一种基于改进的LDA-GSVD织物图像瑕疵分类方法及系统与流程

一种基于改进的lda
‑
gsvd织物图像瑕疵分类方法及系统
技术领域
1.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系统。


背景技术：

2.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，s
b
w＝λs
w
w的求解存在s
w
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。
3.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。


技术实现要素：

4.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系统，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。
5.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：
6.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；
7.s2、将数据集样本随机分为带标签的训练样本x
train
和带标签的测试样本x
test
；
8.s3、利用类间离散权系数w
j,q’和类内紧凑权系数α
j
，计算增加局部几何信息后的类内散射矩阵s
w
和类间散射矩阵s
b
；
9.s4、利用重新定义的和得到gsvd所需的和的矩阵对，以解决小样本高维问题；
10.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x
test
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。
11.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。
12.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。
13.作为优选方案，步骤s2中，训练样本x
train
＝{(x1,y1)；(x2,y2)k(x
m
,y
m
)}，x
i
为1
×
n维向量，共m个样本。k为类别数，y
i
∈{1,2...k}，为第j类样本的集，n
j
(j＝1,2...k)为第j类样本的个数。
14.作为优选方案，步骤s3中，α
j
和具体包括：
15.s3.1、设x
j，p
和x
j，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：
[0016][0017]
s3.2、n
j
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：
[0018][0019]
s3.3、将k类的类内聚度均值作为准则，判别标准为设类内紧凑权系数为α
j
，α
i
的通过判断q{j}和mean的大小来决定，即:
[0020]
q{j}＞mean；α
j
＝1，q{j}≤mean
[0021]
s3.4、加入类内紧凑权系数得到改进后的类内散射矩阵
[0022][0023]
q{j}＞mean；α
j
＝1，q{j}≤mean
[0024]
作为优选方案，步骤s3中w
j,q’和具体包括：
[0025]
s3.5、利用w
j,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：
[0026][0027]
第j类的样本均值可以用表示，u
j
和u
q
都为1
×
m的矩阵。
σ
为自定义参数。
的标签矩阵h。
[0046]
优选的，样本分类模块中，训练样本x
train
＝{(x1,y1)；(x2,y2)k(x
m
,y
m
)}，x
i
为1
×
n维向量，共m个样本；k为类别数，y
i
∈{1,2...k}，为第j类样本的集，n
j
(j＝1,2...k)为第j类样本的个数。
[0047]
优选的，重新定义模块中α
j
和具体包括：
[0048]
设x
j，p
和x
j，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：
[0049][0050]
n
j
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：
[0051][0052]
将k类的类内聚度均值作为准则，判别标准为设类内紧凑权系数为α
j
，α
i
的通过判断q{j}和mean的大小来决定，即:
[0053]
q{j}＞mean；α
j
＝1，q{j}≤mean
[0054]
加入类内紧凑权系数得到改进后的类内散射矩阵
[0055][0056]
q{j}＞mean；α
j
＝1，q{j}≤mean
[0057]
重新定义模块中w
j,q’和具体包括：
[0058]
利用w
j,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：
[0059][0060]
第j类的样本均值可以用表示，u
j
和u
q
都为1
×
m的矩阵；
[0061]
施加一个判别标准来确定不同类之间的离散权系数，g∈r
k
×
k
，w
mean
为相似度矩阵g的整体均值：
[0062]
w
j,q’＝w
mean
，w
j,q
≥w
mean
；w
j,q’＝w
j,q
，w
j,q
＜w
mean
[0063]
加入类间离散权系数得到改进后的类间散射矩阵
[0064][0065]
优选的，计算模块具体包括，
[0066]
通过重新定义模块得到的和表示成以及以及
[0067]
根据gsvd所需的矩阵对对该矩阵对进行奇异值分解
[0068]
从m(1:k,1:t)的svd分解中m(1:k,1:t)＝u∑
a
l
t
，求出l；
[0069]
计算
[0070]
取z的前k
‑
1列记为w∈r
n
×
(k
‑
1)
，w即所求的投影矩阵。
[0071]
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x
test
投影到新的子空间，即y＝x
test
×
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。
[0072]
本发明的有益效果是：
[0073]
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s
w
和类间散射矩阵s
b
，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
[0074]
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；
[0075]
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。
[0076]
图3是本发明基于改进的lda
‑
gsvd织物图像瑕疵分类系统框图。
具体实施方式
[0077]
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。
[0078]
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：
[0079]
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；
[0080]
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x
train
，得到对应的训练集标签为h
train
，剩余为测试集x
test
，对应的测试集标签为h
test
；
[0081]
训练样本x
train
＝{(x1,y1)；(x2,y2)k(x
m
,y
m
)}，x
i
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。y
i
