[发明专利]一种基于KNN的标签数据分类方法

权利要求书

1.一种基于KNN的标签数据分类方法，其特征在于：包括调试阶段和应用阶段；

其中，所述调试阶段包括如下步骤：

X1步，载入调试图像；对调试图像进行预处理得到调试特征目标区域；

X2步，通过blob分析从调试特征目标区域中提取调试感兴趣区域，并将调试感兴趣区域转换成为带有若干调试特征数据的调试数据集；所有调试特征数据均具有多个特征维度；

X3步，制作分类标签；采用map函数将各个调试特征数据与各个分类标签进行绑定；

X4步，将所有调试特征数据分到训练集和测试集中；

X5步，用户设定邻近数k、距离计算方式和分类特征维度；将训练集和测试集中所有调试特征数据的特征维度仅保留设定的分类特征维度而删除其余特征维度，以形成调试数据；

X6步，将测试集调试数据逐个进行分类：根据设定的距离计算方式，计算当前待分类的测试集调试数据与所有训练集调试数据之间的距离，并将距离进行排序；提取出距离最短的前k个训练集调试数据，找出前k个训练集调试数据对应最多的分类标签；将当前待分类的测试集调试数据分类到对应最多的分类标签中；

X7步，通过判断各个测试集调试数据分类所得的分类标签与绑定所得的分类标签是否一致，来分别判断各个测试集调试数据分类是否准确；统计分类准确率；判断分类准确率是否高于设定值：若是，则调试阶段结束，将当前设定的邻近数k、距离计算方式和分类特征维度作为应用阶段的邻近数k、距离计算方式和分类特征维度；否则跳至X5步，设定不同的邻近数k和/或距离计算方式和/或分类特征维度进行调试；

所述应用阶段包括如下步骤：

Y1步，载入采集图像；对采集图像进行预处理得到采集特征目标区域；

Y2步，通过blob分析从采集特征目标区域中提取采集感兴趣区域，并将采集感兴趣区域转换成为带有若干采集特征数据的采集数据集；各个采集特征数据分别包括分类特征维度；

Y3步，将各个采集特征数据逐个进行分类：根据设定的距离计算方式，计算当前待分类的采集特征数据与所有训练集调试数据之间的距离，并将距离进行排序；提取出距离最短的前k个采集特征数据，找出前k个采集特征数据对应最多的分类标签；将当前待分类的采集特征数据分类到对应最多的分类标签中，以完成分类。

2.根据权利要求1所述的基于KNN的标签数据分类方法，其特征在于：所述X1和/或Y1步中，进行预处理是指：对调试图像和/或采集图像进行均值滤波处理，均值滤波处理以函数作为滤波核；

其中，M＝ksize.wedth*ksize.height；

ksize.wedth是指滤波核的宽度；ksize.height是指滤波核的高度；

之后通过腐蚀膨胀算法扩大调试特征目标区域和/或采集特征目标区域。

3.根据权利要求1所述的基于KNN的标签数据分类方法，其特征在于：所述X2步中，特征维度包括长宽比、面积、弧度和空洞中任一项或两项以上。

4.根据权利要求1所述的基于KNN的标签数据分类方法，其特征在于：在X5步之前，还包括步骤：将所有调试特征数据进行归一化处理；

在Y3步之前，还包括步骤：将所有采集特征数据进行归一化处理。

5.根据权利要求1所述的基于KNN的标签数据分类方法，其特征在于：所述X5步中，设定距离计算方式是指采用曼哈顿距离计算方式、欧式距离计算方式和切比雪夫距离计算方式中的任一种。