（管理科学与工程专业论文）基于遗传规划的图像识别方法.pdf

中文摘要 图像识别分类出现在各个领域，用计算机系统进行图像识别分类是发展 方向，计算机图像识别分类系统的核心是识别分类算法。遗传规划是一个充 满活力的新兴领域，它可根据对解决问题的高层次描述，自动进化出特定问题解 决方案计算机程序。它在图像识别分类、目标探测方面显示出优秀的性能。本 文在改进遗传规划多类图像识别分类算法，优化图像识别相关环节和提高遗传 规划图像识别性能方面做了一些工作。 首先，对现有的分类算法进行了分析，提出了静态类边界确定分类算法与中 心动态类边界确定算法相结合的方法实现多类图像识别分类。其思路是：先用 动态边界确定算法为静态类边界确定算法找出合理的类边界，再用静态类边界确 定算法完成图像识别分类工作，达到了用静态类边界确定算法的培训时间，获 得动态边界确定算法分类准确率之效果。 其次，研究了图像特征提取与图像特征精简问题。图像特征的提取直接影响 图像识别分类结果。分析研究了图像特征提取窗口区域划分方法，通过图像特 征提取窗口不同划分、用多种分类算法进行图像识别分类测试，确定了适应性 最好的窗口区域划分方法。先用粗糙集软件工具对图像特征进行精简，再用遗传 规划对精简后的图像特征完成图像识别分类，能获得不低于图像特征精简前的 分类准确率。遗传规划能用很少的图像特征，很好地完成图像识别分类。 第三，提出了等差权值中心动态类边界确定算法和权值快速下降中心动态类 边界确定算法。在遗传规划分类器进化过程中，动态地确定培训样本类边界，并 且通过对不同适应度程序输出值使用不同的权值策略，使得类边界设置更趋合 理，提高了遗传规划分类器分类准确率。这两个算法对于识别难度大的多类图像 识别分类，能显著提高分类准确率。 最后，提出了遗传规划图像识别分类最小函数集的概念，通过图像识别测 试，确定了最小函数集内容。为控制遗传规划程序树在进化过程中规模过大，构 造了包含程序规模控制的适应度函数，保证在分类准确率不降低的前提下，能有 效地控制程序树规模，缩短分类器的培训和分类时间。 关键词：图像识别遗传规划分类算法图像特征提取边界确定算法 a b s t r a c t i m a g er e c o g n i t i o no rc l a s s i f i c a t i o na r ew i d e l yr e q u i r e di nv a r i o u sf i e l d s ，w h e r e c o m p u t e rs y s t e m sa r eu s e dt od 0m ej o b w h i c hm a r k sat r e n do fd e v e l o p m e n ti n c o m p u t e r i z e di m a g er e c o g n i t i o na n dc l a s s i f i c a t i o n t h ec o r eo ft h ec o m p u t e r i z e d r e c o g n i t i o na n dc l a s s i f i c a t i o ni st h ea l g o r i t h m g e n e t i ep r o g r a m m i n g ，a sav l g o r o u s n e wf i e l d ，p r o v i d e sm e t h o d sb yc o m p u t e rp r o g r a m st og e n e r a t ea n de v o l v es o l u t i o n s t os p e c i f i cp r o b l e m so nb a s i so fl l i 曲- l e v e ld e s c r i p t i o no ft l l et a r g e t e dp r o b l e m s g e n e t i cp r o g r a m m i n gh a sr e v e a l e di t se x c e l l e n tp e r f o r m a n c e si ni m a g er e c o g n i t i o n ， c l a s s i f i c a t i o no ro b j e c td e t e c t i o n i nt h i sd i s s e r t a t i o n , t h ef o l l o w i n ga s p e c t so fw o r k w e r ed o n e ：t h ei m p r o v e m e n to fa l g o r i t h mf o rm u l t i - i m a g er e c o g n i t i o no rc l a s s i f i c a t i o n w i t hg e n e t i cp r o g r a m m i n g ；t h eo p t i m i z a t i o no ft h ep h a s e so fi m a g er