CN108509487B - 基于脉冲发放皮层模型的图像检索方法、设备及存储介质 - Google Patents

基于脉冲发放皮层模型的图像检索方法、设备及存储介质 Download PDF

Info

Publication number
CN108509487B
CN108509487B CN201810128253.5A CN201810128253A CN108509487B CN 108509487 B CN108509487 B CN 108509487B CN 201810128253 A CN201810128253 A CN 201810128253A CN 108509487 B CN108509487 B CN 108509487B
Authority
CN
China
Prior art keywords
current
preset
unit
algebra
image
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.)
Active
Application number
CN201810128253.5A
Other languages
English (en)
Other versions
CN108509487A (zh
Inventor
杨睿嘉
许睿烁
王钰堃
胡志搏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201810128253.5A priority Critical patent/CN108509487B/zh
Publication of CN108509487A publication Critical patent/CN108509487A/zh
Application granted granted Critical
Publication of CN108509487B publication Critical patent/CN108509487B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于脉冲发放皮层模型的图像检索方法，包括：采用预设遗传算法确定脉冲发放皮层模型的参数值；通过所述参数值确定后的所述脉冲发放皮层模型提取待检索图像的纹理特征；基于所述纹理特征检索与所述待检索图像相关的图像。本发明中通过改进的预设遗传算法来自动进行脉冲发放皮层模型参数值的设定，并利用参数值设定后的脉冲发放皮层模型来提取待检索图像的纹理特征，以根据所提取的纹理特征进行相关图像的检索，提高了模型参数的设置效率，并且提高了纹理特征提取的准确性，从而极大地提高了图像检索的准确性及检索效率。另外，本发明还提供一种基于脉冲发放皮层模型的图像检索装置、设备及存储介质。

Description

基于脉冲发放皮层模型的图像检索方法、设备及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于脉冲发放皮层模型的图像检索方法、装置、设备及计算机存储介质。
背景技术
脉冲发放皮层模型是一种符合人类视觉系统的生理学神经系统网络模型，在外界激励条件下可实现脉冲同步发放，因而，广泛应用于数字图像处理技术领域中，如应用于待检索图像纹理特征的准确提取，以使得可根据提取的该纹理特征准确检索相关图像。其中，纹理特征的准确提取与脉冲发放皮层模型的参数密切相关，因而准确确定脉冲发放皮层模型的参数值极为重要，而现有的脉冲发放皮层模型中一般都是通过人工实验来进行参数值的确定，不仅造成人力及时间的极大耗费，亦降低了脉冲发放皮层模型使用的局限性，并降低了图像检索的准确性。
综上，如何自适应确定脉冲发放皮层模型的参数值以提高图像检索的准确性成为本领域技术人员亟待解决的问题。
发明内容
本发明实施例提供了一种基于脉冲发放皮层模型的图像检索方法、装置、设备及计算机存储介质，能够准确提取待检索图像的纹理特征，提高相关图像的检索准确性。
本发明实施例的第一方面，提供了一种基于脉冲发放皮层模型的图像检索方法，包括：
采用预设遗传算法确定脉冲发放皮层模型的参数值；
通过所述参数值确定后的所述脉冲发放皮层模型提取待检索图像的纹理特征；
基于所述纹理特征检索与所述待检索图像相关的图像。
可选地，所述采用预设遗传算法确定脉冲发放皮层模型的参数值，包括：
将所述参数值的解空间平均分配为N组子空间；
在每组子空间中随机生成M个个体；
计算每个个体的适应度值；
在每组子空间中按照所述适应度值由大至小选择前X个个体，得到候选个体；
从所述候选个体中选取指定数目的候选个体作为初始种群；
对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群；
若所述新种群满足终止条件，则终止并获取所述参数值；
其中，所述N、M、X为大于零的整数。
可选地，所述若所述新种群满足终止条件，则终止并获取所述参数值，包括：
计算所述新种群中个体的最大适应度值；
获取最大适应度值连续相同的当前相同代数以及所述新种群对应的初始种群的当前选择次数；
当所述最大适应度值与上一代新种群的最大适应度值相同时，将所述当前相同代数增加一代数单位；
判断增加一代数单位后的当前相同代数是否等于预设相同代数；
若所述当前相同代数不等于所述预设相同代数，则进入执行对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群的步骤以及后续步骤；
若所述当前相同代数等于所述预设相同代数，则将所述当前选择次数增加一次数单位；
判断增加一次数单位后的当前选择次数是否等于预设选择次数；
若所述当前选择次数等于预设选择次数，终止并获取所述参数值；
若所述当前选择次数不等于所述预设选择次数，则进入执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤。
可选地，所述若所述新种群满足终止条件，则终止并获取所述参数值，包括：
获取所述新种群所处的当前迭代代数和所述新种群对应的初始种群的当前选择次数；
判断所述当前迭代代数是否等于预设迭代代数；
若所述当前迭代代数不等于所述预设迭代代数，则进入执行对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群的步骤以及后续步骤；
若所述当前迭代代数等于所述预设迭代代数，则将所述当前选择次数增加一次数单位；
判断增加一次数单位后的所述当前选择次数是否等于预设选择次数；
若所述当前选择次数等于预设选择次数，终止并获取所述参数值；