∈{1,2...k}，为第j类样本的集，n
j
(j＝1,2...k)为第j类样本的个数，测试样本x
test
∈r
(n
‑
m)
×
n
。
[0082]
步骤s3中，类内紧凑权系数α
j
和重新定义的类内散射矩阵具体包括以下步骤：
[0083]
s3.1、设x
j，p
和x
j，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：
[0084][0085]
s3.2、n
j
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：
[0086][0087]
s3.3、将k类的类内聚度均值作为准则，判别标准为设类内紧凑权系数为α
j
，α
i
的通过判断q{j}和mean的大小来决定，即:
[0088]
q{j}＞mean；α
j
＝1，q{j}≤mean
[0089]
s3.4、加入类内紧凑权系数得到改进后的类内散射矩阵
[0090][0091]
q{j}＞mean；α
j
＝1，q{j}≤mean
[0092]
步骤s3.4之后，类间离散权系数w
j,q’和类间散射矩阵具体包括以下步骤：
[0093]
s3.5、利用w
j,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：
[0094][0095]
第j类的样本均值可以用表示，u
j
和u
q
都为1
×
m的矩阵。σ设为1e2。
[0096]
s3.6、施加一个判别标准来确定不同类之间的离散权系数，g∈r
k
×
k
，w
mean
为相似度矩阵g的整体均值：
[0097]
w
j,q’＝w
mean
，w
j,q
≥w
mean
；w
j,q’＝w
j,q
，w
j,q
＜w
mean
[0098]
s3.7、加入类间离散权系数得到改进后的类间散射矩阵
[0099][0100]
w
j,q’＝w
mean
，w
j,q
≥w
mean
；w
j,q’＝w
j,q
，w
j,q
＜w
mean
[0101]
步骤s4中，通过s3得到的和可以表示成以及以及
[0102]
s4.1、具体实施中，的表达式为：
[0103][0104]
q{j}＞mean；α
j
＝1，q{j}≤mean(j＝1kk)
[0105]
具体实施中，的表达式为：
[0106][0107]
w
j,q’＝w
mean
，w
j,q
≥w
mean
；w
j,q’＝w
j,q
，w
j,q
＜w
mean
[0108]
根据gsvd所需的矩阵对对该矩阵对进行奇异值分解m∈r
(k m)
×
(k m)
,p∈r
n
×
n
，∑∈r
(k m)
×
n
；
[0109]
s4.2、t为矩阵对的秩。从m(1:k,1:t)的svd分解中计算m(1:k,1:t)＝u∑
a
l
t
，u∈r
k
×
k
，∑
a
∈r
k
×
t
，l∈r
t
×
t
求出l；
[0110]
s4.3、计算p＝[p
1 p2]，p1∈r
n
×
t
，p2∈r
n
×
(n
‑
t)
。i
n
‑
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∈r
n
×
(k
‑
1)
，w即所求的投影矩阵。
[0111]
步骤s5中，根据s4得到的投影矩阵w，将测试样本x
test
投影到新的子空间，即y＝x
test
×
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h
test
进行对比，得到分类结果的准确度。
[0112]
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。
[0113]
表1不同方法的织物图像瑕疵分类结果对比表
[0114]
方法ldalda
‑
gsvd本发明方法准确率(％)46.6762.7866.53时间(s)11.880.220.28
[0115]
如图3所示，本发明优选实施例一种基于改进的lda
‑
gsvd织物图像瑕疵分类系统，具体包括如下模块：
[0116]
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；
[0117]
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x
train
，得到对应的训练集标签为h
train
，剩余为测试集x
test
，对应的测试集标签为h
test
；
[0118]
训练样本x
train
＝{(x1,y1)；(x2,y2)k(x
m
,y
m
)}，x
i
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。y
i
∈{1,2...k}，为第j类样本的集，n
j
(j＝1,2...k)为第j类样本的个数，测试样本x
test
∈r
(n
‑
m)
×
n
。
[0119]
重新定义模块，类内紧凑权系数α
j
和重新定义的类内散射矩阵具体包括：
[0120]
设x
j，p
和x
j，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：
[0121][0122]
n
j
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：
[0123][0124]
将k类的类内聚度均值作为准则，判别标准为设类内紧凑权系数为α
j
，α
i
的通过判断q{j}和mean的大小来决定，即:
[0125]
q{j}＞mean；α
j
＝1，q{j}≤mean
[0126]
加入类内紧凑权系数得到改进后的类内散射矩阵
[0127]
[0128]
q{j}＞mean；α
j
＝1，q{j}≤mean
[0129]
之后，类间离散权系数w
j,q’和类间散射矩阵具体包括：
[0130]
利用w
j,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：
[0131][0132]
第j类的样本均值可以用表示，u
j
和u
q
都为1
×
m的矩阵。σ设为1e2。
[0133]
施加一个判别标准来确定不同类之间的离散权系数，g∈r
k
×
k
，w
mean
为相似度矩阵g的整体均值：
[0134]
w
j,q’＝w
mean
，w
j,q
≥w
mean
；w
j,q’＝w
j,q
，w
j,q
＜w
mean
[0135]
加入类间离散权系数得到改进后的类间散射矩阵
[0136][0137]
w
j,q’＝w
mean
，w
j,q
≥w
mean
；w
j,q’＝w
j,q
，w
j,q
＜w
mean
[0138]
计算模块，通过重新定义模块得到的和可以表示成以及
[0139]
具体实施中，的表达式为：
[0140][0141]
q{j}＞mean；α
j
＝1，q{j}≤mean(j＝1kk)
[0142]
具体实施中，的表达式为：
[0143][0144]
w
j,q’＝w
mean
，w
j,q
≥w
mean
；w
j,q’＝w
j,q
，w
j,q
＜w
mean
[0145]
根据gsvd所需的矩阵对对该矩阵对进行奇异值分解m∈r
(k m)
×
(k m)
,p∈r
n
×
n
，∑∈r
(k m)
×
n
；
[0146]
t为矩阵对的秩。从m(1:k,1:t)的svd分解中计算m(1:k,1:t)＝u∑
a
l
t
，u∈r
k
×
k
，∑
a
∈r
k
×
t
，l∈r
t
×
t
求出l；
[0147]
计算p＝[p
1 p2]，p1∈r
n
×
t
，p2∈r
n
×
(n
‑
t)
。i
n
‑
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∈r
n
×
(k
‑
1)
，w即所求的投影矩阵。
[0148]
输出模块，根据计算模块得到的投影矩阵w，将测试样本x
test
投影到新的子空间，即y＝x
test
×
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h
test
进行对比，得到分类结果的准确度。