本發(fā)明涉及一種圖像分類技術(shù)，尤其是涉及一種水質(zhì)圖像分類方法。
背景技術(shù)：
：近年來(lái)隨著人們對(duì)水環(huán)境越來(lái)越重視，水資源保護(hù)越來(lái)越受到關(guān)注。對(duì)于水資源監(jiān)測(cè)，目前常用的方法有生物式水質(zhì)監(jiān)測(cè)方法和利用各種傳感器進(jìn)行水質(zhì)監(jiān)測(cè)的方法。生物式水質(zhì)監(jiān)測(cè)方法，例如德國(guó)的BBE公司研發(fā)的基于動(dòng)態(tài)圖像理解的生物式水質(zhì)監(jiān)測(cè)系統(tǒng)，其通過水蚤、魚類的行為習(xí)慣和分布狀態(tài)受水質(zhì)的影響實(shí)現(xiàn)對(duì)水質(zhì)的評(píng)價(jià)，但是這種方法受實(shí)驗(yàn)環(huán)境約束，在復(fù)雜的自然水環(huán)境下，易產(chǎn)生誤判，同時(shí)不能對(duì)污染源做出判定。利用各種傳感器進(jìn)行水質(zhì)監(jiān)測(cè)的方法，例如利用溫度、溶氧度、PH值等傳感器，這種方法可以得到的水體質(zhì)量的精確數(shù)據(jù)，但是成本相對(duì)較高且測(cè)量參數(shù)有限，直觀性不足。運(yùn)用圖像分析技術(shù)進(jìn)行水質(zhì)評(píng)估，具有成本低廉、通用性強(qiáng)、數(shù)據(jù)采集便捷等優(yōu)點(diǎn)，通過調(diào)查和采集，水質(zhì)圖像區(qū)域分布具有不規(guī)則性，出現(xiàn)的水質(zhì)異常部分作為感興趣區(qū)域，這些感興趣區(qū)域作為分類的主要依據(jù)。對(duì)感興趣區(qū)域劃分，大致可分為：正常，水華污染，水葫蘆污染，工廠排污污染，生活垃圾污染5種水質(zhì)。正常的水質(zhì)應(yīng)該通透，無(wú)異常顏色，且具有斑駁感。水華污染的水質(zhì)，顏色呈綠色，通透性弱，有粒狀綠色區(qū)域。水葫蘆污染的水質(zhì)，水面上具有水葫蘆區(qū)域。工廠排污的水質(zhì)，主要是顏色出現(xiàn)異常，甚至?xí)a(chǎn)生許多白色氣泡。生活垃圾污染的水質(zhì)，水面漂著大量無(wú)規(guī)則物體，水體渾濁。可見五類水質(zhì)圖像具有明顯不同的特點(diǎn)。水質(zhì)圖像分類的難點(diǎn)有兩方面：一是光照變化會(huì)使得水面發(fā)生很大變化，例如水體的顏色在不同光照下有明顯不同；另一方面，污染區(qū)域的紋理在復(fù)雜的水情下也會(huì)產(chǎn)生變化，例如水華和水葫蘆的紋理容易產(chǎn)生混淆。技術(shù)實(shí)現(xiàn)要素：本發(fā)明所要解決的技術(shù)問題是提供一種準(zhǔn)確有效的水質(zhì)圖像分類方法。本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為：一種水質(zhì)圖像分類方法，使用多特征融合的詞包對(duì)水質(zhì)圖像進(jìn)行分類，具體包括以下步驟：①水質(zhì)圖像采集，標(biāo)記水質(zhì)圖像類別標(biāo)簽，以指示訓(xùn)練圖像屬于正常，水華污染，水葫蘆污染，工廠排污污染和生活垃圾污染五種圖像中的哪個(gè)類別；②對(duì)水質(zhì)圖像使用圖像金字塔進(jìn)行關(guān)鍵點(diǎn)檢測(cè)，并對(duì)水質(zhì)圖像中的關(guān)鍵點(diǎn)進(jìn)行方向梯度直方圖與顏色特征