遗传算法确定特征权重值的图像分类

唐彩红

摘  要： 针对多种特征权重值无法合理设置，得到的检索效果无法达到用户要求的问题，将多种特征融合在一起，对图像进行分类处理，可以弥补单一特征检索带来的局限性问题，并采用遗传算法对图像特征进行提取并进行优化，以获取最优的特征权重值，将获取的最优权重值用于图像检索与分类中。运用加权融合方法对图像的颜色、纹理等特征进行加权处理，可以有效实现多种特征融合的目的。通过实验证明，基于遗传算法确定特征权重值的图像检索与分类方法具有较强的学习效果，可以自动为特征权值进行赋值，大大提高了图像分类的简洁性，提升了图像检索的效果。

关键词： 遗传算法; 特征权重值; 图像分类; 卷积神经网络; 初始种群; 检索率

中图分类号： TN911.73?34                        文献标识码： A                       文章编号： 1004?373X（2020）03?0058?04

Image classification to determine feature weight values by genetic algorithm

TANG Caihong

（Qilu Medical University， Zibo 255300， China）

Abstract： In order to deal with the fact that it is difficult to set multiple feature weight values reasonably and the retrieval results fail to satisfy user′s requirements， multiple features are fused  to classify images， which can make up the limitation of single feature retrieval. The genetic algorithm is used to extract and optimize the image features to obtain the optimal feature weight values for image retrieval and classification. The image features like color and texture can be weighted by the weighted fusion method， which can effectively achieve the purpose of multi?feature fusion. The experiment results show that the method of image retrieval and classification to determine feature weight values by genetic algorithm has obvious learning effect and can automatically assign values to feature weight， which greatly improves the simplicity of image classification and the effect of image retrieval.

Keywords： genetic algorithm; feature weight value; image classification; convolutional neural network; initial population; retrieval ratio

0  引  言

信息的快速發展使图像数据呈井喷式发展，各大社交网站的推广应用，导致图像数量猛涨，造成存储管理困难。在海量的图像数据中所包含的信息更是千丝万缕。因此，图像分类成为了研究的重点内容。在图像分类中对图像的特征进行提取，将多种相同特征的图像提取完成后进行分类，传统的图像特征提取方法主要针对特定的图像数据，虽然能够完成基本的图像特征提取，但是无法更深层次的理解图像中所包含的信息，所得到的图像分类准确性较低。因此，如何提取图像中所包含的更深层次的信息成为研究的重点。卷积神经网络在图像分类处理上能够达到较高的分类精度，受到了专家学者的广泛关注，但是由于卷积神经网络的收敛速度较慢，提高收敛速度是重点。针对该问题，引入遗传算法，利用遗传算法的全局搜索能力，寻找最优权重值，以更快地提升图像的分类性能。

1  基于遗传算法的多特征图像检索技术

1.1  提取颜色和纹理特征

针对基于内容的图像检索，颜色空间的选择非常重要，影响最终的检索效果。在HSV空间中提取图像特征可以得到一个有效的非线性变换，适合人眼视觉感知距离。颜色直方图计算图像的颜色特征，简单快捷、不易变形[1]，可以对图像中的颜色分布进行细致描述，在直方图的基础上进行颜色特征检索。采用颜色直方图计算图像的颜色特征，可能会失去一些空间信息，但是在纹理特征中却能够得到空间特征的融合，借助邻域矩统计共生矩阵方法，完成空间特征的融合。

提取图像特征的方法为：转化彩色图像时，需要先从RGB颜色空间开始进行转化，将其转化为HSV空间，继而对HSV空间图像进行量化，并获取量化后的图像颜色直方图，将其作为颜色特征进行保存;然后从HSV空间中，利用邻域统计矩共生矩阵的方法获取纹理特征，并结合HSV的颜色和纹理特征进行图像检索。

1.1.1   提取颜色特征

在对图像颜色特征进行计算时，要想获得更好的结果，可以利用真彩色进行计算。但是这种方式会增加计算量，占据大量的存储空间。因此，需要对颜色空间进行量化处理，将较高的颜色进行标注，可以提高检索的效率，然后根据不同的色彩范围对图像进行量化处理。本研究采用非均匀量化的方式，在HSV空间中，根据人眼对颜色的主观感知特性，可以得到量化方法[2]，即：

