基于支持向量機參數優化的圖像特征智能辨識

摘要：隨著人工智能時代的到來，智能算法應具有較強的非線性映射能力、數據處理能力和泛化能力等。文章基于支持向量機（PSO）參數優化的算法實現圖像特的智能辨識。首先，理論分析SVM分類過程，明確影響SVM分類性能的重要因素。其次，選擇四種不同胃狀的圖像特征信息作為分類對象，對特征信息進行了預處理操作，消除了量綱及量級對分類效果的影響。最后，經過粒子群優化（PSO）算法實現SVM的參數尋優，建立優化模型，可視化分類結果。結果表明，PSO-SVM的分類準確率高達95%，說明基于PSO-SVM的人工智能技術可以提供一個方法來實現圖像特征的智能辨識。

關鍵詞：人工智能;支持向量機;粒子群優化;參數尋優;圖像識別

中圖分類號：TP393

文獻標識碼：A

文章編號：1009-3044（2020）04-0173-03

收稿日期：2019-10-15

作者簡介：肖磊（1998—），男，江西南昌人，學士，本科在讀，研究方向為人工智能與計算科學。

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

隨著人工智能的發展，圖像分類成為近年來研究和應用的熱點。圖像處理技術最早來源于醫療方面，比如，可以通過圖像觀察病人體內各種病變的細胞，包括紅細胞、白細胞、淋巴細胞、嗅球細胞、軟組織、染色體等等[1]。還可以進行腦電圖像的獲取，心電圖分析，B超孕期檢查、肺部透析等等。圖像經過特殊的技術手段獲取之后，通過系列的處理手段進行傳輸、備案、分析，極大程度上提高了診斷質量[2]。數字處理技術可以幫助醫生對患者的情況進行實時查詢，不同的病變不同的結果都會通過圖像進行展示，通過觀察圖像處理結果可以進行預先診斷。數字圖形處理涉及的研究領域非常廣泛比如說航空行天、科研人員利用數字圖像處理技術實現了太空形態的拍攝和特征獲取，對于探求其他星球表面的生物形態等等，這都減少了人工處理的難度，同時獲得了有用信息，去除了冗余信息[3]。

圖像處理過程需要經過特征數據的有效獲取，數據的預處理，還有人工智能算法的高效嵌入，同時還要求處理圖像的系統平臺具有較高的運算能力。國內外科研人員為有效提高數字圖像處理速度，主要展開了以下這幾方面的研究：第一，為了充分的獲取能代表整體圖像的有用信息，采取系列的特征提取方法，對待識別的圖像進行數字獲取，這是非常重要的對于之后人工智能算法的有效識別。第二，開發高效處理數字圖像的軟件平臺，針對待處理圖像特向，運用不同的軟件，處理想過和處理速度都是不同的，但是這樣同時也會增加其軟件開發難度。第三，開發高效的人工智能算法，根據檢測圖像的數據特點，采用不同的人工智能算法，可以大幅度提高圖像的識別效率，也節約成本，這是目前廣大科研人員專注的問題。

每種不同的胃狀樣本隨機選擇80組作為訓練集，30組作為預測集。因此，訓練集樣本一共包含320組，預測集樣本一共包含120組。首先根據2.1的數據預處理方法，消除24維圖像特征中不同量綱和量級對分類性能的影響。選擇PSO對影響SVM分類性能的兩個重要參數進行優化選擇。在迭代尋優的過程中，粒子之間彼此跟蹤自己的歷史最優準確率不斷更新自己的搜索方向和速度，使粒子朝著最優的方向收斂。PSO算法的速度更新公式為：

式中，0（t）—粒子的速度;

—慣性權重;

qImr（t）—到t時刻時粒子的最優解;

q（t）—t時刻的交叉驗證準確率;

pPour（t）—t時刻所有粒子全局最優解;

rand（）—[0，1]范圍內的隨機數;

c1，c2—學習因子，c=1.5，c2=1.7。

圖2為PSO-SVM的參數尋優過程及分類結果圖。圖2（a）圖可以看出當達到訓練集5倍交叉驗證準確率100%時，得到了最優參數c為12.0697，g為0.057983。圖2（b）顯示了最終的分類準確率為95%，有效實現圖像特征信息的高精度智能識別。

3 結束語

文章基于PSP-SVM實現了四種不同胃狀圖像特征的智能辨識。首先對四種不同胃狀圖像提取了24維的顏色特征和紋理特征。其次，為了相處不同量綱和量級數據對分類性能的影響，對數據進行了歸一化處理。最后，基于PSO算法優化影響SVM分類的重要參數，可視化參數尋優過程以及分類結果。結果表明，PSO-SVM對四種不同胃狀特征數據的分類準確率高達95%，基于人工智能算法實現了胃狀圖像特征數據的智能辨識。

參考文獻：

[1]尹聰，欒秋平，馮念倫.病變細胞顯微圖像分析與識別技術的研究[J].生物醫學工程研究，2009，28（1）：35-38.

[2]金鑫.圖像測量系統在心電圖機檢定中的運用[J].計量與測試技術，2018，45（6）：58-59，62.

[3]吳詩姻.遙感圖像預處理與分析方法研究[D].南京：南京航空航天大學，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，丁輝，王玨.基于鄰域原理計算海量數據支持向量的研究[J].軟件學報，2001，12（5）：711-720.

[8]汪西莉，焦李成.一種基于馬氏距離的支持向量快速提取算法[J].西安電子科技大學學報，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]楊維，李歧強.粒子群優化算法綜述[J].中國工程科學，2004，6（5）：87-94.

[通聯編輯：唐一東]