[发明专利]一种基于机器视觉的表面瑕疵检测的纹理特征降维方法

权利要求书

1.一种基于机器视觉的表面瑕疵检测的纹理特征降维方法，其特征是，提取出与类别相关性强的特征，去除冗余特征，在保证分类识别准确率的同时，降低了特征维数，大大提高了在线特征提取及分类识别的速度，解决了高维特征可能含有冗余特征，甚至是噪声特征导致的在线特征提取时间长、预测准确率降低的问题；包含如下几个步骤： 

(1)找出与类别相关性强的特征，得到所有特征状态标志向量mark1； 

(2)去除冗余特征，计算相关系数矩阵RHO，进一步得到所有特征状态标志向量mark2； 

(3)将mark1和mark2按位与运算得到mark即为最终所有特征的状态标志向量mark，存储状态标志向量mark，用于在线特征提取过程。 

2.根据权利要求1所述基于机器视觉的表面瑕疵检测的纹理特征降维方法，其特征是：所述步骤(1)中找出与类别相关性强的特征，包含如下步骤： 

第一步、剔除安全样本和噪声样本；对于n*m维的训练样本特征矩阵X中的每一个样本x_n，计算出它与其余样本之间的欧式距离；找出与x_n距离最小的5个样本训练，判断这5个训练样本类别标签是否与x_n的类别标签一致，如果5个最近邻样本的类别均与xn的类别相同或者均与x_n不同，则将x_n视为安全样本或者噪声样本剔除；由此获得只含边界样本的特征矩阵X_new； 

第二步、计算模糊差异度量；对于X_new中的每个样本x_n，分别找出其k(k＝3)个最近邻同类、异类样本H＝[H₁(x_n)，H₂(x_n)，H₃(x_n)，]和M＝[M₁(x_n)，M₂(x_n)，M₃(x_n)]：每一维特征对应初始权值w_j＝1/m，j∈{1，2，…，m}，计算样本x_n与最近邻异类样本x_i的差异度x_i∈M，可得样本x_i作为x_n的异类最近邻样本的模糊隶属度对于x_n到最近异类样本的第j维特征的模糊差异度量由下面公式得到： 

使用同样的方法，可以得样本x_n与最近同类样本x_i的差异度： x_i∈H，可得样本x_i作为x_n的同类最近邻样本的模糊隶属度 进一步的，对于x_n到最近同类样本的第j维特征的模糊差异度量由下面公式得到： 

第三步、对每一维特征权值进行迭代；权值按照下式进行更新： 

式中其中N是剔除安全样本和噪声样本后保留下来的训练样本总个数； 

第四步、找出权值较小的特征；X_new中所有样本循环迭代结束后可得最终每一个特征的权值w_j，计算阈值TH1＝1/m，初始化1*m维特征状态标志向量mark1，令其每个元素均为1；比较每一维特征权值与阈值TH1的大小：若权值小于TH1，该维特征与类别相关性小，则将该维特征所对应的状态标志位置0，否则该维特征与类别相关性大，置1；由此得到所有特征的状态标志向量mark1。