CN113887600A - 一种基于改进的lda-gsvd织物图像瑕疵分类方法及*** - Google Patents
一种基于改进的lda-gsvd织物图像瑕疵分类方法及*** Download PDFInfo
- Publication number
- CN113887600A CN113887600A CN202111126929.5A CN202111126929A CN113887600A CN 113887600 A CN113887600 A CN 113887600A CN 202111126929 A CN202111126929 A CN 202111126929A CN 113887600 A CN113887600 A CN 113887600A
- Authority
- CN
- China
- Prior art keywords
- class
- matrix
- mean
- sample
- gsvd
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进的LDA‑GSVD织物图像瑕疵分类方法及***,本发明方法包括:S1、对织物图像进行特征提取,得到特征矩阵X,标签矩阵H;S2、将数据集样本随机分为带标签的训练样本Xtrain和带标签的测试样本Xtest;S3、利用类间离散权系数和类内紧凑权系数,计算增加局部几何信息后的类内散射矩阵SW和类间散射矩阵SB;S4、利用重新定义的和得到GSVD所需的和的矩阵对,S5、通过改进后的线性判别分析模型得到最优的投影矩阵W,将测试样本Xtest通过投影矩阵W到新的子空间得到Y,并利用KNN分类器确认测试集样本标签。本发明能够解决传统LDA存在的缺乏局部几何信息和小样本高维的问题,有效提高织物图像瑕疵分类准确度和效率。
Description
技术领域
本发明属于纺织疵点分类方法技术领域,具体涉及一种基于改进的LDA-GSVD织物图像瑕疵分类方法及***。
背景技术
Fisher准则自1936年提出后,在模式识别领域掀起研究热潮,线性判别分析(LDA)主要被用于特征提取和降维,它的核心思想是在原来的空间找到一个投影向量或者是投影空间,在投影到新的空间后对样本进行分类。LDA作为一种监督学习的方法,具有较好的鉴别力,但LDA侧重于全局信息,缺乏对局部信息的把握,其次当面对高维小样本问题时,sBw=λsww的求解存在sw不可逆的情况。LDA-GSVD的提出虽然解决了高维小样本问题,但是LDA只考虑全局信息的这一问题,仍然存在。并且织物图像瑕疵分类在图像分类任务中是一个具有挑战性的任务,织物图像的瑕疵区分并不明显,特征的潜在局部结构不容忽视。
因此需要一种增加局部几何信息的LDA-GSVD方法,来提高织物图像瑕疵分类的准确率。
发明内容
针对同有技术的上述现状,本发明提供了一种基于改进的LDA-GSVD(GSVD为广义奇异值分解)织物图像瑕疵分类方法及***,织物瑕疵图像需要注重局部特征,传统的LDA更注重对全局信息的考虑,本发明在保留全局信息的同时,加入对局部几何信息的考虑,以提高方法的准确度,同时利用LDA-GSVD算法来解决小样本高维问题,加快运算速度。
本发明所采用的技术方案重新定义类内散射矩阵和类间散射矩阵,做织物图像不同瑕疵的分类,一种基于改进的LDA-GSVD织物图像瑕疵分类方法具体包括以下步骤:
S1、从织物图像中随机抽取N张进行特征提取,得到特征矩阵X,标签矩阵H;
S2、将数据集样本随机分为带标签的训练样本Xtrain和带标签的测试样本Xtest;
S3、利用类间离散权系数Wj,q’和类内紧凑权系数αj,计算增加局部几何信息后的类内散射矩阵SW和类间散射矩阵SB;
S5、通过改进后的线性判别分析模型得到最优的投影矩阵W,将测试样本Xtest通过投影矩阵W到新的子空间得到Y,并利用KNN分类器确认测试集样本标签。
S5中的线性判别分析模型是通过步骤S3和S4构造的,原LDA算法模型目标函数为:改进后它的优化过程有两种,利用拉格朗日计算或者取矩阵对角线之和,即特征值之和。目标模型变成trace为矩阵的迹,是特征值之和。
作为优选方案,步骤S1中,在MATLAB中制作织物图像数据集,通过灰度共生矩阵、梯度方向直方图对N张织物图像进行特征提取,得到N×n的特征矩阵X,并制作N×1的标签矩阵H。
作为优选方案,步骤S2中,训练样本Xtrain={(x1,y1);(x2,y2)K(xm,ym)},xi为1×n维向量,共m个样本。k为类别数,yi∈{1,2...k},为第j类样本的集,Nj(j=1,2...k)为第j类样本的个数。
S3.1、设xj,p和xj,m为第j类样本的第p个样本和第m个样本,定义类内聚合度为Q{j},表示为:
S3.2、Nj已知为第j类的样本数量,共k类。将k类的类内聚合度定义为:
S3.5、利用Wj,q表示类j和类q之间的相似性,相似度越大说明类间差异越小,依据相似度公式:
Wj,q’=Wmean,Wj,q≥Wmean;Wj,q’=Wj,q,Wj,q<Wmean
作为优选方案,步骤S4中具体包括:
S4.3、从M(1:k,1:t)的SVD分解中M(1:k,1:t)=U∑ALT,求出L;
S4.5、取Z的前k-1列记为W∈Rn×(k-1),W即所求的投影矩阵。
作为优选方案,步骤S5中,根据S4得到的投影矩阵W,将测试样本Xtest投影到新的子空间,即Y=Xtest×W,将投影到子空间的Y通过KNN分类器估计测试集样本的标签与测试集的真实标签进行对比,得到分类结果的准确度。
本发明还公开了一种基于改进的LDA-GSVD织物图像瑕疵分类***,其包括以下模块:
织物图像特征提取模块,从织物图像中随机抽取N张进行特征提取,得到特征矩阵X,标签矩阵H;
样本分类模块,将特征矩阵X随机分为带标签的训练样本Xtrain和带标签的测试样本Xtest;
重新定义模块,利用类间离散权系数Wj,q’和类内紧凑权系数αj,计算增加局部几何信息后的类内散射矩阵SW和类间散射矩阵SB;
输出模块,通过改进后的线性判别分析模型得到最优的投影矩阵W,将测试样本Xtest通过投影矩阵W到新的子空间得到Y,并利用KNN分类器确认测试集样本标签。
优选的,织物图像特征提取模块中,在MATLAB中制作织物图像数据集,通过灰度共生矩阵、梯度方向直方图对N张织物图像进行特征提取,得到N×n的特征矩阵X,并制作N×1的标签矩阵H。
优选的,样本分类模块中,训练样本Xtrain={(x1,y1);(x2,y2)K(xm,ym)},xi为1×n维向量,共m个样本;k为类别数,yi∈{1,2...k},为第j类样本的集,Nj(j=1,2...k)为第j类样本的个数。
设xj,p和xj,m为第j类样本的第p个样本和第m个样本,定义类内聚合度为Q{j},表示为:
Nj已知为第j类的样本数量,共k类;将k类的类内聚合度定义为:
利用Wj,q表示类j和类q之间的相似性,相似度越大说明类间差异越小,依据相似度公式:
Wj,q’=Wmean,Wj,q≥Wmean;Wj,q’=Wj,q,Wj,q<Wmean
优选的,计算模块具体包括,
从M(1:k,1:t)的SVD分解中M(1:k,1:t)=U∑ALT,求出L;
取Z的前k-1列记为W∈Rn×(k-1),W即所求的投影矩阵。
优选的,输出模块中,根据计算模块得到的投影矩阵W,将测试样本Xtest投影到新的子空间,即Y=Xtest×W,将投影到子空间的Y通过KNN分类器估计测试集样本的标签与测试集的真实标签进行对比,得到分类结果的准确度。
本发明的有益效果是:
本发明基于改进的LDA-GSVD织物图像瑕疵分类方法,利用类间离散权系数和类内紧凑权系数,计算增加局部几何信息后的类内散射矩阵SW和类间散射矩阵SB,并利用LDA-GSVD的方法来解决织物图像样本少而特征维数高的问题;同时增强了对织物局部几何信息的考虑,能实现有效准确的织物图像瑕疵分类功能。
附图说明
图1是本发明基于改进的LDA-GSVD织物图像瑕疵分类方法的流程示意图;
图2是本发明基于改进的LDA-GSVD织物图像瑕疵分类方法待检测的12种256×256像素的织物瑕疵图像,选自AITEX数据集。分别为断头疵、断纬疵、起球、折痕、打结疵、棉粒、断纱、纬纱卷曲、切边、经纱球、污染、稀纬。
图3是本发明基于改进的LDA-GSVD织物图像瑕疵分类***框图。
具体实施方式
下面结合附图和具体实施方式对本发明进一步说明,本发明的目的和效果将变得更加明显。