的提取，融合成描述當(dāng)前關(guān)鍵點(diǎn)的特征向量；③使用狄利克雷混合模型進(jìn)行視覺詞典學(xué)習(xí)，對(duì)圖像生成的各關(guān)鍵點(diǎn)特征向量進(jìn)行編碼生成圖像詞包；④使用圖像詞包和類別標(biāo)簽訓(xùn)練監(jiān)督型主題模型，得到監(jiān)督型主題模型參數(shù)，并將訓(xùn)練得到的監(jiān)督型主題模型用于后續(xù)的分類任務(wù)中；⑤將需要分類的水質(zhì)圖像作為輸入圖像，根據(jù)步驟②的方法對(duì)該輸入圖像進(jìn)行特征提取操作，并量化成詞包，然后使用步驟④得到的訓(xùn)練后的監(jiān)督型主題模型進(jìn)行分類，得到輸入圖像所屬的類別。所述步驟①的具體過程為：①-1、采用高清攝像機(jī)或照相機(jī)對(duì)水面圖像進(jìn)行采集，將采集的水質(zhì)圖像分成5類，分別為正常，水華污染，水葫蘆污染，工廠排污污染和生活垃圾污染；①-2、對(duì)采集的水質(zhì)圖像進(jìn)行初步處理，去掉包含人和船只的圖像。對(duì)于出現(xiàn)兩類及以上污染的水質(zhì)圖像，將其所屬污染區(qū)域分割開，作為多幅訓(xùn)練圖像；①-3、使用圖像縮放方法，對(duì)圖像大小進(jìn)行調(diào)整，將其調(diào)整為400*400大小的圖像；①-4、對(duì)5類水質(zhì)圖像給定訓(xùn)練標(biāo)簽：正常標(biāo)簽為1，水華污染標(biāo)簽為2，水葫蘆污染標(biāo)簽為3，工廠排污污染標(biāo)簽為4，生活垃圾污染標(biāo)簽為5。所述步驟②的具體過程為：②-1、使用圖像金字塔標(biāo)定水質(zhì)圖像的關(guān)鍵點(diǎn)；②-2、計(jì)算以當(dāng)前關(guān)鍵點(diǎn)為中心的24*24鄰域窗口內(nèi)的所有像素點(diǎn)的R、G、B三個(gè)顏色通道顏色均值；②-3、將256顏色通道轉(zhuǎn)換為64顏色通道，將第c個(gè)顏色通道的顏色均值映射到64色顏色空間后的值記為blockc，其中，1≤c≤3，c＝1時(shí)第c個(gè)顏色通道為R顏色通道，c＝2時(shí)第c個(gè)顏色通道為G顏色通道，c＝3時(shí)第c個(gè)顏色通道為B顏色通道，block表示第c個(gè)顏色通道的顏色均值，colork表示64色顏色空間中的第k種顏色，1≤k≤64，符號(hào)“||||”為求歐氏距離符號(hào)，表示取使得||block-colork||的值最小的一種顏色，將最小的顏色取為當(dāng)前通道的顏色值，三個(gè)通道共形成三個(gè)顏色特征；②-4、采用Gamma校正法對(duì)輸入圖像進(jìn)行顏色空間的歸一化；②-5、將當(dāng)前關(guān)鍵點(diǎn)所在的24*24的像素區(qū)域分化成16個(gè)cell，(6*6像素/cell)，計(jì)算單個(gè)cell中每個(gè)像素的梯度方向和梯度大小這里x和y表示該像素點(diǎn)的坐標(biāo)，f(x,y)表示像素在x和y的灰度值，統(tǒng)計(jì)每個(gè)cell的梯度直方圖，形成每個(gè)cell的描述；將相鄰4*4的cell組成一個(gè)block，并將一個(gè)block內(nèi)所有的cell的特征串聯(lián)起來(lái)，得到該關(guān)鍵點(diǎn)的方向梯度直方圖特征描述。