[发明专利]一种基于改进猫群算法的目标提取与分类的方法

摘要

本发明提供了一种基于改进猫群算法的目标提取与分类的方法。传统的群体智能算法在图像目标提取和分类中复杂度过高，又容易陷入局部最优，产生“早熟”。例如，猫群算法是一种典型的群体智能算法，但是它在大数据的图像处理中，出现运行时间过长，精确性不高的缺点。为此，本发明针对猫群算法的不足，提出了一种改进的猫群算法，我们在算法的跟踪模式中增加了惯性权重系数和加速系数，提高了算法的运行速度，缩短了运行时间。并且将改进的猫群算法应用到目标对象的提取与分类，即：首先输入图像，对图像进行预处理，并将其阈值化为二值图像，提取感兴趣的目标图像，计算目标对象的四个特征，形成新的特征向量，最后运用改进猫群算法进行分类，该方法不仅可以提升运算速度，而且提高目标对象提取与分类的准确性。

主权项

1.一种基于改进猫群算法的目标提取与分类的方法，其特征在于：对传统猫群算法进行了改进：(1)首先，在传统猫群算法的跟踪模式中速度更新公式中引进了一个非线性的惯性参数；其次，为了扩展搜索空间，增加了一个线性的自相关系数；对传统猫群算法的改进，其特征在于：①为了在局部搜索和全局搜索之间保持平衡，使用一个递增的线性惯性权重来进行调节，大的惯性权重有利于全局搜索而小惯性权重有利于局部搜索，因为随着惯性权重越来越大，全局搜索能力也越来越强，为此，在猫群算法的速度更新公式中增加一个非线性递减的惯性权重，公式如下所示这里W_max和W_min是惯性权重的最大值和最小值，t是迭代次数，iter₀是临界值，当迭代次数是iter₀时，W(t)就等于W_max，λ是一个常数，上式表明系数将会自适应的非线性递减；②在原始的猫群算法中，C(t)是速度更新公式中加速系数，为常数，通过如下公式进行自适应地更新：其中t是迭代次数，iter_max是最大迭代次数，是初始加速系数，是一个常数；③根据上述W(t)和C(t)两个参数，跟踪模式的速度更新公式变为如下所示：V_K，d(t+1)＝W(t)*V_k，d(t)+r₁*C(t)*(X_best，d(t)‑X_k，d(t))X_K，d(t+1)＝X_K，d(t)+V_K，d(t+1)表示更新后第k只猫的速度值，X_best，d(t)代表适应度最高的猫所处的位置；X_k，d(t)指的是第k只猫的位置，C(t)是一个常数，r₁是一个[0,1]之间的随机数；从上式可以看出，猫的移动方向由两部分决定：自己原来的速度V_K，d(t)、与猫群经历的最佳距离X_best，d(t)‑X_K，d(t)，分别由动态的惯性权重，加速系数C(t)，随机数r₁决定其值；(2)为了增加搜寻速度和效果，算法中使用了最优保留策略；(3)最后，使用改进猫群算法对目标对象进行提取和分类，其技术方案如下：1)输入待处理的原始图像；2)如原始图像有噪声，则首先对图像进行预处理：首先选取一个与背景一样无特色的区域，估计噪声模型和参数，然后根据噪声模型选取相应合适的滤波器进行滤波去噪；如果是椒盐噪声，则选用中值滤波；如果是高斯、均匀噪声，则选用均值滤波器；如果是周期噪声，则用频域滤波；如果没有噪声或模糊，则可跳过进行下一步；3)把预处理后的图像阈值分割为二值图像，然后对其中感兴趣的目标图像进行分割和标记选取；4)选取和计算目标图像的四个特征：细度比例、偏心率、区域的固靠性程度和区域的扩展程度，组成新的特征向量；5)将新的特征向量作为输入特征库，作为改进猫群算法的输入部分，利用新的猫群算法对目标对象进行分类，详细步骤如下：①对猫进行编码，把新的特征向量作为猫的速度，设定分组率、基因改变范围和记忆池大小；②初始化猫的位置和速度，最大迭代次数；最近邻聚类，根据新的聚类中心计算适应度值；③让一部分猫处于搜索模式，另一部分猫处于跟踪模式；根据分组率随机设定猫群中执行搜寻模式的猫和跟踪模式的猫，标志位0的猫执行搜寻模式，标志位1的猫执行跟踪模式；④猫需要找到全局最优位置，根据位置公式和改进后的速度更新公式来更新猫的速度及位置，向着最优解的方向逼近；⑤对每一只猫的自身位置复制j份，并对副本进行变异算子，根据位置公式对他们进行位置改变，计算位置更新后副本的适应度值，选取适应度值最高的位置作为猫移动的下一个位置；⑥根据猫的聚类中心编码，按照最近邻法确定样品的聚类划分，计算新的聚类中心，更新猫的适应度值，寻找并记录当前的最优解；⑦如果算法达到结束条件，则结束算法，最后返回各目标对象的分类标号，并输出相应的结果；否则调至第③步。