如图1所示,本发明优选实施例一种基于改进的LDA-GSVD织物图像瑕疵分类方法具体实施过程如下:
步骤S1中,从待检测的12种256×256像素的织物瑕疵图像中,每种随机选取相同张数,共N张,调整图像大小为64×64,通过GLCM(灰度共生矩阵)和HOG(梯度方向直方图)融合的方法来进行特征提取,特征维数为n,得到N×n的特征矩阵X,并制作N×1的标签矩阵H;
步骤S2中,将经步骤1后得到的X和H,随机选取70%为训练集Xtrain,得到对应的训练集标签为Htrain,剩余为测试集Xtest,对应的测试集标签为Htest;
训练样本Xtrain={(x1,y1);(x2,y2)K(xm,ym)},xi为1×n维向量,共m个样本。k为类别数,在具体实例中k为12。yi∈{1,2...k},为第j类样本的集,Nj(j=1,2...k)为第j类样本的个数,测试样本Xtest∈R(N-m)×n。
S3.1、设xj,p和xj,m为第j类样本的第p个样本和第m个样本,定义类内聚合度为Q{j},表示为:
S3.2、Nj已知为第j类的样本数量,共k类。将k类的类内聚合度定义为:
S3.5、利用Wj,q表示类j和类q之间的相似性,相似度越大说明类间差异越小,依据相似度公式:
Wj,q’=Wmean,Wj,q≥Wmean;Wj,q’=Wj,q,Wj,q<Wmean
Wj,q’=Wmean,Wj,q≥Wmean;Wj,q’=Wj,q,Wj,q<Wmean
Wj,q’=Wmean,Wj,q≥Wmean;Wj,q’=Wj,q,Wj,q<Wmean
S4.3、计算P=[P1 P2],P1∈Rn×t,P2∈Rn ×(n-t)。In-t为(n-t)×(n-t)的单位矩阵,∑t为∑(1:t,1:t),取Z的前k-1列记为W∈Rn×(k-1),W即所求的投影矩阵。
步骤S5中,根据S4得到的投影矩阵W,将测试样本Xtest投影到新的子空间,即Y=Xtest×W,将投影到子空间的Y通过KNN分类器估计测试集样本的标签与测试集的真实标签Htest进行对比,得到分类结果的准确度。
为了验证本分类方法的性能,将利用上述方法,实验过程执行十次,每次实验过程都在数据集样本X中随机抽取70%作为训练样本,执行十次后,取平均值作为最终检测结果,实验结果如下表1所示,与LDA和LDA-GSVD的方法进行比较,本发明提出的线性判别分析算法的分类准确率最高,并具有不错的计算效率。
表1不同方法的织物图像瑕疵分类结果对比表
方法 | LDA | LDA-GSVD | 本发明方法 |
准确率(%) | 46.67 | 62.78 | 66.53 |
时间(s) | 11.88 | 0.22 | 0.28 |
如图3所示,本发明优选实施例一种基于改进的LDA-GSVD织物图像瑕疵分类***,具体包括如下模块:
织物图像特征提取模块,从待检测的12种256×256像素的织物瑕疵图像中,每种随机选取相同张数,共N张,调整图像大小为64×64,通过GLCM(灰度共生矩阵)和HOG(梯度方向直方图)融合的方法来进行特征提取,特征维数为n,得到N×n的特征矩阵X,并制作N×1的标签矩阵H;
样本分类模块,将经织物图像特征提取模块得到的X和H,随机选取70%为训练集Xtrain,得到对应的训练集标签为Htrain,剩余为测试集Xtest,对应的测试集标签为Htest;
训练样本Xtrain={(x1,y1);(x2,y2)K(xm,ym)},xi为1×n维向量,共m个样本。k为类别数,在具体实例中k为12。yi∈{1,2...k},为第j类样本的集,Nj(j=1,2...k)为第j类样本的个数,测试样本Xtest∈R(N-m)×n。
设xj,p和xj,m为第j类样本的第p个样本和第m个样本,定义类内聚合度为Q{j},表示为:
Nj已知为第j类的样本数量,共k类。将k类的类内聚合度定义为:
利用Wj,q表示类j和类q之间的相似性,相似度越大说明类间差异越小,依据相似度公式:
Wj,q’=Wmean,Wj,q≥Wmean;Wj,q’=Wj,q,Wj,q<Wmean
Wj,q’=Wmean,Wj,q≥Wmean;Wj,q’=Wj,q,Wj,q<Wmean
