【LSSVM分类】基于matlab遗传算法优化LSSVM烟叶识别【含Matlab源码 1944期】

一、GA-SVM的图像分类简介

1 GA-SVM的图像分类思想
GA-SVM的图像分类基本思想为:首先分别提取图像的颜色和纹理特征,然后采用遗传算法得到最优分类权值向量解,并利用该最优权值对图像各个特征进行加权,最后用加权支持向量机建立图像分类器。具体如图1所示。

图1 图像分类算法的工作流程

2 图像特征的提取和权值确定
2.1 颜色特征
对于一幅图像,直方图和矩阵特征难以描述其类别关系,这主要由于它们没有考虑各个颜色分布的结构特性,因此本文选择用颜色聚合向量来表达图像的颜色特征。其表达式为:<(1,β1),(2,β2),…(N ,βN)> ,其中βi为非聚合像素的数目,i为第i个bin的聚合像素的数目。

2.2 Gabor纹理特征
Gabor滤波器函数可以表示为

各个滤波器的方差可以表示为

通过Gabor滤波,可以找到一个40维的Gabor纹理特征向量:( μ11,σ11,μ12,σ12,…,μ45,σ45) 。

2.3 特征归一化
由于特征数量纲量不一致,容易对分类效率产生不利影响,为了解决该难题,将提取的特征进行归一化处理。

2.4 遗传算法确定特征权值
传统图像分类算法认为各个特征对分类效果的贡献一样,但实践证明,对于不同类型的图像,起决定性因素的分类特征是不一样的。鉴于此,采用遗传算法对图像特征进行加权,考虑各个特征对图像分类效果的不同贡献,为贡献大的特征在分类中分配更大的权值,贡献小的特征分配较小的权值,然后结合多种特征共同对图像进行分类。

1)收集图像数据,并对图像预处理,消除图像中的噪声。

2)分别提取图像的纹理、颜色特征,并转化为相应的特征向量,同时对特征进行归一化处理。

3)随机初始化种群,每个个体对应一组特征权值。

4)根据特征值建立学习样本,输入到支持向量机中学习,计算每一组权值相对应的检索结果。

5)对个体进行选择、交叉和突异操作,产生新一代种群。

6)如果达到最大迭代次数,则结束权值寻优,否则跳转到步骤4)继续执行。

7)将最优个体进行解码,得到特征的最优权值。

具体流程如图3所示。

图3 遗传算法优化特征权值的流程

二、部分源代码

clc
clear all
close all
% 加载工具箱
addpath('LSSVM工具箱\')
%% 加载数据
data=csvread('最小二乘支持向量机.csv',1,0);
tr_len=36;
[W,D]=size(data);% 数据行和列
% %% 训练数据
X = data(1:tr_len,1:D-1);%输入属性特征数据
Y= data(1:tr_len,D);%标签，即类别
% %% 测试数据
Xt= data(tr_len+1:end,1:D-1);%输入属性特征数据
Yt =data(tr_len+1:end,D);%标签，即类别
%% 归一化
[Xn,inputps] = mapminmax(X');
Xtn= mapminmax('apply',Xt',inputps);
% 转置，符合LSSVM数据格式要求
X=Xn';
Xt=Xtn';
%% LSSVM参数设置
gam=5;
sig2=50;
% %% GA特征选择维数
S=size(data,2)-1;          %数据的维度——特征数
bound=[0,1];   %边界条件
maxgen=10;                         %进化代数，即迭代次数
sizepop=10;                        %种群规模
pcross=0.7;                       %交叉概率选择，0和1之间
pmutation=0.05;                    %变异概率选择，0和1之间
lenchrom=ones(1,S);      
individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]);  %将种群信息定义为一个结构体
avgfitness=[];                      %每一代种群的平均适应度
bestfitness=[];                     %每一代种群的最佳适应度
bestchrom=[];                       %适应度最好的染色体
% 
% %初始化种群
initPop = randi([0 1],sizepop,S);
for i = 1:size(initPop,1)
     individuals.chrom(i,:)=initPop(i,:);
     individuals.fitness(i) =funlssvm(initPop(i,:),X,Y,gam,sig2);
end
%找最好的染色体
[bestfitness bestindex]=max(individuals.fitness);
bestchrom=individuals.chrom(bestindex,:);  %最好的染色体
avgfitness=sum(individuals.fitness)/sizepop; %染色体的平均适应度
% 记录每一代进化中最好的适应度和平均适应度
trace=[avgfitness bestfitness];
%% 迭代求解 
% 进化开始
for i=2:maxgen
    disp(['迭代次数：',num2str(i)])
    % 选择
    best(i,:)=bestchrom;
    individuals=select(individuals,sizepop);
    avgfitness=sum(individuals.fitness)/sizepop;
    %交叉
    individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);
    individuals.chrom;
    % 变异
    individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound);
    % 计算适应度
    for j=1:sizepop
        x=individuals.chrom(j,:); %解码
        individuals.fitness(j)=funlssvm(x,X,Y,gam,sig2);
    end

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
  
32
  
33
  
34
  
35
  
36
  
37
  
38
  
39
  
40
  
41
  
42
  
43
  
44
  
45
  
46
  
47
  
48
  
49
  
50
  
51
  
52
  
53
  
54
  
55
  
56
  
57
  
58
  
59
  
60
  
61
  
62
  
63
  
64
  
65
  
66
  
67
 

三、运行结果

四、Matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 王东霞,周观民.遗传算法优化特征权值的支持向量机图像分类[J].电视技术. 2015,39(02)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

文章来源: qq912100926.blog.csdn.net，作者：海神之光，版权归原作者所有，如需转载，请联系作者。

原文链接：qq912100926.blog.csdn.net/article/details/125696752