[发明专利]一种针对模型拟合中不平衡数据的采样方法

权利要求书

1.一种针对模型拟合中不平衡数据的采样方法，其特征在于，包括以下步骤：

步骤S1:提取图像特征数据，并构成数据集；

步骤S2:从数据集中随机采样一个最小子集，作为代表性采样子集，并初始化采样集合；

步骤S3:从数据集中随机采样一个最小子集，作为采样子集；

步骤S4:根据代表性采样子集和采样子集更新采样集合；

步骤S5:循环步骤S3至步骤S4，直至满足预设终止条件；

步骤S6:去除多余的模型假设，得到最终采样集合；

步骤S7:将最终采样集合作为模型拟合的输入数据，以完成最后的参数估计和图像分割；

所述步骤S3具体为：

步骤S31:从数据集中随机采样一个最小子集；

步骤S22:评估最小子集的模型假设参数θ_i，其中i表示第i次采样，并计算该模型假设θ_i的权重，权重公式如下：

式中，s(θ_i)表示模型假设θ_i的内点尺度，表示模型假设θ_i和数据点x_t之间的距离，为核函数，b(θ_i)为宽度；N为数据总数；

所述步骤S4具体为：

步骤S41:计算θ_i与采样集合中的每个代表性采样子集的关系,计算公式如下：

其中Inlier(θ_i)和表示相应模型假设的内点集合,和分别表示两个集合的交集和并集，|·|表示集合的成员个数；如果认为它们对应同一个模型实例；

步骤S42:若θ_i与采样集合中一个代表性采样子集对应同一个模型实例，那么进一步对比它们的权重，以更新采样集合；如果那么θ_i加入到采样集合中，并取代作为一个代表性采样子集；反之，将θ_i抛弃，不作为采样集合的成员；

步骤S43：如果采样集合中没有找到θ_i对应同一个模型实例的代表性采样子集，那么将θ_i加入到采样集合中，并作为代表性采样子集的一个新成员。

2.根据权利要求1所述的一种针对模型拟合中不平衡数据的采样方法，其特征在于，所述步骤S2具体为：

步骤S21:从数据集中随机采样一个最小子集；

步骤S22:评估最小子集的模型假设参数θ₁，并计算该模型假设θ₁的权重，权重公式如下：

式中，s(θ₁)表示模型假设θ₁的内点尺度，表示模型假设θ₁和数据点x_t之间的距离，为核函数，b(θ₁)为宽度；X＝{x_t}为数据集，N为数据总数；

步骤S23:将采样的第一个模型假设θ₁作为采样集合的第一个成员，并作为一个代表性采样子集其中j表示采样集合的第j个成员，此处j＝1。

3.根据权利要求1所述的一种针对模型拟合中不平衡数据的采样方法，其特征在于，所述步骤S5具体为：判定采样个数是否达到预设阈值，如果达到则终止循环，并得到采样集合的模型假设θ＝{θ₁,θ₂,…,θ_m}；反之回到步骤步骤S3，做下一步采样。

4.根据权利要求1所述的一种针对模型拟合中不平衡数据的采样方法，其特征在于，所述步骤S6具体为：

步骤S61:对于采样集合中的所有模型假设θ＝{θ₁,θ₂,…,θ_m}，它们相应的权重为W＝{w₁,w₂,…,w_m}；

步骤S62:设定每个模型假设的权重w_k与最大权重的跨度：ψ_k＝max(W)-w_k，计算其相应的概率：

步骤S63:计算该权重集合的熵作为阈值衡量模型假设的质量：

步骤S64:通过熵选择模型假设：θ′＝{θ_k|-log p(ψ_k)＞ζ},得到的θ′作为最终的采样集合。