[发明专利]基于组遗传算法的图像属性聚类方法

说明书

本发明提供了一种基于组遗传算法的图像属性聚类方法，包括：第一步骤：针对N幅图像，随机生成N个染色体作为初始种群，其中每个染色体代表一个可能的属性聚类结果，每幅图像有m个属性，并且将图像的属性分成多个组；第二步骤：计算每个染色体的适应度函数值；第三步骤：根据计算出的染色体适应度函数值，使用赌轮选择策略选择下一代N个染色体；第四步骤：对染色体的组部分执行交叉算子；第五步骤：对染色体的属性部分执行变异算子；第六步骤：对染色体的属性部分执行反转算子；第七步骤：重复第二步骤至第六步骤直到完成给定的遗传代数；第八步骤：输出完成给定的遗传代数得到的最优适应度函数值的染色体。

技术领域

本发明涉及图像识别领域，更具体地说，本发明涉及一种基于组遗传算法的图像属性聚类方法。

背景技术

基于学习的图像识别方法在过去的几年中取得了很大进步。对特定的对象类，特别是人脸和汽车，都有比较可靠和高效的基于底层特征(例如SIFT(Scale InvariantFeature Transform)特征或者HOG(Histogram of Oriented Gradient)特征)的识别。但是这些图像的底层特征不能很好地反映图像类别信息。最近新的研究资料提出使用图像固有属性进行分类的方法。属性是指可以由人指定名称并且能在图像中观察到的特性，可以表示图像中对象是否存在，可以描述图像中对象的颜色、形状、材质、部件、类别及功能，也可以表示图像中场景的类别以及上下文信息等。因此基于图像的属性特征进行分类的研究越来越多。表示一个图像的属性特征有很多，如何从这些众多属性特征中找到对于图像分类有价值的属性至关重要。基于图像属性聚类的方法就是一种属性选择的方法，把相似的属性归为一组，这样当缺失某些属性的情况下，可以由同组的其他属性来进行替代。进行属性选择，实施属性聚类的方法有很多种，如有粒子群算法，遗传算法等。

粒子群算法PSO(particle swarm optimization)是由Kennedy和Eberhart在研究鸟类和鱼类的群体行为基础上于1995年提出的一种群智能算法。其思想来源于人工生命和演化计算理论，模仿鸟群飞行觅食行为，通过鸟集体协作使群体达到最优。PSO模拟鸟群的捕食行为，每个优化问题的解都是搜索空间中的一只鸟，称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定它们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中进行搜索，直至搜索到最优解。

粒子群算法采用实数求解，并且需要调整的参数较少，易于实现。但是该算法也存在易于陷入局部最优，出现早熟收敛的问题。在计算粒子的速度时，将惯性权重引入算法。通过实验研究表明，该参数对算法的性能有较大的影响。如果w值较大，有利于跳出局部最优，进行全局寻优；而w值较小，有利于局部寻优，加速算法收敛。一般的做法是将w值随着迭代次数的增加而线性减少。但是这样做较依赖于迭代次数，不能反映实际粒子变化的情况，不能反映实际优化搜索过程。

遗传算法来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说。其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法。它模拟了自然选择和自然遗传过程中发生的繁殖、交配和变异现象，根据适者生存、优胜劣汰的自然法则，通过选择、交叉和变异等遗传算子，使群体一代一代地进行到搜索空间中越来越好的区域，直至获得最优解。

遗传算法有三个基本算子：选择、交叉和变异。这三个算子的实现也有许多参数，如交叉概率和变异概率，并且这些参数的选择严重影响解的品质，而目前这些参数的选择大部分是依靠经验。遗传算法善长全局搜索，然而其局部搜索能力却明显不足,搜索到最优解或满意解的速度太慢，存在易陷入局部最优解和选择压力过大造成的早熟收敛等问题。而且由于交叉变异等操作，不同的染色体可能代表相同的属性聚类结果，这样加大了搜索的范围，浪费了时间。

发明内容