摘要：隨著人工智能時代的到來，智能算法應(yīng)具有較強的非線性映射能力、數(shù)據(jù)處理能力和泛化能力等。文章基于支持向量機（PSO）參數(shù)優(yōu)化的算法實現(xiàn)圖像特的智能辨識。首先，理論分析SVM分類過程，明確影響SVM分類性能的重要因素。其次，選擇四種不同胃狀的圖像特征信息作為分類對象，對特征信息進(jìn)行了預(yù)處理操作，消除了量綱及量級對分類效果的影響。最后，經(jīng)過粒子群優(yōu)化（PSO）算法實現(xiàn)SVM的參數(shù)尋優(yōu)，建立優(yōu)化模型，可視化分類結(jié)果。結(jié)果表明，PSO-SVM的分類準(zhǔn)確率高達(dá)95%，說明基于PSO-SVM的人工智能技術(shù)可以提供一個方法來實現(xiàn)圖像特征的智能辨識。

關(guān)鍵詞：人工智能;支持向量機;粒子群優(yōu)化;參數(shù)尋優(yōu);圖像識別

中圖分類號：TP393

文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）04-0173-03

收稿日期：2019-10-15

作者簡介：肖磊（1998—），男，江西南昌人，學(xué)士，本科在讀，研究方向為人工智能與計算科學(xué)。

Intelligent Identification of Image Features Based on Support Vector Machine Parameter Optimization

XIAO Lei

（Hainan Normal University，School of Information Science and Technology，Hainan 570100，China）

Abstract：With the advent of the era of artificial intelligence，intelligent algorithms have a strong ability of non-linear mapping，data processing and generalization.In this paper，the intelligent recognition of image features was realized Based on the parameter optimization algorithm of support vector machine （SVM）.Firstly，the classification process of SVM was analyzed theoretically，and the important factors affecting the classification performance of SVM were clarified.Secondly，4 kinds of stomach-shaped image feature information were selected as the classification object，and the feature information were preprocessed to eliminate the influence of dimension and scale on the classification effect.Finally，the parameters of SVM were optimized by particle swarm optimization （PSO）algorithm，the optimization model was established and the classification results was visualized.The results show that the classification accuracy of PSO-SVM is as high as 95%，which indicates that PSO-SVM can provide a method to realize the intelligent identification of image features.

Key words：artificial intelligence;support vector machine;particle swarm optimization;parameter optimization;image recognition

隨著人工智能的發(fā)展，圖像分類成為近年來研究和應(yīng)用的熱點。圖像處理技術(shù)最早來源于醫(yī)療方面，比如，可以通過圖像觀察病人體內(nèi)各種病變的細(xì)胞，包括紅細(xì)胞、白細(xì)胞、淋巴細(xì)胞、嗅球細(xì)胞、軟組織、染色體等等[1]。還可以進(jìn)行腦電圖像的獲取，心電圖分析，B超孕期檢查、肺部透析等等。圖像經(jīng)過特殊的技術(shù)手段獲取之后，通過系列的處理手段進(jìn)行傳輸、備案、分析，極大程度上提高了診斷質(zhì)量[2]。數(shù)字處理技術(shù)可以幫助醫(yī)生對患者的情況進(jìn)行實時查詢，不同的病變不同的結(jié)果都會通過圖像進(jìn)行展示，通過觀察圖像處理結(jié)果可以進(jìn)行預(yù)先診斷。數(shù)字圖形處理涉及的研究領(lǐng)域非常廣泛比如說航空行天、科研人員利用數(shù)字圖像處理技術(shù)實現(xiàn)了太空形態(tài)的拍攝和特征獲取，對于探求其他星球表面的生物形態(tài)等等，這都減少了人工處理的難度，同時獲得了有用信息，去除了冗余信息[3]。

圖像處理過程需要經(jīng)過特征數(shù)據(jù)的有效獲取，數(shù)據(jù)的預(yù)處理，還有人工智能算法的高效嵌入，同時還要求處理圖像的系統(tǒng)平臺具有較高的運算能力。國內(nèi)外科研人員為有效提高數(shù)字圖像處理速度，主要展開了以下這幾方面的研究：第一，為了充分的獲取能代表整體圖像的有用信息，采取系列的特征提取方法，對待識別的圖像進(jìn)行數(shù)字獲取，這是非常重要的對于之后人工智能算法的有效識別。第二，開發(fā)高效處理數(shù)字圖像的軟件平臺，針對待處理圖像特向，運用不同的軟件，處理想過和處理速度都是不同的，但是這樣同時也會增加其軟件開發(fā)難度。第三，開發(fā)高效的人工智能算法，根據(jù)檢測圖像的數(shù)據(jù)特點，采用不同的人工智能算法，可以大幅度提高圖像的識別效率，也節(jié)約成本，這是目前廣大科研人員專注的問題。

每種不同的胃狀樣本隨機選擇80組作為訓(xùn)練集，30組作為預(yù)測集。因此，訓(xùn)練集樣本一共包含320組，預(yù)測集樣本一共包含120組。首先根據(jù)2.1的數(shù)據(jù)預(yù)處理方法，消除24維圖像特征中不同量綱和量級對分類性能的影響。選擇PSO對影響SVM分類性能的兩個重要參數(shù)進(jìn)行優(yōu)化選擇。在迭代尋優(yōu)的過程中，粒子之間彼此跟蹤自己的歷史最優(yōu)準(zhǔn)確率不斷更新自己的搜索方向和速度，使粒子朝著最優(yōu)的方向收斂。PSO算法的速度更新公式為：

式中，0（t）—粒子的速度;

—慣性權(quán)重;

qImr（t）—到t時刻時粒子的最優(yōu)解;

q（t）—t時刻的交叉驗證準(zhǔn)確率;

pPour（t）—t時刻所有粒子全局最優(yōu)解;

rand（）—[0，1]范圍內(nèi)的隨機數(shù);

c1，c2—學(xué)習(xí)因子，c=1.5，c2=1.7。

圖2為PSO-SVM的參數(shù)尋優(yōu)過程及分類結(jié)果圖。圖2（a）圖可以看出當(dāng)達(dá)到訓(xùn)練集5倍交叉驗證準(zhǔn)確率100%時，得到了最優(yōu)參數(shù)c為12.0697，g為0.057983。圖2（b）顯示了最終的分類準(zhǔn)確率為95%，有效實現(xiàn)圖像特征信息的高精度智能識別。

3 結(jié)束語

文章基于PSP-SVM實現(xiàn)了四種不同胃狀圖像特征的智能辨識。首先對四種不同胃狀圖像提取了24維的顏色特征和紋理特征。其次，為了相處不同量綱和量級數(shù)據(jù)對分類性能的影響，對數(shù)據(jù)進(jìn)行了歸一化處理。最后，基于PSO算法優(yōu)化影響SVM分類的重要參數(shù)，可視化參數(shù)尋優(yōu)過程以及分類結(jié)果。結(jié)果表明，PSO-SVM對四種不同胃狀特征數(shù)據(jù)的分類準(zhǔn)確率高達(dá)95%，基于人工智能算法實現(xiàn)了胃狀圖像特征數(shù)據(jù)的智能辨識。

參考文獻(xiàn)：

[1]尹聰，欒秋平，馮念倫.病變細(xì)胞顯微圖像分析與識別技術(shù)的研究[J].生物醫(yī)學(xué)工程研究，2009，28（1）：35-38.

[2]金鑫.圖像測量系統(tǒng)在心電圖機檢定中的運用[J].計量與測試技術(shù)，2018，45（6）：58-59，62.

[3]吳詩姻.遙感圖像預(yù)處理與分析方法研究[D].南京：南京航空航天大學(xué)，2017.

[4]Suykens J A K，Vandewalle J.Least Squares Support Vector Machine Classifiers[J].Neural Processing Letters，2012，9（3）：.293-300.

[5]Lukas L，Suykens J，Vandewalle J.Least squares support vector machines classifiers ：a multi two-spiral benchmark problem[J].Proc of the Indonesian Student Scientific Meeting，2011，3（11）：289-292.

[6]Chang C C，Lin C J.Training v-support vector classifiers：theory and algorithms[J].Neural Computation，2001，13（9）：2119-2147.

[7]張文生，丁輝，王玨.基于鄰域原理計算海量數(shù)據(jù)支持向量的研究[J].軟件學(xué)報，2001，12（5）：711-720.

[8]汪西莉，焦李成.一種基于馬氏距離的支持向量快速提取算法[J].西安電子科技大學(xué)學(xué)報，2004，31（4）：639-643.

[9]Cortes C，Vapnik V.Support-vector networks[J].Machine Learn-ing，1995，20（3）：273-297.

[10]Li Y，Zhang J，Li T，et al.Geographical traceability of wild Boletus edulis Based on data fusion of FT-MIR and ICP-AES coupled with data mining methods （SV M）[J].Spectrochimica ActaPart A：Molecular and Biomolecular Spectroscopy，2017，177：20-27.

[11]Maguire A，Vega-Carrascal I，Bryant J，et al.Competitive evaluation of data mining algorithms for use in classification of leukocyte subtypes with Raman microspectroscopy[J].The Analyst，2015，140（7）：2473-2481.

[12]Bergner N，Bocklitz T，Romeike B F M，et al.Identification of support vector machines[J].Chemometrics and Intelligent Laboratory Systems，2012，117：224-232.

[13]楊維，李歧強.粒子群優(yōu)化算法綜述[J].中國工程科學(xué)，2004，6（5）：87-94.

[通聯(lián)編輯：唐一東]