CN109740692A - 一种基于主成分分析的逻辑斯蒂回归的目标归类方法 - Google Patents

Abstract

本发明涉及基于主成分分析的逻辑斯蒂回归的目标归类方法属于图片处理与模式识别领域，其特征在于采用如下步骤：(1)确定颜色矩特征；(2)确定纹理特征参数；(3)确定特征参数相关系数矩阵；(4)确定输入特征向量；(5)将上一步骤得到的特征向量作为逻辑斯蒂回归模型的输入，建立逻辑斯蒂回归模型进行训练，实现不同训练样本的归类。本发明用主成分分析的方法对样本集的特征向量进行了降维，将其作为逻辑斯蒂回归的输入特征向量进行模型训练，不需要进行复杂的算法流程实现目标归类，该归类方法可以在保证分类准确的基础上提高了模型的稳定性和高效性，提供了准确、稳定的归类方法。

Description

一种基于主成分分析的逻辑斯蒂回归的目标归类方法

技术领域

本发明涉及图片处理与模式识别领域，主要是一种对图片目标进行归类的方法。

背景技术

目前针对图片目标的归类问题，大多数技术鲁棒性较差，不稳定，对不同种类的物体适应性不强，而且分类速度较慢。有些技术虽然可以达到较高的稳定性，却需要经过一系列复杂的算法流程，运行速度较慢。以果蔬归类为例，在对其进行归类的时候，一些技术将颜色和纹理进行特征融合，通过基于小波变换子带的统计和共现特征最小距离分类器进行归类，或者利用八邻域分析方法提取目标联通区域边缘并标记，将颜色特征参数和形状特征参数与原实物的标准参数进行对比来归类。这样虽然可以达到较高的稳定性，但是在一定程度上降低了实用性，而且不能满足高效分类的要求。此外，在提取目标特征的时候，一般是在提取特征以后，需要对这些特征进行相关性分析，找到最能代表字符的特征，去掉对分类无关的特征。然而，这些特征的提取过于依赖人的经验和主观意识，提取到的特征的不同分类性能影响很大，甚至提取的特征的顺序也会影响最后的分类性能。同时，图像预处理的好坏也会影响到提取的特征。

目前，图片中的目标归类技术往往与经济和商业相联系，投入使用的技术必须保证有较高的鲁棒性和高效性，因为如果技术不稳定，可能会导致目标归类错误率升高。归类速度不够快，可能会降低目标归类效率。这可能会引发一系列的商业问题，甚至带来经济损失。因此在研究和开发的过程中，为了避免一系列问题的出现，必须建立一种可靠、高效的目标归类模型，使得模型在对目标进行归类的时候，同时满足较好的高效性和较强的鲁棒性，达到经济和商业等领域中对目标归类技术的要求，从而节约时间、金钱，提高效率。

发明内容

针对上述现有技术中存在的问题，本发明要解决的技术问题是提供一种高效、稳定的图片目标归类方法，其具体流程如图1所示。

技术方案实施步骤如下：

(1)确定样本集，提取样本集中的目标颜色特征，确定目标在RGB和HSV颜色空间模型下R、G、B、H、S分量的颜色矩特征X_iJ(X＝R、G、B、S、H，J＝1，2，3)：

式中，P_ij表示RGB图像中第i个颜色通道分量中灰度j的像素出现的概率，X_i1表示颜色的一阶矩，X_i2表示颜色的二阶矩，X_i3表示颜色的三阶矩，N表示图像中像素个数。

(2)确定目标的纹理特征参数能量L₁、对比度L₂、相关性L₃、熵L₄：

式中，P(i，j)表示RGB图像中第i个颜色通道分量中灰度j的像素出现的概率，lb为二进制对数，

N为灰度级数。

(3)确定特征参数的相关系数矩阵H：

(4)确定输入特征向量X(x₁，x₂，...，x_n)：

根据特征参数的相关系数矩阵，利用主成分分析法对提取的特征参数进行降维，得到逻辑斯蒂回归模型的输入特征向量X(x₁，x₂，...，x_n)。

(5)将上一步骤得到的特征向量X(x₁，x₂，...，x_n)作为逻辑斯蒂回归模型的输入，建立逻辑斯蒂回归模型进行训练，实现不同训练样本的归类。原则如下：

式中，w₀，w₁，...，w_n分别为输入特征向量x₁，x₂，...，x_n的权重。

(6)将测试集样本作为输入，送到模型中进行分类，得到分类结果，完成基于主成分分析的逻辑斯蒂回归的目标归类。

本发明比现有技术具有的优点：

(1)本发明采用了将主成分分析和逻辑斯蒂回归组合的方式，用主成分分析的方法对样本集的特征向量进行了降维，将其作为逻辑斯蒂回归的输入特征向量进行模型训练，实现了目标归类。

(2)本发明不需要进行复杂的算法流程，只需要对目标进行特征提取并利用主成分分析进行降维，简化了繁琐的预处理流程。

(3)本发明对多组数据进行实验，实验结果与现有技术相比都取得了比较明显的优势，并且数据结果相对稳定。这说明本发明在保证了分类准确的基础上提高了模型的稳定性和高效性，能够更好的完成图片目标归类任务。

