基于遺傳算法優化支持向量機的圖像識別

郭文靜 田星

摘 要 為了獲得較高的分類準確率，建立支持向量機模型，并采用遺傳算法自動選擇最優核函數參數，提出基于遺傳算法優化支持向量機的圖像識別方法。結果表明，該方法具有較優的識別率，整體性能優良。

【關鍵詞】遺傳算法 支持向量機 圖像識別

1 引言

在醫學中，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，由于個體組織結構復雜性以及外在因素，導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，并對之后進行圖像增強處理打好基礎。

2 相關概念

2.1 支持向量機

由于X射線圖像具有較強的非線性特性，維度較高，同時屬于小樣本學習問題，與傳統分類方法容易出現過學習現象相比，支持向量機在有限的樣本情況下具有很大優勢，同時能在不增加計算量程度的基礎上通過選取合適的核函數，將非線性問題反映到高維空間中，最終找到一個實現分類的最優分類超平面，得到高維線性決策函數，從而取代原函數，因此具有較強的推廣能力。

2.2 基于遺傳算法優化SVM模型參數

將遺傳算法應用到優化SVM參數是，算法過程如下：

（1）對其所輸入的圖像X射線，進行分析處理，建立測試樣本與學習樣本。

（2）定義進化最大代數MAXGEN=100，生成種群最大數量為SIZEPOP=20，SVM CV參數為10，代溝GGAP=0.9，指父代中有90%的個體被復制到子代，參數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）解碼每個染色體計算適應度值。

（5）根據適應度值選擇并復制個體進而產生新種群。

（6）進行遺傳操作。

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

（8）利用優化的參數C和g建造新的SVM。

3 實驗結果

3.1 圖像預處理

消除與算法無關的信息，并把源圖像二值化，設定閾值為0.4，如圖2所示。

截取最小區域圖像，并將其轉化成16x16標準化圖像。最后把這些16×16標準化圖像排成一個列向量，讓后轉置生成100個256的訓練樣本矩陣。本文選取X射線圖像為測試樣本與訓練樣本，其中，100幅訓練樣本，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 不同參數選擇方法的對比

本實驗預先定義“曝光正確”圖像的標簽是“1”。

“曝光不正確”圖像的標簽是“2”進行訓練和測試。

圖3、4分別為參數粗略選擇結果圖和參數精確選擇結果圖；

圖3粗略得出圖格尋優的選擇結果，C=0.082，g=0.027時對應最佳準確率，為99%；

圖4是在粗略選擇結果的基礎上將變化間隔縮小了一倍，進一步得到精確化形象化的準確率變化，得出取C=0.025，g=0.0625時對應最佳準確率，為99%。

圖5為測試集中時一個樣本的識別結果出現的偏差，將“2”預測成了“1”，測試集準確率為97.5%。原因是實際圖像預測識別中，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，導致準確率下降。

4 結束語

在網格尋優法與遺傳算法對比之后，進而提出基于遺傳算法優化支持向量機的X射線圖像識別的方法，自動的選擇SVM參數，解決了對性能有非常重要影響的核函數的參數確定問題，取得了較好效果，具有一定的實用價值。

參考文獻

[1]張建華，朱春華.基于遺傳算法和支持向量機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技術的手寫數字識別的研究[D].山東師范大學，2006.

作者簡介

郭文靜（1989-），女，山西省太原市人。碩士研究生學歷。助教。主要研究方向為模式識別、超聲無損檢測。

作者單位

太原工業學院電子工程系 山西省太原市 030003