基于多树遗传规划的数据高效图像分类方法技术

本发明专利技术公开了基于多树遗传规划的数据高效图像分类方法，包括步骤：获取待分类图像；对待分类图像进行预处理；遗传规划个体分别处理图像的红色、绿色和蓝色通道，并对其进行多尺度操作、区域提取、特征提取、特征连接；将进化得到的个体对待分类图像进行特征转换得到新特征并进行归一化；将新特征输入到分类器中，输出待分类图像的分类结果。本发明专利技术基于多树遗传规划的彩色特征提取方法能够学习辨别性和信息丰富的彩色特征，从而提高了分类准确性；通过提出的多尺度特征提取，增强了捕捉更全面和丰富的图像特征用于分类的能力。和丰富的图像特征用于分类的能力。和丰富的图像特征用于分类的能力。

【技术实现步骤摘要】
基于多树遗传规划的数据高效图像分类方法


[0001]本专利技术涉及人工智能
，尤其涉及基于多树遗传规划的数据高效图像分类方法。

技术介绍

[0002]图像分类是指根据图像的视觉内容将其分类/标记为预定义类别的过程。它是计算机视觉和机器学习中的一项基本任务，并在物体识别、自动驾驶车辆和监控系统等领域具有各种应用。数据高效的图像分类旨在在训练数据有限的情况下实现高分类性能。然而，当可用的训练数据不足时，确定最相关和最有区分力的图像特征变得更具挑战性。
[0003]传多年来，已经开发出了许多图像分类方法。卷积神经网络在图像分类方面取得了显着的成功。它们由多个卷积层和全连接层组成。卷积神经网络可以学习图像的分层表示，即具有区分性的图像特征，从而在图像分类方面非常有效。然而，它们往往需要大量的数据集才能达到良好的性能，这样做可能会耗费时间和金钱用于获取、注释和训练。为了实现数据高效的图像分类，一些技术例如数据增强，迁移学习和半监督学习已经应用到了卷积神经网络方法中。但是，训练/运行卷积神经网络模型需要大量的计算资源，从而限制了在资源受限环境中的可用性。此外，理解卷积神经网络，特别是深度架构是如何达到特定分类决策的，是具有挑战性的，从而妨碍了其可解释性。
[0004]近年来，遗传规划已成功应用于图像分类。遗传规划是进化计算的一个子领域，是一种受生物进化启发的机器学习技术。它可以自动进化计算机程序/模型以解决复杂问题。在遗传规划中，通常通过符号表达式/树来表示的程序/个体/解构成一个种群。这些个体通过重复的世代演化和优化，模拟选择和遗传操作的进化过程。在图像分类任务中，遗传规划具有许多优势。首先，图像分类的遗传规划方法将模型表示为符号表达式/树，这提供了对进化模型的可读性和可解释性，这使得我们可以了解底层的逻辑，便于理解和分析进化模型。其次，过于复杂的模型可能难以从有限的训练数据中进行泛化。进化的遗传规划模型通常具有相对简单的结构(树深度和节点数较少)和少量参数，可能产生具有良好泛化能力的模型。最后，基于遗传规划的图像分类方法具有在CPU上训练和执行的优点，无需昂贵的计算资源。由于上述优势，遗传规划方法在图像分类方面表现出很好的性能。
[0005]在实现本专利技术的过程中，专利技术人发现现有技术中存在以下技术问题：
[0006]由于以下限制，遗传规划在图像分类中的潜力仍需进一步研究。第一，大多数现有的遗传规划方法都是使用灰度图像作为遗传规划树的输入，并从中学习特征。然而，颜色是图像表示的基本特征，可能在图像分类中起着重要作用。因此，有必要探索使用遗传规划直接从彩色图像中学习特征解决图像分类的方法。现有的遗传规划方法通常只专注于在单一尺度图像上学习特征，这限制了潜在准确性的提升。多尺度特征提取是一种策略，可以在图像内的不同细节/尺度级别捕获有价值的信息，并已经成功应用于卷积神经网络中，增强了它们的特征学习能力并提高了分类准确度。