e c o g n i t i o n ；a n d t h er e a l i z a t i o no ft h eb e t t e r e dp e r f o r m a n c eo fi m a g er e c o g n i t i o nw i t hg e n e t i c p r o g r a n m u n g f i r s t l y , t h ec o m b i n e dw a yo fd y n a m i cr a n g es e l e c t i o na l g o r i t h mw i t hc e n t e r e d d y n a m i cr a n g es e l e c t i o na l g o r i t h mw a st e s t e di nc a r r y i n go u tm u l t i i m a g er e c o g n i t i o n o rc l a s s i f i c a t i o no nb a s i so ft h ea n a l y s i so nt h e e x i s t i n ga l g o r i t h m s t m sw a sd o n eb y d e f m i n gs u i t a b l er a n g eo f c l a s s e sf o rs t a t i cr a n g es e l e c t i o na l g o r i t h mw i t hd y n a m i c r a n g es e l e c t i o na l g o r i s m , a n dt h e n ，c o m p l e t ei m a g er e c o g n i t i o na n d c l a s s i f i c a t i o nw i t h s t a t i cr a n g es e l e c t i o na l g o r i t h m i nt h i sw a y , t h ea c c u r a c yi n c l a s s i f i c a t i o nw i t h d y n a m i cr a n g es e l e c t i o na l g o r i t h mw a sr e a l i z e da tt h et i m ee x p e n d i t u r eo i lc l a s s i f i e r t r a i n i n gw i t hs t a t i cr a n g es e l e c t i o nc l a s s i f i c a t i o na l g o r i t h m n e x tw a st h ee x t r a c t i o na n dd e d u c t i o no fi m a g ef e a t u r e s a st h ee x t r a c t i o no f i m a g ef e a t u r e sd i r e c t l yi n f l u e n c e dt h eo u t c o m eo fi m a g er e c o g n i t i o no rc l a s s i f i c a t i o n , d i f f e r e n tm e t h o d sw e r es t u d i e di nd e f i n i n gt h er a n g eo ft h ef r a m e sf o rt h ee x t r a c t i o n o fi m a g ef e a t u r e s ，a n dd i f f e r e n ta l g o r i t h m sf o rc l a s s i f i c a t i o nw e r et e s t e dw i t hd i f f e r e n t r a n g eo ft h ef r a m e st os e tt h eb e s ts u i t a b l ew a y st od e f m et h er a n g eo ft h ef r a m e s 。 d e d u c t i o nt r e a t m e n tw a sd o n eo ni m a g ef e a t u r e sw i 也s o f t w a r et o o lf o rr o u g hs e ta n d s i m i l a ra c c u r a c yw a so b t a i n e du s i n gt h ed e d u c t e di m a g ef e a t u r e sf o rr e c o g n i t i o na n d c l a s s i f i c a t i o nw i t hg e n e t i cp r o g r a m m i n gi nc o m p a r i s o nw i t ht h ea c c u r a c yo b t a i n e d b e f o r ed e d u c t i o nt r e a t m e n t 。