CN107808164A - 一种基于烟花算法的纹理图像特征选择方法 - Google Patents
一种基于烟花算法的纹理图像特征选择方法 Download PDFInfo
- Publication number
- CN107808164A CN107808164A CN201710960947.0A CN201710960947A CN107808164A CN 107808164 A CN107808164 A CN 107808164A CN 201710960947 A CN201710960947 A CN 201710960947A CN 107808164 A CN107808164 A CN 107808164A
- Authority
- CN
- China
- Prior art keywords
- mrow
- fireworks
- msub
- spark
- texture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于烟花算法的纹理图像特征选择方法,利用烟花算法对图像纹理特征选择问题优化求解,从而快速地获得用于图像处理的最优特征子集,可用于图像处理和模式识别相关技术领域中。本发明能够在可接受的时间代价内找到特征选择问题的高质量的可行解,不需要指定要选择的特征维数,能够智能地在正确识别率和特征维数之间取得很好的平衡,自动寻找到合适的纹理图像特征子集。本发明利用烟花算法对纹理图像处理中原始数据集进行特征选择,剔除不相关或冗余的图像纹理特征,取出真正有效的特征子集,节省分类器的计算时间,从而提高图像分类的效率和正确率。
Description
技术领域
本发明属于图像处理、智能计算和模式识别的交叉应用领域,涉及群智能优化算法在图像处理,尤其涉及该技术在图像处理中的纹理特征选择问题,具体涉及一种基于烟花算法的纹理图像特征选择方法。
背景技术
纹理是一种视觉特性,它能反映物体和图像里同质的现象,体现的是物体表面共有的一种内在属性。纹理区别于灰度和颜色等图像特性,是有像素和领域空间的灰度排列呈现的。由于纹理特征能比较全面的反映图像本身,并且能够将图像的本质区别表示出来以便计算机识别。因此,不管是从视觉方面还是数学方面,纹理特征都应作为图像分类的一种重要的依据。目前,随着科学技术的发展和机器视觉在工、农、军事等各个方面的飞速发展,纹理图像在遥感分析、工业检测、图像检索、医疗等领域有着广泛的应用。
常见的几种纹理特征提取方法包括:以统计为基础的特征提取、以结构为基础的特征提取、以信号处理为基础的特征提取和以模型为基础的特征提取。以统计为基础的特征提取方法是基于纹理图像局部区域内灰度的统计特性来测量像素空间分布情况,通过均值、中值、方差、能量、熵等统计特征值来描述图像的不同区域间的相异性。以结构为基础的特征提取方法则是采用复杂曲线描述基元间的拓扑关系、结合纹理的规则度和纹理的局部方向的分级纹理结构等等描述图像纹理。常见的用于描述纹理特征的模型方法包括马尔科夫随机场模型、高斯马尔科夫随机场模型、Wold-like模型、Gibbles随机场模型和分型模型等等。基于信号处理的方法有基于小波分解的方法、傅里叶变换的方法和基于Gabor滤波的分析方法等等。
通过这些方法计算得到的纹理特征向量具有高维度的缺陷,会带来维数灾问题,增加分类器的计算时间,降低分类器的性能。所以为了提高图像分类的正确率和减少计算工作量,在进行图像分类识别之前,需要对原始的数据集进行纹理特征选择,剔除不相关或冗余的纹理图像特征,尽可能选择出最能代表纹理图像特征的特征子集,以提高图像分类的正确率。
特征选择也叫特征子集选择,是指从已有的M个特征中选择N(N≤M)个特征使得系统的特定指标最优化。特征选择是影响分类准确率的最重要的因素之一。实质上纹理特征选择问题是一个计算时间复杂度为指数级别NP难求解问题,其时间复杂度为O(2M),M为原始特征个数。常用的求解算法如分支限界法,回溯法等只能求解规模很小的特征选择问题。实际工作中,特征选择问题常被视为组合优化问题,采用启发式算法或者最优化方法获得它的近似最优解。
发明内容
烟花算法是一种启发式优化算法,具有很强的全局寻优能力,为了解决在纹理图像特征问题,本发明提出一种基于烟花算法的纹理图像特征选择方法。
