[发明专利]一种信息增益混合邻域粗糙集的高维度特征选择方法

权利要求书

1.一种信息增益混合邻域粗糙集的高维度特征选择方法，其特征在于，具体步骤包括如下：

步骤一：数据预处理；将图像分别按照顺序编号，去伪彩转化为灰度图像；从灰度图像中划分ROI区域，并将ROI区域的图像归一化；

步骤二：图像分割；对预处理后的得到的ROI区域的图像，采用最大类间方差法进行分割，得到背景区域图像和目标区域图像；

步骤三：特征提取；将分割后的ROI区域的目标区域图像提取特征；并构建连续型决策信息表S₀；

步骤四：特征归一化；将步骤三中构建连续型决策信息表S₀进行归一化，其中，仅对连续型决策信息表S₀中的条件属性进行归一化处理，得到连续型决策信息表S；

步骤五：基于信息增益的特征选择；将步骤四中的所述连续型决策信息表S作为输入，进行特征选择，得到信息增益约简后的属性集合red₁；

步骤六：基于领域粗糙集的特征选择；输入信息增益约简后的属性集合red₁经过领域粗糙集的特征选择，得到两次约简结果red；

步骤七：对两次约简结果进行分类识别。

2.根据权利要求1所述的一种信息增益混合邻域粗糙集的高维度特征选择方法，其特征在于，所述步骤三中提取特征包括：形状特征、纹理特征和灰度特征。

3.根据权利要求1所述的一种信息增益混合邻域粗糙集的高维度特征选择方法，其特征在于，所述步骤四中将分割后的ROI区域的目标区域图像提取特征，并且对提取的特征进行归一化，使得归一化后的数据均落在[0,1]之间，其公式为：

其中，x_max和x_min分别表示样本数组的最大值和最小值。

4.根据权利要求1所述的一种信息增益混合邻域粗糙集的高维度特征选择方法，其特征在于，所述步骤五中具体步骤包括：

1)输入连续型决策信息表S＝(U,A,V,f)，其中U表示论域，A＝C∪D，C表示条件属性集，即将分割后的ROI区域的目标区域图像提取特征，并且进行归一化处理后的集合，D表示决策属性构成的集合；V表示属性值域的并集；f表示映射关系的信息函数；

2)初始化属性集合red₁＝φ，计算每个条件属性的信息增益Gain(C_i)，计算每个条件属性信息增益的平均值average；

3)选择信息增益最大的属性c_i，属性集合red₁＝red₁∪{c_i}，并在条件属性集C中去掉该属性；

4)如果信息增益最大的属性c_i的信息增益值小于平均值average，则停止得到信息增益约简的属性集合red₁，否则调至步骤2)。

5.根据权利要求4所述的一种信息增益混合邻域粗糙集的高维度特征选择方法，其特征在于，所述步骤六中具体步骤包括：

1)输入信息增益约简的属性集合red₁＝(U,A′,V,f)，其中A′＝C′∪D，C′表示步骤五中信息增益值大于或等于平均信息增益值的条件属性的集合，确定邻域半径δ的集合，设置重要度下限为0.001；

2)初始化两次约简集合red＝φ，样本smp＝U；

3)对利用公式计算正域其中，δ_B(x_i)＝{x_j|x_j∈U,Δ_B(x_i,x_j)≤δ}，N代表决策属性D将论域U划分为等价类的个数，

4)对于a∈B，选择a_k使得正域最大；

5)利用公式sig_B(c,B,D)＝γ_B∪c(D)-γ_B(D)计算属性重要度sig(a_k,red,D)，其中表示决策属性D相对于子集B的依赖度；

6)若sig(a_k,red,D)大于设定的重要度下限值，则输出约简结果red，结束程序，否则，记录k值，令：然后返回步骤2)继续计算，直至输出约简结果red。