基于改进蚁群算法的图像特征优化选择方法与系统技术方案

本发明专利技术涉及一种基于改进蚁群算法的图像特征优化选择方法与系统。该方法包括：创建特征样本的特征属性表、蚂蚁和蚂蚁表；对每只蚂蚁进行特征选择与编码，并计算每只蚂蚁的优度；随机选择部分蚂蚁对其所选择的特征子集进行变异；特征选择的终止判断；在所有蚂蚁完成一次特征选择后，计算特征的信息素含量及特征选择概率，并更新特征属性表的数据；输出最优特征集。本发明专利技术将改进的蚁群算法应用于图像（尤其是棉花异性纤维图像）目标特征优化，实现了对图像高维特征的优化选择，有效降低特征维数，提高分类识别的准确度。

【技术实现步骤摘要】

本专利技术涉及图像处理
，尤其涉及一种基于改进蚁群算法的图像特征优化 选择方法与系统，尤其适用于对棉花异性纤维的图像特征进行优化选择。
技术介绍
棉花异性纤维是指在棉花生产过程中混入棉花中的对棉花及其制品的质量有严 重影响的非棉纤维和色纤维，主要包括塑料布、布条、头发、麻绳、丙纶丝和鸡毛等。异性纤维在皮棉中的含量虽少，但对棉纺织品的质量影响严重，不仅影响纱线强 度，而且还影响着色，会对棉纺织工业造成重大经济损失。目前普遍的解决方法是通过挑拣 来降低异性纤维的含量，但这种人工的剔除方式需要消耗大量的人力物力，极大的增加了 棉纺织工业的成本。近年来，机器视觉技术推动了棉花异性纤维在线识别技术的发展。利用机器视觉 技术进行棉花异性纤维在线识别，关键是利用图像处理技术、模式识别技术对含有异性纤 维的棉花图像进行加工、处理、分析，并对分割出来的棉花异性纤维目标进行分类，分类的 正确率将直接影响后续进行的识别、计量、剔除工作，而用于分类的特征是分类正确率的关 键。对棉花异性纤维图像进行特征提取主要从颜色、形状、纹理三方面进行，但每一方面都 可以提取出大量的特征。如何从大量的特征中去除冗余无关的特征，选择出最主要的特征 是关键问题，特征选择的好坏直接影响到分类的准确率，制约着棉花异性纤维在线识别技 术发展。尽管目前对于棉花异性纤维目标图像的特征提取和模式识别的研究已经取得了 很多成果，也有很多成果已经在实际生产中进行了成功的应用，但在棉花异性纤维目标的 特征优化选择方面研究成果很少。
技术实现思路
(一)要解决的技术问题本专利技术要解决的技术问题是使选择的特征的分类性能更高，进一步提高分类速 度，并使选择的特征集具有全局性。( 二 )技术方案针对现有技术的不足，本专利技术提供了一种基于改进蚁群算法的图像特征优化选择 方法，包括以下步骤S1 创建对图像进行特征提取后得到的特征样本的特征属性表、蚂蚁和蚂蚁表；其中，所述特征属性表是由特征的选择概率和信息素含量构成的数组，所述蚂蚁 是由特征的编码和优度构成的数组，所述编码的值表示特征是否被选择，所投放的蚂蚁构 成所述蚂蚁表；S2:对每只蚂蚁进行特征选择与编码，并计算每只蚂蚁的优度，优度值的大小表示 蚂蚁所选择的特征子集的优劣程度；S3 随机选择部分蚂蚁对其所选择的特征子集进行变异；S4 判断是否达到选择次数的阀值，如达到，转至S6 ；否则执行S5 ；S5:根据每只蚂蚁的优度，重新设置特征的选择概率和信息素含量，至此完成一次 循环，选择次数加1，然后转至S2 ；S6:解码输出最优特征集，其中，蚂蚁表最后一行的蚂蚁的特征即为最优特征编 码，解码输出该最优特征编码得到最优特征集。其中，在步骤S1还包括初始化的步骤根据每个特征的样本值计算各特征的初始 优度，并根据所述初始优度计算初始选择概率，将得到的每个特征的初始选择概率填入所 述特征属性表的第一行，并将蚂蚁表中的数据置0，将信息素含量全部置为同一任选值，置 选择次数为1，完成初始化，其中，特征的初始优度表示特征的可分离程度。其中，所述步骤S2中，计算所述初始优度或优度时所使用的优度函数模型为 其中，抓=—，附’上式中，s表示初始优度或优度，c表示样本的种类总数，n,表示第i类样本总数， d表示样本总数，m表示所有样本的均值向量；计算初始优度时，样本的向量维数为1，即仅 包含所计算的样本的特征值，表示第i类样本中的第j个样本的特征值，m,表示第i类 样本的均值；计算优度时，表示第i类样本的第j个样本的特征向量，mi表示第i类样本 的均值向量。其中，利用以下初始选择概率函数模型根据初始优度计算初始选择概率 式中，x表示初始选择概率系数，Si为第i个特征的优度，smin表示最小优度值， 表示最大优度值。其中，步骤S2中，采用如下编码策略对每只蚂蚁进行编码产生一个随机数，由所 产生的随机数与特征的选择概率的大小决定每个特征是否被选择，每进行一次特征选择， 产生一次随机数。其中，步骤S3中，利用所产生的随机数确定变异的蚂蚁数、变异蚂蚁、变异的特征 数和变异特征，被选择进行变异的蚂蚁的优度优于未被选择进行变异的蚂蚁的优度。其中，步骤S5中，利用以下信息素含量函数模型计算信息素含量 上式中，t (i，t)表示蚂蚁在进行第t次循环时的第i个特征所带有的信息素含 量，A T (i，t)表示第i个特征在本次循环时信息素含量的变化量，a表示信息素的挥发系 数，0表示信息素的变化系数，a表示蚂蚁总数，f(Xi)为特征选择函数，如果特征Xi被第j 只蚂蚁所选择，则f(Xi)等于1，如果未被选择，则f(Xi)等于0，~表示第j蚂蚁的优度；和/或利用以下特征选择概率函数模型计算特征的选择概率 上式中，5表示概率系数，￡表示概率变化系数，b表示特征总数 )表k=\示所有特征上的信息素总量；特征的选择概率的最大值为1，若大于1则取1，最小为0，若 小于0则取0。其中，所述图像为棉花异性纤维图像。本专利技术还提供了一种基于改进蚁群算法的图像特征优化选择系统，包括初始化模块，用于创建对图像进行特征提取后得到的特征样本的特征属性表、蚂 蚁和蚂蚁表；其中，所述特征属性表是由特征的选择概率和信息素含量构成的数组，所述蚂 蚁是由特征的编码和优度构成的数组，所述编码的值表示特征是否被选择，所投放的蚂蚁 构成所述蚂蚁表；特征选择模块，用于对每只蚂蚁进行特征选择与编码，并计算每只蚂蚁的优度，优 度值的大小表示蚂蚁所选择的特征子集的优劣程度；特征变异模块，用于随机选择部分蚂蚁对其所选择的特征子集进行变异；条件判断模块，用于特征选择的终止判断；属性计算模块，用于在所有蚂蚁完成一次特征选择后，计算特征的信息素含量及 特征选择概率，并更新特征属性表的数据；特征输出模块，用于解码输出最优特征集，其中，蚂蚁表最后一行的蚂蚁的特征即 为最优特征编码，解码输出该最优特征编码即得到最优特征集。其中，所述特征选择模块包括随机数产生单元，用于产生特征选择时所需要的各 种随机数；以及特征选择与编码单元，用于对蚂蚁进行特征选择与编码。其中，所述特征变异模块包括随机数产生单元，用于产生特征选择时所需要的各 种随机数；以及蚂蚁变异单元，用于完成蚂蚁变异的各种计算与操作，包括变异蚂蚁的选 用、计算变异蚂蚁的优度以及对蚂蚁进行变异。(三)有益效果本专利技术的技术方案将每个特征的可分离性大小作为初始特征选择概率，将每次选 择的全部子集的优度作为下次选择的选择概率的主因素，加快了算法的收敛，使较优的特 征保留，较劣的特征抛弃，同时，增加了蚂蚁变异操作，使算法避免陷入局部性，使选择的特 征集具有全局性。附图说明图1是本专利技术实施例的基于改进蚁群算法的棉花异性纤维图像特征优化选择方 法的流程图；图2是图1所示方法的特征属性表结构示意图；图3是图1所示方法的蚂蚁数据结构示意图；图4是图1所示方法的蚂蚁表结构示意7图5是图1所示方法的特征变异流程图。 具体实施例方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细说明。以下实施 例用于说明本专利技术，但不用来限制本专利技术的范围。蚁群优化算法作为一种新颖的智能仿生算法，具有良好的选择机制、更新机制、协 调机制，已经在不同的组合优化问题中表现出良好性能。而本专利技术实施例将蚁群优本文档来自技高网...