为了可以获取更好的像素值，需要转化视觉特征分量，以降低饱和度和亮度带来的干扰，赋予不同的权重值[H]=9，[S]=3，[V]=1。

量化后的HSV空間颜色有72种，利用颜色直方图作为图像的颜色特征，得到如图1所示的图像[3]。

1.1.2  提取纹理特征

采用邻域统计矩共生矩阵对图像进行纹理提取，得到能量、对比度分量。图2为HSV分量图像纹理提取图，图2a）为原始图像，图2b）为[H]，[S]，[V]分量图像。

1.2  特征权值的优化调整

1.2.1  特征权值分析

当对图像进行检索时，不同特征所表示的意义与取值范围不同，为了保证各个特征的比重同步，需要对图像的各个特征进行归一化处理[4]。对提取图像的颜色和纹理等特征进行归一化处理，颜色和纹理分别用C，T表示，对图像的颜色和纹理特征进行提取和组合，得到最终的特征向量，即：

式中：[Q]表示示例图像;[P]表示目标图像;[n]表示特征个数;[wi]表示权值。

选择不同特征的权值时，需要对每一种特征赋予同等的权值。对于自然图像而言，所包含的特性重要性不足，对图像检索的结果影响较大;在选择特征权重时，可以对特征权重进行赋值，即使维数降低也不会完全被摒弃;人为设置权重值时，需要反复进行算法测试，以取得精确的检索结果，找出最优的权重值，这种方式所消耗的人力和物力巨大。为此，本文提出基于遗传算法对权重值进行调整，从而获取图像的分类信息，利用遗传算法找出最优权重值。

1.2.2  特征权值问题的转化

2  基于遗传算法确定特征权重值的最优解

2.1   遗传算法

遗传算法模拟生物进化过程，以随机、自适应的方式寻找最优解，在处理复杂数据方面颇有造诣。遗传算法通常被定义为：

式中：[C]表示染色体编码;[E]表示评价函数;[P0]表示初始化种群;[M]表示种群大小;[Φ，Γ，ψ，Τ]表示选择、交叉、变异、终止。

2.2  算法步骤

1） 随机选择初始化种群;

2） 计算个体的适应度值;

3） 判断终止化的条件;

4） 选择父个体;

5） 生成新个体;

6） 通过交叉、变异产生新的种群，返回，反复执行上述步骤[6]。

3  基于遗传算法和卷积神经网络的图像分类算法

3.1  卷积神经网络

利用遗传算法训练卷积神经网络权重，并在遗传算法的协助下找出最优权重，以解决卷积神经网络在进行图像分类过程中收敛速度过慢的问题，提高图像分类的性能。

卷积神经网络如图3所示。

LRN层可以提高网络的分类精度，ReLU表示激活函数。

3.2  权重调整策略

卷积神经网络是正向传播，卷积神经网络权重是反向传播，因此，需要进行权重调整策略分析。在遗传算法的基础上，对网络权重进行初始化，对初始化的网络权重进行编码，生成种群，对种群进行一系列的选择、交叉、变异等操作，最后进行解码，生成新的权重。

训练卷积神经网络就是进行权重更新的过程，将初始化生成的权重放入卷积神经网络中进行二次计算，得到网络数据后进行传播，在传播的过程中，利用梯度下降法进行权重更新，更新完成之后，对更新后的权重进行编码并生成种群，最后完成一系列的遗传操作。不断重复以上步骤，直至训练结束[7]。

3.3  更新网络权重

在卷积神经网络中，网络权重都是自最后一层开始进行后向传播的，采用后向传播的方式进行网络权重更新，采用梯度下降法计算当前层的网络权重，再根据遗传算法的特有方式进行权重优化，将优化后的网络权重作为当前层继续进行反向传播。一直重复该步骤直到训练结束。权重更新公式为：

式中：[W]表示权重;[b]表示偏置;[θ]表示参数;[n]表示训练集大小;[k]表示当前层。

3.4  优化网络权重

利用遗传算法对网络权重进行优化，操作方法为：

1） 初始化染色体种群

利用二进制编码得到染色体种群，表示初始解，在初始种群中创建染色体数量，创建完成后对其进行评估，确定权重与最优解的接近程度。初始种群生成步骤如图4所示。

初始种群生成后进行一系列的遗传操作，得到最优初始种群，将不再对后期权重更新，不再进行初始化[8]。

2） 染色体编码

在优化权重的过程中，不可直接使用遗传算法进行优化，需要先对网络权重进行二进制编码，即[L=h*i+h*j+j]，[h]表示隐层，[i，j]表示输入层与输出层。

3） 选择

在遗传算法中，迭代结束后都会形成一个新的种群。从当前种群中随机选择一组个体，构成一个相互竞争的关系，采用锦标赛选择模式，防止最优个体支配种群。

4） 交叉

采用遗传算法在更新网络权重过程中会产生一个新的个体，产生的个体就是交叉算子。交叉率影响遗传算法优化的性能。每当执行完交叉算子后，都需要采用局部交叉算子进行二次优化。

