国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種水質(zhì)圖像分類方法與流程

      文檔序號(hào):12365662閱讀:539來(lái)源:國(guó)知局
      一種水質(zhì)圖像分類方法與流程
      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 
      當(dāng)前第1頁(yè)1 2 3 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1