若所述当前选择次数不等于所述预设选择次数，则进入执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤。
可选地，所述若所述当前选择次数不等于所述预设选择次数，则进入执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤，具体包括：
若所述当前选择次数不等于所述预设选择次数，获取所述当前选择次数中所述最大适应度值对应的最优个体，将所述最优个体确定为候选个体，并进入执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤。
可选地，在所述计算每个个体的适应度值中，将所述待检索图像的检索准确率作为适应度函数来计算每个个体的适应度值。
本发明实施例的第二方面，提供了一种基于脉冲发放皮层模型的图像检索装置，包括：
参数获取模块，用于采用预设遗传算法确定脉冲发放皮层模型的参数值；
特征提取模块，用于通过所述参数值确定后的所述脉冲发放皮层模型提取待检索图像的纹理特征；
图像检索模块，用于基于所述纹理特征检索与所述待检索图像相关的图像。
可选地，所述参数获取模块，包括：
分配单元，用于将所述参数值的解空间平均分配为N组子空间；
生成单元，用于在每组子空间中随机生成M个个体；
第一计算单元，用于计算每个个体的适应度值；
候选个体选择单元，用于在每组子空间中按照所述适应度值由大至小选择前X个个体，得到候选个体；
初始种群选取单元，用于从所述候选个体中选取指定数目的候选个体作为初始种群；
新种群得到单元，用于对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群；
第一参数值获取单元，用于若所述新种群满足终止条件，则终止并获取所述参数值；
其中，所述N、M、X为大于零的整数。
本发明实施例的第三方面，提供了一种图像检索设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述图像检索方法的步骤。
本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如前述第一方面所述图像检索方法的步骤。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例中，通过改进的预设遗传算法来自动进行脉冲发放皮层模型参数值的设定，并利用设定后的脉冲发放皮层模型来提取待检索图像的纹理特征，以根据所提取的纹理特征进行相关图像的检索，提高了模型参数的设置效率，并且提高了纹理特征提取的准确性，从而极大地提高了相关图像检索的准确性及检索效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为脉冲发放皮层模型的模型示意图；
图2为本发明实施例提供的一种基于脉冲发放皮层模型的图像检索方法的方法流程图；
图3为本发明实施例中一种基于脉冲发放皮层模型的图像检索方法在一个应用场景下采用预设遗传算法确定参数值的流程示意图；
图4为本发明实施例中一种基于脉冲发放皮层模型的图像检索方法在另一个应用场景下采用预设遗传算法确定参数值的流程示意图；
图5为本发明实施例中一种基于脉冲发放皮层模型的图像检索方法在又一个应用场景下采用预设遗传算法确定参数值的流程示意图；
图6为本发明实施例中一种基于脉冲发放皮层模型的图像检索装置的结构示意图；
图7为本发明实施例中图像检索设备的示意图。
具体实施方式
本发明实施例提供了一种基于脉冲发放皮层模型的图像检索方法、图像检索装置、图像检索设备及计算机存储介质，能够准确提取待检索图像的纹理特征，提高相关图像检索的准确性及效率性。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1为脉冲发放皮层模型(Spiking Cortical Model，简称SCM)的模型示意图，其数学表达式为：
Figure BDA0001574110270000061
其中，Uij(n)为第n次迭代中坐标为(i，j)的神经元的内部活动项，Wijkl为坐标为(i，j)的神经元与坐标为(k，l)的神经元间连接的突触权重，Sij为坐标为(i，j)的神经元的外部刺激，Eij(n)为第n次迭代中坐标为(i，j)的神经元的动态阈值，Yij(n)为第n次迭代中坐标为(i，j)的神经元的输出脉冲，n为迭代次数，f为内部活动项的衰减系数，h为阈值放大系数，g为阈值衰减系数。
脉冲发放皮层模型网络中的神经元通过局部耦合构成一个全局互连的神经网络，当某个神经元处于点火状态时，领域内与其状态相似的未点火的神经元就会捕捉这个激励，经调制后发送脉冲，提前实现点火，即耦合连接的脉冲发放皮层模型网络是相似性集群发送同步脉冲的，适合应用于图像处理技术领域，因而广泛用于图像检索中。由上述数学表达式可知，脉冲发放皮层模型中存在有模型参数f、g、h、n及W，而这些模型参数的设置对图像检索的准确性及效率具有重要影响，因而，要确保图像检索的准确性及效率，需要准确确定这些模型参数。
本发明实施例提供了一种基于脉冲发放皮层模型的图像检索方法，能准确确定脉冲发放皮层模型中的模型参数，如图2中所示，本发明实施例提供的图像检索方法包括：
步骤S201、采用预设遗传算法确定脉冲发放皮层模型的参数值。
遗传算法是依据自然界遗传、变异而提出的一种随机优化算法，具有并行性、自适应性等特性，能够很好地求得系统的最优解，因而，本发明实施例中，采用在传统遗传算法的基础上优化得到的预设遗传算法来确定脉冲发放皮层模型中模型参数f、g、h、n及W的最优值。
其中，在传统遗传算法的基础上优化得到预设遗传算法，以采用该预设遗传算法确定脉冲发放皮层模型的参数值的具体过程将在下述内容中进行详细描述。
步骤S202、通过所述参数值确定后的所述脉冲发放皮层模型提取待检索图像的纹理特征。
在通过优化后的预设遗传算法确定了模型参数f、g、h、n及W的最优参数值之后，所述脉冲发放皮层模型即可准确地提取出能表征所述待检索图像特性的纹理特征。
可以理解的是，所述待检索图像往往是含有噪点，并且大小、尺寸、方向都不确定的图像，比如一张模糊、看不清图像内容的图像。
步骤S203、基于所述纹理特征检索与所述待检索图像相关的图像。
在准确获取所述待检索图像的纹理特征之后，相应的图像检索装置即可根据所述纹理特征检索出与所述待检索图像相关的图像，可以理解的是，所述相关的图像包括但不限于所述待检索图像的原始图像，或者与所述待检索图像最相近的图像。
