065]设f(x，y)是一幅二维数字图像，S为区域目标R中的具有特定空间联系的像素对的 集合，则满足一定空间关系的灰度共生矩阵P( i，j)定义为：
[0067] 上式等号右边的分子是S中灰度值分别为i和j的像素对的个数，分母为S中像素对 的总个数之和，#代表数量；
[0068] (2.1)角二阶矩(Angular Second Moment,ASM):角二阶矩也称为能量，为灰度共 生矩阵上所有元素的平方和；主要显示了图像灰度分布的均匀度与粗细度。角二阶矩小的 纹理偏细;反之，角二阶矩偏大。
[0070]其中，ASM表示图像的角二阶矩，P(i，j)表示图像的灰度共生矩阵；
[0071] (2.2)熵(Entropy，ENT):熵是图像所拥有的信息量的度量，表示图像中纹理分布 的非均匀度或复杂度；图像的纹理分布均匀，复杂程度高，熵值大;反之，纹理分布不均匀， 复杂程度低，熵值小;如果无纹理，那么熵值为0;
[0073]其中，ENT表示图像的熵，P(i，j)表示图像的灰度共生矩阵。
[0074] (2.3)惯性矩(Contrast，C0N):惯性矩即对比度，反映了图像的清晰度和纹理沟纹 深浅的程度;纹理沟纹越深，其对比度越大，视觉效果越清晰;反之，对比度小，则沟纹浅，效 果模糊;灰度差大的像素对越多，惯性矩越大;灰度共生矩阵中远离对角线的元素值越大， 惯性矩越大；
[0076]其中，C0N表示图像的惯性矩，P(i，j)表示图像的灰度共生矩阵；
[0077] (2.4)相关性(C〇rrelati〇n，C0R):度量空间灰度共生矩阵元素在行或列方向上的 相似程度，反映了图像中局部灰度相关性，表示纹理的方向；当矩阵元素值均匀相等时，相 关值就大;相反，如果矩阵元素值相差很大，则相关值小;相关性C0R定义如下：
[0081 ] (3)由所提取图像的角二阶矩ASM、熵ENT、惯性矩(对比度)C0N和相关性C0R等4个 纹理特征，构造图像的纹理特征向量;将所有训练图像的纹理特征向量保存到训练样本文 件中，每一条记录包含一副图像的类别号和4个纹理特征值；
[0082] (4)定义适应度函数：
[0083]将训练样本文件输入到多层感知器MLP，通过训练样本来计算每个栖息地的适宜 度指数HSI(Habitat Suitability Index，HSI);选取所有训练样本的对应MLP输出的均方 误差MSE(Mean Square Error，MSE)作为ΒΒ0适应度函数：
[0085]其中q是训练样本的数量，m为输出的数量，< 是在k个训练样本下的第t个输入单 元的所期望输出；of是k个训练样本下的第t个输入单元的实际输出如，第t个栖息地的适宜 度指数HISS:
[0086] HSI(Habitatt) =MSE(Habitatt) 8)
[0087] (5)利用ΒΒ0对多层感知器MLP进行全局优化：
[0088] (5.1)生成随机的MLP集作为初始栖息地；
[0089] (5.2)由公式7)计算每个多层感知器MLP的均方误差MSE;
[0090] (5.3)根据公式9) -10)更新每个栖息地的迀入率、迀出率和突变率mn;
[0094] 其中，Ak为迀入率，μΑ迀出率，突变率为mn，I和E分别为迀入率、迀出率的最大值， k为当前物种数，N为最大容纳物种数，Μ为最大突变率，pn为某栖息地已有η个物种的概率， Pmax为Ρη的最大值；
[0095] (5.4)根据栖息地的迀出率和迀入率按照迀移策略修改多层感知器MLP;
[0096] (5.5)根据突变率对多层感知器MLP进行突变；
[0097] (5.6)精英选择:选取较低的均方误差MSE的解作为精英解保留；
[0098] (5.7)判断是否满足终止条件;满足条件则输出迭代最优解;如不满足，则重回到 步骤(5.2)。
[0099] 本步骤(5)中适用于图像分类问题和ΒΒ0优化的多层感知器MLP的构建方法，如图5 所示，其多层感知器由输入层、隐藏层、输出层组成，其中η是输入节点的数目，h是隐藏节点 的数目，m是输出节点的数目；
[0100]首先由公式12)计算得到输入的加权和：
[0102]其中，η是输入节点的数目，是从输入层第i节点到隐藏层第j节点的连接权重， 是第j个隐含节点的偏置，Xi表示第i个输入;每一隐藏节点输出计算如式13):
