[發明專利]一種用于浮選泡沫圖像分類方法

有效

• 申請號: 202010786610.4
• 申請日: 2020-08-07
• 公開（公告）號: CN112330588B
• 公開（公告）日: 2023-09-12
• 發明（設計）人: 李小彤;巴青春;孫荻;王宇鵬
• 申請（專利權）人: 遼寧中新自動控制集團股份有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06T7/00;G06N7/01
• 代理公司: 鞍山嘉訊科技專利事務所(普通合伙) 21224
• 代理人: 張群

1.一種用于浮選泡沫圖像分類方法，其特征在于，包括如下步驟：

步驟1、浮選泡沫圖像特征提取和數據處理；

步驟1.1、首先對浮選泡沫圖像進行特征提取，包括圖像的泡沫面積，泡沫周長，圓形度，不變矩，灰度平均值，灰度方差，熵，能量，差異性，均質性，對比度；組成數據集X及其對應的圖像標簽集C；

數據集X樣本數量為m，特征個數為n，表示訓練集中任意圖像樣本X_i(i∈m)，表示第i個樣本的第j個特征；標簽集C的大小為m×1，被分為v個類別{C₁,C₂,…,C_v}，v表示類別；

步驟1.2、對步驟1.1中所提取的特征數據集X進行離散化處理，確定每個特征數據所要離散化的寬度：

其中和表示特征X^j中的最大值和最小值，k為該特征所要離散的份數；

然后，根據離散寬度重新計算特征值：

步驟1.3、對離散后的數據集X進行劃分，分成訓練集X_train和待分類樣本集X_test兩個數據集；訓練樣本X_train為大量能表達缺陷圖像特征的數據；待分類樣本集X_test為需要進行分類判斷的當前數據；訓練集X_train中每個訓練樣本都具有類別；

步驟2、根據訓練集X_train及其對應的標簽集C，計算每個特征的權重：

步驟2.1、設置特征權重w_j＝0,(j＝1,2,3,…n)；

步驟2.2、從訓練集X_trian中每次拿出一個特征所對應的列和標簽集C，計算該特征與標簽的信息量，其計算公式為：

x^j表示第j個特征的樣本，X^j表示特征j所包含的取值，x^j∈X^j表示在訓練集X_train中第j個特征取值為該特征所有可能取得的值；C∈v表示標簽集C可以取值的類別種類；p(x^j,C)表示x^j和C分別取某一值時的概率：

其中表示在訓練集X_train上標簽C和特征值x^j同時出現的總數；

p(x^j)表示x^j取某一值時的概率：

p(C)表示C為某一類時的概率：

一次計算訓練集X_train中每個特征j與標簽集的信息量作為每個特征的權重，保存在w_j中；

步驟2.3、特征權重w_j歸一化：掃描所有特征權重，計算歸一化后的特征權重w_j'：

其中max(w_j)表示特征權重中最大值，min(w_j)表示特征權重中最小值；

步驟3、利用步驟2中的權值構造出貝葉斯分類器；

步驟4、利用步驟3中構造的分類器對待分類樣本進行分類，將待分類樣本作為輸入參數，利用分類器進行計算，計算出這樣一個類別，使得分類器得出的值最大，那么該特征組就屬于這個類別；

所述的步驟3具體為：

將訓練集X_train中每個特征作為其他特征的依賴特征，然后利用這些特征構造m個超父特征分類器，并將這些超父特征分類器集成起來；同時，為了避免每個超父特征對分類結果的貢獻是相同的，我們將步驟2中計算的特征權重w_j'對應添加到每個特征的超父特征分類器中，構造出如下對于待分類樣本的分類器：

其中，C(X)表示待分類樣本集X_test中的一個待分類樣本X根據分類器得出分類標簽；P(x^j,C_v)表示在訓練集X_train中標簽C_v和待分類樣本X第j個特征值出現的概率，計算時式為：

其中表示在訓練集X_train上標簽C_v和特征值x^j同時出現的總數；

P(x^J|x^j,C_v)表示在訓練集X_train中標簽C_v和待分類樣本X第j個特征值出現的前提下，第J個特征出現的概率，計算式為：

其中表示在訓練集X_train上標簽C_v和特征值x^j同時出現的前提下，第J個特征值為x^J的總數。