比如说，某用户有一张模糊、不清楚内容的图片，但其想知道该图片的具体内容、图像类别以及其它标注信息等，其可以将该模糊图片输入至该图像检索装置中，如检索机器人中，该图像检索装置则通过脉冲发放皮层模型提取出表征该模糊图片特性的纹理特征，随后根据该纹理特征检索出该模糊图片的原始图片以及原始图片对应的图像类别、详细标注信息等，并将其提供给该用户。如果该图像检索装置检索不到原始图片的话，则其会检索出与该模糊图片最相近的图片以及相关信息反馈给该用户。
下面，将对采用预设遗传算法确定脉冲发放皮层模型的参数值的具体过程进行详细介绍。如图3所示，所述根据预设遗传算法确定脉冲发放皮层模型的参数值，包括：
步骤S301、将所述参数值的解空间平均分配为N组子空间；
步骤S302、在每组子空间中随机生成M个个体；
步骤S303、计算每个个体的适应度值；
步骤S304、在每组子空间中按照所述适应度值由大至小选择前X个个体，得到候选个体；
步骤S305、从所述候选个体中选取指定数目的候选个体作为初始种群；
步骤S306、对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群；
步骤S307、若所述新种群满足终止条件，则终止并获取所述参数值；
其中，所述N、M、X为大于零的整数。
遗传算法对初始种群的依赖性较强，初始种群直接影响遗传算法的搜索速度与结果，由于传统遗传算法中的初始种群是随机产生的，初始种群在解空间的分布容易呈现两种极端的情况，一种是较均匀分布，另一种是较集中分布。对于在解空间较集中分布的初始种群，其往往无法充分代表解空间的情况，从而难以较好的速度与方式获取最优解。因而，在确定初始种群时需将初始种群合理分布在解空间中，使得可以较好的速度和方式得到最终的最优解。
本发明实施例，在步骤S301至步骤S305中，通过将所述参数值的解空间平均分配为N组子空间，并通过在每组子空间中随机的生成M个体中选取指定数目的最优个体作为初始种群，以将初始种群合理分布在解空间中，从而确保能得到所述参数值的实际最优值。
优选地，本发明实施例中，在计算每个个体的适应度值中，将所述待检索图像的检索准确率作为适应度函数来计算每个个体的适应度值。
对于上述步骤S304，在每组子空间中计算出每个个体的适应度值之后，根据适应度值由大至小的顺序选出前X个个体，即从第一组子空间选出适应度值靠前的前X个个体，选取完毕后从第二组子空间选出适应度值靠前的前X个个体，依次进行下去，直到从第N组子空间中选出适应度值靠前的前X个个体，从而得到X*N个候选个体。
对于上述步骤S305，在候选个体确定完毕后，采用择优选择从所述候选个体中选取指定数目的个体作为初始种群，可以理解的是，所述指定数目为预先规定的所述初始种群的群体规模，如将所述初始种群的群体规模设定为30，则采用择优选择从所述候选个体选取30个个体作为初始种群。
对于上述步骤S306，在所述初始种群选择完毕后，依次对所述初始种群执行选择操作、交叉操作和变异操作，可以理解的是，在对所述初始种群执行选择操作之前，需对所述初始种群先进行编码操作，如采用二进制编码方式对所述初始种群进行编码，当然也可以采用浮点数编码等其他编码方式对所述初始种群进行编码。
进一步地，本发明实施例中，优选地采用轮盘赌模型作为选择算子来对编码后的所述初始种群执行选择操作，并采用双点交叉作为交叉算子来按照预设交叉概率对编码后的所述初始种群执行交叉操作，随后采用基本变异作为变异算子来按照预设变异概率对编码后的所述初始种群执行变异操作，可以理解的是，本发明实施例中，也可以采用其它选择算子、交叉算子及变异算子来对编码后的所述初始种群依次执行选择操作、交叉操作及变异操作。
如本发明实施例中，将初始种群的群体规模设置为30，将交叉概率设置为0.7，将变异概率设置为0.01，将N取值为16，将M取值为10，将X取值为2。即将所述参数值的解空间平均划分成16组子空间；在16组子空间的每组子空间中随机生成10个个体；然后从每组子空间中的10个个体中选取最优的2个个体，从而得到32个候选个体；进而从这32个候选个体中按照择优选择选出30个个体作为初始种群，也就是说，按照这32个个体的适应度值由大至小的顺序从中选取出前30个个体，从而使得初始种群合理分布在解空间中，以充分代表解空间的情况，从而确保能得到所述参数值的实际最优值。
进一步地，如图4中所示，本发明实施例提供的一种基于脉冲发放皮层模型的图像检索方法在另一个应用场景下采用预设遗传算法确定参数值时，具体包括：步骤S401、步骤S402、步骤S403、步骤S404、步骤S405、步骤S406、步骤S407、步骤S408、步骤S409、步骤S410、步骤S411、步骤S412、步骤S413及步骤S414。
其中，步骤S401、将所述参数值的解空间平均分配为N组子空间与上述步骤S301相同，步骤S402、在每组子空间中随机生成M个个体与上述步骤S302相同，步骤S403、计算每个个体的适应度值与上述步骤S303相同，步骤S404、在每组子空间中按照所述适应度值由大至小选择前X个个体，得到候选个体与上述步骤S304相同，步骤S405、从所述候选个体中选取指定数目的候选个体作为初始种群与上述步骤S305相同，步骤S406、对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群与上述步骤S306相同，为简明起见，在此不再赘述。
在步骤S407中，计算所述新种群中个体的最大适应度值。
在此，将所述待检索图像的检索准确率作为适应度函数来计算所述初始种群经选择、交叉、变异操作后得到的新种群中的每个个体的适应度值，并从中确定出最大适应度值。
在步骤S408中，获取最大适应度值连续相同的当前相同代数以及所述新种群对应的初始种群的当前选择次数。
可以理解的是，本发明实施例中，可将第一次选取的初始种群的当前选择次数标记为1，将所有初始种群的当前相同代数标记为0，且当前选择次数和当前相同代数在迭代过程中可根据是否满足相应条件而变化并保存。因而，当得到新种群后，可获取该新种群中保存的当前选择次数和当前相同代数。
在步骤S409中，判断所述最大适应度值与上一代新种群的最大适应度值是否相同。
在此，在计算出当前新种群的最大适应度值后，可将该最大适应度值与保存的上一代新种群的最大适应度值进行比较，以判断该最大适应度值是否等于上一代新种群的最大适应度值。当该最大适应度值与上一代新种群的最大适应度值相同时，则执行步骤S410、将所述当前相同代数增加一代数单位；当该最大适应度值与上一代新种群的最大适应度值不相同时，则将当前相同代数重新标定为0，并返回执行对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群的步骤以及后续步骤。
