[发明专利]基于KAP样本优化的KNN卷钢图片数据的卷刚状态分类识别方法

摘要

发明涉及一种基于KAP样本优化的KNN卷钢图片数据的卷刚状态分类识别方法，KAP是一种快速高效的聚类算法，通过计算特征之间的相互关系来聚类，通过聚类选取各类样本中具有代表性的特征样本组成新的样本空间，通过固定KAP算法中的参数K，保证新的样本空间中各个类样本数目的均衡。利用PCA算法对特征进行降维，在保证分类精度的情况下提高来方法的运行速度。本发明可以实现在复杂自然环境背景下对基于线阵CCD图片的卷钢装载状态进行分类识别。该方法具有很高的分类精度和较低的误分率，同时较快的分类速度也满足来实际需要。

主权项

1.一种基于KAP样本优化的KNN卷钢图片数据的卷刚状态分类识别方法，其特征在于步骤如下：步骤1、构建卷钢装载状态的特征样本空间：步骤1）、提取SURF特征向量集合：根据卷刚图片，将不同装载状态设定为NC类，表示为{C_i|i=1,2,3…,NC}；以每一类分别随机挑出60幅卷刚图片作为各个类的训练图片，首先压缩类C_i中的每一幅训练图片OP_ij得到图片P_ij，使得P_ij的长边长度为1000像素，P_ij的短边长度S_ij=OS_ij×1000/OL_ij，其中OL_x表示图片OP_x的长边长度，OS_x表示图片OP_x的短边长度。然后提取P_ij的SURF特征，得到一个nf×208维度的矩阵的特征集合F_ij；F_ij={f₁,f₂,…,f_nf}^T其中：i表示卷钢状态类，j表示该类中第j个训练图片，f₁,f₂,…,f_nf表示SURF特征描述子，是一个208维的列向量；nf表示图片P_ij提取得到的SURF特征点个数；所述卷刚图片为采用线阵CCD技术获得的铁路货运列车的卷钢数据图片；步骤2）、用KAP算法对提取的SURF特征集合F_ij进行聚类，得到的K个类中心，分别用cf_k表示，k=1,2,…,K；用CF_ij表示cf_k的集合：CF_ij={cf₁,cf₂,…cf_K}^T以CF_ij作为F_ij的代表性特征加入样本空间G，所述G是一个NF×208维度的矩阵，每一行表示一个SURF特征描述子，NF为KAP聚类后的全部特征点个数，NC类中的每类有NI幅图片，则NF＝NC×NI×K；所述KAP算法在聚类后会自动选出每一类的代表性特征，称为exemplar,CF_ij为exemplar的集合，迭代过程如下：s(i,k)=-||cfi-cfk||2r(i,k)←s(i,k)-max{a(i,k′)+s(i,k′)}a(i,k)←min{0,r(k,k)+Σi′s.t.i′≠i,kmax{0,r(i′,k)}}]]>a(k,k)←Σi′s.t.i′≠kmax{0,r(i′,k)}]]>其中：cf_i,cf_k表示不同的两个特征；s(i,k)表示cf_k和cf_i的相关度，用负欧式距离表示；r(i,k)表示cf_i把其他一些特征作为潜在exemplar的条件下，cf_k为cf_i的exemplar的可能性；a(i,k)表示在其它一些特征把cf_k作为exemplar的条件下，cf_i把cf_k选为exemplar的可能性；a(k,k)表示综合其他特征把cf_k作为exemplar的条件下，cf_k作为exemplar的可能性；初始状态r(i,k),a(i,k)均为0，通过不断迭代，选取a(k,k)值最高的K个特征作为最终的exemplar；步骤3）：对上一步骤得到的样本空间G，利用PCA算法找到G的前KP个主成分以及主成分特征向量集E={e₁,e₂，…e_KP}，将G降维到低维空间G_P={G_P1,G_P2,…,G_PN}^T；G_P=G*E其中：e₁,e₂,…e_n分别表示KP个主成分相关的特征向量，为208×1维的列向量，知E是一个208×KP维度的矩阵；G_P1,G_P2,…,G_PN分别表示和G中NF个SURF特征对应的降维后的特征，均为KP×1维的列向量，知G_P是一个NF×n维度的矩阵；步骤2、对未知分类图片OP_x分类：首先对图片OP_x的长宽进行等比例压缩，得到图片P_x，P_x的长边长度为1000，短边长度为S_x=OS_x×1000/OL_x，其中OL_x表示图片OP_x的长边长度，OS_x表示图片OP_x的短边长度。然后提取图片P_x的SURF特征，得到特征集合F_x={f₁,f₂,…,f_nf}^T：f₁,f₂,…,f_nf表示nf个SURF特征描述子，分别用一个208×1维的列向量表示；nf表示图片P_x提取得到的SURF特征点个数，知F_x是一个nf×208维度的矩阵；步骤3：利用主成分特征向量集E对F_x进行降维P=F_x*E其中：P={P₁,P₂,…,P_nf}^T；P₁,P₂,…,P_nf表示nf个经过PCA降维的SURF特征描述子，分别用一个KP×1维的列向量表示；nf表示图片P_x提取得到的SURF特征点个数，则P是一个nf×KP维度的矩阵；步骤4：对P中的每一特征描述子P_i利用G_p进行KNN分类：分别计算P_i和G_p中G_pj的欧式距离选出和P_i欧式距离最小的前K个G_pj，根据K个G_pj各自所属的类，统计出不同类中距离特征P_i最近的G_pj数，将G_pj数最多的类标注为P_i的类；步骤5、对P分类：用Y_ij表示P中的特征描述子P_i属于类C_j，如果P_i真的属于类C_j，则Y_ij=1，否则Y_ij=0；分别计算nf表示P中的特征描述子P_i的个数，NC表示类的个数；计算P属于类j的概率为Prc_j=sum_j/nf,j=1,2,..,NC；选取最大的概率Pro_maxj=MAX{Pro₁,Pro₂,…,Pro_NC}，将类C_maxj作为P的类。因为P是特征集F_x降维得到的，F_x由图片P_x所提取，P_x由图片OP_x压缩得到，可得图片OP_x的装载状态类为C_maxj。