所述步驟③的具體過程為：設(shè)模型的后驗(yàn)概率為K為取值1000，將其作為每個(gè)關(guān)鍵點(diǎn)可能屬于的類別數(shù)，是參數(shù)為γk,1,γk,2的貝塔分布，Vk是該分布的隨機(jī)變量，為一實(shí)值隨機(jī)數(shù)；是參數(shù)為的高斯威沙特分布，其中為一個(gè)35維的列向量，ak為實(shí)值，Bk為35*35的矩陣，I為35*35的單位矩陣，是該分布的隨機(jī)變量，分別取兩個(gè)隨機(jī)向量，一個(gè)是35維的列向量，一個(gè)是35*35的矩陣；是參數(shù)為的多項(xiàng)式分布，表示第n個(gè)樣本屬于1000個(gè)類別中第1個(gè)類別的概率，zn是該分布的隨機(jī)變量，為一實(shí)值整數(shù)隨機(jī)數(shù)；③-1、將類別數(shù)K作為初始化類別數(shù)，給定一個(gè)初始化模型參數(shù)λ，λ取高斯威沙特分布的四個(gè)參數(shù)，分別為均值參數(shù)0，方差矩陣，取35*35的方差矩陣I，自由度參數(shù)D，取值為35，尺度矩陣，取35*35的單位矩陣I，隨機(jī)初始化參數(shù)表示每個(gè)樣本屬于K個(gè)樣本的概率，總概率相加為1；③-2、對(duì)于訓(xùn)練樣本中的每個(gè)關(guān)鍵點(diǎn)，記其特征為Xi，計(jì)算后驗(yàn)概率中的貝塔分布參數(shù)以及共軛分布參數(shù)γk,1=1+Σiφzi,k]]>γk,2=α+ΣiΣj>kφzi,j]]>ak=2+D+Σiφzi,k]]>vuk=(I+BkΣiφzi,k)-1(akBkΣiφzi,kXi)]]>Bk=((Σiφzi,k+1)I+Σiφzi,k(Xi-vuk)(Xi-vuk)T)-1]]>其中D為關(guān)鍵點(diǎn)特征維數(shù)，取值為35，表示第i個(gè)樣本屬于k類別的后驗(yàn)概率，γk,1,γk,2是后驗(yàn)概率q(V,θ*,Z)中貝塔分布的兩個(gè)參數(shù)，I表示q(V,θ*,Z)中高斯威沙特分布的四個(gè)參數(shù)，其中I為單位矩陣，k從1取到1000，α為模型參數(shù)，取值為0.001；③-3、對(duì)于每個(gè)樣本，根據(jù)以下公式求該樣本對(duì)應(yīng)每個(gè)類別的概率：φzi,k=exp(ψ(γk,1)-ψ(γk,1+γk,2)+Eq(logf(Xi|θzi,k*))+Σj<k(ψ(γj,2)-ψ(γj,1+γj,2)))]]>其中的取值如下：Eq(logf(Xi|θzi,k*))=(-D2log2π+12(Σdψ(ak+1-d2)+Dlog2+log|Bk|)-12((Xi-vuk)akBk(Xi-vuk)+ak*tr(Bk))-log2πe)]]>D為關(guān)鍵點(diǎn)特征維數(shù)，取值為35，e為自然底數(shù)，π為圓周率常數(shù)，ψ()為伽馬函數(shù)的二階導(dǎo)數(shù)。是參數(shù)為的高斯分布，包含兩個(gè)參數(shù)，分別是均值向量和方差矩陣；③-4、觀察的變化情況，若該值不變，則停止更新，否則轉(zhuǎn)③-2重新計(jì)算，當(dāng)停止更新時(shí)，記住此時(shí)的變分后驗(yàn)概率參數(shù)γk,1,γk,2，對(duì)于對(duì)應(yīng)的所有N個(gè)樣本，用狄利克雷混合模型估算得出N個(gè)樣本所屬類別，并將不同的類別數(shù)記為H，然后將H個(gè)不同的類別記為視覺詞典；③-5、對(duì)于每個(gè)關(guān)鍵點(diǎn)特征Xi，使用訓(xùn)練得到的估算特征Xi屬于每個(gè)類別的后驗(yàn)概率：φzi,k=exp(ψ(γk,1)-ψ(γk,1+γk,2)+Eq