技术实现思路

[0007]本专利技术为了解决上述问题，提供了一种基于多树遗传规划的数据高效图像分类方法，从少量的训练实例中学习到信息丰富、具有判别性的图像特征，达到较高的分类精度。
[0008]本专利技术采用的技术方案为：
[0009]基于多树遗传规划的数据高效图像分类方法，包括以下步骤：
[0010]S1，获取待分类图像；
[0011]S2，对待分类图像进行预处理；
[0012]S3，遗传规划个体分别处理图像的红色、绿色和蓝色通道，并对其进行多尺度操作、区域提取、特征提取和特征连接；
[0013]S4，将进化得到的个体对待分类图像进行特征转换得到新特征并进行归一化；
[0014]S5，将新特征输入到分类器中，输出待分类图像的分类结果。
[0015]进一步，所述S3的具体步骤为：
[0016]S331：输入需要进行图像分类的图像；
[0017]S332：分别设计遗传规划的程序结构、函数集和终端集，每个个体包含三个树，三个树的程序结构、函数集相同，输入的终端集分别为图像的红色、绿色和蓝色通道；
[0018]S333：通过每个节点的输入输出对应关系，生成遗传规划树个体，初始化种群；
[0019]S334：根据所选的个体适应度评价函数，评估种群中每一个个体的适应度值；
[0020]S335：通过精英操作、锦标赛选择来选择父代个体，再经过交叉、变异遗传操作生成下一代个体；
[0021]S336：采用S334中的适应度评价函数评估新种群中每个个体的适应度值；
[0022]S337：判断种群的最大迭代次数是否达到；若是，停止进化；否则，转入S336继续执行搜索过程。
[0023]进一步，所述S332中的程序结构为：
[0024]每个个体包括三个树，分别处理图像的红色、绿色和蓝色通道；树的结构由多个具有不同功能的层组成；这些层按顺序执行图像分类的子任务，即多尺度操作、区域检测、特征提取和特征连接；其中多尺度操作层和区域检测层是可选的；
[0025]所述函数集包含多尺度操作函数、区域选择函数、特征提取函数和特征连接函数；所述多尺度操作函数U_S采用双三次插值法生成高分辨率图像，D_S函数利用相同的技术构建低分辨率图像；
[0026]区域选择函数Region_S和Region_R能够自动识别图像中的正方形和矩形区域；通过将检测到的图像区域的位置和大小设置为遗传规划树的终端节点，遗传规划方法能够有效地识别出图像中区分不同类别的适当部分，从而提取对分类有用的局部特征；
[0027]特征提取函数能够捕捉各种图像特征例如形状和纹理特征，包括G_Hist和L_Hist分别从整个图像和检测到的图像区域提取直方图特征；G_uLBP和uLBP提取全局或局部二值模式特征；G_SIFT和L_SIFT提取全部和局部尺度不变特征变换特征；G_HOG和L_HOG提取全部和局部梯度直方图特征；G_DIF和L_DIF提取全部和局部领域独立特征；
[0028]特征连接函数FeaCon2和FeaCon3通过串联将从特征提取或连接层获得的两个/三个特征向量合并成一个特征向量；
[0029]所述终端集为：为了从图像中提取颜色特征，该方法引入了三个新的终端，即蓝
色、绿色和红色，分别作为单个遗传规划个体中三棵树的输入；蓝、绿、红是二维数组，其中像素值归一化为在区间[0,1]内；X和Y表示被检测图像区域左上角点的坐标；Size表示正方形区域检测到的区域的尺寸，Height和Width表示长方形区域检测到的区域的高度和宽度。
[0030]进一步，步骤S333具体为：
[0031]遗传规划种群的大小设置为100，迭代次数设置为50，个体的生成方式为“Rampedhalf
‑
and
‑
half”，树的深度范围第一代为[4,8]，之后树的最大深度为8。
[0032]进一步，步骤S334的具体为：
[0033]个体将一组训练集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多树遗传规划的数据高效图像分类方法，其特征在于，包括以下步骤：S1，获取待分类图像；S2，对待分类图像进行预处理；S3，遗传规划个体分别处理图像的红色、绿色和蓝色通道，并对其进行多尺度操作、区域提取、特征提取和特征连接；S4，将进化得到的个体对待分类图像进行特征转换得到新特征并进行归一化；S5，将新特征输入到分类器中，输出待分类图像的分类结果。2.根据权利要求1所述的基于多树遗传规划的数据高效图像分类方法，其特征在于，所述S3的具体步骤为：S331：输入需要进行图像分类的图像；S332：分别设计遗传规划的程序结构、函数集和终端集，每个个体包含三个树，三个树的程序结构、函数集相同，输入的终端集分别为图像的红色、绿色和蓝色通道；S333：通过每个节点的输入输出对应关系，生成遗传规划树个体，初始化种群；S334：根据所选的个体适应度评价函数，评估种群中每一个个体的适应度值；S335：通过精英操作、锦标赛选择来选择父代个体，再经过交叉、变异遗传操作生成下一代个体；S336：采用S334中的适应度评价函数评估新种群中每个个体的适应度值；S337：判断种群的最大迭代次数是否达到；若是，停止进化；否则，转入S336继续执行搜索过程。3.根据权利要求2所述的基于多树遗传规划的数据高效图像分类方法，其特征在于，所述S332中的程序结构为：每个个体包括三个树，分别处理图像的红色、绿色和蓝色通道；树的结构由多个具有不同功能的层组成；这些层按顺序执行图像分类的子任务，即多尺度操作、区域检测、特征提取和特征连接；其中多尺度操作层和区域检测层是可选的；所述函数集包含多尺度操作函数、区域选择函数、特征提取函数和特征连接函数；所述多尺度操作函数U_S采用双三次插值法生成高分辨率图像，D_S函数利用相同的技术构建低分辨率图像；区域选择函数Region_S和Region_R能够自动识别图像中的正方形和矩形区域；通过将检测到的图像区域的位置和大小设置为遗传规划树的终端节点，遗传规划方法能够有效地识别出图像中区分不同类别的适当部分，从而提取对分类有用的局部特征；特征提取函数能够捕捉各种图像特征例如形状和纹理特征，包括G_Hist和L_Hist分别从整个图像和检测到的图像区域提取直方图特征；G_uLBP和uLBP提...

【专利技术属性】
技术研发人员：毕莹，范清兰，梁静，于明渊，岳彩通，
申请(专利权)人：郑州大学，
类型：发明
国别省市：