基于遗传算法优化支持向量机的图像识别

郭文静 田星

摘 要 为了获得较高的分类准确率，建立支持向量机模型，并采用遗传算法自动选择最优核函数参数，提出基于遗传算法优化支持向量机的图像识别方法。结果表明，该方法具有较优的识别率，整体性能优良。

【关键词】遗传算法 支持向量机 图像识别

1 引言

在医学中，获得合格的X射线图像的前提是获得合适的曝光值，曝光不足或过度都会影响图像质量。X射线成像依赖于穿透人体的部分射线，由于个体组织结构复杂性以及外在因素，导致选取合适的曝光值并不是容易的事，这样就会影响X射线图像的可用性。因此，准确有效地识别曝光量有问题的图片具有一定的研究意义，并对之后进行图像增强处理打好基础。

2 相关概念

2.1 支持向量机

由于X射线图像具有较强的非线性特性，维度较高，同时属于小样本学习问题，与传统分类方法容易出现过学习现象相比，支持向量机在有限的样本情况下具有很大优势，同时能在不增加计算量程度的基础上通过选取合适的核函数，将非线性问题反映到高维空间中，最终找到一个实现分类的最优分类超平面，得到高维线性决策函数，从而取代原函数，因此具有较强的推广能力。

2.2 基于遗传算法优化SVM模型参数

将遗传算法应用到优化SVM参数是，算法过程如下：

（1）对其所输入的图像X射线，进行分析处理，建立测试样本与学习样本。

（2）定义进化最大代数MAXGEN=100，生成种群最大数量为SIZEPOP=20，SVM CV参数为10，代沟GGAP=0.9，指父代中有90%的个体被复制到子代，参数C和g的变化范围为[0，100]。

（3）所生成的染色体即为初始种群。

（4）解码每个染色体计算适应度值。

（5）根据适应度值选择并复制个体进而产生新种群。

（6）进行遗传操作。

（7）判断结果，满足需求则进行下一步（8）；判断结果，不满足需求返回步骤（4）。

（8）利用优化的参数C和g建造新的SVM。

3 实验结果

3.1 图像预处理

消除与算法无关的信息，并把源图像二值化，设定阈值为0.4，如图2所示。

截取最小区域图像，并将其转化成16x16标准化图像。最后把这些16×16标准化图像排成一个列向量，让后转置生成100个256的训练样本矩阵。本文选取X射线图像为测试样本与训练样本，其中，100幅训练样本，分为曝光正确和曝光不正确的两类，每类均有50幅，令另外的40幅作为测试样本，每类分别20幅。

3.2 不同参数选择方法的对比

本实验预先定义“曝光正确”图像的标签是“1”。

“曝光不正确”图像的标签是“2”进行训练和测试。

图3、4分别为参数粗略选择结果图和参数精确选择结果图；

图3粗略得出图格寻优的选择结果，C=0.082，g=0.027时对应最佳准确率，为99%；

图4是在粗略选择结果的基础上将变化间隔缩小了一倍，进一步得到精确化形象化的准确率变化，得出取C=0.025，g=0.0625时对应最佳准确率，为99%。

图5为测试集中时一个样本的识别结果出现的偏差，将“2”预测成了“1”，测试集准确率为97.5%。原因是实际图像预测识别中，曝光不正确的图像曝光程度，接近于曝光正确的图像，所以混淆了SVM的识别，导致准确率下降。

4 结束语

在网格寻优法与遗传算法对比之后，进而提出基于遗传算法优化支持向量机的X射线图像识别的方法，自动的选择SVM参数，解决了对性能有非常重要影响的核函数的参数确定问题，取得了较好效果，具有一定的实用价值。

参考文献

[1]张建华，朱春华.基于遗传算法和支持向量机的储粮害虫图像识别[J]，2010，38（17）：8833-8834.

[2]VAPNIK V. The nature of statistical learning[M].New York：Springer，1995.

[3]吴琳琳.基于SVM技术的手写数字识别的研究[D].山东师范大学，2006.

作者简介

郭文靜（1989-），女，山西省太原市人。硕士研究生学历。助教。主要研究方向为模式识别、超声无损检测。

作者单位

太原工业学院电子工程系 山西省太原市 030003