强n s f e w e ri m a g ef e a t u r e sc o u l db eu s e df o rg o o do u t p u t o fi m a g er e c o g n i t i o no rc l a s s i f i c a t i o nw i t hg e n e t i cp r o g r a m m i n g t h i r d l y , c e n t e r e dd y n a m i cr a n g e s e l e c t i o nw i t ht h ew e i g h to fa r i t h m e t i c p r o g r e s s i o na n dc e n t e r e dd y n a m i cr a n g es e l e c t i o nw i t hq u i c k d e c r e a s i n gw e i g h to f a r i t h m e t i cp r o g r e s s i o nw e r ep r o d u c e di nt h i sr e s e a r c h d u r i n gt h ec o u r s eo fc l a s s i f i e r e v o l u t i o n 。t h er a n g eo fc l a s ss a m p l e sf o rt r a i n i n ga r ed e f i n e dd y n a m i c a l l ya n da l l o u t p u tw a sp r o d u c e df o re a c hp r o g r a mo fd i f f e r e n tf i t n e s s s u c hm e a s u r e sw e r eu s e d i nc o m b i n a t i o nw i t hd i f f e r e n tw e i g h ts t r a t e g yt om a k et h es e t t i n go fr a n g e sm o r e r e a s o n a b l e ，t h u st oa c h i e v eb e t t e r a c c u r a c y o ft h ec l a s s i f i e r sw i t h g e n e t i c p r o g r a m m i n g b o t ha l g o r i t h m sy i e l d e do b v i o u sc l a s s i f i c a t i o na c c u r a c yw h e nu s e df o r h a r d t a s ki m a g er e c o g n i t i o no rc l a s s i f i c a t i o n l a s t l y , t h ec o n c e p to fm i n i l n u l nf u n c t i o ns e tf o r i m a g ec l a s s i f i c a t i o n o r r e c o g n i t i o nw l t hg e n e t i cp r o g r a m m i n gw a sp r o d u c e d c o n t e n t so ft h en a i n l l n u n l f u n c t i o ns e tw e r ea l s od e f i n e dt h r o u g hi m a g er e c o g n i t i o nt e s t s f o rl i m i t i n gt h es i z eo f t h ep r o g r a mt r e ed u r i n gt h ee v o l u t i o n ，f i m e s sf u n c t i o nf o rc o n t r o l l i n gt h ep r o g r a m s i z ew a sc o n s t r u c t e dt oe n s u r et h ea c c u r a c yo fc l a s s i f i c a t i o nw i t hm i n i l n u n l p r o g r a m s i z ea n ds h o r t e n e dt r a i n i n gt i m ef o rt h ec l a s s i f i e r s k e yw o r d s i m a g er e c o g n i t i o n , g e n e t i cp r o g r a m m i n g ，c l a s s i f i c a t i o na l g o r i t h m s ， e x t r a c t i o no fi m a g ef e a t u r e s ，r a n g es e l e c t i o na l g o r i t h m s 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得苤鲞盘堂或其他教育机构的学位或证 书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中 作了明确的说明并表示了谢意。 一躲手锄鳓期：瑚月夕同 学位论文版权使用授权书 本学位论文作者完全了解丞鲞盘鲎有关保留、使用学位论文的规定。 特授权基鲞态堂可以将学位论文的全部或部分内容编入有关数据库进行检 索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校 向国家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 一龇亩，抄融 签字同期： 年月r 导师签名： 签字同期：r九月 国 年 呗 第一章绪论 第一章绪论 本章介绍了论文的研究背景、遗传规划领域国内外研究状况、课题研究的 目的与意义。重点回顾了遗传规划与图像识别分类、物体探测相关研究工作与 所取得成果。最后，介绍了本文的主要工作，给出了论文的结构框架。 1 1 研究背景 现代科学技术的发展与应用，产生了大量的图像数据，需要对这些图像进行 识别分类，图像识别工作出现在各个领域。例如，需要在医学x 光片上找出肿 瘤的位置并且分辨出肿瘤的种类；使用遥感图像资料找出飓风的位置、分析发展 趋势，及时地对飓风预报，减少财产损失；公安人员需要准确识别罪犯作案时留 下的指纹，快速破案；邮政局需要识别信封上的手写邮政编码，完成信件分拣； 在农作物大田管理中，需要快速识别杂草，以便准确喷洒农药；在军事上，需要 根据侦察获得图像资料，辨别出敌人的坦克、飞机、导弹发射架、军事设施的位 置与种类等等。图像识别工作中，数据量很大，如果人工识别，不但耗费大量的 入力、财力，而且准确率也不高，并且不能保证实时性。有的图像识别工作难度 很大，只有经过专门培训和工作经验丰富的专家才能胜任工作。技艺精湛的专家 毕竟是少数，如果进行大量的人员技术培训，会耗费大量的人力、物力。另外， 人工图像识别也容易受到人的业务程度、人的情绪的影响。如果有高性能的计算 机图像识别系统，来代替人工完成图像识别工作，不但快速，也能避免许多人为 因素。 研究开发高效、图像识别分类准确率很高的计算机系统并非很容易的事 情。系统采用何种图像识别分类算法和方法是成功关键之一。目前有许多的图 像识别方法，例如：决策树、神经网络、遗传算法、遗传规划等。有资料表明， 遗传规划用于图像识别时，总的性能优于其它方法。t a c k e t t 分别用遗传规划 ( g e n e t i cp r o g r a m m i n g ) 方法、决策树( d e c i s i o nt r e e ) 和神经网络( a r t i f i c i a l n e u r a ln e t w o r k s ) 探测( d e t e c t i o n ) 图像中的坦克，其结果是：遗传规划方法 的探测率( d e t e c t i o nr a t e ) 稍低于另外两种方法，而误报率( f a l s ea l a r mr a t e ) 却远远低于其它方法。图像检测中，即要求高的检测率，也要求低的误报率，遗 传规划的综合性能高于决策树和神经网络口2 oc i e s i e l s k i 和m z h a n g 等人 第一章绪论 也得出了相似的研究结果，他们使用了识别难度不同三种图像进行实验，图像识 别难度从易到难，逐步增加难度。前两组的图像检测结果：误报率为零，检测率 达到了百分之百；第三组视网膜x 光图像也得到了满意的结果。他们与包括神经 网络、遗传算法在内的方法比较，遗传规划误报率最低，准确率也在最好之列凹 4 3 遗传规划在图像识别方面显示出性能优势，无论是在图像的应用，还是在图 像识别的算法研究方面m 1 ，都取得了可喜的成果。遗传规划是一个很具活力的 新兴研究领域，在多类图像识别的算法和方法研究，存有很大的发展空间。特别 是遗传规划用于多类图像识别的算法，一直处于研究、探索、改进之中。在提高 多类图像识别的准确率和综合性能方面，有许多潜在性能需要研究发掘。 1 2 国内外研究现状 1 2 1 概述 1 9 9 2 年，美国斯坦福大学j o h nk o z a 教授将计算机自动程序设计思想引入 遗传算法( g e n e t i ca l g o r i t h m s ) 中呻1 们，创立了遗传规划( g e n e t i cp r o g r a m m i n g ) 叭1 2 1 蚓。随后，世界各国科学家对遗传规划进行了深入研究。