基于遗传算法优化支持向量机的图像识别

《基于遗传算法优化支持向量机的图像识别》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、为了确保“教学点数字教育资源全覆盖”项目设备正常使用，我校做到安装、教师培训同步进行。设备安装到位后，中心校组织各学点管理人员统一到县教师进修学校进行培训，熟悉系统的使用和维护。基于遗传算法优化支持向量机的图像识别　　摘要为了获得较高的分类准确率，建立支持向量机模型，并采用遗传算法自动选择最优核函数参数，提出基于遗传算法优化支持向量机的图像识别方法。结果表明，该方法具有较优的识别率，整体性能优良。　　【关键词】遗传算法支持向量机图像识别　　1引言　　在医学中，获得合格的X射线图像的前提是获得合适的曝光值，曝光不足或过度都会影响图像质量。X射线成像依赖于穿透人体的部分射线，由于

2、个体组织结构复杂性以及外在因素，导致选取合适的曝光值并不是容易的事，这样就会影响X射线图像的可用性。因此，准确有效地识别曝光量有问题的图片具有一定的研究意义，并对之后进行图像增强处理打好基础。　　2相关概念　　支持向量机为了充分发挥“教学点数字教育资源全覆盖”项目设备的作用，我们不仅把资源运用于课堂教学，还利用系统的特色栏目开展课外活动，对学生进行安全教育、健康教育、反邪教教育等丰富学生的课余文化生活。为了确保“教学点数字教育资源全覆盖”项目设备正常使用，我校做到安装、教师培训同步进行。设备安装到位后，中心校组织各学点管理人员统一到县教师进修学校进行培训，熟悉系统的使用和维护

3、。　　由于X射线图像具有较强的非线性特性，维度较高，同时属于小样本学习问题，与传统分类方法容易出现过学习现象相比，支持向量机在有限的样本情况下具有很大优势，同时能在不增加计算量程度的基础上通过选取合适的核函数，将非线性问题反映到高维空间中，最终找到一个实现分类的最优分类超平面，得到高维线性决策函数，从而取代原函数，因此具有较强的推广能力。　　基于遗传算法优化SVM模型参数　　将遗传算法应用到优化SVM参数是，算法过程如下：　　对其所输入的图像X射线，进行分析处理，建立测试样本与学习样本。　　定义进化最大代数MAXGEN=100，生成种群最大数量为SIZEPOP=20，SVMC

4、V参数为10，代沟GGAP=，指父代中有90%的个体被复制到子代，参数C和g的变化范围为[0，100]。　　所生成的染色体即为初始种群。　　解码每个染色体计算适应度值。　　根据适应度值选择并复制个体进而产生新种群。　　进行遗传操作。　　判断结果，满足需求则进行下一步；判断结果，不满足需求返回步骤。　　利用优化的参数C和g建造新的SVM。　　3实验结果　　图像预处理　　消除与算法无关的信息，并把源图像二值化，设定阈值为，如图2所示。为了充分发挥“教学点数字教育资源全覆盖”项目设备的作用，我们不仅把资源运用于课堂教学，还利用系统的特色栏目开展课外活动，对学生进行安全教育、健康教育

5、、反邪教教育等丰富学生的课余文化生活。为了确保“教学点数字教育资源全覆盖”项目设备正常使用，我校做到安装、教师培训同步进行。设备安装到位后，中心校组织各学点管理人员统一到县教师进修学校进行培训，熟悉系统的使用和维护。　　截取最小区域图像，并将其转化成16x16标准化图像。最后把这些16×16标准化图像排成一个列向量，让后转置生成100个256的训练样本矩阵。本文选取X射线图像为测试样本与训练样本，其中，100幅训练样本，分为曝光正确和曝光不正确的两类，每类均有50幅，令另外的40幅作为测试样本，每类分别20幅。　　不同参数选择方法的对比　　本实验预先定义“曝光正确”图像的标签

6、是“1”。　　“曝光不正确”图像的标签是“2”进行训练和测试。　　图3、4分别为参数粗略选择结果图和参数精确选择结果图；　　图3粗略得出图格寻优的选择结果，C=，g=时对应最佳准确率，为99%；　　图4是在粗略选择结果的基础上将变化间隔缩小了一倍，进一步得到精确化形象化的准确率变化，得出取C=，g=时对应最佳准确率，为99%。　　图5为测试集中时一个样本的识别结果出现的偏差，将“2”预测成了“1”，测试集准确率为%。原因是实际图像预测识别中，曝光不正确的图像曝光程度，接近于曝光正确的图像，所以混淆了SVM的识别，导致准确率下降。　　4结束语为了充分发挥“教学点数字教育资源全覆

7、盖”项目设备的作用，我们不仅把资源运用于课堂教学，还利用系统的特色栏目开展课外活动，对学生进行安全教育、健康教育、反邪教教育等丰富学生的课余文化生活。为了确保“教学点数字教育资源全覆盖”项目设备正常使用，我校做到安装、教师培训同步进行。设备安装到位后，中心校组织各学点管理人员统一到县教师进修学校进行培训，熟悉系统的使用和维护。　　在网格寻优法与遗传算法对比之后，进而提出基于遗传算法优化支持向量机的X射线图像识别的方法，自动的选择SVM参数，解决了对性能有非常重要影响的核函数的参数确定问题，取得了较好效果