0128] 步骤5，利用ΒΒ0对多层感知器MLP进行全局优化：
[0129] 参照图3,本步骤的具体实施如下：
[0130] (5.1)生成随机的MLP集作为初始栖息地；
[0131] (5.2)由公式7)计算每个多层感知器MLP的均方误差MSE;
[0132] (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;
[0136] 其中，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。
[0137] (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;
[0138] (5.5)根据突变率对多层感知器MLP进行突变；
[0139] (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；
[0140] (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)。
[0141] 步骤6,当进行图像类别测试时，用户通过接口选择上传图像库中的图像进行类别 测试。每一幅分类的图像同样经过纹理特征提取模块，生成测试样本文件，该文件中的每条 记录只包含所提取的纹理特征值，无类别号，将测试样本文件输入MLP分类模块中。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。
[0142] 本发明的效果可通过以下仿真进一步说明：
[0143] 表1所示为本发明进行图像分类的实例。从表1可以看出，本发明由于采用纹理特 征描述图像的特性，并采用基于ΒΒ0训练MLP进行全局优化，使得图像分类算法具有较高的 可靠性、实用性和分类准确率。
[0144] 表1为本发明分别使用880，？30,644〇)33，？811^优化算法训练祖^后，无反馈和有 反馈时进行图像分类迭代250次后的分类率比较。
[0145] 表1
[0147] 图4所示为本发明进行图像分类的收敛曲线。从图4可以看出，本发明由于采用ΒΒ0 优化算法对分类器MLP进行训练的方法，迭代100次左右即可收敛至全局最优。
[0148] 综上，本发明具有如下优点：
[0149] ①由于采用选择适于MLP分类的纹理特征来对图像进行分类，可提高图像分类算 法的准确率和鲁棒性；
[0150] ②由于采用ΒΒ0优化算法对分类器MLP进行训练，因而具有快速收敛和全局寻优特 性，符合用户对检索实时性的要求；
[0151] ③由于采用BB0_MLP进行图像分类算法设计，可以根据不同的需求方便地调整适 应度函数。
[0152] 本实施方式中没有详细叙述的部分属本行业的公知的常用手段，这里不一一叙 述。以上例举仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本 发明相同或相似的设计均属于本发明的保护范围之内。
【主权项】
1. 一种基于BBO-MLP和纹理特征的图像分类方法，其特征在于，包括w下步骤： (1) 对图像分类算法运行环境进行初始化，具体包括图像库建立，生物地理学优化算法 参数设置，多层感知器结构设计； (2) 采用灰度共生矩阵描述图像纹理特征，具体选取标量来表征灰度共生矩阵的特征， 在此选取图像的角二阶矩ASM、赌ENT、惯性矩CON和相关性C0R运4个纹理特征，具体如下： 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：1) 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； (2.1) 角二阶矩：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；角二阶 矩小的纹理偏细;反之，角二阶矩偏大；2) 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； (2.2) 赌：赌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，赌值大；反之，纹理分布不均匀，复杂程度低，赌值 小;如果无纹理，那么赌值为0;3) 其中，ENT表示图像的赌，P(i，j)表示图像的灰度共生矩阵； (2.3) 惯性矩: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；4) 其中，CON表示图像的惯性矩，P(i，j)表示图像的灰度共生矩阵； (2.4) 相关性: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：巧 上式中，各参数分别为：6) (3) 由所提取图像的角二阶矩ASM、赌ENT、惯性矩CON和相关性COR运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； (4) 定义适应度函数： 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 数服I;选取所有训练样本的对应MLP输出的均方误差Μ沈作为BB0适应度函数：7) 其中q是训练样本的数量，m为输出的数量，夺是在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HIS为： HSI 化 abitatt)=MSE 化 abi 化 tt) 8) (5) 利用BB0对多层感知器MLP进行全局优化： (5.1) 生成随机的MLP集作为初始栖息地； (5.2) 由公式7)计算每个多层感知器MLP的均方误差MSE; (5.3) 根据公式9)-10)更新每个栖息地的迁入率、迁出率和突变率mn;其中，λι^为迁入率，Wk为迁出率，突变率为mn，I和E分别为迁入率、迁出率的最大值，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Pn的最大值； (5.4) 根据栖息地的迁出率和迁入率按照迁移策略修改多层感知器MLP; (5.5) 根据突变率对多层感知器MLP进行突变； (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； (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)。 (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。2. 根据权利要求1所述的一种基于BBO-MLP和纹理特征的图像分类方法，其特征在于， 其中步骤(2)所述的纹理特征，分别在(1=1，0 = 〇°，45°，9〇°，135°的情况下，选取角二阶矩、 赌、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。3. 根据权利要求1所述的一种基于BB0-MLP和纹理特征的图像分类方法，其特征在于， 其中步骤(5)适用于图像分类问题和BB0优化的多层感知器MLP的构建方法，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； 首先由公式12)计算得到输入的加权和：12) 其中，η是输入节点的数目，Wu是从输入层第i节点到隐藏层第j节点的连接权重，0J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):计算隐节点的输出为式14)，然后用式15)计算最终输出；其中Wa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。
【专利摘要】本发明公开了一种基于BBO-MLP和纹理特征的图像分类方法，其步骤是：首先，提取图像的角二阶矩ASM、熵ENT、惯性矩(对比度)CON和相关性COR等4个纹理特征，构造图像的特征向量；然后，根据用户提供的类别号和图像的纹理特征向量生成训练样本文件，选取MLP的均方误差作为BBO适应度函数，利用BBO对MLP进行全局优化，得到分类模型；最后，根据优化得到的分类模型对测试样本文件进行类别测试，将得到的图像类别号返还给用户。本发明综合考虑了图像分类算法的准确性和鲁棒性，主要解决了现有技术中存在的分类准确率差且收敛速度缓慢的问题。
【IPC分类】G06K9/62
【公开号】CN105701512
【申请号】CN201610024369
【发明人】吴宪祥, 叶素华, 曹艳玲, 王娟, 杨强, 郭宝龙
【申请人】西安电子科技大学
【公开日】2016年6月22日
【申请日】2016年1月14日