一种基于新遗传编程结构及基因修饰的图像分类方法技术

本发明专利技术公开了一种基于新遗传编程结构及基因修饰的图像分类方法，包括以下步骤：对训练数据集进行预处理；采用演化学习的方法演化

【技术实现步骤摘要】
一种基于新遗传编程结构及基因修饰的图像分类方法


[0001]本专利技术属于计算机软件
，具体涉及一种基于新遗传编程结构及基因修饰的图像分类方法
。

技术介绍

[0002]遗传编程是一种能够自动演化出计算程序的演化学习算法，其能够利用生物遗传和自然选择的原则求解问题
。
深度神经网络拥有固定的网络结构，所以对于不同的图像分类任务，深度神经网络的固定结构存在较大的局限性，且其可解释性不强
。
具有灵活表示的
GP
可以在不使用领域知识的情况下找到最佳解决方案，并且可以针对不同类型的任务
(
数据集
)
开发出不同的
GP
模型表达式
。
[0003]大部分基于
GP
的图像分类方法通常使用灰度数据集，只有少数方法能够处理彩色图像，并且这些方法往往通过提取尽可能多的非图像颜色特征来实现
。
值得注意的是，在这些方法中，针对灰度图像的分类效果在彩色图像上可能并不理想
。
目前，大多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于新遗传编程结构，其特征在于，包括如下功能层：
1、
池化层：对输入图像进行压缩尺寸处理；
2、
图像滤波层：对输入图像进行图像增强
、
提取和重构图像纹理等处理；
3、
边缘检测层：识别输入图像的突出部分；
4、
特征提取层：对输入图像中不同类型的信息进行提取；
5、
颜色特征提取层：提取输入图像中的颜色特征；
6、
连结层：将不同处理获得的图像特征串联；
7、
分类层：对图像特征应用分类器进行图像分类；
8、
决策层：根据不同分类器输出的预测向量投票出最终结果
。2.
根据权利要求1所述的一种基于新遗传编程结构及基因修饰的图像分类方法，其特征在于：所述可变层允许
GP
模型拥有多个池化层或图像滤波层以提取图像特征，由于
GP
模型表达式的灵活性，使得本发明可以针对不同类型的任务开发出更适合的
GP
模型表达式
。3.
根据权利要求1所述的一种基于新遗传编程结构及基因修饰的图像分类方法，其特征在于：所述对于颜色特征提取层，采用颜色矩提取图像的颜色分布，输出为一个1×9的向量形式
。4.
根据权利要求1所述的一种基于新遗传编程结构及基因修饰的图像分类方法，其特征在于：所述对于分类层，每个分类器训练时采用三折交叉验证，取三次训练集准确率的平均值作为最终准确率
。5.
一种根据权利要求1所述的基于新遗传编程结构的基因修饰的图像分类方法，其特征在于，包括如下步骤：
S1、
对训练数据集进行预处理；
S2、
采用演化学习的方法演化
GP
模型，并结合基因修饰方法，寻找最优
...

【专利技术属性】
技术研发人员：张洋，黄晓文，
申请(专利权)人：深圳大学，
类型：发明
国别省市：