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

技术特征：
1.一种基于改进的lda
‑
gsvd织物图像瑕疵分类方法，其特征是包括以下步骤：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、将特征矩阵x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
；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
；s4、利用重新定义得到的和得到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。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。3.根据权利要求1或2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。4.根据权利要求3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s3中α
j
和具体包括：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：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：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:s3.4、加入类内紧凑权系数得到改进后的类内散射矩阵s3.4、加入类内紧凑权系数得到改进后的类内散射矩阵s3.4、加入类内紧凑权系数得到改进后的类内散射矩阵步骤s3中w
j,q’和具体包括：
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：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；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：w
j,q’＝w
mean
，w
j,q
≥w
mean
；w
j,q’＝w
j,q
，w
j,q
＜w
mean
s3.7、加入类间离散权系数得到改进后的类间散射矩阵s3.7、加入类间离散权系数得到改进后的类间散射矩阵5.根据权利要求4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s4具体包括，s4.1、通过步骤s3得到的和表示成以及以及s4.2、根据gsvd所需的矩阵对对该矩阵对进行奇异值分解s4.3、从m(1:k,1:t)的svd分解中m(1:k,1:t)＝u∑
a
l
t
，求出l；s4.4、计算s4.5、取z的前k
‑
1列记为w∈r
n
×
(k
‑
1)
，w即所求的投影矩阵。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。7.一种基于改进的lda
‑
gsvd织物图像瑕疵分类系统，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x
train
和带标签的测试样本x
test
；重新定义模块，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
；计算模块，利用重新定义的和得到gsvd所需的和的矩阵对；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。8.根据权利要求7所述的一种基于改进的lda
‑
gsvd织物图像瑕疵分类系统，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。9.根据权利要求7或8所述的一种基于改进的lda
‑
gsvd织物图像瑕疵分类系统，其特征在于，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。10.根据权利要求9所述的一种基于改进的lda
‑
gsvd织物图像瑕疵分类系统，其特征在于，重新定义模块中α
j
和具体包括：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：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：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:加入类内紧凑权系数得到改进后的类内散射矩阵加入类内紧凑权系数得到改进后的类内散射矩阵加入类内紧凑权系数得到改进后的类内散射矩阵重新定义模块中w
j,q’和具体包括：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：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；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：w
j,q’＝w
mean
，w
j,q
≥w
mean
；w
j,q’＝w
j,q
，w
j,q
＜w
mean
加入类间离散权系数得到改进后的类间散射矩阵加入类间离散权系数得到改进后的类间散射矩阵

技术总结
本发明公开了一种基于改进的LDA


技术研发人员：吕文涛 钟佳莹 王成群 徐伟强
受保护的技术使用者：浙江理工大学
技术研发日：2021.09.26
技术公布日：2022/1/3