CN103914527A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN103914527A CN103914527A CN201410123497.6A CN201410123497A CN103914527A CN 103914527 A CN103914527 A CN 103914527A CN 201410123497 A CN201410123497 A CN 201410123497A CN 103914527 A CN103914527 A CN 103914527A
- Authority
- CN
- China
- Prior art keywords
- individual
- image
- matching
- population
- self
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
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。
Description
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,***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***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***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Pc,变异概率Pm,种群规模Popsize,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indi,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Trand1和Trand2。最后交换该个体的第rand1个子树的第Trand1节点处子树和第rand2个子树的第Trand2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indi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Trand1和Trand2,交换位于第Trand1和Trand2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,…,xN};
5b)新的特征构造方法为:{F1',F2',…,F'N}={F1x1,F2x2,…,FNxN},其中Fi'为新特征的第i位,Fi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Pc,变异概率Pm,种群规模Popsize,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indi,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Trand1和Trand2。最后交换该个体的第rand1个子树的第Trand1节点处子树和第rand2个子树的第Trand2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indi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Trand1和Trand2,交换位于第Trand1和Trand2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,…,xN};
5b)新的特征构造方法为:{F1',F2',…,F'N}={F1x1,F2x2,…,FNxN},其中Fi'为新特征的第i位,Fi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Pc,自交叉概率Psc,自交换概率Pse变异概率Pm,种群规模Popsize,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),…,an(t)|t=0},其中ai(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(ai(t))=(precision+recall)/2用来计算个体ai(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ai(t)解码后可表示{x1,x2,x3,…,xk},则称其中{F1,F2,F3,…,Fk}为图像的某一原始特征;{x1F1,x2F2,x3F3,…,xkFk}为相应 图像的个数,precisioni与recalli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*pc±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*pe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indi,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Trand1和Trand2;最后交换该个体的第rand1个子树的第Trand1节点处的子树和第rand2个子树的第Trand2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indi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Trand1和Trand2,交换位于第Trand1和Trand2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,…,xN};新的特征构造方法为:{F1',F2',…,F'N}={F1x1,F2x2,…,FNxN},其中Fi'为新特征的第i位,Fi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。
Claims (6)
1.一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,其特征在于:包括如下步骤:
(1)初始化交叉概率Pc,变异概率Pm,种群规模Popsize,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。
2.如权利要求1所述的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,其特征在于: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。
3.如权利要求1所述的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,其特征在于: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。
4.如权利要求1所述的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,其特征在于: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indi,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Trand1和Trand2,最后交换该个体的第rand1个子树的第Trand1节点处子树和第rand2个子树的第Trand2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indi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Trand1和Trand2,交换位于第Trand1和Trand2个节点处的子树,完成自交换操作。
5.如权利要求1所述的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,其特征在于: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,…,xN};
5b)新的特征构造方法为:{F1',F2',…,F'N}={F1x1,F2x2,…,FNxN},其中Fi'为新特征的第i位,Fi为原始特征的第i位。
6.如权利要求1所述的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,其特征在于: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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410123497.6A CN103914527B (zh) | 2014-03-28 | 2014-03-28 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410123497.6A CN103914527B (zh) | 2014-03-28 | 2014-03-28 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103914527A true CN103914527A (zh) | 2014-07-09 |
CN103914527B CN103914527B (zh) | 2017-02-15 |
Family