为了达到上述目的,本发明所采用的技术方案是:一种基于烟花算法的纹理图像特征选择方法,其特征在于,包括以下步骤:
步骤1:输入训练纹理图像集,抽取纹理图像特征向量,构成原始纹理特征样本集,将所述的原始纹理特征样本集作为输入数据训练集;
步骤2:初始化烟花算法所需的参数以及n个烟花的位置,得到算法的初始种群;
步骤3:将烟花的初始空间位置向量解码成相应的特征子集,利用适应度评价函数计算得到每个特征子集的适应度函数值;
步骤4:计算火花数si,并确定每个烟花种群产生子代火花的爆炸幅度ri;
步骤5:通过烟花算法中的位置更新公式更新烟花的位置,爆炸产生火花xe;
步骤6:选择部分火花进行高斯变异移位;
步骤7:将爆炸产生的火花和变异产生的火花解码并评价其适应度值;
步骤8:从当前代的烟花、爆炸火花和变异火花中选择下一次迭代的烟花;
步骤9:记录全局最好的位置G以及其适应度函数值;
步骤10:判断,是否满足终止条件,若否,则回转执行所述的步骤4;
若是,则解码并输出全局最优烟花(火花)位置对应的最优特征子集。
作为优选,步骤1中所述的纹理特征提取方法可以是灰度共生矩阵特征抽取法、基于Gabor滤波器的特征抽取法、小波变换特征抽取法、局部二阶段矩、Laws纹理模板特征抽取法、方向梯度直方图特征抽取法、分形特征纹理特征抽取法、马尔科夫随机场特征抽取法的纹理特征抽取方法其中的一种或者数种方法的组合。
作为优选,步骤2中所述的初始化烟花算法所需的参数包括烟花弹个数n,控制产生火花总数的参数m,最大迭代次数T,产生火花数量的最小值smin,产生火花数量的最大值smax,最大的爆炸幅度权重y,极小值常量δ,烟花的初始空间位置。
作为优选,步骤3中所述的将烟花算法中烟花的初始空间位置向量解码成相应的特征子集,是利用sigmoid公式将烟花的初始空间位置向量解码成相应的特征子集,sigmoid公式为:
其中表示第t次迭代时第i个烟花(火花)的第d维的空间位置,是一个实数,e是自然底数,σ是一个数值范围是[0,1]服从均匀分布的随机数。
作为优选,步骤3中所述的利用适应度评价函数计算得到每个特征子集的适应度函数值,其适应度函数值计算公式为:
其中f(xi)表示火花(烟花)i的适应度函数值,Acc(i)表示火花(烟花)i选择的特征子集训练分类器所得到的图像分类正确率,这里使用的分类器可以是最小距离分类器,贝叶斯分类器,支持向量机分类器,K-近邻分类器,神经网络分类器中的任意一种,N表示特征总数,num(i)表示此次选择的特征个数,y表示权重。
作为优选,步骤4中所述的每个烟花弹xi产生的火花数量为:
其中,m是控制n个烟花产生火花总数的参数,f(xi)是第i个烟花弹的适应度函数,ymin是n个烟花中适应度函数值的最小值,δ是极小值常量。若火花数量过大或过小,按照以下方式处理:
其中,smin为产生火花数量的最小值,smax为产生火花数量的最大值,round()为四舍五入取整函数。
作为优选,步骤4中所述的每个烟花种群产生子代火花的爆炸幅度ri的计算公式为:
其中,是一个常数,表示最大的爆炸幅度,f(xi)是第i个烟花弹的适应度函数,ymax是n个烟花中适应度函数值的最大值,δ是极小值常量。
作为优选,步骤5中所述的通过烟花算法中的位置更新公式更新烟花的位置,其位置更新公式为:
其中,rand(0,ri)表示在幅度ri内生成的均匀随机数。
作为优选,步骤6中所述的对火花进行爆炸幅度范围内的变异操作,高斯变异的计算公式为:
其中g是服从均值为1,方差为1的高斯分布的随机数g~N(1,1)。
作为优选,步骤8中所述的选择策略,首先采取精英保留策略将具有适应度值最高的元素保留下来,成为下一代要燃放的烟花;再采用轮盘赌的方式选取其余n-1个火花(烟花),每个元素被选取为烟花的概率由其拥挤度决定,拥挤度的计算公式为:
其中,K为所有元素(烟花,爆炸火花和变异火花)的集合。
作为优选,步骤10中所述的终止条件为达到预设的最大运行迭代数。
与现有技术相比,本发明的有益效果是:
1.本发明的纹理图像特征选择方法,能够在可接受的时间代价内找到特征选择问题的高质量的可行解,不需要人为指定要选择的特征维数,能够智能地在正确识别率和特征维数之间取得很好的平衡,自动寻找到合适的纹理图像特征子集。
