[发明专利]一种基于改进的LDA-GSVD织物图像瑕疵分类方法及系统

说明书

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系统，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X_train和带标签的测试样本X_test；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S_W和类间散射矩阵S_B；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。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。

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系统。

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，s_Bw＝λs_ww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。

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。

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、利用重新定义的和得到GSVD所需的和的矩阵对，以解决小样本高维问题；

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。

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。