一种基于新编码方式的遗传规划算法的图形图像识别与匹配方法

摘要

本发明属于图像处理技术领域，具体公开了一种基于新编码方式的遗传规划算法的图形图像识别与匹配方法，目的是通过新算法获取图像匹配中更加适合的特征以提高图像识别与匹配的检索准确度。其步骤包括：(1)参数设置、种群初始化及匹配方式的选择；(2)计算种群适应度及遗传操作包括交叉、变异、自交叉、自交换操作；(3)优选遗传操作后的个体，进行局部搜索；(4)进一步优选种群，并判断进化是否终止；(5)解码个体树，得到提取新特征的方式，获得新的图像特征；(6)针对新的图像特征，依据设置好的匹配方式，输出图像匹配模型。本发明生成的训练模型，能够有效的提高图像识别与匹配的准确度。

说明书

技术领域

本发明涉及图像处理技术领域，具体是一种基于新编码方式的遗传规划算法的图形图像识别与匹配方法，能够应用于对数字图像的检索中。 

背景技术

视觉或图像信息是人类接收信息的主要途径，包括图像、图形、动画、视频、文字等是最有效和最重要的信息获取和交流方式。随着信息的大量涌现，人们越来越需要利用计算机来辅助获取与处理图像信息。因而图像处理、图像分析和图像理解随之成为计算机科学研究的重要内容。 

图像匹配有基于内容和基于文本之分。基于文本的图像匹配技术，将每幅图像加上相关标签。匹配时，根据标签内容的匹配输出对应的图像，属于人工干预较多的匹配方式。然而随着时代的发展，无法完成对图像信息准确地标注标签信息。因而，基于文本的图像匹配有其自身的局限性。基于内容的图像匹配是将图像本身的信息作为识别内容，根据图像像素间的内在联系，即可完成识别与匹配任务，人工干预大大降低，因此成为许多领域的一项重要技术。 

基于内容的图像匹配技术，在建立图像数据库时，系统对输入的图像进行分析并分类统一建模，然后根据各种图像模型提取图像特征存入特征库，而用户在通过用户接口设置查询条件时，可以采用一种或几种的特征组合来表示，然后系统采用相似性匹配算法计算关键图像特征与特征库中图像特征的相似度，然后按照相似度从大到小的顺序将匹配图像反馈给用户。在此过程中匹配系统会根据不同的特征采用不同的匹配算法，不同的特征匹配算法大不相同，匹配算法需经过精心设计才能达到较好的结果。 

发明内容

本发明的目的在于克服已有技术的不足，提出一种基于新编码方式的遗传规划算法的图形图像识别与匹配方法，实现识别与匹配效果的提高。 

为此，本发明提供了一种基于新编码方式的遗传规划算法的图形图像识别与匹配方法，包括如下步骤： 

（1）初始化交叉概率P_c，变异概率P_m，种群规模Pop_size，变异步长因子s，以及迭代次数gen；选择半数图像库中的图像作为匹配模型的训练集， 剩余部分作为匹配模型的测试集； 