2.本发明的纹理图像特征选择方法,利用烟花算法对纹理图像特征原始的数据集进行特征选择,剔除不相关或冗余的图像纹理特征,取出真正相关的特征,节省对不相关或冗余的纹理特征分类的计算时间,从而提高图像分类的效率和正确率。
附图说明
图1为本发明实施例的原始特征提取流程图。
图2为本发明实施例的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
参见图1及图2所示,本发明提供的一种基于烟花算法的纹理图像特征选择方法,其特征在于,包括以下步骤:
步骤1:输入训练纹理图像集,抽取纹理图像特征向量,构成原始纹理特征样本集,将所述的原始纹理特征样本集作为输入数据训练集,其纹理特征提取方法可以是灰度共生矩阵特征抽取法、基于Gabor滤波器的特征抽取法、小波变换特征抽取法、局部二阶段矩、Laws纹理模板特征抽取法、方向梯度直方图特征抽取法、分形特征纹理特征抽取法,马尔科夫随机场特征抽取法等纹理特征抽取方法其中的一种或者数种方法的组合。
步骤2:初始化烟花算法所需的参数以及N个烟花的位置,得到算法的初始种群。其中参数包括烟花弹个数n,控制产生火花总数的参数m,最大迭代次数T,产生火花数量的最小值smin,产生火花数量的最大值smax,最大的爆炸幅度权重y,极小值常量δ,烟花的初始空间位置。
步骤3:将烟花的初始空间位置向量解码成相应的特征子集,利用适应度评价函数计算得到每个特征子集的适应度函数值;
故本实施是利用sigmoid公式将烟花的初始空间位置向量解码成相应的特征子集,sigmoid公式为:
其中,表示第t次迭代时第i个烟花(火花)的第d维的空间位置,是一个实数,e是自然底数,σ是一个数值范围是[0,1]服从均匀分布的随机数。烟花的初始空间位置向量是一个二值向量,其位置每一维度的取值只能是0或者1,0表示该分量对应的特征不被选择,1表示该分量对应的特征被选择。这样一个烟花的位置向量就解码成一个特征选择问题的解。例如原始特征有8维度,一个烟花xi的空间位置为(01001001),表示这个烟花对应的解中特征1、特征4和特征7被选中,其它特征没有被中,特征子集为{1,4,7}。利用得到的特征子集进行分类,种群长度为待优化特征向量的维度。
利用适应度评价函数计算得到每个火花(烟花)对应的特征子集的适应度函数值。特征选择问题要求用尽可能少的特征获得尽可能高的识别正确率,故本实施的适应度函数值计算公式为:
其中,f(xi)表示火花(烟花)i的适应度函数值,Acc(i)表示火花(烟花)i选择的特征子集训练分类器所得到的图像分类正确率,这里使用的分类器可以是最小距离分类器,贝叶斯分类器,支持向量机分类器,K-近邻分类器,神经网络分类器中的任意一种,N表示特征总数,num(i)表示此次选择的特征个数,y表示权重,取值范围为0.98~0.998。
步骤4:计算火花数si,并确定每个烟花种群产生子代火花的爆炸幅度ri。
每个烟花弹xi产生的火花数量为:
其中,m是控制n个烟花产生火花总数的参数,f(xi)是第i个烟花弹的适应度函数,ymin是n个烟花中适应度函数值的最小值,δ是极小值常量。若火花数量过大或过小,按照以下方式处理:
其中,smin为产生火花数量的最小值,smax为产生火花数量的最大值,round()为四舍五入取整函数。
每个烟花种群产生子代火花的爆炸幅度ri的计算公式为:
其中,是一个常数,表示最大的爆炸幅度,f(xi)是第i个烟花弹的适应度函数,ymax是n个烟花中适应度函数值的最大值,δ是极小值常量。
步骤5:通过烟花算法中的位置更新公式更新烟花的位置,爆炸产生火花xe,其位置更新公式为:
其中,rand(0,r)表示在幅度ri内生成的均匀随机数。
步骤6:选择部分火花进行高斯变异移位。对火花进行爆炸幅度范围内的变异操作,高斯变异的计算公式为:
其中g是服从均值为1,方差为1的高斯分布的随机数g~N(1,1)。
步骤7:将爆炸产生的火花和变异产生的火花解码并评价其适应度值。
步骤8:采用从当前的烟花、爆炸火花和变异火花中选择下一次迭代的烟花。选择策略是先采取精英保留策略将具有适应度值最高的元素保留下来,成为下一代要燃放的烟花;再采用轮盘赌的方式选取其余n-1个火花(烟花),每个元素被选取为烟花的概率由其拥挤度决定,拥挤度的计算公式为:
其中,K为所有元素(烟花,爆炸火花和变异火花)的集合。
步骤9:记录全局最好的位置G以及其适应度函数值。
步骤10:判断,是否满足终止条件?
若否,则回转执行步骤4;
若是,则解码并输出全局最优烟花(火花)位置对应的最优特征子集。
本实施例的终止条件为达到预设的最大运行迭代数。
本发明通过利用烟花算法对纹理图像特征选择问题优化求解,从而快速地获得纹理图像特征中的最优特征子集,该方法可用于图像处理和模式识别相关技术领域中。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (11)
1.一种基于烟花算法的纹理图像特征选择方法,其特征在于,包括以下步骤:
步骤1:输入训练纹理图像集,抽取纹理图像特征向量,构成原始纹理特征样本集,将所述的原始纹理特征样本集作为输入数据训练集;
步骤2:初始化烟花算法所需的参数以及n个烟花的位置,得到算法的初始种群;
步骤3:将烟花的初始空间位置向量解码成相应的特征子集,利用适应度评价函数计算得到每个特征子集的适应度函数值;
步骤4:计算火花数si,并确定每个烟花种群产生子代火花的爆炸幅度ri;
步骤5:通过烟花算法中的位置更新公式更新烟花的位置,爆炸产生火花xe;
步骤6:选择部分火花进行高斯变异移位;
步骤7:将爆炸产生的火花和变异产生的火花解码并评价其适应度值;
步骤8:从当前代的烟花、爆炸火花和变异火花中选择下一次迭代的烟花;
步骤9:记录全局最好的位置G以及其适应度函数值;
步骤10:判断,是否满足终止条件,若否,则回转执行所述步骤4;
若是,则解码并输出全局最优烟花(火花)位置对应的最优特征子集。
2.根据权利要求1所述的一种基于烟花算法的纹理图像特征选择方法,其特征在于:步骤1中的纹理特征提取方法可以是灰度共生矩阵特征抽取法、基于Gabor滤波器的特征抽取法、小波变换特征抽取法、局部二阶段矩、Laws纹理模板特征抽取法、方向梯度直方图特征抽取法、分形特征纹理特征抽取法、马尔科夫随机场特征抽取法的纹理特征抽取方法其中的一种或者数种方法的组合。
3.根据权利要求1所述的一种基于烟花算法的纹理图像特征选择方法,其特征在于:步骤2中所述的初始化烟花算法所需的参数包括烟花弹个数n,控制产生火花总数的参数m,最大迭代次数T,产生火花数量的最小值smin,产生火花数量的最大值smax,最大的爆炸幅度权重y,极小值常量δ,烟花的初始空间位置。
4.根据权利要求1所述的一种基于烟花算法的纹理图像特征选择方法,其特征在于:步骤3中所述的将烟花算法中烟花的初始空间位置向量解码成相应的特征子集,利用sigmoid公式将烟花的初始空间位置向量解码成相应的特征子集,sigmoid公式为:
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>d</mi>
<mi>i</mi>
</msubsup>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>d</mi>
<mi>i</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
其中,表示第t次迭代时第i个烟花(火花)的第d维的空间位置,是一个实数,e是自然底数,σ是一个数值范围是[0,1]服从均匀分布的随机数。
5.根据权利要求1或4所述的一种基于烟花算法的纹理图像特征选择方法,其特征在于:步骤3中所述的利用适应度评价函数计算得到每个特征子集的适应度函数值,其适应度函数值计算公式为:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>y</mi>
<mi>A</mi>
<mi>c</mi>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mi>n</mi>
<mi>u</mi>
<mi>m</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>N</mi>
</mfrac>
</mrow>
其中,f(xi)表示火花(烟花)i的适应度函数值,Acc(i)表示火花(烟花)i选择的特征子集训练分类器所得到的图像分类正确率,这里使用的分类器可以是最小距离分类器、贝叶斯分类器、支持向量机分类器、K-近邻分类器、神经网络分类器中的任意一种,N表示特征总数,num(i)表示此次选择的特征个数,y表示权重。
6.根据权利要求1所述的一种基于烟花算法的纹理图像特征选择方法,其特征在于:步骤4中所述的每个烟花弹xi产生的火花数量公式为:
<mrow>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>m</mi>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<mi>&delta;</mi>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&delta;</mi>
</mrow>
</mfrac>
</mrow>
其中,m是控制n个烟花产生火花总数的参数,f(xi)是第i个烟花弹的适应度函数,ymin是n个烟花中适应度函数值的最小值,δ是极小值常量;若火花数量过大或过小,按照以下方式处理:
其中,smin为产生火花数量的最小值,smax为产生火花数量的最大值,round()为四舍五入取整函数。
7.根据权利要求1或6所述的一种基于烟花算法的纹理图像特征选择方法,其特征在于:步骤4中所述的每个烟花种群产生子代火花的爆炸幅度ri的计算公式为:
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mover>
<mi>A</mi>
<mo>^</mo>
</mover>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&delta;</mi>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<mi>f</mi>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&delta;</mi>
</mrow>
</mfrac>
</mrow>
其中,是一个常数,表示最大的爆炸幅度,f(xi)是第i个烟花弹的适应度函数,ymax是n个烟花中适应度函数值的最大值,δ是极小值常量。
8.根据权利要求1所述的一种基于烟花算法的纹理图像特征选择方法,其特征在于:步骤5中所述的通过烟花算法中的位置更新公式更新烟花的位置,其位置更新公式为:
<mrow>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中,rand(0,ri)表示在幅度ri内生成的均匀随机数。
9.根据权利要求1所述的一种基于烟花算法的纹理图像特征选择方法,其特征在于:步骤6中对火花进行爆炸幅度范围内的变异操作,高斯变异的计算公式为:
<mrow>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>&CenterDot;</mo>
<mi>g</mi>
</mrow>
其中,g是服从均值为1,方差为1的高斯分布的随机数g~N(1,1)。
10.根据权利要求1所述的一种基于烟花算法的纹理图像特征选择方法,其特征在于:步骤8中的选择策略,首先采取精英保留策略将具有适应度值最高的元素保留下来,成为下一代要燃放的烟花;再采用轮盘赌的方式选取其余n-1个火花(烟花),每个元素被选取为烟花的概率由其拥挤度决定,拥挤度的计算公式为:
<mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>K</mi>
</mrow>
</munder>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>K</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>K</mi>
</mrow>
</munder>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,K为所有元素(烟花、爆炸火花和变异火花)的集合。
11.根据权利要求1所述的一种基于烟花算法的纹理图像特征选择方法,其特征在于:步骤10中所述的终止条件为达到预设的最大运行迭代数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710960947.0A CN107808164B (zh) | 2017-10-17 | 2017-10-17 | 一种基于烟花算法的纹理图像特征选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710960947.0A CN107808164B (zh) | 2017-10-17 | 2017-10-17 | 一种基于烟花算法的纹理图像特征选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107808164A true CN107808164A (zh) | 2018-03-16 |
CN107808164B CN107808164B (zh) | 2020-08-07 |
Family
ID=61584198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710960947.0A Expired - Fee Related CN107808164B (zh) | 2017-10-17 | 2017-10-17 | 一种基于烟花算法的纹理图像特征选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107808164B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097267A (zh) * | 2019-04-19 | 2019-08-06 | 天津大学 | 一种基于改进烟花算法的多目标多机器人任务分配方法 |
CN110675830A (zh) * | 2019-09-21 | 2020-01-10 | 天津大学 | 图像处理用的基于改进烟花算法的区域背光动态调光方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104092618A (zh) * | 2014-07-23 | 2014-10-08 | 湖北工业大学 | 一种基于杜鹃搜索算法的对等网络流量特征选择方法 |
US20150371112A1 (en) * | 2014-06-24 | 2015-12-24 | Hover Inc. | Building material classifications from imagery |
US20170068846A1 (en) * | 2013-02-05 | 2017-03-09 | Children's National Medical Center | Device and method for classifying a condition based on image analysis |
CN106503661A (zh) * | 2016-10-25 | 2017-03-15 | 陕西师范大学 | 基于烟花深度信念网络的人脸性别识别方法 |
CN106599936A (zh) * | 2016-12-29 | 2017-04-26 | 湖北工业大学 | 一种基于二进制蚁群算法的特征选择方法及系统 |
CN106910201A (zh) * | 2017-02-28 | 2017-06-30 | 江南大学 | 一种基于改进的烟花算法进行图像处理的方法 |
-
2017
- 2017-10-17 CN CN201710960947.0A patent/CN107808164B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170068846A1 (en) * | 2013-02-05 | 2017-03-09 | Children's National Medical Center | Device and method for classifying a condition based on image analysis |
US20150371112A1 (en) * | 2014-06-24 | 2015-12-24 | Hover Inc. | Building material classifications from imagery |
CN104092618A (zh) * | 2014-07-23 | 2014-10-08 | 湖北工业大学 | 一种基于杜鹃搜索算法的对等网络流量特征选择方法 |