英国伦敦大学的 w i l l i a ml a n g l o n 教授与e s s e x 大学的r i c c a d op o l i 教授对遗传规划数学基础 与程序段( f r a g m e n t s ) 进行了研究晗6 1 ，美国麻省理工大学( m i t ) 人工智能研究 室( c s a il a b ) 的u n a - m a y0 r e l l y 教授对遗传规划的b u i l d i n gb l o c k 假设与 理论进行了探索n 3 1 ，加拿大m e m o r i a l 大学的w o l f g a n gb a n z h a t 教授进行了线 性与图形表示的研究n 毛埔1 钔，澳大利亚皇家墨尔本理工大学v i c t o rc i e s i e s k i 教授与m z h a n g 博士等对遗传规划用于多类分类领域进行了研究n 6 q ，意大利 p a r m a 大学s t e f a n oc a g n o n i 教授，墨西哥0 g u s t a v o 教授与m z h a n g 博士对 遗传规划与图像识别与信号处理进行了研究n 5 1 8 1 9 , 2 0 , 1 3 1 。这些研究已将遗传规划 从原有的单一树状结构表示法发展成为由树状、线性、图像与语法等组成的表示 法群j 1 1 2 2 啦! ，已从原来的以l i s p 为代表的程序表达语言扩展为人们更为熟悉、 应用更为广泛的c c + + 表述语言n l l 2 2 1 2 l 1 驯，从原来的符号回归应用领域扩展到计 划与规划、最佳控制，计算机视觉与图像处理、游戏策略，智能机器人足球，以 及分类与识别问题等众多领域n2 绷。在这些众多种类的遗传规划中，以树形结构 及其类似树形结构( t r e e - l i k e ) 为基础的遗传规划仍占据主流地位，是目前最 为常用的表示模式。这种遗传规划已经广泛用于各种现实世界的分类与识别问 题，例如在不同的图像中识别较小的物体( o b j e c tr e c o g n i t i o na n dd e t e c t i o n ) n h 7 ，船制，并取得了相当的成功，显示出遗传规划作为一种通用的分类与识别方 第一章绪论 法的强大潜力。 在我国，云庆夏、王战权教授等对遗传规划的收敛性进行了研究瑚1 ，牛 惠民教授对模糊随机网络与复合遗传规划进行了研究“3 1 等等。 1 2 1 我国在遗传规划领域的应用研究 遗传规划能动态产生预测分析的最优非线性结构，在所获得数据和数学表 达式之间发现联系，它不需要数据统计分布的预处理知识，就可自动发现某一 类判别式特征的能力。它被广泛的应用于生产中寻找相关因素之间关系并建立数 学模型和实际预测工作。例如，建立爆破工程中的经验公式、建立商业银行的风 险评估模型、用于煤矿工作面瓦斯涌出量的预测、码头集装箱吞吐量预测、电力 系统负荷预测、建立地基承载力回归分析模型等等 一3 ，这些应用研究都取得 了很好的效果。在我国，遗传规划的应用研究，主要集中建立数学模型和各种预 测领域。表卜1 中给出我国遗传规划应用研究的部分文献。 1 2 2 遗传规划与图像有关的研究工作 自遗传规划诞生以来，遗传规划与图像有关的研究工作已取得了丰硕成果， 其包括图像处理、图像分类及目标检测等方面应用研究，为提高遗传规划图像识 别性能的方法改进研究工作。有关研究文献列在表1 - 2 中。 ( 1 ) 遗传规划用于图像分类的研究 a s o n g 和vc i e s i e l s k i 把遗传规划用于表面结构( t e x t u r e ) 的分类，研究结 果表明：遗传规划作为表面结构分类器，不需要代价昂贵的特征提取计算，遗传 规划分类器进化、分类速度非常快，实时性能好，构造分类器需要领域知识很少 6 3 6 8 o b r o s s 、a g u a l t i e r i 、f f u e t e n 等人，使用一套共1 6 8 张来自4 2 8 纳 米至2 5 0 7 纳米不同波长的赤铜矿图像，培训遗传规划识别器，通过矿石图片判 断矿石主要成分含量m 1 。 m z h a n g ，w s m a r t 和j y u ，b b h a n u 分别进行的人脸识别和人面部表 情识别的研究工作嘶棚 ，并取得满意结果。 d a g n e l l i 、a ：b o l l i n i 、l l o m b a r d i 等，构造遗传规划分类器，根据文 档的内容形式( 文本文件、包含有图表、不同图像) 不同进行文档分类。 a m a r c e l l i 和a p a r k i n s 、a n a n d i 分别用遗传规划进行了手写字符、 手写数字的识别研究。h l o p e s 用遗传规划进化系统，根据病人的脑电图信号 确诊癫痫病人汹瑚6 7 1 等等。 ( 2 ) 遗传规划用于目标探测研究 第一章绪论 研究资料表明，遗传规划在目标探测方面的性能优越。m z h a n g 和 c i e s i e l s k i 选用探测难度为“易 、“较难 、“难 三种不同图像样本，具体是： 仅包括圆形和方形的图形图像样本、硬币图像样本和视网膜图像样本。用遗传规 划进行目标探测测试，测试结果显示，前两种图像误报率( f a l s ea l a r mr a t e ) 为零，达到非常理想的状态；视网膜图像测试结果也相当好，与神经网络、遗传 算法等其它方法相比较，遗传规划方法的误报率最低，综合性能最高旧6 9 。1 2 7 1 2 s 3 。 a t a c k e t t 使用三种方法进行坦克探测，遗传规划方法与神经网、决策树 两种方法结果比较，遗传规划方法探测误报率最低，探测准确率与其它两种方法 接近，在目标检测中，不但要求高的探测准确率，也要求较低的探测误报率，因 此，遗传规划综合性能好于另外两种方法旧8 2 8 引。 d h o w a r d 和s r o b e r t s 在卫星图片中探测船只的研究中发现，遗传规划 的检测结果非常令人振奋，遗传规划的探测性能优于包括神经网络在内的其它方 法n 2 _ 7 5 鹋】。k b e n s o n 等人在s a r ( s y n t h e t i ca p e r t u r er a d a r ) 图像中探测船 只的研究，也获得相同的结论 6 s , 7 b , 7 t 3 。 另外，遗传规划在遥感方面应用研究成果也令人鼓舞，j m d a i d a 、j d h o m m e s 、s j r o s s 、j f v e s e c k y 等人，在由卫星获取的北极冰区( a r c t i c i c e ) s a r ( s y n t h e t i ca p e r t u r er a d a r ) 图像中识别冰冻鼓包( p r e s s u r er i d g e ) 。 这是一项及其复杂的研究，s a r 图像内信息很乱，在冰冻鼓包和与非冰冻鼓包之 间分界不明显，很难区分。他们把不同的纹理特征提取方法进行适当的组合，提 取图像特征，然后进化遗传规划分类器，获得了其它方法从未达到的、意想不到 的识别效果旧7 蝴 。 ( 3 ) 遗传规划用于多目标探测、多类图像分类方法的研究 遗传规划进化得到的问题解决方案是一个树状结构的程序，程序树只有根结 点输出一个浮点数值，对图像识别分类问题，必须把根结点的输出值进行区域 划分来完成图像识别分类任务，对于二类问题比较容易解决，可以根据根结点 输出值的符号完成识别分类。对于多类目标探测( d e t e c t i o n ) 、图像识别分 类问题，难度就比较大。为此，研究人员提出了许多新的方法，以提高多类图像 识别分类的性能。 新提出的多分类算法有静态类边界选择多类分类算法、动态类边界选择多类 分类算法、槽动态类边界确定多类分类算法、根据概率确定类边界算法，还有人 提出用两类分类的方法解决多类分类问题，具体做法是：把一个n 类分类问题， 化成n - 1 个两类分类问题，进行n - 1 次两类分类，可以降低分类难度和提高分类 准确率凹h 剐。这些方法基本上是围绕着如何合理确定各类的边界，以提高多 类分类的准确率为目的。y z h a n g 和m z h a n g 为了提高遗传规划多类分类性 第一章绪论 能，对程序结构做了改进，在树中增加了输出结点，使树的单一根结点输出变成 多结点输出脚1 。还有的研究者在搜索策略方面和目标探测过程上进行了改进耶瓢 7 5 3 。分类算法的改进，在提高分类准确率的同时，不可避免的增加了计算复杂性， 从而延长了系统培训时间，并且大部分算法具有它的适应范围。比如根据概率确 定边界的分类算法，培训样本必须是大样本，样本少了，就失去了概率统计的意 义。 尽管遗传规划在应用和算法研究方面取得了很大成功，并呈现了广阔的应用 前景，但是，在遗传规划算法还存在不少问题，特别是多类图像识别分类算法， 需要进一步研究改进。 。 第一章绪论 表1 - 1 遗传规划建模、预测应用研究文献 类别文献应用领域日期作者 宋向荣刘芳 文献1 9 7 - 1厚板轧制力矩的非线性回归 2 0 0 6 钟秋海 文献 - - 4 5 3确定爆破工程中经验公式 1 9 9 7 黄光球桂中岳 赵黎丽李汛 文献 4 6 建立地热热泵系统模型 2 0 0 3 张启等 建 文献 4 7 建立时间序列建模 2 0 0 5陈晓梅杨成祥 立 数 文献 4 8 确定最佳故障隔离策略 2 0 0 0 武庄何新贵 学 文献e 4 9 1 确定发电机的励磁电流和机 2 0 0 4 马宏忠李之昆 模 端量之间的关系彭钱 建立商业银行信用风险评估 型 文献 5 0 2 0 0 l 王春峰康莉 模型 房立清徐章遂 文献 5 1 发动机燃烧系统故障诊断 2 0 0 0 米东 建立地基承载力回归分析模李书全李敏强 文献 5 2 1 9 9 7 型寇纪淞 鞠平李靖霞陆晓 文献 5 3 电力系统负荷预测 2 0 0 0 涛 文献1 - 9 9 1径流预测 2 0 0 6袁晓辉张勇传等 文献 5 4 中长期电力负荷预测 2 0 0 5 孙雷，黄勇 文献 5 5 采煤工作面产量和工效预测 1 9 9 8 王战权赵朝义云 预 庆夏 文献 5 6 3煤和瓦斯突出强度的预测 1 9 9 9 王战权云庆夏 采煤工作面瓦斯涌出量的预赵朝义袁修干 文献 5 7 1 9 9 9 测孙金镖 王战权云庆夏 测 文献 - 5 8 巷道维护费预测 1 9 9 9 王建庄 于湘涛姚小兰费 文献 9 8 中厚板端部变形的预测 2 0 0 6 庆 杨斌匡立春 文献 9 6 1储层含水饱和度预测 2 0 0 6 孙中春等 文献 5 9 宁波码头集装箱吞吐量预测 2 0 0 3乐美龙方奕 第一章绪论 表1 - 2 遗传规划有关图像方面研究文献 类别文献内容作者 日期 a p a r k i n s ， 文献 6 0 遗传规划手写数字识别 2 0 0 4 a n a n d i 进化遗传规划识别字符识别 文献 6 7 a m a r c e l l i2 0 0 0 器，进行手写字符识别。 