（2）采用图像特征“组合矩”的方法，对训练集图像进行训练，生成图像特征库；根据特征库中的特征进行编码，初始化种群； 

（3）计算种群个体的适应度，保留适应度大的个体，并对保留的个体进行选择、交叉和变异操作； 

（4）对交叉变异后的个体进行局部搜索，完成自交叉和自交换操作； 

（5）对步骤(4)产生的个体结果进行适应度评估，若其最优适应度达到所需水平，解码最优表达式树，生成新的图像特征提取模型，转向步骤(6)；否则转向步骤(3)； 

（6）根据已设定的特征匹配模型和步骤(5)中产生的新特征模型，生成新的匹配模型，进行图像匹配。 

上述步骤(2)中所述的根据特征库中的特征进行编码，按如下步骤完成： 

2a）根据遗传规划的编码思想，在个体树的根节点处使用abs函数符号；非根节点处的函数符选用其他常规函数； 

2b）叶子节点采用常数或随机数作为终止符，每个叶子节点代表了图像特征“组合距”的一个维度。 

2c）为了控制个体树膨胀，个体树深度不得低于2。 

上述步骤(3)中所述的交叉、变异操作，按如下步骤完成： 

3a)对于种群中被选择到的个体ind₁，ind₂进行交叉操作，首先计算出ind₁与ind₂中个体表达树的节点个数N₁，N₂；产生两个随机整数r₁,r₂分别位于区间[1,N₁]，[1,N₂]中；在个体表达树中分别找到第r₁个和第r₂个节点的位置；交换两个位置处的子树； 

3b)对于种群中的个体ind₃进行变异操作，首先计算个体树的节点个数N；产生位于[1,N]之间的随机整数r₁；找到个体表达树中的第r₁个节点；产生位于[0,1]区间的随机数rand; 

若rand＜0.5则从操作符与终止符中随机挑选一个运算符替换个体表达树中的第r₁个运算符，并根据该运算符的目数，生成相应的个体子树，完成变异操作； 

若rand≥0.5则首先获取第r₁个节点处的运算符的目数T；然后从运算符 中随机挑选目数为T的运算符替换r₁节点处的运算符，完成变异。 

上述步骤（4）中所述的自交叉、自交换操作，按如下步骤完成： 

4a)自交叉操作：对于种群中的被选择到的个体ind_i，该个体根节点的子节点个数为N，首先产生两个位于[1,N]的随机数字rand₁和rand₂；然后计算两子树的节点个数T₁和T₂，生成位于[1,T₁]和[1,T₂]间的随机数T_rand1和T_rand2。最后交换该个体的第rand₁个子树的第T_rand1节点处子树和第rand₂个子树的第T_rand2个节点处子树，完成自交叉操作； 

4b)自交换操作：对种群中某个体ind_i进行自交换操作，首先确定该个体根节点出的子节点个数N，然后产生两个位于区间[1,N]的随机整数T_rand1和T_rand2，交换位于第T_rand1和T_rand2个节点处的子树，完成自交换操作。 

上述步骤(5)中所述的解码最优表达式树，生成新的图像特征模型，按如下步骤完成： 

5a)种群中的最优个体将被选为划分结果，个体解码为根节点的N个子树所对应的1×N的向量，N同时为图像特征的维数，如解码向量{x₁,x₂,…,x_N}； 

5b)新的特征构造方法为：{F₁',F₂',…,F'_N}＝{F₁x₁,F₂x₂,…,F_Nx_N}，其中F_i'为新特征的第i位，F_i为原始特征的第i位； 

上述步骤步骤(6)中所述的生成新的匹配模型进行匹配，按如下步骤完成： 

6a)将步骤(5)生成的新特征结合个体适应度评估所使用的匹配函数f(I₁,I₂)，即为最终的训练检索模型。其中I₁、I₂为两幅待匹配的图像。 

6b)利用该模型，将每幅图像库中的图像与待匹配图像进行初始的特征提取；再使用以上算法进行二次特征提取；然后进行f运算。对运算结果进行排序，根据排序结果即可获得最佳匹配图像。 

本发明的有益效果是：利用分类思想，采用遗传规划算法和现有的简单匹配算法，对图像库中的训练集建模，产生划分模型，根据划分模型，将训练集中的每幅图像作为匹配对象，测试匹配模型的性能；反复改进所产生的匹配模型，最终得到一个满意的模型。并利用该模型预测图像与图像库图像之间的匹配问题，根据匹配程度输出最佳匹配的图像，从而实现图像识别，本发明产生的训练模型，能够提高匹配效果并有效的提高图像 识别的准确度。 

附图说明

图1是本发明的流程框图； 

图2是本发明提出的新编码方式下的自交叉操作的示意图； 

图3是本发明提出的新编码方式下的自交换操作的示意图。 

具体实施方式

图1是本发明的流程框图。本发明提供了一种基于新编码方式的遗传规划算法的图形图像识别与匹配方法，包括如下步骤： 

（1）初始化交叉概率P_c，变异概率P_m，种群规模Pop_size，变异步长因子s，以及迭代次数gen；选择半数图像库中的图像作为匹配模型的训练集，剩余部分作为匹配模型的测试集； 

