遺傳算法優化神經網絡在圖像目標識別中的應用研究

李雋　王偉

摘 要： 針對傳統的目標識別方法存在易陷入局部最佳值和識別精度低的問題。提出基于遺傳算法優化神經網絡的圖像目標識別方法，通過灰度共生矩陣運算出圖像的紋理特征值，并融合像素灰度值構成分類圖像的特征矢量，將特征矢量輸入到神經網絡中實施訓練。神經網絡先采用遺傳算法獲取最佳檢索范圍，再通過高階神經網絡實施尋優運算，獲取最佳的圖像目標識別結果。實驗結果說明，所提方法在圖像目標識別精度和效率方面具有較高的優越性。

關鍵詞： 遺傳算法； 特征矢量構成； 神經網絡； 圖像目標識別

中圖分類號： TN711?34； TP391 文獻標識碼： 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

隨著當前圖像處理技術的快速發展，遠距離遙控圖像的目標識別技術日益受到人們的關注，該技術在探測、工業以及軍事領域具有重要應用價值[1]。神經網絡的分類方法被廣泛應用在圖像目標識別中，但該方法存在易陷入局部最佳解和識別效率低等問題[2]。研究出更為精確的圖像目標識別方法，成為相關人員分析的重點。本文提出基于遺傳算法優化神經網絡的圖像目標識別方法，實驗結果說明，該方法具有較高的識別效率和精度。

1 圖像目標識別方法

神經網絡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律的并行全局搜索算法，具有很強的宏觀搜索能力[3]。先采用遺傳算法完成前期的搜索，避免神經網絡出現陷入局部最佳解的問題。因此，進行圖像目標識別過程中，先采用遺傳算法對圖像實施全局尋優，縮小圖像目標搜索空間[4]，再通過高階神經網絡完成圖像目標的精確識別。

1.1 圖像目標分類識別方法結構模型

圖像目標分類識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、局部平穩以及非相似性4個特征，同像素的灰度值組成5維矢量，并將該5維矢量當成神經網絡的輸入。采用大窗口運算圖像紋理特征，獲取更為精確的局部信息，大窗口會使得圖像的差異紋理特征呈現一致性，導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行運算，采集分類圖像。設置圖像采用15×15大小的移動窗口，選擇不同距離以[d（d=1，d=2，d=3）]及不同方向[θ（0°，45°，90°，135°）]實施目標識別，當d=2時，水平方向也就是[0°]時的效果最佳。當灰度級L為16時，對圖像目標識別不產生干擾。基于運算圖像紋理特征的各參數，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區域，設置目標區域的大小為90×90像素，在典型目標區域的圖像中變換15×15的移動窗口，運算出紋理特征值，并將該值賦給中心像元，融合4個特征值以及中心像元的灰度值構成5維特征矢量。活動窗口的水平以及垂直移動次數為6，各典型區域是35組數據，2類物質共70組數據構成70×5維矩陣，將該矩陣當成神經網絡的輸入。

1.3 識別圖像目標的遺傳優化神經網絡

對圖像目標進行識別的過程中，需要采集圖像邊緣，應對實時采集圖像的高效率采集閾值實施合理設置[6]。采用通過預操作的圖像樣本對神經網絡實施訓練，將圖像邊緣特征向量當成神經網絡的輸入，按照神經網絡輸出值分析是否是圖像邊緣點。

個體適應度決定了遺傳算法對高階神經網絡的訓練效率，本文將高階神經網絡誤差平方和當成遺傳算法的個體適應度，設置個體適應度為[f=1ems]，高階神經網絡的誤差平方和值越小，遺傳算法的個體適應值越高，個體被選擇繁殖后代的概率越高[7]。遺傳學習算法誤差平方和的目標值[εCA=0.000 3]。遺傳算法優化神經網絡模型的功能結構圖，如圖2所示。

遺傳算法的控制參數有種群規模N、交叉概率[Pc]、變異概率[Pm]。種群規模N的大小同匹配圖像特征數據量相關[8]，設置種群規模N=48。交叉概率選擇過低，將導致算法停滯，設置其值為0.9，變異概率為0.03。遺傳算法進行編碼和適應度函數塑造的過程為：