本发明实施例中，在返回执行对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群的步骤以及后续步骤中，首先将当前新种群中最大适应度值对应的最优个体确定为下一次新种群的候选个体，以替换下一次新种群的最差个体，然后再进行选择、交叉、变异的迭代操作，即在对初始种群重新选择以得到新的新种群时，需将上一次精英选择得到的最优个体加入候选个体中。
在步骤S411中，判断增加一代数单位后的当前相同代数是否等于预设相同代数。
若当前新种群的最大适应度值与上一代新种群的最大适应度值相等，则需将最大适应度值连续相同的当前相同代数增加一代数单位，如增加一代，随后，判断增加一代后的当前相同代数是否与预设相同代数相同，假定预设相同代数为10代，即判断当前相同代数是否达到10代，若未达到的话，则仍需返回执行对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群的步骤以及后续步骤；若达到10代的话，则执行步骤S412、将所述当前选择次数增加一次数单位。
在此，同样地，在返回执行对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群的步骤以及后续步骤中，首先将当前新种群中最大适应度值对应的最优个体确定为下一次新种群的候选个体，以替换下一次新种群的最差个体，然后再进行选择、交叉、变异的迭代操作，即在下一次迭代的新种群的选取中，需加入上一代精英选择得到的最优个体。
在步骤S413中，判断增加一次数单位后的当前选择次数是否等于预设选择次数。
若最大适应度值连续10代取值相同，则表明预设遗传算法取得了该参数值的局部最优解，为确定该局部最优解是否为该参数值的实际最优值，则需要重新确定初始种群来重新获取局部最优解后进行判断，如果进行预设次数的初始种群的选择后，均得到该局部最优解，则表明该局部最优解为该参数值的实际最优值。
当最大适应度值连续相同的代数达到预设相同代数后，将初始种群的当前选择次数增加一次数单位，如增加一次，判断此时的当前选择次数是否等于预设选择次数，本发明实施例中，可假设预设选择次数为3次，即判断增加一次后的当前选择次数是否为3次，若是的话，则表明连续三次求得的局部最优解相同，则确定该局部最优解为该参数值的实际最优值，即执行步骤S414、终止并获取所述参数值；若增加一次后的当前选择次数未达到3次的话，则确定该局部最优解不是该参数值的实际最优值，即还未取得该参数值的实际最优值，此时将初始种群的当前选择次数重新确定为0，并返回执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤。
在此，本发明实施例中，通过优化遗传算法的终止条件，避免了参数值的解停留在局部最优解的情况，确保了遗传算法搜索解的准确性，从而得到脉冲发放皮层模型的最优参数值，以提高纹理特征提取的准确性，提高相关图像检索的准确性及检索效率。
进一步地，如图5中所示，本发明实施例提供的一种基于脉冲发放皮层模型的图像检索方法在又一个应用场景下采用预设遗传算法确定参数值时，具体包括：步骤S501、步骤S502、步骤S503、步骤S504、步骤S505、步骤S506、步骤S507、步骤S508、步骤S509、步骤S510及步骤S511。
其中，步骤S501、步骤S502、步骤S503、步骤S504、步骤S505、步骤S506分别与前述的步骤S301、步骤S302、步骤S303、步骤S304、步骤S305、步骤S306相同，为简明起见，在此不再赘述。
在步骤S507中，获取所述新种群所处的当前迭代代数和所述新种群对应的初始种群的当前选择次数。
可以理解的是，本发明实施例中，可将第一次选取的初始种群的当前选择次数标记为1，将所有初始种群的当前迭代代数标记为1，且当前选择次数和当前迭代代数在迭代过程中可根据是否满足相应条件而变化并保存。因而，当得到新种群后，可获取该新种群中保存的当前选择次数和当前迭代代数。
在步骤S508中，判断所述当前迭代代数是否等于预设迭代代数。
本发明实施例中，通过判断初始种群的迭代代数是否达到预设迭代代数来确定是否取得参数值的局部最优解，假设预设迭代代数为50代。因而，当该当前迭代代数等于预设迭代代数50代时，确定获得该参数值的局部最优解，此时执行步骤S509、将当前选择次数增加一次数单位，即将选择初始种群的次数增加一次数单位，如一次，以进一步判断该局部最优解是否为该参数值的实际最优值；当该当前迭代代数未达到预设迭代代数50代时，则确定未取得该参数值的局部最优解，此时，应当返回执行对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群的步骤以及后续步骤，以确保能得到该参数值的局部最优解。
可以理解的是，本发明实施例中，在下一次迭代中，需将上一代精英选择得到的最优个体来替换下一代新种群的最差个体，然后再对替换后的新种群进行选择、交叉、变异的迭代操作。
在步骤S510中，判断增加一次数单位后的所述当前选择次数是否等于预设选择次数。
若初始种群迭代到了50代，则表明采用预设遗传算法已经取得了该参数值的局部最优解，但该局部最优解是否为该参数值的实际最优值，则需要通过重新确定初始种群以重新获取局部最优解来确定，如果进行预设次数的初始种群的选择后，均得到该局部最优解，则表明该局部最优解即为该参数值的实际最优值。
当初始种群迭代到了预设迭代代数后，将初始种群的当前选择次数增加一次数单位，如增加一次，判断此时的当前选择次数是否等于预设选择次数，本发明实施例中，可假设预设选择次数为3次，即判断增加一次后的当前选择次数是否达到3次，若达到的话，则表明连续三次求得的该参数值的局部最优解相同，则确定该局部最优解为该参数值的实际最优值，即执行步骤S511、终止并获取所述参数值；若增加一次后的当前选择次数未达到3次的话，则确定该局部最优解不是该参数值的实际最优值，即还未得到该参数值的实际最优值，此时将初始种群的当前选择次数重新确定为0，并返回执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤。
可选地，本发明实施例中，若未取得参数值的实际最优值时，需返回执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤，而在返回执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤之前，需先获取所述当前选择次数中所述最大适应度值对应的最优个体，并将所述最优个体确定为候选个体后，再进入执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤。