(logf(Xi|θzi,k*))+Σj<k(ψ(γj,2)-ψ(γj,1+γj,2)))]]>Eq(logf(Xi|θzi,k*))=(-D2log2π+12(Σdψ(ak+1-d2)+Dlog2+log|Bk|)-12((Xi-vk)akBk(Xi-vk)+ak*tr(Bk))-log2πe)]]>③-6、找到當(dāng)前關(guān)鍵點(diǎn)特征Xi在視覺詞典中所屬的視覺單詞wi，估算公式如下：wi=argmaxkφzi,k]]>在該編碼中，找到使得最大的k值將其作為當(dāng)前關(guān)鍵點(diǎn)特征Xi在視覺詞典中的視覺單詞wi，將其作為當(dāng)前關(guān)鍵點(diǎn)特征Xi所屬的視覺單詞；③-7、對(duì)于每幅水質(zhì)圖像，首先使用圖像金字塔得到所有的關(guān)鍵點(diǎn)，然后得到每個(gè)關(guān)鍵點(diǎn)的35維特征向量，重復(fù)步驟③-5、③-6得到所有關(guān)鍵點(diǎn)屬于詞典中的哪個(gè)視覺單詞，形成水質(zhì)圖像的視覺詞包。所述步驟④、⑤的具體過程為：④-1、輸入每一副圖像的視覺詞包，將其記為r，以及對(duì)應(yīng)的水質(zhì)圖像類別標(biāo)簽，將其記為C；④-2、在監(jiān)督型主題模型中，使用變分方法學(xué)習(xí)得到訓(xùn)練后的監(jiān)督型主題模型；⑤-1、將攝像頭采集的水質(zhì)圖像進(jìn)行特征提取，得到圖像的每個(gè)關(guān)鍵點(diǎn)特征Xi的特征向量；⑤-2、對(duì)于每個(gè)關(guān)鍵點(diǎn)特征Xi，估算Xi屬于每個(gè)類別的概率：φzi,k=exp(ψ(γk,1)-ψ(γk,1+γk,2)+Eq(logf(Xi|θzi,k*))+Σj<k(ψ(γj,2)-ψ(γj,1+γj,2)))]]>其中的取值如下：Eq(logf(Xi|θzi,k*))=(-D2log2π+12(Σdψ(ak+1-d2)+Dlog2+log|Bk|)-12((Xi-vk)akBk(Xi-vk)+ak*tr(Bk))-log2πe)]]>然后計(jì)算當(dāng)前關(guān)鍵點(diǎn)特征Xi在視覺詞典中所屬的視覺單詞wi，估算公式如下：wi=argmaxkφzi,k]]>對(duì)當(dāng)前水質(zhì)圖像的所有關(guān)鍵點(diǎn)特征Xi，計(jì)算其所屬視覺單詞wi，然后形成圖像詞包；⑤-3、將該幅水質(zhì)圖像的圖像詞包代入訓(xùn)練后的監(jiān)督型主題模型中，得到類別標(biāo)簽。與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：1)本發(fā)明方法首先采用高斯金字塔檢測(cè)圖像中的極值點(diǎn)，這樣有利于消除圖像特征中的冗余像素，提高識(shí)別精度；2)在建立視覺詞典時(shí)，本發(fā)明方法使用狄利克雷混合模型進(jìn)行水質(zhì)圖像視覺詞典生成，相比于傳統(tǒng)視覺詞典學(xué)習(xí)中的傳統(tǒng)的確定大小的模型相比，該算法能自動(dòng)估算視覺詞典數(shù)目，有利于消除視覺詞典中視覺單詞間的相關(guān)和冗余性；3)在進(jìn)行識(shí)別時(shí)，利用視覺詞典首先得到圖像視覺詞包模型，然后再訓(xùn)練監(jiān)督型主題模型，引入該模型使得水質(zhì)圖像識(shí)別框架在統(tǒng)計(jì)角度描述了水質(zhì)圖像中的隨機(jī)因素，同時(shí)在語(yǔ)義層次描述水質(zhì)圖像的各類特征，從而提高水質(zhì)圖像識(shí)別率。