根据文件内容对包括不同图像 d a g n e l l i ， 文献 6 1 3a b o l l i n i ， 2 0 0 2 的文件分类 l l o m b a r d i 根据病人脑电图诊断出癫痫病 文献 6 2 h l o p e s 2 0 0 7 人 分a s o n g ， 文献 6 3 ，6 8 对纹理分析，进行分类。 2 0 0 4 v c i e s i e l s k i 使用不同波长的矿石图像培 b r i a nj r o s s ， 文献 6 4 训遗传规划识别器，通过矿石a g u a l t i e r i ， 2 0 0 2 图片判断主要成分含量。 f f u e t e n 文献 8 5 3 进化遗传规划矿石识别器，对 b j r o s s ， 矿石分类。 f f u e t e n ， 2 0 0 1 类 d y y a s h k i r ， p z i e m e c k ， 文献 9 3 3用显微镜照片进行细胞分类 1 9 9 8 h r i t t e r ， m z h a n g ， 文献 5 5 人脸识别 2 0 0 3 w s m a r t j y u ， 文献 6 6 人面部表情识别 2 0 0 6 b b h a n u l z h a n g 文献 9 5 轴承故障检测 l j a c k 2 0 0 4 a n a n d i 文献 8 8 在飞机侦察红外图像中自动探 d h o w a r ， 测船只 s r o b e r t s ， 2 0 0 6 探 c r y a n 文献 6 9 遗传规划在大图像中多类目标m z h a n g ， 1 9 9 9 测 探测 v c i e s i e l s k i 第一章绪论 d h o w a r d ， 文献 7 4 在卫星遥感图像中探测船只s c r o b e r t s ， 1 9 9 9 r b r a n k i n ， g h o lli n g w o r t h ， 文献r 9 4 3图像边缘探测 s s m i t1 9 9 9 a t y r r e l l 用类两分类方法解决多类分 t l o v e a r d 文献 8 6 3类，动态边界确定等多类分类 2 0 0 1 方法 y c i e s i e l s k i m z h a n g ， 文献 8 9 降低目标探测中的误报率p a n d r e a e ， 2 0 0 3 m p r it c h a r d 文献 8 3 概率统计法确定类边界 w s m a r t ， 2 0 0 4 方 m z h a n g 文献 8 4 程序树的多结点输出 y z h a n g ， 2 0 0 4 法 m z h a n g ， 文献 8 7 遗传规划多类图像分类方法改y z h a n g ， 2 0 0 4 研 进 m z h a n g 文献 9 1 在多目标探测时，构造不同适m l e t t ， 2 0 0 4 应度函数，以提高探测性能。m z h a n g 究 m z h a n g ， 文献 9 0 3 大图像中多目标探测方法研究 y c i e s i e l s k i ， 2 0 0 3 p a n d r e a e ， 静态类边界确定、动态边界确w s m a r t ， 文献e 8 1 2 0 0 3 定、槽动态边界确定分类方法 m z h a n g ， 使用两阶段方法，提高目标探 m z h a n g ， 文献 9 2 p a n d r e a e ， 2 0 0 4 测准确率。 u b h o w a n 1 3 研究目的及意义 图像识别分类系统的核心是识别分类算法，图像识别分类算法的主要衡 量指标有识别分类准确率和识别分类效率。尽管图像识别、物体、图像处理探 第一章绪论 测有多种方法 9 9 , i o o , 1 0 1 ，而遗传规划以表示形式灵活和其强大的潜在学习和自适 应能力等优势，已成为解决物体探测识别、图像识别分类问题有效的方法 n 州州纠伽之一。本文以图像识别方法研究为基础，以g p 图像识别分类算法研 究为切入点，重点解决遗传规划在多类图像识别分类的分类准确率和分类效率 问题。通过对遗传规划多类图像分类算法的研究，提出新的多类图像分类算法， 提高分类算法的分类准确率和分类效率。规范遗传规划识别分类器构造过程， 提高构造效率，挖掘遗传规划图像识别分类的潜在能力。推动遗传规划在图像 识别中的应用。通过图像识别过程中关键环节的研究，改进存在的问题，提高图 像识别分类的整体性能。 1 4 主要工作及论文框架 论文主要以遗传规划多类图像识别分类算法研究为主线，以提高遗传规 划多类图像识别分类综合性能为目的，结合图像识别分类的各个环节做了一 些探索、研究工作。