即将该最优个体增加至步骤S301至步骤S304中确定的候选个体中，然后按照择优选择从包含该最优个体的候选个体中选取指定数目的个体作为下一次的初始种群，从而进一步提高初始种群分布的合理性，提高预设遗传算法的搜索准确性及搜索性能。
在此，本发明实施例中，通过预设遗传算法确定的脉冲发放皮层模型的模型参数的最优参数值，可以为：
Figure BDA0001574110270000151
由上述可知，本发明实施例中，局部最优解取得的确定条件有：a、最大适应度值连续相同的当前相同代数达到了预设相同代数；b、当前迭代次数达到了预设迭代代数。可以理解的是，在采用预设遗传算法确定参数值过程中，可以仅采用其中的一种确定条件来确定局部最优解的取得，当然也可以同时采用这两种确定条件来确定局部最优解的取得，也就是说，当当前迭代次数达到了预设迭代代数，但最大适应度值连续相同的当前相同代数未达到预设相同代数时，认为已经取得了局部最优解；同样地，当最大适应度值连续相同的当前相同代数达到了预设相同代数，但当前迭代次数未达到预设迭代代数时，亦认为已经取得了局部最优解。
本发明实施例中，通过改进传统遗传算法中初始种群的分布情况和/或改进传统遗传算法的终止条件来得到优化后的预设遗传算法，通过优化后的预设遗传算法来自动进行脉冲发放皮层模型参数值的设定，并利用设定后的脉冲发放皮层模型来提取待检索图像的纹理特征，以根据所提取的纹理特征进行相关图像的检索，提高了模型参数的设置效率，并且提高了纹理特征提取的准确性，从而极大地提高了相关图像检索的准确性及检索效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
上面主要描述了一种基于脉冲发放皮层模型的图像检索方法方法，下面将对一种基于脉冲发放皮层模型的图像检索装置进行详细描述。
图6示出了本发明实施例中一种基于脉冲发放皮层模型的图像检索装置一个实施例结构图，所述图像检索装置包括：
参数获取模块601，用于采用预设遗传算法确定脉冲发放皮层模型的参数值；
特征提取模块602，用于通过所述参数值确定后的所述脉冲发放皮层模型提取待检索图像的纹理特征；
图像检索模块603，用于基于所述纹理特征检索与所述待检索图像相关的图像。
可选地，所述参数获取模块601，包括：
分配单元，用于将所述参数值的解空间平均分配为N组子空间；
生成单元，用于在每组子空间中随机生成M个个体；
第一计算单元，用于计算每个个体的适应度值；
候选个体选择单元，用于在每组子空间中按照所述适应度值由大至小选择前X个个体，得到候选个体；
初始种群选取单元，用于从所述候选个体中选取指定数目的候选个体作为初始种群；
新种群得到单元，用于对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群；
第一参数获取单元，用于若所述新种群满足终止条件，则终止并获取所述参数值；
其中，所述N、M、X为大于零的整数。
可选地，所述获取单元包括：
第二计算单元，用于计算所述新种群中个体的最大适应度值；
第一获取单元，用于获取最大适应度值连续相同的当前相同代数以及所述新种群对应的初始种群的当前选择次数；
相同代数增加单元，用于当所述最大适应度值与上一代新种群的最大适应度值相同时，将所述当前相同代数增加一代数单位；
相同代数判断单元，用于判断增加一代数单位后的当前相同代数是否等于预设相同代数；
第一进入执行单元，用于若所述当前相同代数不等于所述预设相同代数，则进入执行对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群的步骤以及后续步骤；
第一选择次数增加单元，用于若所述当前相同代数等于所述预设相同代数，则将所述当前选择次数增加一次数单位；
第一选择次数判断单元，用于判断增加一次数单位后的当前选择次数是否等于预设选择次数；
第二参数获取单元，用于若所述当前选择次数等于预设选择次数，终止并获取所述参数值；
第二进入执行单元，用于若所述当前选择次数不等于所述预设选择次数，则进入执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤。
可选地，所述获取单元包括：
第二获取单元，用于获取所述新种群所处的当前迭代代数和所述新种群对应的初始种群的当前选择次数；
当前迭代代数判断单元，用于判断所述当前迭代代数是否等于预设迭代代数；
第三进入执行单元，用于若所述当前迭代代数不等于所述预设迭代代数，则进入执行对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群的步骤以及后续步骤；
第二选择次数增加单元，若所述当前迭代代数等于所述预设迭代代数，则将所述当前选择次数增加一次数单位；
第二选择次数判断单元，用于判断增加一次数单位后的所述当前选择次数是否等于预设选择次数；
第三参数获取单元，用于若所述当前选择次数等于预设选择次数，终止并获取所述参数值；
第四进入执行单元，若所述当前选择次数不等于所述预设选择次数，则进入执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤。
可选地，所述第二进入执行单元和所述第四进入执行单元，具体用于若所述当前选择次数不等于所述预设选择次数，获取所述当前选择次数中所述最大适应度值对应的最优个体，将所述最优个体确定为候选个体，并进入执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤。
可选地，在所述第一计算单元和所述第二计算单元中，将所述待检索图像的检索准确率作为适应度函数来计算每个个体的适应度值。
图7是本发明一实施例提供的图像检索设备的示意图。如图7所示，该实施例的图像检索设备700包括：处理器701、存储器702以及存储在所述存储器702中并可在所述处理器701上运行的计算机程序703，例如基于脉冲发放皮层模型的图像检索程序。所述处理器701执行所述计算机程序703时实现上述各个基于脉冲发放皮层模型的图像检索方法实施例中的步骤，例如图2所示的步骤S201至步骤S203。或者，所述处理器701执行所述计算机程序703时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块601至603的功能。