（2）采用图像特征“组合矩”的方法，对训练集图像进行训练，生成图像特征库；根据特征库中的特征进行编码，初始化种群； 

（3）计算种群个体的适应度，保留适应度大的个体，并对保留的个体进行选择、交叉和变异操作； 

（4）对交叉变异后的个体进行局部搜索，完成自交叉和自交换操作； 

（5）对步骤(4)产生的个体结果进行适应度评估，若其最优适应度达到所需水平，解码最优表达式树，生成新的图像特征提取模型，转向步骤(6)；否则转向步骤(3)； 

（6）根据已设定的特征匹配模型和步骤(5)中产生的新特征模型，生成新的匹配模型，进行图像匹配。 

上述步骤(2)中所述的根据特征库中的特征进行编码，按如下步骤完成： 

2a）根据遗传规划的编码思想，在个体树的根节点处使用abs函数符号；非根节点处的函数符选用其他常规函数； 

2b）叶子节点采用常数或随机数作为终止符，每个叶子节点代表了图像特征“组合距”的一个维度。 

2c）为了控制个体树膨胀，个体树深度不得低于2。 

上述步骤(3)中所述的交叉、变异操作，按如下步骤完成： 

3a)对于种群中被选择到的个体ind₁，ind₂进行交叉操作，首先计算出ind₁ 与ind₂中个体表达树的节点个数N₁，N₂；产生两个随机整数r₁,r₂分别位于区间[1,N₁]，[1,N₂]中；在个体表达树中分别找到第r₁个和第r₂个节点的位置；交换两个位置处的子树； 

3b)对于种群中的个体ind₃进行变异操作，首先计算个体树的节点个数N；产生位于[1,N]之间的随机整数r₁；找到个体表达树中的第r₁个节点；产生位于[0,1]区间的随机数rand; 

若rand＜0.5则从操作符与终止符中随机挑选一个运算符替换个体表达树中的第r₁个运算符，并根据该运算符的目数，生成相应的个体子树，完成变异操作； 

若rand≥0.5则首先获取第r₁个节点处的运算符的目数T；然后从运算符中随机挑选目数为T的运算符替换r₁节点处的运算符，完成变异。 

上述步骤（4）中所述的自交叉、自交换操作，按如下步骤完成： 

4a)自交叉操作：对于种群中的被选择到的个体ind_i，该个体根节点的子节点个数为N，首先产生两个位于[1,N]的随机数字rand₁和rand₂；然后计算两子树的节点个数T₁和T₂，生成位于[1,T₁]和[1,T₂]间的随机数T_rand1和T_rand2。最后交换该个体的第rand₁个子树的第T_rand1节点处子树和第rand₂个子树的第T_rand2个节点处子树，完成自交叉操作； 

4b)自交换操作：对种群中某个体ind_i进行自交换操作，首先确定该个体根节点出的子节点个数N，然后产生两个位于区间[1,N]的随机整数T_rand1和T_rand2，交换位于第T_rand1和T_rand2个节点处的子树，完成自交换操作。 

上述步骤(5)中所述的解码最优表达式树，生成新的图像特征模型，按如下步骤完成： 

5a)种群中的最优个体将被选为划分结果，个体解码为根节点的N个子树所对应的1×N的向量，N同时为图像特征的维数，如解码向量{x₁,x₂,…,x_N}； 

5b)新的特征构造方法为：{F₁',F₂',…,F'_N}＝{F₁x₁,F₂x₂,…,F_Nx_N}，其中F_i'为新特征的第i位，F_i为原始特征的第i位； 

上述步骤(6)中所述的生成新的匹配模型进行匹配，按如下步骤完成： 

6a)将步骤(5)生成的新特征结合个体适应度评估所使用的匹配函数f(I₁,I₂)，即为最终的训练检索模型。其中I₁、I₂为两幅待匹配的图像。 

6b)利用该模型，将每幅图像库中的图像与待匹配图像进行初始的特征提取；再使用以上算法进行二次特征提取；然后进行f运算。对运算结果进行排序，根据排序结果即可获得最佳匹配图像。 