附圖說(shuō)明圖1為本發(fā)明方法水質(zhì)圖像分類過程示意圖；圖2為本發(fā)明方法中不同尺度的高斯金字塔描述示意圖；圖3為本發(fā)明監(jiān)督型主題模型圖示意圖；圖4為狄利克雷混合模型概率圖示意圖；圖5為不同污染水質(zhì)的示意圖片。具體實(shí)施方式以下結(jié)合附圖實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述。一種水質(zhì)圖像分類方法，使用多特征融合的詞包對(duì)水質(zhì)圖像進(jìn)行分類，具體包括以下步驟：①-1、采用高清攝像機(jī)或照相機(jī)，對(duì)正常水面、水華污染水面、水葫蘆污染水面、工廠排污污染水面和生活垃圾污染水面分別進(jìn)行M次圖像采集，得到每種水面的M幅水質(zhì)圖像，將采集的水質(zhì)圖像分成5類，分別為正常，水華污染，水葫蘆污染，工廠排污污染和生活垃圾污染；在圖像采集時(shí)，正常水面、水華污染水面、水葫蘆污染水面、工廠排污污染水面和生活垃圾污染水面是通過人眼判定的，對(duì)每種水質(zhì)圖像采集最好在多個(gè)不同的地方采集，在此要求采集圖片數(shù)目M≥100，這樣可有效提高該水質(zhì)圖像分類方法的魯棒性，在此基礎(chǔ)上，M越大越好。①-2、對(duì)采集的水質(zhì)圖像進(jìn)行初步處理，去掉包含人和船只的圖像。對(duì)于出現(xiàn)兩類及以上污染的水質(zhì)圖像，將其所屬污染區(qū)域分割開，作為多幅訓(xùn)練圖像；①-3、使用現(xiàn)有的圖像縮放方法，對(duì)得到的所有水質(zhì)圖像大小進(jìn)行調(diào)整，將其調(diào)整為像素為400*400大小的圖像，使所有水質(zhì)圖像的大小一致；①-4、對(duì)5類水質(zhì)圖像給定訓(xùn)練標(biāo)簽：正常標(biāo)簽為1，水華污染標(biāo)簽為2，水葫蘆污染標(biāo)簽為3，工廠排污污染標(biāo)簽為4，生活垃圾污染標(biāo)簽為5；②-1、使用圖像金字塔標(biāo)定水質(zhì)圖像的關(guān)鍵點(diǎn)，得到每幅水質(zhì)圖像中的每個(gè)關(guān)鍵點(diǎn)的位置信息，圖2給出了采用高斯金字塔提取關(guān)鍵點(diǎn)的位置信息示意圖；②-2、計(jì)算以當(dāng)前關(guān)鍵點(diǎn)為中心的24*24鄰域窗口內(nèi)的所有像素點(diǎn)的R、G、B三個(gè)顏色通道顏色均值；②-3、將256顏色通道轉(zhuǎn)換為64顏色通道，將第c個(gè)顏色通道的顏色均值映射到64色顏色空間后的值記為blockc，其中，1≤c≤3，c＝1時(shí)第c個(gè)顏色通道為R顏色通道，c＝2時(shí)第c個(gè)顏色通道為G顏色通道，c＝3時(shí)第c個(gè)顏色通道為B顏色通道，block表示第c個(gè)顏色通道的顏色均值，colork表示64色顏色空間中的第k種顏色，1≤k≤64，符號(hào)“||||”為求歐氏距離符號(hào)，表示取使得||block-colork||的值最小的一種顏色，將最小的顏色取為當(dāng)前通道的顏色值，三個(gè)通道共形成三個(gè)顏色特征；②-4、采用Gamma校正法對(duì)輸入圖像進(jìn)行顏色空間的歸一化；②-5、將當(dāng)前關(guān)鍵點(diǎn)所在的24*24的像素區(qū)域分化成16個(gè)cell，(6*6像素/cell)，計(jì)算單個(gè)cell中每個(gè)像素的梯度方向和梯度大小這里x和y表示該像素點(diǎn)