申请/专利权人：浙江理工大学

申请日：2023-11-14

公开（公告）日：2024-02-20

公开（公告）号：CN117576452A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/40

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.08#实质审查的生效;2024.02.20#公开

摘要：本发明基于正则化改进3E‑LDA的织物图像分类方法：S1、采集织物图像数据集；S2、对织物图像的特征数据进行降维，生成织物图像样本集；S3、对每张织物图像添加类别标签；S4、将样本集按类别分为各个子样本集；S5、将样本集和原始标签按预设的比例进行划分；S6、计算类加权中值；S7、计算类内散点矩阵；S8、对类内散点矩阵通过正则化处理；S9、重新设计类间散点矩阵；S10、计算目标函数；S11、如果类内散点矩阵的秩等于样本维数，计算出最优判别特征矩阵；S12、如果类内散点矩阵的秩小于样本维数，计算出最优判别矩阵；S13、得到的训练矩阵和测试矩阵分别得到的最优判别矩阵相乘得到更新后的训练样本和测试样本；S14、根据训练样本和测试样本计算分类准确率。

主权项：1.基于正则化改进3E-LDA的织物图像分类方法，其特征是包括如下步骤：S1、采集织物图像数据集；S2、对织物图像的特征数据进行降维，生成织物图像样本集；S3、对每张织物图像添加类别标签，样本集的原始标签定义为：L0∈Rn×1；S4、假设织物图像样本共有C个类别，将步骤S2中的样本集按类别分为各个子样本集；S5、将样本集和原始标签L0按预设的比例τ进行划分，分别得到训练矩阵、训练标签和测试矩阵、测试标签；S6、根据步骤S5中得到的训练矩阵Xtrain计算类加权中值S7、根据步骤S6计算得到的类加权中值计算类内散点矩阵Siω；S8、对类内散点矩阵通过正则化处理；S9、重新设计类间散点矩阵Sib；S10、计算目标函数Jq；S11、如果类内散点矩阵Siω的秩r等于样本维数m，则根据步骤S10中的目标函数求导计算极值，计算出最优判别特征矩阵q；S12、如果类内散点矩阵Siω的秩r小于样本维数m，则采用零空间法进行求解，计算出最优判别矩阵q；S13、根据步骤S5中得到的训练矩阵Xtrain、测试矩阵Xtest分别和步骤S12计算得到的最优判别矩阵q相乘得到更新后的训练样本Ytrain、测试样本Ytest；S14、根据步骤S13得到的训练样本Ytrain和测试样本Ytest采用最近邻分类计算分类准确率。

全文数据：

权利要求：

百度查询： 浙江理工大学 基于正则化改进3E-LDA的织物图像分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD