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，大多数现有的基于
GP
的方法在彩色图像分类方面的表现并不出色
。
此外，基于
GP
的图像分类方法中，演化
GP
模型的过程往往需要较长的时间
。
这是因为遗传编程算法涉及到对大量解空间的搜索和优化，需要在众多可能性中寻找最佳解决方案
。
由于图像数据的复杂性，尤其是在彩色图像分类任务中，需要花费更多的时间来适应不同颜色通道和特征的变化
。

技术实现思路

[0004]本专利技术的目标在于提供一种基于新的遗传编程结构和基因修饰的图像分类方法，以应对现有
技术介绍
中的问题
。
这些问题包括现有的基于遗传编程的方法在彩色图像分类方面性能不佳以及演化
GP
模型过程所需时间较长的挑战
。
[0005]为实现上述目的，本专利技术采用了如下技术方案：
[0006]一种基于新遗传编程结构，包括如下功能层：
[0007]1、
池化层：对输入图像进行压缩尺寸处理；
[0008]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；
[0009]3、
边缘检测层：识别输入图像的突出部分；
[0010]4、
特征提取层：对输入图像中不同类型的信息进行提取；
[0011]5、
颜色特征提取层：提取输入图像中的颜色特征；
[0012]6、
连结层：将不同处理获得的图像特征串联；
[0013]7、
分类层：对图像特征应用分类器进行图像分类；
[0014]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
。
[0015]优选的，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，使得本专利技术可以针对不同类型的任务开发出更适合的
GP
模型表达式
。
[0016]优选的，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
。
[0017]优选的，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
。
[0018]一种基于新遗传编程结构的基因修饰的图像分类方法，包括如下步骤：
[0019]S1、
对训练数据集进行预处理；
[0020]S2、
采用演化学习的方法演化
GP
模型，并结合基因修饰的方法，寻找最优
GP
模型；
[0021]S3、
将测试数据集放入产生的最优
GP
模型，并获取测试数据集精度
。
[0022]优选的，所述在训练数据集进行预处理阶段，包括将图像尺寸缩小
1/4
，并转换为
numpy
数组格式，最终将数据集保存为后缀为
.npy
格式的文件
。
[0023]优选的，所述寻找最优
GP
模型阶段，开始演化时，首先初始化一个种群，并对其中的个体进行适应度评估；如果有个体符合设定条件，则直接输出最优
GP
模型；否则进行基因修饰策略，将种群中的所有个体按照子分类器的个数分为两类，首先进行拥有2个子分类个体的基因修饰，从种群中挑选出两个亲代，对每个亲代的子分类器进行评分以建立评分表，挑选评分高的子分类器进行组合获得基因修饰个体，再对基因修饰个体进行适应度评估，如果基因修饰个体符合设定条件则输出最优
GP
模型，否则接着判断拥有3个子分类器的基因修饰个体是否符合设定条件；如果符合设定条件则输出，否则将在基因修饰过程产生的两个基因修饰个体放入种群中；对种群中的所有个体进行复制
、
交叉
、
突变产生新的个体，这些新个体与原种群一同构成下一代种群；对新一代种群进行适应度评估，重复以上步骤，直至找到满足条件的最优
GP
模型为止
。
[0024]优选的，所述算法中拥有一个列表存放上一代种群中所有个体的适应度值，若下一代种群中的个体与上一代种群中个体一致，可直接调用列表中存储的适应度值
。
[0025]本专利技术的技术效果和优点：本专利技术提出的一种基于新遗传编程结构及基因修饰的图像分类方法，与现有技术相比，具有以下优点：
[0026]1、
向新的
GP
模型中添加图像颜色特征提取层，获得每张图像的颜色矩，使得提取的图像特征包含颜色信息，最终模型能够有效处理灰度
/
彩色图像分类问题；
[0027]2、
向算法过程中加入了基因修饰过程，在基因修饰过程中，基因修饰个体可能获得适应度更好的
GP
模型，若达到条件，可以缩短程序运行时间；同时，基因修饰的引入还有助于提高种群的多样性，这对于算法的有效性和性能的改进具有重要作用
。
附图说明
[0028]图1为本专利技术的算法流程图；
[0029]图2为本专利技术的基因修饰过程流程图；
[0030]图3为本专利技术的
GP
树模型图
[0031]图4为本专利技术的连结层示意图；
[0032]图5为本专利技术的决策层示意图
。
具体实施方式
[0033]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例
。
此处
所描述的具体实施例仅仅用以解释本专利技术，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：