中的屬性歸并到其他組。
[0042] 總之要限制組的數(shù)目和初始值一致。
[0043] (e).把（a)-(d)步驟應用到其他對雙親染色體，生成新的孩子染色體。
[0044] (3)變異和反轉
[0045] 變異是指創(chuàng)建一個新的組，消除一個已經存在的組，交換組間信息。反轉是指改變 組部分基因的順序，保證組信息有機會傳遞到下一代。這兩個操作都是為了避免陷入局部 最優(yōu)解。
[0046] 下面具體描述本發(fā)明的具體實施例。圖1示意性地示出了根據本發(fā)明優(yōu)選實施例 的基于組遺傳算法的圖像屬性聚類方法的流程圖。其中，所述圖像屬性聚類方法的輸入為 m個屬性和g個聚類簇；輸出為一個合適屬性聚類結果。
[0047] 如圖1所示，根據本發(fā)明優(yōu)選實施例的基于組遺傳算法的圖像屬性聚類方法包 括：
[0048] 第一步驟S1:針對N幅圖像ΙΛ，12，…，IJ，隨機生成N個染色體作為初始種群，其 中每個染色體代表一個可能的屬性聚類結果，每幅圖像有m個屬性4 = [乂，#，…，居1并 r 且將圖像的屬性分成多個組；
[0049]例如，隨機生成5個染色體作為初始種群，每個染色體代表一個可能的屬性聚類 結果。假設N幅圖像仏丄，…，ιη}，每幅圖像有7個屬性4 = (4^4,^,4^47}分 成4個組。染色體由兩部分構成，屬性部分和組部分，如下表所示：
[0050]
[0051]
[0052] 第二步驟S2:計算每個染色體的適應度函數(shù)值"Fitness"：
[0053]
[0054] .-7
[0055] 其中AW(A)，S/)表示屬性A;到同一組中的種子屬性之間的距離，1?廣示組，」 表示不同組中的種子屬性之間的最小距離，同一組中的種子屬性隨機產生；
[0056] 第三步驟S3:根據計算出的染色體適應度函數(shù)值，使用賭輪選擇策略選擇下一代 N個（例如，5個）染色體。
[0057] 第四步驟S4:對染色體的組部分執(zhí)行交叉算子；
[0058] 具體地，例如，任意選兩個染色體，C1作為基染色體，C2作為插入塊染色體。只選 擇它們的組部分，主要進行組部分的交叉。
[0059]
[0060] 在C1中隨機生成插入位置P，在C2中隨機生成插入塊的起始位置S和插入塊的長 度M。
[0061] 假設P= 2,S= 3,Μ= 2,則生成新的染色體為
[0062]
[0063] 對新染色體進行去除重復信息處理，即去除第一個雙親染色體組部分的重復信 息，|cnEW|表示新染色體中非空組的數(shù)目。
[0064]如果|Cn?|〈4,隨機選擇一個組，把它分成兩個組，重復這個過程，直到出現(xiàn)4個組 為止。
[0065]如果|CnEW| >4,進行賭輪選擇把選中的組移除，移除組包含的屬性被隨機分配到其 他組里。一個擁有較少屬性的組容易被移除。
[0066] 第五步驟S5 :對染色體的屬性部分執(zhí)行變異算子；其中，隨機地選定一個屬性，把 選定的屬性任意分配給另一個組，從而實現(xiàn)變異；
[0067] 第六步驟S6 :對染色體的屬性部分執(zhí)行反轉算子；
[0068] 其中，反轉算子是為了幫助交叉算子選擇不同的組的混合。例如，首先隨機生成一 個0-1之間的數(shù)，如果這個數(shù)大于反轉率q，則組的順序重新排列，對換不同組中的屬性值， 如將gl組的屬性換到g3組中，屬于g3組的屬性換到gl組中，反轉率q= 0. 2。
[0069] 第七步驟S7:重復第二步驟S2至第六步驟S6直到完成給定的遺傳代數(shù)MaxGen; 例如令MaxGen= 100〇
[0070] 第八步驟S8:在MaxGen遺傳代數(shù)中，適應度函數(shù)值趨于收斂，這時達到最優(yōu)，由此 輸出最優(yōu)適應度函數(shù)值的染色體。
[0071] 根據本發(fā)明的基于組遺傳算法的圖像屬性聚類方法的優(yōu)勢在于：1)對染色體編 碼時，加入的組的信息，為屬性聚類提供了依據，減少了冗余，縮小了解的搜索范圍。2)對屬 性進行聚類時，特殊的交叉算子使得孩子染色體繼承了雙親染色體的特征。3)算法有著快 速的全局尋優(yōu)能力，能夠快速跳出局部極值陷阱。基于以上原因，該算法能很快得到屬性聚 類結果。
[0072] 本發(fā)明實現(xiàn)了研究方法上的更新，將組遺傳算法引入圖像屬性聚類問題，根據該 算法快速全局尋優(yōu)的特點，能夠高效地得到屬性聚類的結果。而且，本發(fā)明通過屬性聚類， 處于同一組的屬性，有著相似的特征；當某些屬性值缺失的情況下，可以由同一組的其他屬 性替代。由于圖像屬性眾多，可以通過屬性聚類的方法，減少屬性量，節(jié)省了存儲空間，對圖 像分類識別有著積極的意義。
[0073] 此外，需要說明的是，除非特別說明或者指出，否則說明書中的術語"第一"、"第 二"、"第三"等描述僅僅用于區(qū)分說明書中的各個組件、元素、步驟等，而不是用于表示各個 組件、元素、步驟之間的邏輯關系或者順序關系等。
[0074] 可以理解的是，雖然本發(fā)明已以較佳實施例披露如上，然而上述實施例并非用以 限定本發(fā)明。對于任何熟悉本領域的技術人員而言，在不脫離本發(fā)明技術方案范圍情況下， 都可利用上述揭示的技術內容對本發(fā)明技術方案作出許多可能的變動和修飾，或修改為等 同變化的等效實施例。因此，凡是未脫離本發(fā)明技術方案的內容，依據本發(fā)明的技術實質對 以上實施例所做的任何簡單修改、等同變化及修飾，均仍屬于本發(fā)明技術方案保護的范圍 內。
【主權項】
1. 一種基于組遺傳算法的圖像屬性聚類方法，其特征在于包括： 第一步驟：針對N幅圖像Ui, 12,…，I。}，隨機生成N個染色體作為初始種群，其中每個 染色體代表一個可能的屬性聚類結果，每幅圖像有m個屬性4 ={4|，半，…，年'}并且將圖 ， 像的屬性分成多個組； 第二步驟：計算每個染色體的適應度函數(shù)值：其中敏為)表示屬性A;到同一組中的種子屬性之間的距離，R,表示組，S巧,表示 不同組中的種子屬性之間的最小距離，同一組中的種子屬性隨機產生； 第=步驟：根據計算出的染色體適應度函數(shù)值，使用賭輪選擇策略選擇下一代N個染 色體； 第四步驟：對染色體的組部分執(zhí)行交叉算子； 第五步驟：對染色體的屬性部分執(zhí)行變異算子； 第六步驟：對染色體的屬性部分執(zhí)行反轉算子； 第屯步驟：重復第二步驟至第六步驟直到完成給定的遺傳代數(shù)MaxGen; 第八步驟：輸出完成給定的遺傳代數(shù)MaxGen得到的最優(yōu)適應度函數(shù)值的染色體。2. 根據權利要求1所述的基于組遺傳算法的圖像屬性聚類方法，其特征在于，在第四 步驟中，任意選兩個染色體，Cl作為基染色體，C2作為插入塊染色體；其中，僅僅選擇所述兩 個染色體的組部分W進行組部分的交叉：在Cl中隨機生成插入位置P，在C2中隨機生成插入塊的起始位置S和插入塊的長度M; 假設P= 2,S= 3,M= 2,則生成新的染色體為C'"' =g記茲各苗記. 隨后，對新染色體進行去除重復信息處理，即去除第一個雙親染色體組部分的重復信 息，IC"6"I表示新染色體中非空組的數(shù)目； 如果IC"6"I<4,隨機選擇一個組，把選擇的組分成兩個組，而且重復運個過程直到出現(xiàn)4 個組為止； 如果IC"6"I〉4,進行賭輪選擇把選中的組移除，移除組包含的屬性被隨機分配到其他組 里。3. 根據權利要求1或2所述的基于組遺傳算法的圖像屬性聚類方法，其特征在于，在第 五步驟中，隨機地選定一個屬性，把選定的屬性任意分配給另一個組，從而實現(xiàn)變異。4. 根據權利要求1或2所述的基于組遺傳算法的圖像屬性聚類方法，其特征在于，在第 六步驟中，首先隨機生成一個介于0-1之間的數(shù)，如果運個數(shù)大于反轉率，則組的順序重新 排列。
【專利摘要】本發(fā)明提供了一種基于組遺傳算法的圖像屬性聚類方法，包括：第一步驟：針對N幅圖像，隨機生成N個染色體作為初始種群，其中每個染色體代表一個可能的屬性聚類結果，每幅圖像有m個屬性，并且將圖像的屬性分成多個組；第二步驟：計算每個染色體的適應度函數(shù)值；第三步驟：根據計算出的染色體適應度函數(shù)值，使用賭輪選擇策略選擇下一代N個染色體；第四步驟：對染色體的組部分執(zhí)行交叉算子；第五步驟：對染色體的屬性部分執(zhí)行變異算子；第六步驟：對染色體的屬性部分執(zhí)行反轉算子；第七步驟：重復第二步驟至第六步驟直到完成給定的遺傳代數(shù)；第八步驟：輸出完成給定的遺傳代數(shù)得到的最優(yōu)適應度函數(shù)值的染色體。
【IPC分類】G06K9/62
【公開號】CN105373812
【申請?zhí)枴緾N201510938424
【發(fā)明人】寧建紅, 黃浩, 李華盛
【申請人】上海電機學院
【公開日】2016年3月2日
【申請日】2015年12月15日