详细说明如下： 

步骤（1）中训练集构造及参数设置： 

1a）将图像数据库随机均匀分成两等份，一份作为训练集使用，另一部分作为测试集； 

1b）设置种群进化代数gen';设定交叉概率P_c，自交叉概率P_sc，自交换概率P_se变异概率P_m，种群规模Pop_size，变异步长因子s，迭代次数gen。 

步骤（2）中所述的特征训练，个体编码，初始种群操作，按如下方式进行： 

2a）采用图像特征“组合距”的方法对训练集的图像进行训练。组合距由CHEN不变距发展而来，包含七个特征{a，b，c，d，e，f，g}。其中{a，b，c，d}是CHEN不变矩的前4阶距，{e，f，g}分别是图像轮廓的第2，3，4阶中心距与边界几何距的商； 

2b）个体编码。根据遗传规划的编码思想，在个体树的根节点处使用abs函数符号；非根节点处的函数符选用其他常规函数；叶子节点采用常数或随机数作为终止符，每个叶子节点代表了图像特征“组合距”的一个维度；为了控制个体树膨胀，个体树深度不得低于2。 

2c）依据（1a）中的图像特征，及种群规模n，初始化种群： 

A(t)＝{a₁(t),a₂(t),…,a_n(t)|t＝0}，其中a_i(t)为初始种群中的第i个体，由abs根节点和常规表达树组成，i∈[1,n]。 

步骤（3）计算种群的适应度及交叉变异。 

3a）f(a_i(t))＝(precision+recall)/2用来计算个体a_i(t)的适应度； 

其中                                                  

计算时，为了降低计算复杂度，将待输出的图像幅数与相关图像数设置为训练集中的相关图像数的半数。个体a_i(t)解码后可表示{x₁,x₂,x₃,…,x_k}，则称其中{F₁,F₂,F₃,…,F_k}为图像的某一原始特征；{x₁F₁,x₂F₂,x₃F₃,…,x_kF_k}为相应    图像的个数，precision_i与recall_i分别为以第i幅图像为被检索图像情况下的检索精度与回调率。 

3b）根据个体适应度进行种群选择操作。采用锦标赛策略，锦标赛每轮大小为5，产生n*p_c±1个交叉配对个体，对剩余的个体进行变异操作。再根据精英策略，从种群中选择n*p_e个精英个体； 

3c）对于种群中被选择到的个体ind₁，ind₂进行交叉操作。首先计算出ind₁与ind₂中个体表达树的节点个数N₁，N₂；产生两个随机整数r₁,r₂分别位于区间[1,N₁]，[1,N₂]中；在个体表达树中分别找到第r₁个和第r₂个节点的位置；交换两个位置处的子树； 

3d）对于种群中的个体ind₃进行变异操作。首先计算个体树的节点个数N；产生位于[1,N]之间的随机整数r₁；找到个体表达树中的第r₁个节点；随机生成一个不包含abs函数符的个体树，替换第r₁个节点的子树。 

步骤(4)中所述的自交叉、自交换操作，按如下方式完成： 

自交换与自交叉操作的对象为单个体，采用某一个体中子树间的交叉和子树与子树的整体交换方式完成。 

4a）对于种群中的被选择到的个体ind_i，该个体根节点的子节点个数为N。首先产生两个位于[1,N]的随机整数rand₁和rand₂；然后计算两子树的节点个数T₁和T₂，生成位于[1,T₁]和[1,T₂]间的随机数T_rand1和T_rand2；最后交换该个体的第rand₁个子树的第T_rand1节点处的子树和第rand₂个子树的第T_rand2个节点处的子树，完成自交叉操作。 

