莉，焦李成.一种基于马氏距离的支持向量快速提取算法[J].西安电子科技大学学报，2004，31（4）：639-643.

[9]Cortes C，Vapnik V.Support-vector networks[J].Machine Learn-ing，1995，20（3）：273-297.

[10]Li Y，Zhang J，Li T，et al.Geographical traceability of wild Boletus edulis Based on data fusion of FT-MIR and ICP-AES coupled with data mining methods （SV M）[J].Spectrochimica ActaPart A：Molecular and Biomolecular Spectroscopy，2017，177：20-27.

[11]Maguire A，Vega-Carrascal I，Bryant J，et al.Competitive evaluation of data mining algorithms for use in classification of leukocyte subtypes with Raman microspectroscopy[J].The Analyst，2015，140（7）：2473-2481.

[12]Bergner N，Bocklitz T，Romeike B F M，et al.Identification of support vector machines[J].Chemometrics and Intelligent Laboratory Systems，2012，117：224-232.

[13]杨维，李歧强.粒子群优化算法综述[J].中国工程科学，2004，6（5）：87-94.

[通联编辑：唐一东]