按论文章节划分，具体工作如下： 第一章介绍了遗传规划领域国内外研究状况，阐述了本文研究工作的意义 与目的。重点介绍了遗传规划与图像识别分类、物体探测、图像处理有关的研 究工作。最后，简单介绍了本文结构。 第二章回顾进化计算的基本知识、进化计算理论和发展过程。重点对遗传 规划的概念和特点、遗传规划程序表示和产生方法j 进化操作和进化过程进行了 介绍，也简单地介绍了机器学习有关概念。 第三章静态类边界确定算法分类器进化速度快、耗时少，但其最大的缺点 是分类准确率低。主要原因是此算法需要预设培训样本的类边界，边界设置需要 经验，并且对千差万别的培训样本，即使经验丰富的专家也很难做到对所有的图 像样本都能合理设置类边界。本章对静态类边界确定算法边界设置进行研究，提 出了适合于各种样本类边界的确定方法。 第四章分类准确率是衡量图像识别分类算法最重要的指标之一，以提高遗 传规划图像识别分类准确率为目标，提出了等差权值中心动态类边界确定算法 和权值快速下降中心动态类边界确定算法。试图通过在计算培训样本类中心值 时，对不同适应度程序输出乘以不同的权值，使培训样本类边界设置更趋合理， 以提高遗传规划图像识别分类器的分类准确率。 第五章图像特征是图像识别分类的原始数据，图像特征的提取是图像识 别分类中最基础的工作，这项工作是关系到图像识别分类的成败的重要环节之 一。本章主要对图像特征的提取方法进行研究，通过对图像特征提取窗口不同方 第一章绪论 案的划分和不同方法提取图像特征，进行图像识别分类测试，确定适应性最强 的窗口划分方案和图像特征提取方法。 第六章进化效率和分类效率是分类器的重要指标，影响这一指标有许多因 素，图像特征也是重要因素是一。图像特征是对图像地抽象与简化，是图像的一 种表示形式。理论上讲，提取图像特征越完整，就越有利于图像识别。但是，图 像特征提取不可避免地会产生冗余特征，但存在大量冗余的图像特征会大幅增加 计算工作量、减慢图像分类器的进化速度与识别效率。本章介绍图像特征精简方 法，用很少的图像特征数据完成图像识别分类，以加快遗传规划分类器的进化 速度与分类效率 第七章本章从两个方面着手研究工作，遗传规划程序树的规模控制和最小 函数集内容确定。遗传规划程序规模过大，不但会影响分类器的进化速度和分类 效率，也不利于分类器程序的理解与解释。本章首先提出了通过构造适应度函数， 控制程序规模的方法。然后，提出了遗传规划图像识别最小函数集的概念，通过 图像分类测试确定最小函数集的构成。 第八章对论文工作进行总结，肯定成绩，找出不足，总结经验，确定今后 的工作方向。 第一章绪论 论文的结构框架下图所示。 研究背景、目的及意义 上 l 进化计算、机器学习知识回顾 上上 、 ， 上 1 l 静 图 程 态 新序 算 的 像 图 规 法 多 特 像 模 边 类 征 特 控 界 图 提 征 制 预 像 取 精 与 设 识 方 简 最 研 别 法 研 小 究 算 的 究 函 研 数法 究 集 结论与展望 图i - i 论文研究框架 第二章进化计算与机器学习 第二章进化计算与机器学习 本章首先介绍了进化计算的基本知识、分支、产生和发展，其中主要介绍了 遗传规划的相关知识和特点、遗传规划程序表示和产生方法、进化操作和进化过 程。然后，简单地介绍了机器学习有关知识。 2 1 进化计算 2 - 1 1 进化计算概述 进化计算( e c ：e v o l u t i o n a lc o m p u t a t i o n ) 的基本原理来源于达尔文的生 物进化理论，根据达尔文的生物进化理论，地球上的每一物种从诞生开始就进入 了漫长的进化历程，生物种群从低级、简单的类型逐渐发展成为高级、复杂的类 型。各种生物经历了自然选择，适者生存的进化过程。大多数高级生物体是以自 然选择和有性繁殖这两种基本过程实现进化发展的。自然选择决定了生物群体中 能够繁殖生存的个体，有性生殖保证了生物后代基因中的杂交和重组，使得群体 进化快速而且有效。大自然是人类解决各种问题时获取灵感的源泉，将生物界所 提供的答案应用于实际问题求解是一种成功的方法，并已形成了仿生学这一科学 分支。自然界的生物进化是一个不断循环的过程，在此过程中，生物群体得到不 断完善和发展。实际上，生物进化过程本质上是一个优化过程，除了进化过程的 最终结果，也可以利用这一过程本身解决一些复杂问题。这样，就不必非常明确 地描述问题的全部特征，只需要根据自然法则来产生新的更优解。进化计算正是 基于这种思想发展起来的一种通用问题求解方法。它采用简单的编码技术来表示 各种复杂的结构，并通过对一组表示进行简单的遗传操作和优胜劣汰的自然选择 来指导学习和确定搜索方向。由于进化计算采用的方式组织搜索，可以同时搜索 解空间的多个区域而且用种群组织搜索方式使得特别适合大规模并行运算。在 赋予进化计算自组织、自适应和自学习等特征的同时，优胜劣汰的自然选择和简 单的遗传操作使进化计算具有不受其搜索空间限制性条件的约束和不需要其它 辅助信息的特点。这些特点使得进化计算不仅能够获得较高的效率，而且具有简 单、易操作和通用特性，正是这些特性，进化计算越来越受到人们的青睐 1 0 7 3 。 第二章进化计算与机器学习 2