Wj,q’=Wmean,Wj,q≥Wmean;Wj,q’=Wj,q,Wj,q<Wmean
输出模块,根据计算模块得到的投影矩阵W,将测试样本Xtest投影到新的子空间,即Y=Xtest×W,将投影到子空间的Y通过KNN分类器估计测试集样本的标签与测试集的真实标签Htest进行对比,得到分类结果的准确度。
Claims (10)
2.根据权利要求1所述的一种基于改进的LDA-GSVD织物图像瑕疵分类方法,其特征在于,步骤S1中,在MATLAB中制作织物图像数据集,通过灰度共生矩阵、梯度方向直方图对N张织物图像进行特征提取,得到N×n的特征矩阵X,并制作N×1的标签矩阵H。
S3.1、设xj,p和xj,m为第j类样本的第p个样本和第m个样本,定义类内聚合度为Q{j},表示为:
S3.2、Nj已知为第j类的样本数量,共k类;将k类的类内聚合度定义为:
S3.5、利用Wj,q表示类j和类q之间的相似性,相似度越大说明类间差异越小,依据相似度公式:
Wj,q’=Wmean,Wj,q≥Wmean;Wj,q’=Wj,q,Wj,q<Wmean
6.根据权利要求5所述的一种基于改进的LDA-GSVD织物图像瑕疵分类方法,其特征在于,步骤S5中,根据步骤S4得到的投影矩阵W,将测试样本Xtest投影到新的子空间,即Y=Xtest×W,将投影到子空间的Y通过KNN分类器估计测试集样本的标签与测试集的真实标签进行对比,得到分类结果的准确度。
7.一种基于改进的LDA-GSVD织物图像瑕疵分类***,其特征是包括以下模块:
织物图像特征提取模块,从织物图像中随机抽取N张进行特征提取,得到特征矩阵X,标签矩阵H;
样本分类模块,将特征矩阵X随机分为带标签的训练样本Xtrain和带标签的测试样本Xtest;
重新定义模块,利用类间离散权系数Wj,q’和类内紧凑权系数αj,计算增加局部几何信息后的类内散射矩阵SW和类间散射矩阵SB;
输出模块,通过改进后的线性判别分析模型得到最优的投影矩阵W,将测试样本Xtest通过投影矩阵W到新的子空间得到Y,并利用KNN分类器确认测试集样本标签。
8.根据权利要求7所述的一种基于改进的LDA-GSVD织物图像瑕疵分类***,其特征在于,织物图像特征提取模块中,在MATLAB中制作织物图像数据集,通过灰度共生矩阵、梯度方向直方图对N张织物图像进行特征提取,得到N×n的特征矩阵X,并制作N×1的标签矩阵H。
设xj,p和xj,m为第j类样本的第p个样本和第m个样本,定义类内聚合度为Q{j},表示为:
Nj已知为第j类的样本数量,共k类;将k类的类内聚合度定义为:
利用Wj,q表示类j和类q之间的相似性,相似度越大说明类间差异越小,依据相似度公式:
Wj,q’=Wmean,Wj,q≥Wmean;Wj,q’=Wj,q,Wj,q<Wmean
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111126929.5A CN113887600A (zh) | 2021-09-26 | 2021-09-26 | 一种基于改进的lda-gsvd织物图像瑕疵分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111126929.5A CN113887600A (zh) | 2021-09-26 | 2021-09-26 | 一种基于改进的lda-gsvd织物图像瑕疵分类方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887600A true CN113887600A (zh) | 2022-01-04 |
Family
ID=79006644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111126929.5A Pending CN113887600A (zh) | 2021-09-26 | 2021-09-26 | 一种基于改进的lda-gsvd织物图像瑕疵分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887600A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542956A (zh) * | 2023-05-25 | 2023-08-04 | 广州机智云物联网科技有限公司 | 一种织物组分自动检测方法、***及可读存储介质 |