CN106503661A (zh) * | 2016-10-25 | 2017-03-15 | 陕西师范大学 | 基于烟花深度信念网络的人脸性别识别方法 |
CN106599936A (zh) * | 2016-12-29 | 2017-04-26 | 湖北工业大学 | 一种基于二进制蚁群算法的特征选择方法及系统 |
CN106910201A (zh) * | 2017-02-28 | 2017-06-30 | 江南大学 | 一种基于改进的烟花算法进行图像处理的方法 |
Non-Patent Citations (3)
Title |
---|
LI J等: "adaptive fireworks algorithm", 《EVOLUTIONARY COMPUTATION》 * |
方柳平: "动态搜索烟花算法的研究与应用", 《中国硕士学位论文全文数据库》 * |
路永和等: "基于二进制烟花算法的特征选择方法", 《情报学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097267A (zh) * | 2019-04-19 | 2019-08-06 | 天津大学 | 一种基于改进烟花算法的多目标多机器人任务分配方法 |
CN110675830A (zh) * | 2019-09-21 | 2020-01-10 | 天津大学 | 图像处理用的基于改进烟花算法的区域背光动态调光方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107808164B (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488528B (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
Huixian | The analysis of plants image recognition based on deep learning and artificial neural network | |
Shamir et al. | The dimpled manifold model of adversarial examples in machine learning | |
CN111753881B (zh) | 一种基于概念敏感性量化识别对抗攻击的防御方法 | |
CN112883839B (zh) | 基于自适应样本集构造与深度学习的遥感影像解译方法 | |
CN105488563A (zh) | 面向深度学习的稀疏自适应神经网络、算法及实现装置 | |
CN111931505A (zh) | 一种基于子图嵌入的跨语言实体对齐方法 | |
US11223782B2 (en) | Video processing using a spectral decomposition layer | |
CN113297572B (zh) | 基于神经元激活模式的深度学习样本级对抗攻击防御方法及其装置 | |
CN110287985B (zh) | 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法 | |
CN107563430A (zh) | 一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法 | |
CN103366189A (zh) | 一种高光谱遥感图像的智能化分类方法 | |
CN107808164A (zh) | 一种基于烟花算法的纹理图像特征选择方法 | |
Yin et al. | An empirical study on the performance of cost-sensitive boosting algorithms with different levels of class imbalance | |
Cai et al. | Cloud classification of satellite image based on convolutional neural networks | |
CN110188621A (zh) | 一种基于ssf-il-cnn的三维人脸表情识别方法 | |
Qi et al. | Battle damage assessment based on an improved Kullback-Leibler divergence sparse autoencoder | |
CN111178897B (zh) | 在不平衡数据上快速特征学习的代价敏感的动态聚类方法 | |
Dou et al. | V-SOINN: A topology preserving visualization method for multidimensional data | |
CN115661576A (zh) | 一种样本不平衡下的飞机群组意图识别方法 | |
Gibran et al. | Convolutional neural network optimization for disease classification tomato plants through leaf image | |
Lu et al. | Dynamic evolution analysis of desertification images based on BP neural network | |
Hou et al. | Remote sensing textual image classification based on extreme learning machine and hybrid rice optimization algorithm | |
Mihajlović et al. | Fooling a neural network with common adversarial noise | |
Li et al. | Forest fire recognition based on lightweight convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200807 Termination date: 20211017 |
|
CF01 | Termination of patent right due to non-payment of annual fee |