[0104]计算隐节点的输出为式14)，然后用式15)计算最终输出；
[0107]其中^是从第j个隐藏节点到第k个输出节点的连接权重，0'k是第k个输出节点的 偏置。
[0108] 多层感知的最重要的是连接权重和偏置。可在上述方程中看出，权重和偏置影响 最终输出值。为了实际输出更接近期望输出，需寻找最佳的连接权重和偏置来训练多层感 知机。如下通过具体的例子来表示栖息地的形成，图6所示的是有2个输入层，3个隐藏层，1 个输出层的多层感知器，公式16)为所形成的栖息地，其中W13W23W14W24W15W25W36W46W56为多层 感知器的连接权重，是多层感知器的偏置。
[0109] Habitat = [W13W23W14W24W15W25W36W46W569l920304] 16)
[0110] (6)根据已有的分类模型对测试样本进行分类，将得到的图像类别号返还给用户。
[0111] 以下进一步参照附图对本发明作进一步详细的描述。
[0112] 针对图像分类问题的特点和采用的智能优化算法的特点，借助纹理特征描述图像 的分类，将图像分类问题转化为选择适于MLP分类的纹理特征问题，借助基于ΒΒ0训练MLP实 现具有较低的MSE解作为精英解保留，以满足图像分类的需求。参照图1，本发明进行图像分 类的步骤如下：
[0113] 步骤1，对图像分类算法运行环境进行初始化。
[0114] 从图像库选取3类不同的图片，包括鲜花、恐龙和大象，均为384*256*3像素。每类 图各有100幅，从100幅图像中选取30幅作为训练集，剩下的70幅作为测试集，则训练集总共 有90幅，测试集总共有210幅，一共有300幅图像。图2是图像库中的部分图像。其中图2(a)为 鲜花图像;图2(b)为恐龙图像;图2(c)为大象图像。
[0115] 每一个栖息地随机初始化的范围是[-10,10]，步长为0.1;每个栖息地的最大移民 数是200;移民率范围是[0，1];最大的迀入率1 = 1，最大的迀出率E = l;初始变异率为0,最 大变异率为〇. 005;最大迭代次数为250次;精英栖息地设为保留2个;将程序运行200次，求 取多次运行结果的平均值，作为最终的结论。
[0116] 根据问题需求，输入使用4维特征矩，即有4个输入节点;采用的隐藏节点数量为9; 输出为3类图像，所以多层感知器结构为4-9-3。
[0117]步骤2，采用灰度共生矩阵描述图像纹理特征，具体选取一些标量来表征灰度共生 矩阵的特征，本方法选取图像的角二阶矩ASM、熵ENT、惯性矩(对比度)C0N和相关性C0R等4 个纹理特征，具体如下：
[0118]设f(x，y)是一幅二维数字图像，S为区域目标R中的具有特定空间联系的像素对的 集合，则满足一定空间关系的灰度共生矩阵P( i，j)定义为：
[0120]上式等号右边的分子是S中灰度值分别为i和j的像素对的个数，分母为S中像素对 的总个数之和(#代表数量）。
[0121]上述4个纹理特征分别在(1=1，0 = 〇°，45°，9〇°，135°的情况下，选取角二阶矩、熵、 惯性矩、相关性4个典型的特征值，并求取Θ在不同方向下的均值，得到对应图像的一个4维 特征矩。
[0122]步骤3，由所提取图像的角二阶矩ASM、熵ENT、惯性矩(对比度)C0N和相关性C0R等4 个纹理特征，构造图像的纹理特征向量。将所有训练图像的纹理特征向量保存到训练样本 文件中，每一条记录包含一副图像的类别号和4个纹理特征值；
[0123] 步骤4,定义适应度函数：
[0124] 将训练样本文件输入到多层感知器MLP，通过训练样本来计算每个栖息地的适宜 度指数HSI(Habitat Suitability Index，HSI)。选取所有训练样本的对应MLP输出的均方 误差MSE(Mean Square Error，MSE)作为ΒΒ0适应度函数：
[0126] 其中q是训练样本的数量，m为输出的数量，< 是在k个训练样本下的第t个输入单 元的所期望输出。是k个训练样本下的第t个输入单元的实际输出如，第t个栖息地的适宜 度指数HISS:
[0127] HSI(Habitatt) =MSE(Habitatt) 8)
[