ID=51040207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410123497.6A Expired - Fee Related CN103914527B (zh) | 2014-03-28 | 2014-03-28 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103914527B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631481A (zh) * | 2016-01-07 | 2016-06-01 | 西安交通大学 | 基于遗传编程的铁谱磨粒复合特征构造方法 |
CN105975914A (zh) * | 2016-04-28 | 2016-09-28 | 东南大学 | 基于线性组合特征的夫妇与孩子间三人亲属关系判别方法 |
CN107507377A (zh) * | 2017-08-08 | 2017-12-22 | 北京佳讯飞鸿电气股份有限公司 | 光纤周界***的信号处理方法及装置 |
CN109241318A (zh) * | 2018-09-21 | 2019-01-18 | 平安科技(深圳)有限公司 | 图片推荐方法、装置、计算机设备及存储介质 |
CN113705737A (zh) * | 2021-10-28 | 2021-11-26 | 南开大学 | 一种基于搜索的可扩展的最优测试图像集生成方法 |
CN114173114A (zh) * | 2019-01-08 | 2022-03-11 | 华为技术有限公司 | 图像预测方法、装置、设备、***及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009122939A (ja) * | 2007-11-14 | 2009-06-04 | Bridgestone Corp | タイヤ検査用特徴抽出プログラム作成装置及びタイヤ検査装置 |
CN102508909A (zh) * | 2011-11-11 | 2012-06-20 | 苏州大学 | 一种基于多智能算法及图像融合技术的图像检索方法 |
CN103207910A (zh) * | 2013-04-08 | 2013-07-17 | 河南大学 | 基于分层特征和遗传规划相关反馈的图像检索方法 |
-
2014
- 2014-03-28 CN CN201410123497.6A patent/CN103914527B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009122939A (ja) * | 2007-11-14 | 2009-06-04 | Bridgestone Corp | タイヤ検査用特徴抽出プログラム作成装置及びタイヤ検査装置 |
CN102508909A (zh) * | 2011-11-11 | 2012-06-20 | 苏州大学 | 一种基于多智能算法及图像融合技术的图像检索方法 |
CN103207910A (zh) * | 2013-04-08 | 2013-07-17 | 河南大学 | 基于分层特征和遗传规划相关反馈的图像检索方法 |
Non-Patent Citations (1)
Title |
---|
杨振庚: "遗传规划算法研究及其在分类分析上的应用", 《中国优秀硕士学位论文全文数据库信息科技辑 》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631481A (zh) * | 2016-01-07 | 2016-06-01 | 西安交通大学 | 基于遗传编程的铁谱磨粒复合特征构造方法 |
CN105631481B (zh) * | 2016-01-07 | 2018-12-07 | 西安交通大学 | 基于遗传编程的铁谱磨粒复合特征构造方法 |
CN105975914A (zh) * | 2016-04-28 | 2016-09-28 | 东南大学 | 基于线性组合特征的夫妇与孩子间三人亲属关系判别方法 |
CN105975914B (zh) * | 2016-04-28 | 2018-12-28 | 东南大学 | 基于线性组合特征的夫妇与孩子间三人亲属关系判别方法 |
CN107507377A (zh) * | 2017-08-08 | 2017-12-22 | 北京佳讯飞鸿电气股份有限公司 | 光纤周界***的信号处理方法及装置 |
CN109241318A (zh) * | 2018-09-21 | 2019-01-18 | 平安科技(深圳)有限公司 | 图片推荐方法、装置、计算机设备及存储介质 |
WO2020056999A1 (zh) * | 2018-09-21 | 2020-03-26 | 平安科技(深圳)有限公司 | 图片推荐方法、装置、计算机设备及存储介质 |
CN114173114A (zh) * | 2019-01-08 | 2022-03-11 | 华为技术有限公司 | 图像预测方法、装置、设备、***及存储介质 |
US11388399B2 (en) | 2019-01-08 | 2022-07-12 | Huawei Technologies Co., Ltd. | Image prediction method, apparatus, and system, device, and storage medium |
US11849109B2 (en) | 2019-01-08 | 2023-12-19 | Huawei Technologies Co., Ltd. | Image prediction method, apparatus, and system, device, and storage medium |
CN113705737A (zh) * | 2021-10-28 | 2021-11-26 | 南开大学 | 一种基于搜索的可扩展的最优测试图像集生成方法 |
CN113705737B (zh) * | 2021-10-28 | 2021-12-24 | 南开大学 | 一种基于搜索的可扩展的最优测试图像集生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103914527B (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105512289B (zh) | 基于深度学习和哈希的图像检索方法 | |
Furuya et al. | Deep aggregation of local 3d geometric features for 3d model retrieval. | |
CN109783682B (zh) | 一种基于点对相似度的深度非松弛哈希图像检索方法 | |
CN110674407B (zh) | 基于图卷积神经网络的混合推荐方法 | |
CN103914527A (zh) | 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 | |
Schor et al. | Componet: Learning to generate the unseen by part synthesis and composition | |
Mumtaz et al. | Clustering dynamic textures with the hierarchical em algorithm for modeling video | |
CN110188227A (zh) | 一种基于深度学习与低秩矩阵优化的哈希图像检索方法 | |
CN104166982A (zh) | 基于典型相关性分析的图像优化聚类方法 | |
CN105469096A (zh) | 一种基于哈希二值编码的特征袋图像检索方法 | |
CN103942571A (zh) | 一种基于遗传规划算法的图形图像分类方法 | |
CN111126488A (zh) | 一种基于双重注意力的图像识别方法 | |
CN112732864B (zh) | 一种基于稠密伪查询向量表示的文档检索方法 | |
CN107947921A (zh) | 基于递归神经网络和概率上下文无关文法的密码生成*** | |
CN111125469B (zh) | 一种社交网络的用户聚类方法、装置以及计算机设备 | |
CN112417289A (zh) | 一种基于深度聚类的资讯信息智能推荐方法 | |
CN103593674A (zh) | 一种颈部***超声图像特征选择方法 | |
CN102722578B (zh) | 一种基于拉普拉斯正则化无监督的聚类特征选取方法 | |
CN104156464A (zh) | 基于微视频特征数据库的微视频检索方法及装置 | |
Wang et al. | Hierarchical space tiling for scene modeling | |
Wu et al. | Efficient motion data indexing and retrieval with local similarity measure of motion strings | |
CN110083734A (zh) | 基于自编码网络和鲁棒核哈希的半监督图像检索方法 | |
Li et al. | Locally-enriched cross-reconstruction for few-shot fine-grained image classification | |
CN104200222B (zh) | 一种基于因子图模型的图片中对象识别方法 | |
Guo | Deep learning for visual understanding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170215 |
|
CF01 | Termination of patent right due to non-payment of annual fee |