的坐標(biāo)，f(x,y)表示像素在x和y的灰度值，統(tǒng)計(jì)每個(gè)cell的梯度直方圖，形成每個(gè)cell的描述；將相鄰4*4的cell組成一個(gè)block，并將一個(gè)block內(nèi)所有的cell的特征串聯(lián)起來(lái)，得到該關(guān)鍵點(diǎn)的方向梯度直方圖特征描述；設(shè)模型的后驗(yàn)概率為K為取值1000，將其作為每個(gè)關(guān)鍵點(diǎn)可能屬于的類別數(shù)，是參數(shù)為γk,1,γk,2的貝塔分布，Vk是該分布的隨機(jī)變量，為一實(shí)值隨機(jī)數(shù)；是參數(shù)為的高斯威沙特分布，其中為一個(gè)35維的列向量，ak為實(shí)值，Bk為35*35的矩陣，I為35*35的單位矩陣,是該分布的隨機(jī)變量，分別取兩個(gè)隨機(jī)向量，一個(gè)是35維的列向量，一個(gè)是35*35的矩陣；是參數(shù)為的多項(xiàng)式分布，表示第n個(gè)樣本屬于1000個(gè)類別中第1個(gè)類別的概率，zn是該分布的隨機(jī)變量，為一實(shí)值整數(shù)隨機(jī)數(shù)；③-1、將類別數(shù)K作為初始化類別數(shù)，給定一個(gè)初始化模型參數(shù)λ，λ取高斯威沙特分布的四個(gè)參數(shù)，分別為均值參數(shù)0，35*35的方差單位矩陣I，自由度參數(shù)D，取值為35，尺度矩陣，取為35*35的單位矩陣I，隨機(jī)初始化參數(shù)表示每個(gè)樣本屬于K個(gè)樣本的概率，總概率相加為1；③-2、對(duì)于訓(xùn)練樣本中的每個(gè)關(guān)鍵點(diǎn)，記其特征為關(guān)鍵點(diǎn)特征Xi，計(jì)算后驗(yàn)概率中的貝塔分布參數(shù)以及共軛分布參數(shù)γk,1=1+Σiφzi,k]]>γk,2=α+ΣiΣj>kφzi,j]]>ak=2+D+Σiφzi,k]]>vuk=(I+BkΣiφzi,k)-1(akBkΣiφzi,kXi)]]>Bk=((Σiφzi,k+1)I+Σiφzi,k(Xi-vuk)(Xi-vuk)T)-1]]>其中D為關(guān)鍵點(diǎn)特征維數(shù)，取值為35，表示第i個(gè)樣本屬于k類別的后驗(yàn)概率，γk,1,γk,2是后驗(yàn)概率q(V,θ*,Z)中貝塔分布的兩個(gè)參數(shù)，I表示q(V,θ*,Z)中高斯威沙特分布的四個(gè)參數(shù)，其中I為單位矩陣，k從1取到1000，α為模型參數(shù)，取值為0.001；③-3、對(duì)于每個(gè)關(guān)鍵點(diǎn)Xi，根據(jù)以下公式求該樣本對(duì)應(yīng)每個(gè)類別的概率：φzi,k=exp(ψ(γk,1)-ψ(γk,1+γk,2)+Eq(logf(Xi|θzi,k*))+Σj<k(ψ(γj,2)-ψ(γj,1+γj,2)))]]>其中的取值如下：Eq(logf(Xi|θzi,k*))=(-D2log2π+12(Σdψ(ak+1-d2)+Dlog2+log|Bk|)-12((Xi-vuk)akBk(Xi-vuk)+ak*tr(Bk))-log2πe)]]>D為關(guān)鍵點(diǎn)特征維數(shù)，e為自然常數(shù)，ψ()為伽馬函數(shù)的二階導(dǎo)數(shù)。