[发明专利]一种用于浮选泡沫图像分类方法

权利要求书

1.一种用于浮选泡沫图像分类方法，其特征在于，包括如下步骤：

步骤1、浮选泡沫图像特征提取和数据处理；

步骤1.1、首先对浮选泡沫图像进行特征提取，包括图像的泡沫面积，泡沫周长，圆形度，不变矩，灰度平均值，灰度方差，熵，能量，差异性，均质性，对比度；组成数据集X及其对应的图像标签集C；

数据集X样本数量为m，特征个数为n，表示训练集中任意图像样本X_i(i∈m)，表示第i个样本的第j个特征；标签集C的大小为m×1，被分为v个类别{C₁,C₂,…,C_v}，v表示类别；

步骤1.2、对步骤1.1中所提取的特征数据集X进行离散化处理，确定每个特征数据所要离散化的宽度：

其中和表示特征X^j中的最大值和最小值，k为该特征所要离散的份数；

然后，根据离散宽度重新计算特征值：

步骤1.3、对离散后的数据集X进行划分，分成训练集X_train和待分类样本集X_test两个数据集；训练样本X_train为大量能表达缺陷图像特征的数据；待分类样本集X_test为需要进行分类判断的当前数据；训练集X_train中每个训练样本都具有类别；

步骤2、根据训练集X_train及其对应的标签集C，计算每个特征的权重：

步骤2.1、设置特征权重w_j＝0,(j＝1,2,3,…n)；

步骤2.2、从训练集X_trian中每次拿出一个特征所对应的列和标签集C，计算该特征与标签的信息量，其计算公式为：

x^j表示第j个特征的样本，X^j表示特征j所包含的取值，x^j∈X^j表示在训练集X_train中第j个特征取值为该特征所有可能取得的值；C∈v表示标签集C可以取值的类别种类；p(x^j,C)表示x^j和C分别取某一值时的概率：

其中表示在训练集X_train上标签C和特征值x^j同时出现的总数；

p(x^j)表示x^j取某一值时的概率：

p(C)表示C为某一类时的概率：

一次计算训练集X_train中每个特征j与标签集的信息量作为每个特征的权重，保存在w_j中；

步骤2.3、特征权重w_j归一化：扫描所有特征权重，计算归一化后的特征权重w_j'：

其中max(w_j)表示特征权重中最大值，min(w_j)表示特征权重中最小值；

步骤3、利用步骤2中的权值构造出贝叶斯分类器；

步骤4、利用步骤3中构造的分类器对待分类样本进行分类，将待分类样本作为输入参数，利用分类器进行计算，计算出这样一个类别，使得分类器得出的值最大，那么该特征组就属于这个类别；

所述的步骤3具体为：

将训练集X_train中每个特征作为其他特征的依赖特征，然后利用这些特征构造m个超父特征分类器，并将这些超父特征分类器集成起来；同时，为了避免每个超父特征对分类结果的贡献是相同的，我们将步骤2中计算的特征权重w_j'对应添加到每个特征的超父特征分类器中，构造出如下对于待分类样本的分类器：

其中，C(X)表示待分类样本集X_test中的一个待分类样本X根据分类器得出分类标签；P(x^j,C_v)表示在训练集X_train中标签C_v和待分类样本X第j个特征值出现的概率，计算时式为：

其中表示在训练集X_train上标签C_v和特征值x^j同时出现的总数；

P(x^J|x^j,C_v)表示在训练集X_train中标签C_v和待分类样本X第j个特征值出现的前提下，第J个特征出现的概率，计算式为：

其中表示在训练集X_train上标签C_v和特征值x^j同时出现的前提下，第J个特征值为x^J的总数。