【技术保护点】
一种基于改进蚁群算法的图像特征优化选择方法，其特征在于，包括以下步骤：Ｓ１：创建对图像进行特征提取后得到的特征样本的特征属性表、蚂蚁和蚂蚁表；其中，所述特征属性表是由特征的选择概率和信息素含量构成的数组，所述蚂蚁是由特征的编码和优度构成的数组，所述编码的值表示特征是否被选择，所投放的蚂蚁构成所述蚂蚁表；Ｓ２：对每只蚂蚁进行特征选择与编码，并计算每只蚂蚁的优度，优度值的大小表示蚂蚁所选择的特征子集的优劣程度；Ｓ３：随机选择部分蚂蚁对其所选择的特征子集进行变异；Ｓ４：判断是否达到选择次数的阀值，如达到，转至Ｓ６；否则执行Ｓ５；Ｓ５：根据每只蚂蚁的优度，重新设置特征的选择概率和信息素含量，至此完成一次循环，选择次数加１，然后转至Ｓ２；Ｓ６：解码输出最优特征集，其中，蚂蚁表最后一行的蚂蚁的特征即为最优特征编码，解码输出该最优特征编码得到最优特征集。

【技术特征摘要】

【专利技术属性】
技术研发人员：李道亮，赵学华，杨文柱，陈桂芬，张馨，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：11[中国|北京]