（1） 編碼。設置圖像是256級灰度圖像，候選值取值范圍為[0，255]，通過8位二進制編碼描述各參數，將網絡權值和節點的閾值編成二進制代碼，運算適應度過程中，將二進制代碼譯成對應在取值范圍內的實際值[ωi，θ]。設置權值[w1]的取值區間為[[ωimin，ωimax]]。二進制代碼對應的無符號十進制數是[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個體不受選擇、交叉以及變異算子操作的干擾，將父代種群內具有最高適應度的0.1N個（10%）優良個體傳遞到子代種群內，當成子代種群的個體，對父代種群內其余的0.9N個（90%）個體實施交叉以及變異。隨機形成運算種群，采用[50≤N≤100]。遺傳算法內采用適應度評價，分析種群內各個體在優化運算中逼近最優解的優良性。設置如下的適應度函數：

（3） 遺傳操作算子選擇、交叉以及變異。將2個父個體部分結構進行替換重組產生新個體，增強算法的檢索性能[9]。交叉概率和變異概率分別是[Pc]和[Pm]。將單極型的Sigmoid函數當成激活函數。

（4） 終止規范。設置算法運行到最高代數時終止運算，此時擁有最大適應度值的個體則是求解的參數值，直至誤差平方和e低于設置值[εCA]，則說明完成權值的運算，基于獲取的權值、閾值輸出圖像目標識別結果[10]，進行后續高階神經網絡的運算。

遺傳算法以及神經網絡通過多次循環運算可獲取異常算法優化神經網絡結構。

2 實驗分析

2.1 圖像的選擇

圖3是某海面石油泄漏事故發生后第8天拍攝的，深色區域是污染嚴重的區域，亮區域表示陸地，左面包圍溢油的暗區域表示海水，該溢油面從5月25日逐漸向南擴散。采用人工判斷方法，從圖3中顯著發暗的范圍內采集像素訓練樣本當成溢油目標的訓練樣本。從圖3中亮面區域中采集像素當成樣本訓練神經網絡。

2.2 溢油目標圖像識別結果

實驗采用神經網絡以及本文提出的遺傳算法優化神經網絡對實驗海洋溢油圖像目標進行識別。先計算圖像的特征量，本文方法對海面溢油目標圖像進行識別時，采用神經網絡對海面溢油圖像實施識別，對遙感圖像實施預操作，隨機選擇150×150像素的子區當成檢測對象。神經網絡和本文方法的識別結果如圖4所示。從中可以看出，本文提出的遺傳算法優化神經網絡對溢油圖像目標的識別效果達到了預期水平，是一種有效的目標識別方法。還可看出，相對于神經網絡方法，本文方法能夠更準確識別出溢油圖像目標，尤其對右上方溢油擴散的范圍中，能夠精確識別出海水和溢油的交接處。

由表1可得，相比神經網絡，本文方法可通過更少的訓練次數，獲取更高的訓練樣本精度以及檢測樣本精度，具有較高的學習效率。并且本文方法也具有較高的圖像目標識別分類效率。

3 結 論

為了提高圖像目標識別精度，本文提出了基于遺傳算法優化神經網絡的圖像目標識別方法。實驗結果表明，本文方法具有較佳的圖像目標識別效果和識別效率。

參考文獻

[1] 劉浩然，趙翠香，李軒，等.一種基于改進遺傳算法的神經網絡優化算法研究[J].儀器儀表學報，2016，37（7）：1573?1580.

[2] 胥紅敏，郭湛，李曉宇，等.基于遺傳算法優化神經網絡的道口事故預測[J].鐵路計算機應用，2016，25（3）：8?11.

[3] 莫蓉，田國良，孫惠斌.基于遺傳算法優化的神經網絡在粗糙度預測上的應用[J].機械科學與技術，2015，34（5）：729?732.

[4] 蘇鑫，裴華健，吳迎亞，等.應用經遺傳算法優化的神經網絡預測催化裂化裝置焦炭產率[J].化工進展，2016，35（2）：389?396.

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

[6] 曹慶才，高德欣，劉芳.基于神經網絡與遺傳算法的鍋爐燃燒優化系統設計[J].自動化技術與應用，2016，35（6）：10?14.

[7] 高峰.基于群智能算法優化神經網絡的網絡安全事件分析[J].現代電子技術，2016，39（21）：123?126.

[8] 丁冬，楊成禹.基于遺傳算法優化的神經網絡在長輸管道泄漏檢測系統中的應用[J].長春理工大學學報（自然科學版），2015，38（6）：136?139.

[9] 張文達，許悅雷，倪嘉成，等.基于多尺度分塊卷積神經網絡的圖像目標識別算法[J].計算機應用，2016，36（4）：1033?1038.

[10] 湯佳，李春青.基于遺傳算法優化的RBF神經網絡在MBR膜污染仿真預測中的研究[J].軟件工程，2016，19（9）：11?13.