示例性的，所述计算机程序703可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器702中，并由所述处理器701执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序703在所述图像检索设备700中的执行过程。例如，所述计算机程序703可以被分割成参数获取模块、特征提取模块、图像检索模块，各模块具体功能如下：
参数获取模块，用于采用预设遗传算法确定脉冲发放皮层模型的参数值；
特征提取模块，用于通过所述参数值确定后的所述脉冲发放皮层模型提取待检索图像的纹理特征；
图像检索模块，用于基于所述纹理特征检索与所述待检索图像相关的图像。
所述图像检索设备700可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述图像检索设备可包括，但不仅限于，处理器701、存储器702。本领域技术人员可以理解，图7仅仅是图像检索设备700的示例，并不构成对图像检索设备700的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述图像检索设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器701可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器702可以是所述图像检索设备700的内部存储单元，例如图像检索设备700的硬盘或内存。所述存储器702也可以是所述图像检索设备700的外部存储设备，例如所述图像检索设备700上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。进一步地，所述存储器702还可以既包括所述图像检索设备700的内部存储单元也包括外部存储设备。所述存储器702用于存储所述计算机程序以及所述图像检索设备所需的其他程序和数据。所述存储器702还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于脉冲发放皮层模型的图像检索方法，其特征在于，包括：
采用预设遗传算法确定脉冲发放皮层模型的参数值；
通过所述参数值确定后的所述脉冲发放皮层模型提取待检索图像的纹理特征；
基于所述纹理特征检索与所述待检索图像相关的图像；
所述采用预设遗传算法确定脉冲发放皮层模型的参数值，包括：
将所述参数值的解空间平均分配为N组子空间；
在每组子空间中随机生成M个个体；
计算每个个体的适应度值；
在每组子空间中按照所述适应度值由大至小选择前X个个体，得到候选个体；
从所述候选个体中选取指定数目的候选个体作为初始种群；
对所述初始种群依次执行编码操作、选择操作、交叉操作和变异操作，得到新种群，其中，采用轮盘赌模型作为选择算子对编码后的初始种群执行选择操作；
若所述新种群满足终止条件，则终止并获取所述参数值；
其中，所述N、M、X为大于零的整数；
所述若所述新种群满足终止条件，则终止并获取所述参数值，包括：
计算所述新种群中个体的最大适应度值；
获取最大适应度值连续相同的当前相同代数以及所述新种群对应的初始种群的当前选择次数；
当所述最大适应度值与上一代新种群的最大适应度值相同时，将所述当前相同代数增加一代数单位；
判断增加一代数单位后的当前相同代数是否等于预设相同代数；
若所述当前相同代数不等于所述预设相同代数，则进入执行对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群的步骤以及后续步骤；
若所述当前相同代数等于所述预设相同代数，则将所述当前选择次数增加一次数单位；
判断增加一次数单位后的当前选择次数是否等于预设选择次数；
若所述当前选择次数等于预设选择次数，终止并获取所述参数值；
若所述当前选择次数不等于所述预设选择次数，则进入执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤；
在所述计算每个个体的适应度值中，将所述待检索图像的检索准确率作为适应度函数来计算每个个体的适应度值；
所述若所述当前选择次数不等于所述预设选择次数，则进入执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤，具体包括：
若所述当前选择次数不等于所述预设选择次数，获取所述当前选择次数中所述最大适应度值对应的最优个体，将所述最优个体确定为候选个体，并进入将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤。
2.根据权利要求1所述的图像检索方法，其特征在于，所述若所述新种群满足终止条件，则终止并获取所述参数值，包括：
获取所述新种群所处的当前迭代代数和所述新种群对应的初始种群的当前选择次数；
判断所述当前迭代代数是否等于预设迭代代数；
若所述当前迭代代数不等于所述预设迭代代数，则进入执行对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群的步骤以及后续步骤；
若所述当前迭代代数等于所述预设迭代代数，则将所述当前选择次数增加一次数单位；
判断增加一次数单位后的所述当前选择次数是否等于预设选择次数；
若所述当前选择次数等于预设选择次数，终止并获取所述参数值；
若所述当前选择次数不等于所述预设选择次数，则进入执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤。
3.一种基于脉冲发放皮层模型的图像检索装置，其特征在于，包括：
参数获取模块，用于采用预设遗传算法确定脉冲发放皮层模型的参数值；
特征提取模块，用于通过所述参数值确定后的所述脉冲发放皮层模型提取待检索图像的纹理特征；
图像检索模块，用于基于所述纹理特征检索与所述待检索图像相关的图像；
所述参数获取模块，包括：
分配单元，用于将所述参数值的解空间平均分配为N组子空间；
生成单元，用于在每组子空间中随机生成M个个体；
第一计算单元，用于计算每个个体的适应度值；
候选个体选择单元，用于在每组子空间中按照所述适应度值由大至小选择前X个个体，得到候选个体；
初始种群选取单元，用于从所述候选个体中选取指定数目的候选个体作为初始种群；
新种群得到单元，用于对所述初始种群依次执行编码操作、选择操作、交叉操作和变异操作，得到新种群，其中，采用轮盘赌模型作为选择算子对编码后的初始种群执行选择操作；
第一参数值获取单元，用于若所述新种群满足终止条件，则终止并获取所述参数值；
其中，所述N、M、X为大于零的整数；
所述获取单元包括：
第二计算单元，用于计算所述新种群中个体的最大适应度值；
第一获取单元，用于获取最大适应度值连续相同的当前相同代数以及所述新种群对应的初始种群的当前选择次数；