为了更好地理解本发明，下面结合附图作进一步的说明。

图1是建立基于主成分分析的逻辑斯蒂回归的目标归类模型的步骤流程图；

图2是建立基于主成分分析的逻辑斯蒂回归的目标归类模型的算法流程图；

图3是多种模型的归类准确率对比；

图4是多种模型的运行时间对比；

具体实施方案

下面通过实施案例对本发明作进一步详细说明。

以果蔬归类为例，选用的数据集中包括苹果、香蕉、菠萝、刀豆、香菇等15种常见果蔬，每个种类280张图片，共有42000个样本。其中3000张作为训练集，1200张作为测试集。

本发明所提供的目标归类方法整体流程如图1所示，具体步骤如下：

(1)确定样本集，提取样本集中的目标颜色特征，确定目标在RGB和HSV颜色空间模型下R、G、B、H、S分量的颜色矩特征X_iJ(X＝R、G、B、S、H，J＝1，2，3)：

式中，P_ij表示RGB图像中第i个颜色通道分量中灰度j的像素出现的概率，X_i1表示颜色的一阶矩，X_i2表示颜色的二阶矩，X_i3表示颜色的三阶矩，N表示图像中像素个数。

(2)确定目标的纹理特征参数能量L₁、对比度L₂、相关性L₃、熵L₄：

式中，P(i，j)表示RGB图像中第i个颜色通道分量中灰度j的像素出现的概率，lb为二进制对数，

N为灰度级数。在本例中，采用σ＝1，灰度级N为8，θ分别为0°，45°，90°，135°，180°，可得到20个纹理特征。

(3)确定特征参数的相关系数矩阵H：

本例中共提取了35个特征参数，其中包括15个颜色特征参数，20个纹理特征参数。

(4)确定输入特征向量X(x₁，x₂，...，x_n)：

根据特征参数的相关系数矩阵，利用主成分分析法对提取的特征参数进行降维，最终得到逻辑斯蒂回归模型的输入特征向量X(x₁，x₂，...，x₁₅)，即最终选取的输入特征向量维数为15。

(5)将上一步骤得到的特征向量X(x₁，x₂，...，x₁₅)作为逻辑斯蒂回归模型的输入，建立逻辑斯蒂回归模型进行训练，实现不同训练样本的归类。原则如下：

式中，w₁，w₂，...，w_n分别为输入特征向量x₁，x₂，...，x_n的权重。

(6)将测试集样本作为输入，送到模型中进行分类，得到分类结果，完成基于主成分分析的逻辑斯蒂回归的目标归类。

为了验证本发明对图片目标归类的准确性，对本发明进行了多组目标归类仿真实验，并将结果与一些图片目标归类的模型算法进行了对比，仿真结果如表1所示。由仿真结果可以看出，本发明所建立的图片目标归类方法不用经过复杂的预处理就能达到较高的准确率，并且在保证不降低准确率的情况下，具有较好的稳定性。

表1多种模型实验结果对比

实验方法	识别准确率(％)	运行时间(s)
			基于Gabor小波和SVM的目标归类方法	88.6	0.087
自适应假近邻方法优化卷积神经网络的目标归类方法	93.2	0.053
			基于主成分分析和距离集成的目标归类方法	94.7	0.035
本发明	98.50	0.009

由仿真结果表1可知，在使用同样数据集的情况下，本发明对目标归类的准确率可以达到98.5％。与其他三种方法相比，具有更高的准确率和稳定性。同时，模型的运行时间最短，这说明本发明的目标归类用时最短，效率最高。这表明本发明建立的目标归类方法是可靠的、高效的，为建立高效的图片目标归类模型提供了有效的方法。

Claims (1)

1.基于主成分分析的逻辑斯蒂回归的目标归类方法，其具体归类步骤如下：

(1)确定样本集，提取样本集中的目标颜色特征，确定目标在RGB和HSV颜色空间模型下R、G、B、H、S分量的颜色矩特征X_iJ(X＝R、G、B、S、H，J＝1，2，3)：

式中，P_ij表示RGB图像中第i个颜色通道分量中灰度j的像素出现的概率，X_i1表示颜色的一阶矩，X_i2表示颜色的二阶矩，X_i3表示颜色的三阶矩，N表示图像中像素个数；

(2)确定目标的纹理特征参数能量L₁、对比度L₂、相关性L₃、熵L₄：

式中，P(i，j)表示RGB图像中第i个颜色通道分量中灰度j的像素出现的概率，lb为二进制对数，

N为灰度级数；

(3)确定特征参数的相关系数矩阵H：

(4)确定输入特征向量X(x₁，x₂，...，x_n)：

根据特征参数的相关系数矩阵，利用主成分分析法对提取的特征参数进行降维，得到逻辑斯蒂回归模型的输入特征向量X(x₁，x₂，...，x_n)；

(5)将上一步骤得到的特征向量X(x₁，x₂，...，x_n)作为逻辑斯蒂回归模型的输入，建立逻辑斯蒂回归模型进行训练，实现不同训练样本的归类，原则如下：

式中，ω₀，ω₁，...，ω_n分别为输入特征向量x₁，x₂，...，x_n的权重；

(6)将测试集样本作为输入，送到模型中进行分类，得到分类结果，完成基于主成分分析的逻辑斯蒂回归的目标归类。