基于GA―SVM图像分割方法研究.docVIP

基于GA―SVM图像分割方法研究 　　摘要：支持向量机作为一种分类算法，虽然具有避免局部最优解、鲁棒性好等优点，但由于核函数、参数的选择等问题经常导致分割结果不理想。针对以上问题，将遗传算法（GA）和支持向量机（SVM）结合，通过遗传算法选取最优参数训练支持向量机模型，使用训练好的模型分割图像。实验结果表明，采用该算法能够得到理想的分割结果。 　　关键词关键词：支持向量机；遗传算法；核函数；适应度函数；图像分割 　　中图分类号：TP317.4 文献标识码：A 文章编号：1672-7800（2016）004-0182-02 　　0引言 　　随着网络和移动通讯技术的快速发展，互联网上的图像数量也呈爆炸式增长，如何从图像中获取感兴趣的信息并加以利用成为当代信息科学技术的一大难题。通过把图像划分成若干具有特定特征的区域，并提取出感兴趣区域的图像分割技术正成为研究热点。目前，可用于图像分割的算法较多，如神经网络、K均值、区域生长法、主动轮廓模型和支持向量机（SupportVectorMechine，SVM）方法等[1]。 　　传统统计分类方法只有在样本数趋向无穷大时性能才有理论保证，但是针对有限样本情况下则难以取得满意的结果。SVM作为一种小样本学习方法，基本不涉及概率测度问题。同时，SVM作为一种基于结构风险最小化（SRM）的方法，具有泛化能力强、可克服维数灾难问题等优点[2]，但传统SVM算法的参数以及核函数的选取对最终分割结果影响较大。针对以上问题，本文采用一种基于GA-SVM的图像分割算法。 　　遗传算法（GeneticAlgorithms，GA）是一种通过模拟自然界生物在自然环境中不断遗传变异及进化过程的全局优化概率算法[3]。由于其具有较好的鲁棒性、自适应性和并行性，因而十分适合进行大规模搜索空间的寻优[4]。为此，本文将遗传算法和支持向量机结合，首先利用遗传算法搜索最优的核函数类型和参数组合，然后将经过处理的特征数据输入经过优化的支持向量机模型进行训练，最终使用经过训练的SVM模型分割待处理图像，获得包含感兴趣区域的图像。 　　1支持向量机 　　支持向量机（SupportVectorMachine，简称SVM）是在统计学习理论基础上发展起来的一种新的机器学习方法，它基于统计学习的VC维理论和结构风险最小化原则[5]。一方面，由于支持向量机算法是一个凸二次优化问题，能够保证找到的极值解就是全局最优解，可有效避免局部极小点并解决过学习问题；另一方面，由有限的训练样本集获取的决策策略对独立的测试集仍然误差较小，所以其具有良好的分类精确性。 　　支持向量机基本原理为：通过将特征数据通过核函数定义的非线性特征映射到高维特征空间中，使其线性可分，然后在新特征空间中构建最优分类超平面（见图1），通过使分类间隔最大以获取最优分类结果[6]。 　　图中，实心点和空心点代表两类样本，H为分类线，H1、H2分别为过各类中离分类线最近的样本且平行于分类线的直线。它们之间的距离为分类线间隔。H1、H2上的训练样本点称为支持向量。 　　假定训练数据（xi，yi），i=1，2，..，l，yi∈{-1，+1}，将其进行正归化，如公式1所示。其中，ω∈RN，b∈R为确定决策函数的待求参数。 　　yi[（ω?xi）+b]≥1，i=1，…，l（1） 　　该分类间隔为2‖ω‖，其最大间隔等价于使‖ω‖2最小，最优分类面问题可以表示成约束优化问题，其最小化泛函如公式（2）所示，约束条件如公式（1）所示。 　　（ω）=12‖ω‖2=12（ω?ω）（2） 　　其最优分类函数如公式3所示。 　　f（x）=sgn（∑li=1yiαik（x?xi）-b）（3） 　　其中，k（x?xi）表示核函数，sgn（x）为符号函数。在SVM分类算法中，可通过定义不同的核函数来构建不同的SVM分类器。常用的核函数有多项式核函数、高斯核函数（RBF）、拉普拉斯核函数、双曲正割核函数等。 　　2GA-SVM图像分割算法 　　2.1遗传算法原理 　　遗传算法是模拟生物进化过程的数学模型，其包含以下基本要素：①参数编码；②初始群体设定；③适应度函数设计；④遗传或变异等操作。 　　首先，需要生成初始种群，种群中包含固定数量的个体，每个个体实质上都是经过基因编码信息的实体，这些基因编码信息构成染色体，染色体决定个体的外部特征以及生物多样性。染色体的表现形式即基因编码，然后设计适应度函数。在种群繁衍过程中需要通过一定方法来评估个体优劣，表现在算法层面上即解的优劣。在种群进化过程中，通过适应度函数评估结果结合一定的选择策略来决定哪些个体进行繁殖，哪些个体被淘汰。同时，保持种群持续不断地一代代进化。最终，可获取最优解或近似最优解。 　　2.2基于GA-SVM