相同代数增加单元，用于当所述最大适应度值与上一代新种群的最大适应度值相同时，将所述当前相同代数增加一代数单位；
相同代数判断单元，用于判断增加一代数单位后的当前相同代数是否等于预设相同代数；
第一进入执行单元，用于若所述当前相同代数不等于所述预设相同代数，则进入执行对所述初始种群依次执行选择操作、交叉操作和变异操作，得到新种群的步骤以及后续步骤；
第一选择次数增加单元，用于若所述当前相同代数等于所述预设相同代数，则将所述当前选择次数增加一次数单位；
第一选择次数判断单元，用于判断增加一次数单位后的当前选择次数是否等于预设选择次数；
第二参数获取单元，用于若所述当前选择次数等于预设选择次数，终止并获取所述参数值；
第二进入执行单元，用于若所述当前选择次数不等于所述预设选择次数，则进入执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤；
所述第二进入执行单元，具体用于若所述当前选择次数不等于所述预设选择次数，获取所述当前选择次数中所述最大适应度值对应的最优个体，将所述最优个体确定为候选个体，并进入执行将所述参数值的解空间平均分配为N组子空间的步骤以及后续步骤；
在所述第一计算单元和所述第二计算单元中，将所述待检索图像的检索准确率作为适应度函数来计算每个个体的适应度值。
4.一种图像检索设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1或2中任一项所述图像检索方法的步骤。
5.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1或2中任一项所述图像检索方法的步骤。
CN201810128253.5A 2018-02-08 2018-02-08 基于脉冲发放皮层模型的图像检索方法、设备及存储介质 Active CN108509487B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810128253.5A CN108509487B (zh) 2018-02-08 2018-02-08 基于脉冲发放皮层模型的图像检索方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810128253.5A CN108509487B (zh) 2018-02-08 2018-02-08 基于脉冲发放皮层模型的图像检索方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN108509487A CN108509487A (zh) 2018-09-07
CN108509487B true CN108509487B (zh) 2022-09-30

Family

ID=63375027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810128253.5A Active CN108509487B (zh) 2018-02-08 2018-02-08 基于脉冲发放皮层模型的图像检索方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN108509487B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814946B (zh) * 2020-03-17 2022-11-15 同济大学 一种基于多体进化的图像描述自动生成方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901300A (zh) * 2010-07-09 2010-12-01 大连理工大学 一种采用链状多种群的遗传算法从体液代谢轮廓中筛选肝病标志物的方法
CN102663499A (zh) * 2012-03-11 2012-09-12 西安电子科技大学 基于模拟退火遗传算法的网络社区划分方法
WO2013052632A1 (en) * 2011-10-05 2013-04-11 Siemens Corporation Pathological image analysis using neighbourhood graphs and geometric statistics of nuclei
CN103995468A (zh) * 2014-05-26 2014-08-20 天津大学 基于遗传算法的光纤扰动系统的偏振控制方法及其装置
CN104867138A (zh) * 2015-05-07 2015-08-26 天津大学 基于pca和ga-elm的立体图像质量客观评价方法
CN106327443A (zh) * 2016-08-24 2017-01-11 电子科技大学 一种改进的遗传算法的夜间图像增强方法
CN106650980A (zh) * 2015-11-02 2017-05-10 中国石油化工股份有限公司 一种基于遗传算法的远洋lng供需调度方法
CN107273842A (zh) * 2017-06-09 2017-10-20 北京工业大学 基于csjoga算法的选择性集成人脸识别方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7933451B2 (en) * 2005-11-23 2011-04-26 Leica Geosystems Ag Feature extraction using pixel-level and object-level analysis
CN100561509C (zh) * 2006-07-11 2009-11-18 南京大学 一种改进的混合遗传算法优化水质模型参数的设计方法
CN101515311B (zh) * 2009-04-07 2010-05-12 北京航空航天大学 卫星隔热层与散热面的系统的联合优化设计参数确定方法
CN102337979A (zh) * 2011-08-11 2012-02-01 浙江大学 一种基于遗传算法的发动机自动标定参数优化方法
US8600153B2 (en) * 2012-02-07 2013-12-03 Zencolor Corporation System and method for normalization and codification of colors for dynamic analysis
CN102880754A (zh) * 2012-09-21 2013-01-16 武汉理工大学 基于遗传算法的土地利用分形维数作用尺度的识别方法
CN107240100B (zh) * 2017-04-06 2020-06-23 曙光星云信息技术（北京）有限公司 一种基于遗传算法的图像分割方法和系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901300A (zh) * 2010-07-09 2010-12-01 大连理工大学 一种采用链状多种群的遗传算法从体液代谢轮廓中筛选肝病标志物的方法
WO2013052632A1 (en) * 2011-10-05 2013-04-11 Siemens Corporation Pathological image analysis using neighbourhood graphs and geometric statistics of nuclei
CN102663499A (zh) * 2012-03-11 2012-09-12 西安电子科技大学 基于模拟退火遗传算法的网络社区划分方法
CN103995468A (zh) * 2014-05-26 2014-08-20 天津大学 基于遗传算法的光纤扰动系统的偏振控制方法及其装置
CN104867138A (zh) * 2015-05-07 2015-08-26 天津大学 基于pca和ga-elm的立体图像质量客观评价方法
CN106650980A (zh) * 2015-11-02 2017-05-10 中国石油化工股份有限公司 一种基于遗传算法的远洋lng供需调度方法
CN106327443A (zh) * 2016-08-24 2017-01-11 电子科技大学 一种改进的遗传算法的夜间图像增强方法
CN107273842A (zh) * 2017-06-09 2017-10-20 北京工业大学 基于csjoga算法的选择性集成人脸识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An improved genetic algorithm with initial population strategy and self-adaptive member grouping;VedatToğan 等;《Computers & Structures》;20080630;第86卷(第11-12期);1204-1218 *
Iris recognition based on sparse representation and k-nearest subspace with genetic algorithm;Ashok KBhateja 等;《Pattern Recognition Letters》;20160430;第73卷;13-18 *
基于FPGA的实时图像纹理检索技术的研究;杨睿嘉;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20190115(第01期);I138-3104 *
基于去噪和精英遗传聚类算法的SAR图像变化检测;李巧凤;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20160315(第03期);I136-2470 *

Also Published As

Publication number Publication date
CN108509487A (zh) 2018-09-07

Similar Documents

Publication Publication Date Title
CN107944020B (zh) 人脸图像查找方法及装置、计算机装置和存储介质
KR102476343B1 (ko) 자리수가 비교적 적은 고정 소수점 수치의 신경망 연산에 대한 지원 장치와 방법
CN108898643B (zh) 图像生成方法、装置与计算机可读存储介质
CN108154105B (zh) 水下生物检测与识别方法、装置、服务器及终端设备
CN107679466B (zh) 信息输出方法和装置
CN109949219B (zh) 一种超分辨率图像的重构方法、装置及设备
CN110276409A (zh) 一种时间序列异常检测方法、装置、服务器和存储介质
CN116363261B (zh) 图像编辑模型的训练方法、图像编辑方法和装置
CN110097616B (zh) 一种联合绘画方法、装置、终端设备及可读存储介质
CN114896067B (zh) 任务请求信息的自动生成方法、装置、计算机设备及介质
CN114139013A (zh) 图像搜索方法、装置、电子设备及计算机可读存储介质
CN111223128A (zh) 目标跟踪方法、装置、设备及存储介质
Celebi et al. Colour quantisation using the adaptive distributing units algorithm
CN109359542B (zh) 基于神经网络的车辆损伤级别的确定方法及终端设备
CN108509487B (zh) 基于脉冲发放皮层模型的图像检索方法、设备及存储介质
CN108090117A (zh) 一种图像检索方法及装置，电子设备
CN111353577B (zh) 基于多任务的级联组合模型的优化方法、装置及终端设备
CN111382760B (zh) 图片类别的识别方法、装置及计算机可读存储介质
Kamal et al. Detection of Sudoku puzzle using image processing and solving by Backtracking, Simulated Annealing and Genetic Algorithms: A comparative analysis
CN116071625A (zh) 深度学习模型的训练方法、目标检测方法及装置
CN114078214B (zh) 一种基于复数神经网络的雷达目标rcs识别方法及装置
CN109784361A (zh) 贝类产品分类识别方法及装置
CN112907503B (zh) 基于自适应卷积神经网络的南美白对虾品质检测方法
CN113139577A (zh) 一种基于可变形卷积网络的深度学习图像分类方法及系统
CN114004974A (zh) 对弱光环境下拍摄的图像的优化方法及装置

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