[发明专利]基于隐含狄利克雷分布模型的图形缺陷识别和定位方法

权利要求书

1.一种基于隐含狄利克雷分布模型的图形缺陷识别和定位方法，包括训练阶段和测试阶段，其特征在于：所述的训练阶段包括以下步骤：

a1.利用混沌理论对训练图像的像素时间序列计算，提取多个特征，组成混沌特征向量，一个训练图像由一个混沌特征向量矩阵来表示；

a2.通过k-均值聚类方法将所有训练的混沌特征向量矩阵聚类，形成代码本，然后通过代码本形成初级直方图；

a3.通过隐含狄利克雷分布模型来对所述初级直方图学习得到高级直方图，所述的训练图像由所述高级直方图来表示；

所述的测试阶段包括以下步骤：

b1.利用混沌理论对测试图像的像素时间序列计算，提取多个特征，组成混沌特征向量，一个测试图像由一个混沌特征向量矩阵来表示；

b2.通过所述的代码本形成一初级直方图；

b3.通过隐含狄利克雷分布模型来对所述一初级直方图学习得到一高级直方图，所述的测试图像由所述一高级直方图来表示；

b4.计算所述一高级直方图和所述高级直方图的相似程度，来判断测试图像的缺陷类别和位置。

2.根据权利要求1所述的基于隐含狄利克雷分布模型的图形缺陷识别和定位方法，其特征在于：所述的步骤a1和步骤b1中，将每行像素和每列像素分别看作混沌时间序列，计算混沌特征向量。

3.根据权利要求1所述的基于隐含狄利克雷分布模型的图形缺陷识别和定位方法，其特征在于：所述的步骤a1和步骤b1中，所述的多个特征包括嵌入维数，嵌入时间延迟，盒维数，平均值和方差。

4.根据权利要求1所述的基于隐含狄利克雷分布模型的图形缺陷识别和定位方法，其特征在于：所述的步骤a2中，每个聚类中心表示一个代码词，所有代码词的集合为所述的代码本，所述聚类中心的个数即为代码本大小；当形成所述代码本之后，每个训练图像里面的特征映射到相应的聚类中心，当一个训练图像里面的所有特征都映射完之后，就形成了所述初级直方图。

5.根据权利要求4所述的基于隐含狄利克雷分布模型的图形缺陷识别和定位方法，其特征在于：所述的步骤b2中，每个测试图像里面的特征映射到相应的所述聚类中心，当一个测试图像里面的所有特征都映射完之后，就形成了所述的一初级直方图。

6.根据权利要求1、4或5所述的基于隐含狄利克雷分布模型的图形缺陷识别和定位方法，其特征在于：所述的初级直方图和一初级直方图中，横坐标代表所述代码词，纵坐标代表所述代码词出现的频率次数。

7.根据权利要求1所述的基于隐含狄利克雷分布模型的图形缺陷识别和定位方法，其特征在于：所述步骤a3中的通过隐含狄利克雷分布模型来对所述初级直方图学习得到高级直方图以及所述步骤b3中的通过隐含狄利克雷分布模型来对所述一初级直方图学习得到一高级直方图，具体方法为：按照先验概率选择一幅图片；从狄利克雷分布中取样生成图片的主题分布，即主题分布由一个参数的Dirichlet分布生成；从主题的多项式分布中取样生成文档的主题；从狄利克雷分布中取样生成主题对应的词语分布，即词语分布由一个参数的Dirichlet分布生成；从词语的多项式分布中采样最终生成词语。