[發(fā)明專(zhuān)利]一種用于浮選泡沫圖像分類(lèi)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010786610.4
• 申請(qǐng)日: 2020-08-07
• 公開(kāi)（公告）號(hào): CN112330588B
• 公開(kāi)（公告）日: 2023-09-12
• 發(fā)明（設(shè)計(jì)）人: 李小彤;巴青春;孫荻;王宇鵬
• 申請(qǐng)（專(zhuān)利權(quán)）人: 遼寧中新自動(dòng)控制集團(tuán)股份有限公司
• 主分類(lèi)號(hào): G06V10/764
• 分類(lèi)號(hào): G06V10/764;G06T7/00;G06N7/01
• 代理公司: 鞍山嘉訊科技專(zhuān)利事務(wù)所(普通合伙) 21224
• 代理人: 張群

1.一種用于浮選泡沫圖像分類(lèi)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(shù)據(jù)處理；

步驟1.1、首先對(duì)浮選泡沫圖像進(jìn)行特征提取，包括圖像的泡沫面積，泡沫周長(zhǎng)，圓形度，不變矩，灰度平均值，灰度方差，熵，能量，差異性，均質(zhì)性，對(duì)比度；組成數(shù)據(jù)集X及其對(duì)應(yīng)的圖像標(biāo)簽集C；

數(shù)據(jù)集X樣本數(shù)量為m，特征個(gè)數(shù)為n，表示訓(xùn)練集中任意圖像樣本X_i(i∈m)，表示第i個(gè)樣本的第j個(gè)特征；標(biāo)簽集C的大小為m×1，被分為v個(gè)類(lèi)別{C₁,C₂,…,C_v}，v表示類(lèi)別；

步驟1.2、對(duì)步驟1.1中所提取的特征數(shù)據(jù)集X進(jìn)行離散化處理，確定每個(gè)特征數(shù)據(jù)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(shù)；

然后，根據(jù)離散寬度重新計(jì)算特征值：

步驟1.3、對(duì)離散后的數(shù)據(jù)集X進(jìn)行劃分，分成訓(xùn)練集X_train和待分類(lèi)樣本集X_test兩個(gè)數(shù)據(jù)集；訓(xùn)練樣本X_train為大量能表達(dá)缺陷圖像特征的數(shù)據(jù)；待分類(lèi)樣本集X_test為需要進(jìn)行分類(lèi)判斷的當(dāng)前數(shù)據(jù)；訓(xùn)練集X_train中每個(gè)訓(xùn)練樣本都具有類(lèi)別；

步驟2、根據(jù)訓(xùn)練集X_train及其對(duì)應(yīng)的標(biāo)簽集C，計(jì)算每個(gè)特征的權(quán)重：

步驟2.1、設(shè)置特征權(quán)重w_j＝0,(j＝1,2,3,…n)；

步驟2.2、從訓(xùn)練集X_trian中每次拿出一個(gè)特征所對(duì)應(yīng)的列和標(biāo)簽集C，計(jì)算該特征與標(biāo)簽的信息量，其計(jì)算公式為：

x^j表示第j個(gè)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(xùn)練集X_train中第j個(gè)特征取值為該特征所有可能取得的值；C∈v表示標(biāo)簽集C可以取值的類(lèi)別種類(lèi)；p(x^j,C)表示x^j和C分別取某一值時(shí)的概率：

其中表示在訓(xùn)練集X_train上標(biāo)簽C和特征值x^j同時(shí)出現(xiàn)的總數(shù)；

p(x^j)表示x^j取某一值時(shí)的概率：

p(C)表示C為某一類(lèi)時(shí)的概率：

一次計(jì)算訓(xùn)練集X_train中每個(gè)特征j與標(biāo)簽集的信息量作為每個(gè)特征的權(quán)重，保存在w_j中；

步驟2.3、特征權(quán)重w_j歸一化：掃描所有特征權(quán)重，計(jì)算歸一化后的特征權(quán)重w_j'：

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

步驟3、利用步驟2中的權(quán)值構(gòu)造出貝葉斯分類(lèi)器；

步驟4、利用步驟3中構(gòu)造的分類(lèi)器對(duì)待分類(lèi)樣本進(jìn)行分類(lèi)，將待分類(lèi)樣本作為輸入?yún)?shù)，利用分類(lèi)器進(jìn)行計(jì)算，計(jì)算出這樣一個(gè)類(lèi)別，使得分類(lèi)器得出的值最大，那么該特征組就屬于這個(gè)類(lèi)別；

所述的步驟3具體為：

將訓(xùn)練集X_train中每個(gè)特征作為其他特征的依賴(lài)特征，然后利用這些特征構(gòu)造m個(gè)超父特征分類(lèi)器，并將這些超父特征分類(lèi)器集成起來(lái)；同時(shí)，為了避免每個(gè)超父特征對(duì)分類(lèi)結(jié)果的貢獻(xiàn)是相同的，我們將步驟2中計(jì)算的特征權(quán)重w_j'對(duì)應(yīng)添加到每個(gè)特征的超父特征分類(lèi)器中，構(gòu)造出如下對(duì)于待分類(lèi)樣本的分類(lèi)器：

其中，C(X)表示待分類(lèi)樣本集X_test中的一個(gè)待分類(lèi)樣本X根據(jù)分類(lèi)器得出分類(lèi)標(biāo)簽；P(x^j,C_v)表示在訓(xùn)練集X_train中標(biāo)簽C_v和待分類(lèi)樣本X第j個(gè)特征值出現(xiàn)的概率，計(jì)算時(shí)式為：

其中表示在訓(xùn)練集X_train上標(biāo)簽C_v和特征值x^j同時(shí)出現(xiàn)的總數(shù)；

P(x^J|x^j,C_v)表示在訓(xùn)練集X_train中標(biāo)簽C_v和待分類(lèi)樣本X第j個(gè)特征值出現(xiàn)的前提下，第J個(gè)特征出現(xiàn)的概率，計(jì)算式為：

其中表示在訓(xùn)練集X_train上標(biāo)簽C_v和特征值x^j同時(shí)出現(xiàn)的前提下，第J個(gè)特征值為x^J的總數(shù)。