5） 变异

在遗传操作过程中，每执行一个变异算子，都会获取父代，生成后代1，在后代1中应用变异算子，生成后代2，比较后代1、后代2。

6） 适应度评价

适应度函数表示当前染色体的性能好坏，决定了卷积神经网络是否能够找到最优解，在遗传算法中，将卷积神经网络中的各层数据之间的误差作为适应度函数，表示为：

式中：[k]表示系数;[n]表示神经元个数;[yi]，[oi]表示期望输出与实际输出。

4  实验结果与分析

为了验证本文算法性能，从HSV空间中的[V]分量提取图像纹理，并判断提取的有效性，需要先提取纹理特征再进行检索。将彩色图像转化为灰色图像，从灰色图像中提取纹理特征。对转化后的HSV空间进行纹理特征提取，对提取的精确度与检索率进行评价，对图像库中的图像进行检索和分类处理，随机选取30幅图像进行检索，分别采用GLCM（灰度共生矩阵）、MLCM（邻域统计矩共生矩阵）进行检索，并进行结果对比，如图5所示。

结果表明，[V]分量图像可以完全代表原图像进行纹理特征提取，分别采用两种不同的算法对图像进行纹理特征提取，结果证明采用MLCM（邻域统计矩共生矩阵）算法得到的图像检索效果更好。

利用遗传算法确定特征权重值，并进行图像分类。为了验证遗传算法獲取特征权重值的有效性，与其他特征权重方法进行对比，比较结果如图6所示。

图7列举出了采用遗传算法确定特征权重值返回的图像分类结果，可以看出采用遗传算法获取的检索效果比其他算法更好。

5  结  语

互联网的迅速发展产生了丰富的图像资源，如何合理利用这些海量图像信息是研究的重点。为了更加方便快捷地从海量图像信息中找到有用的资源，提高图像检索与图像分类的能力，提出一种基于遗传算法的图像特征提取与描述方法。利用图像邻域灰度的统计矩表述图像数据的变化规律，增强纹理特征的提取效果，提高检索能力。在进行图像特征融合检索时，为了使图像的检索效果达到最佳，需要转化特征权重的设定问题，利用遗传算法获取最优权重值，实现图像的检索效率与分类效果。卷积神经网络在进行图像分类时的收敛速度较慢，需要借助遗传算法提高卷积神经网络的图像分类速率，对卷积神经网络的权重策略进行更新与优化，以提高分类精度。

参考文献

[1] ZHOU X， GAO X， WANG J， et al. Eye tracking data guided feature selection for image classification [J]. Pattern recognition， 2016， 63： 56?70.

[2] 吕卫，邓为贤，褚晶辉，等.采用S变换特征选择方法的心律失常分类[J].数据采集与处理，2018，33（2）：306?316.

[3] WANG Y， ZHUO T， ZHANG Y， et al. Hierarchical polarimetric SAR image classification based on feature selection and Genetic algorithm [C]// 2014 12th International Conference on Signal Processing （ICSP）. Hangzhou， China： IEEE， 2014： 764?768.

[4] 李隽，王伟.遗传算法优化神经网络在图像目标识别中的应用研究[J].现代电子技术，2017，40（20）：111?113.

[5] WANG Y， SONG B， ZHANG P， et al. A fast feature fusion algorithm in image classification for cyber physical systems [J]. IEEE access， 2017， 5： 9089?9098.

[6] 王东霞，周观民.遗传算法优化特征权值的支持向量机图像分类[J].电视技术，2015，39（2）：75?79.

[7] 张栋冰.一种基于遗传算法的特征选择和权重确定方法[J].怀化学院学报，2015，34（5）：59?62.

[8] 杨剑，宋超峰，宋文爱，等.基于遗传算法的模糊RBF神经网络对遥感图像分类[J].小型微型计算机系统，2018（3）：621?624.