基于遺傳算法優(yōu)化支持向量機(jī)的圖像識別

郭文靜 田星

摘 要 為了獲得較高的分類準(zhǔn)確率，建立支持向量機(jī)模型，并采用遺傳算法自動選擇最優(yōu)核函數(shù)參數(shù)，提出基于遺傳算法優(yōu)化支持向量機(jī)的圖像識別方法。結(jié)果表明，該方法具有較優(yōu)的識別率，整體性能優(yōu)良。

【關(guān)鍵詞】遺傳算法 支持向量機(jī) 圖像識別

1 引言

在醫(yī)學(xué)中，獲得合格的X射線圖像的前提是獲得合適的曝光值，曝光不足或過度都會影響圖像質(zhì)量。X射線成像依賴于穿透人體的部分射線，由于個體組織結(jié)構(gòu)復(fù)雜性以及外在因素，導(dǎo)致選取合適的曝光值并不是容易的事，這樣就會影響X射線圖像的可用性。因此，準(zhǔn)確有效地識別曝光量有問題的圖片具有一定的研究意義，并對之后進(jìn)行圖像增強(qiáng)處理打好基礎(chǔ)。

2 相關(guān)概念

2.1 支持向量機(jī)

由于X射線圖像具有較強(qiáng)的非線性特性，維度較高，同時(shí)屬于小樣本學(xué)習(xí)問題，與傳統(tǒng)分類方法容易出現(xiàn)過學(xué)習(xí)現(xiàn)象相比，支持向量機(jī)在有限的樣本情況下具有很大優(yōu)勢，同時(shí)能在不增加計(jì)算量程度的基礎(chǔ)上通過選取合適的核函數(shù)，將非線性問題反映到高維空間中，最終找到一個實(shí)現(xiàn)分類的最優(yōu)分類超平面，得到高維線性決策函數(shù)，從而取代原函數(shù)，因此具有較強(qiáng)的推廣能力。

2.2 基于遺傳算法優(yōu)化SVM模型參數(shù)

將遺傳算法應(yīng)用到優(yōu)化SVM參數(shù)是，算法過程如下：

（1）對其所輸入的圖像X射線，進(jìn)行分析處理，建立測試樣本與學(xué)習(xí)樣本。

（2）定義進(jìn)化最大代數(shù)MAXGEN=100，生成種群最大數(shù)量為SIZEPOP=20，SVM CV參數(shù)為10，代溝GGAP=0.9，指父代中有90%的個體被復(fù)制到子代，參數(shù)C和g的變化范圍為[0，100]。

（3）所生成的染色體即為初始種群。

（4）解碼每個染色體計(jì)算適應(yīng)度值。

（5）根據(jù)適應(yīng)度值選擇并復(fù)制個體進(jìn)而產(chǎn)生新種群。

（6）進(jìn)行遺傳操作。

（7）判斷結(jié)果，滿足需求則進(jìn)行下一步（8）；判斷結(jié)果，不滿足需求返回步驟（4）。

（8）利用優(yōu)化的參數(shù)C和g建造新的SVM。

3 實(shí)驗(yàn)結(jié)果

3.1 圖像預(yù)處理

消除與算法無關(guān)的信息，并把源圖像二值化，設(shè)定閾值為0.4，如圖2所示。

截取最小區(qū)域圖像，并將其轉(zhuǎn)化成16x16標(biāo)準(zhǔn)化圖像。最后把這些16×16標(biāo)準(zhǔn)化圖像排成一個列向量，讓后轉(zhuǎn)置生成100個256的訓(xùn)練樣本矩陣。本文選取X射線圖像為測試樣本與訓(xùn)練樣本，其中，100幅訓(xùn)練樣本，分為曝光正確和曝光不正確的兩類，每類均有50幅，令另外的40幅作為測試樣本，每類分別20幅。

3.2 不同參數(shù)選擇方法的對比

本實(shí)驗(yàn)預(yù)先定義“曝光正確”圖像的標(biāo)簽是“1”。

“曝光不正確”圖像的標(biāo)簽是“2”進(jìn)行訓(xùn)練和測試。

圖3、4分別為參數(shù)粗略選擇結(jié)果圖和參數(shù)精確選擇結(jié)果圖；

圖3粗略得出圖格尋優(yōu)的選擇結(jié)果，C=0.082，g=0.027時(shí)對應(yīng)最佳準(zhǔn)確率，為99%；

圖4是在粗略選擇結(jié)果的基礎(chǔ)上將變化間隔縮小了一倍，進(jìn)一步得到精確化形象化的準(zhǔn)確率變化，得出取C=0.025，g=0.0625時(shí)對應(yīng)最佳準(zhǔn)確率，為99%。

圖5為測試集中時(shí)一個樣本的識別結(jié)果出現(xiàn)的偏差，將“2”預(yù)測成了“1”，測試集準(zhǔn)確率為97.5%。原因是實(shí)際圖像預(yù)測識別中，曝光不正確的圖像曝光程度，接近于曝光正確的圖像，所以混淆了SVM的識別，導(dǎo)致準(zhǔn)確率下降。

4 結(jié)束語

在網(wǎng)格尋優(yōu)法與遺傳算法對比之后，進(jìn)而提出基于遺傳算法優(yōu)化支持向量機(jī)的X射線圖像識別的方法，自動的選擇SVM參數(shù)，解決了對性能有非常重要影響的核函數(shù)的參數(shù)確定問題，取得了較好效果，具有一定的實(shí)用價(jià)值。

參考文獻(xiàn)

[1]張建華，朱春華.基于遺傳算法和支持向量機(jī)的儲糧害蟲圖像識別[J]，2010，38（17）：8833-8834.

[2]VAPNIK V. The nature of statistical learning[M].New York：Springer，1995.

[3]吳琳琳.基于SVM技術(shù)的手寫數(shù)字識別的研究[D].山東師范大學(xué)，2006.

作者簡介

郭文靜（1989-），女，山西省太原市人。碩士研究生學(xué)歷。助教。主要研究方向?yàn)槟Ｊ阶R別、超聲無損檢測。

作者單位

太原工業(yè)學(xué)院電子工程系 山西省太原市 030003