是參數(shù)為的高斯分布，包含兩個(gè)參數(shù)，分別是均值向量和方差矩陣；③-4、觀察的變化情況，若該值不變，則停止更新，否則轉(zhuǎn)③-2重新計(jì)算，當(dāng)停止更新時(shí)，記住此時(shí)的變分后驗(yàn)概率參數(shù)γk,1,γk,2，對(duì)于對(duì)應(yīng)的所有N個(gè)樣本，用狄利克雷混合模型估算得出N個(gè)樣本所屬類別，并將不同的類別數(shù)為記為H，然后將H個(gè)不同的類別記為視覺詞典；③-5、對(duì)于每個(gè)關(guān)鍵點(diǎn)特征Xi，使用訓(xùn)練得到的估算Xi屬于每個(gè)類別的后驗(yàn)概率：φzi,k=exp(ψ(γk,1)-ψ(γk,1+γk,2)+Eq(logf(Xi|θzi,k*))+Σj<k(ψ(γj,2)-ψ(γj,1+γj,2)))]]>Eq(logf(Xi|θzi,k*))=(-D2log2π+12(Σdψ(ak+1-d2)+Dlog2+log|Bk|)-12((Xi-vk)akBk(Xi-vk)+a*tr(Bk))-log2πe)]]>③-6、找到當(dāng)前關(guān)鍵點(diǎn)特征Xi在視覺詞典中所屬的視覺單詞wi，估算公式如下：wi=argmaxkφzi,k]]>在該編碼中，找到使得最大的k值將其作為當(dāng)前關(guān)鍵點(diǎn)特征Xi在視覺詞典中的視覺單詞wi，將其作為當(dāng)前關(guān)鍵點(diǎn)特征Xi所屬的視覺單詞；③-7、對(duì)于每幅水質(zhì)圖像，首先使用圖像金字塔得到所有的關(guān)鍵點(diǎn)，然后得到每個(gè)關(guān)鍵點(diǎn)的35維特征向量，重復(fù)步驟③-5、③-6得到所有關(guān)鍵點(diǎn)屬于詞典中的哪個(gè)視覺單詞，形成水質(zhì)圖像的視覺詞包；④-1、輸入每一副圖像的視覺詞包，將其記為r，以及對(duì)應(yīng)的水質(zhì)圖像類別標(biāo)簽，將其記為C；④-2、在監(jiān)督型主題模型中，使用變分方法學(xué)習(xí)得到監(jiān)督型主題模型；⑤-1、將攝像頭采集的水質(zhì)圖像進(jìn)行特征提取，得到圖像的每個(gè)關(guān)鍵點(diǎn)特征Xi的特征向量；⑤-2、對(duì)于每個(gè)關(guān)鍵點(diǎn)特征Xi，估算Xi屬于每個(gè)類別的概率：φzi,k=exp(ψ(γk,1)-ψ(γk,1+γk,2)+Eq(logf(Xi|θzi,k*))+Σj<k(ψ(γj,2)-ψ(γj,1+γj,2)))]]>其中的取值如下：Eq(logf(Xi|θzi,k*))=(-D2log2π+12(Σdψ(ak+1-d2)+Dlog2+log|Bk|)-12((Xi-vk)akBk(Xi-vk)+a*tr(Bk))-log2πe)]]>然后計(jì)算當(dāng)前關(guān)鍵點(diǎn)特征Xi在視覺詞典中所屬的視覺單詞wi，估算公式如下：wi=argmaxkφzi,k]]>對(duì)當(dāng)前水質(zhì)圖像的所有關(guān)鍵點(diǎn)特征Xi，計(jì)算其所屬視覺單詞wi，然后形成圖像詞包；⑤-3、將該幅水質(zhì)圖像的圖像詞包代入訓(xùn)練后的監(jiān)督型主題模型中，得到類別標(biāo)簽。上述實(shí)施例中，監(jiān)督型主題模型及如何通過變分方法學(xué)習(xí)得到訓(xùn)練后的監(jiān)督型主題模型，采用現(xiàn)有技術(shù)《WangC,BleiD,LiFF.Simultaneousimageclassificationandannotation[C]//IEEEConferenceonComputerVision&PatternRecognition.2009:1903-1910.)》中的方法。當(dāng)前第1頁(yè)1 2 3