李 伟，黄鹤鸣，武风英，张会云

（1.青海师范大学 计算机学院，西宁 810008；2.青海省基础测绘院，西宁 810001）

0 概述

随着图像采集技术和处理技术的飞速发展，图像已成为人们获取信息的主要方式。人们从浩瀚的图像数据库中搜索图像时，需要对数据库中的图像进行分析处理，而分析处理的前提是对这些海量图像进行分类。

随着大数据技术和硬件计算能力的发展，神经网络作为一种新兴的深度学习方法，在各个领域取得了突破性进展［1］。其中，卷积神经网络（Convolutional Neural Network，CNN）作为一种带有卷积计算的深层前馈型神经网络［2-4］，能更好地获取图像的空间位置和形状信息，有利于图像分类。2005 年，STEINKRAUS 等［5］提出基于GPU 的高效CNN 训练方法，大幅提高了CNN 的运算能力；2012 年，KRIZHEVSKY 等［6］提出AlexNet 网络，采用ReLU 激活函数并使用GPU 分组卷积方式进行并行训练［5］；GoogLeNet［7］由SZEGEDY 等 于2014 年提出；2015 年，LOFFE 等［8］将批标准化应用于神经网络，保证了网络中各层的输出分布基本稳定，大幅降低了网络对初始参数的依赖，提升了网络性能。

CNN 具有良好的扩展性和鲁棒性，利用CNN 进行图像分类时，能够快速且全面地提取空间位置和形状等相关特征，但是CNN 对颜色特征不敏感。在进行图像分类时，CNN 通过RGB 三颜色通道读取图像内容进行分类的效果与它读取二值化图像信息进行分类的效果差别不大或者无差别。由于颜色特征具有很强的鲁棒性和灵活性，但不能体现图像空间分布的特点。为此，本文提出将主颜色特征与空间位置和形状相关特征进行深度融合的混合特征提取方法，并运用改进的差分演化算法优化多种特征之间的权值，以解决固定权值不能充分考虑图像自身特性的问题。……