图2是本发明提出的新编码方式下的自交叉操作的示意图。图2中被选中的个体根节点的子节点个数为4，产生的两个随机整数为2、4，分别为‘*’节点和‘/’节点；查询此两个节点组成的子树的节点个数，分别为5、5；再产生两个位于[1,5]区间的整数，分别为2、2（节点‘+’与节点‘-’）；交换两处的子树，完成自交叉操作。 

4b）自交换操作：对种群中某个体ind_i进行自交换操作。首先确定该个体根节点出的子节点个数N，然后产生两个位于区间[1,N]的随机整数T_rand1和T_rand2，交换位于第T_rand1和T_rand2个节点处的子树。完成自交换操作。图3是本发明提出的新编码方式下的自交换操作的示意图。如图3，首先检查根节点处的子节点个数4，产生两个位于区间[1,4]中的随机整数1、4。交换根 节点的第1棵子树与第4棵子树，完成自交叉操作。 

步骤（5）判断终止条件与解码最优表达式树： 

5a）根据进化中的最优个体适应度与初始化平均个体适应度对比，若前者为后者的1.5倍，或者种群个体的适应度最大值大于等于0.85，则终止种群进化，进行第六步；否则，重复第三步。 

5b）种群中的最优个体将被选为划分结果，个体解码为根节点的N个子树所对应的1×N的向量，N同时为图像特征的维数，如解码向量{x₁,x₂,…,x_N}；新的特征构造方法为：{F₁',F₂',…,F'_N}＝{F₁x₁,F₂x₂,…,F_Nx_N}，其中F_i'为新特征的第i位，F_i为原始特征的第i位。 

步骤（6）生成新的匹配模型： 

6a)将步骤(5)生成的新特征结合个体适应度评估所使用的匹配函数f(I₁,I₂)，即为最终的训练检索模型。其中I₁、I₂为两幅待匹配的图像。 

6b)利用该模型，将每幅图像库中的图像与待匹配图像进行初始的特征提取；再使用以上算法进行二次特征提取；然后进行f运算。对运算结果进行排序，根据排序结果即可获得最佳匹配图像。 

本发明利用分类思想，采用遗传规划算法和现有的简单匹配算法，对图像库中的训练集建模，产生划分模型，根据划分模型，将训练集中的每幅图像作为待匹配对象，测试匹配模型的性能；反复改进所产生的匹配模型，最终得到一个满意的模型。并利用该模型预测图像与图像库图像之间的匹配问题，根据匹配程度输出最佳匹配的图像，从而实现图像识别，本发明产生的训练模型，能够提高识别效果并有效的提高图像识别的准确度。 

表1所示为两种算法的对比结果。NSGP为改进后的算法，NTGP为改进前的算法。从表中可以看出，16组实验中，NSGP在12组实验中获得了更好的结果。且有不小程度的提高。由此可以得出，新方法有更好的优势。 

表1：针对不同图像集与特征提取算法对应的识别准确度 

算法 MPEG bicego Plane Kimia NSGPCombo 0.8738(0.020) 0.8821(0.000) 0.8113(0.010) 0.9171(0.014) NTGPCombo 0.8713(0.017) 0.8646(0.039) 0.7571(0.072) 0.9000(0.020) NSGPCSM 0.9299(0.014) 0.9124(0.010) 0.8660(0.027) 0.9094(0.022) NTGPCSM 0.8685(0.014) 0.8956(0.014) 0.7805(0.024) 0.8657(0.017)

NSGPCHEN 0.7842(0.017) 0.6274(0.014) 0.3040(0.010) 0.7929(0.022) NTGPCHEN 0.7702(0.020) 0.6048(0.030) 0.3115(0.014) 0.7374(0.020) NSGPFD 0.9387(0.014) 0.8371(0.014) 0.8248(0.014) 0.8320(0.017) NTGPFD 0.9345(0.010) 0.8395(0.014) 0.8168(0.017) 0.7749(0.029)

以上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。