-
2021
- 2021-09-26 CN CN202111126929.5A patent/CN113887600A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542956A (zh) * | 2023-05-25 | 2023-08-04 | 广州机智云物联网科技有限公司 | 一种织物组分自动检测方法、***及可读存储介质 |
CN116542956B (zh) * | 2023-05-25 | 2023-11-17 | 广州机智云物联网科技有限公司 | 一种织物组分自动检测方法、***及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117826B (zh) | 一种多特征融合的车辆识别方法 | |
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
CN107657279B (zh) | 一种基于少量样本的遥感目标检测方法 | |
CN101739555B (zh) | 假脸检测方法及***、假脸模型训练方法及*** | |
CN111814584A (zh) | 基于多中心度量损失的多视角环境下车辆重识别方法 | |
CN102521561B (zh) | 基于多尺度韦伯局部特征和分层决策融合的人脸识别方法 | |
CN105389593A (zh) | 基于surf特征的图像物体识别方法 | |
CN101930549B (zh) | 基于第二代曲线波变换的静态人体检测方法 | |
CN112488211A (zh) | 一种织物图像瑕疵分类方法 | |
CN103186776B (zh) | 基于多特征和深度信息的人体检测方法 | |
CN102163281A (zh) | 基于AdaBoost框架和头部颜色的实时人体检测方法 | |
CN106778714A (zh) | 基于非线性特征和模型合并的lda人脸识别方法 | |
CN110222660B (zh) | 一种基于动态与静态特征融合的签名鉴伪方法及*** | |
CN113887600A (zh) | 一种基于改进的lda-gsvd织物图像瑕疵分类方法及*** | |
CN112257600B (zh) | 一种人脸识别方法及*** | |
CN117152625A (zh) | 一种基于CoordConv和YOLOv5的遥感小目标识别方法、***、设备及介质 | |
CN110287973B (zh) | 一种基于低秩鲁棒线性鉴别分析的图像特征提取方法 | |
CN115797970B (zh) | 基于YOLOv5模型的密集行人目标检测方法及*** | |
CN111553888A (zh) | 一种基于机器学习的钛合金锻件显微组织图像识别方法 | |
CN110728214A (zh) | 一种基于尺度匹配的弱小人物目标检测方法 | |
CN111062338A (zh) | 一种证照人像一致性比对方法及其*** | |
Gabriel et al. | Structured edge detection for improved object localization using the discriminative generalized Hough transform | |
Sezavar et al. | Multi-depth deep similarity learning for person re-identification | |
Nugraha et al. | Offline signature identification using deep learning and Euclidean distance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |