CN113129269A - 一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法 - Google Patents

Abstract

本发明提出了一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法，用Gabor滤波器和灰度运行长度提取的图像纹理特征，提出了一种七步变量选择策略，并在108个特征分量上加以应用，使用提供的1000个图像样本，自动选择重要变量来构建集成分类器，以便对混凝土表面空洞进行准确分类；本发明选的变量支持比已有方法更高的可解释性，以及在集成分类方面更高的分类精度。

Description

一种从图像纹理特征中选择变量实现混凝土表面空洞的自动 分类方法

技术领域

本发明属于机械学习，具体地，涉及一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法。

背景技术

机器学习在计算智能中扮演着重要的角色，在许多工程领域得到了广泛的应用。表面空洞或虫洞是混凝土表面最严重的缺陷之一，它是由困住的气泡迁移到新混凝土和模板之间的界面而产生的。从视觉上看，它们对应于去除模板过程后混凝土表面散落的小坑和坑。由于表面孔洞的存在，导致了很多缺陷。混凝土表面一定数量的虫洞会给人留下不美观的印象。由于表面空洞，内部的钢筋可能会暴露和腐蚀。过多的空隙会降低纤维增强塑料材料应用于混凝土表面的附着力。由于表面空隙中盐的积累，钢筋混凝土结构可能会发生过早的退化。浇筑过程后，混凝土表面经常出现表面空洞或虫洞，使相应的人工检查费时、费钱、劳动强度大且不一致。为了更好地对混凝土表面进行检测，需要对混凝土缺陷进行自动分类。

传统的表面空洞分类方法是基于人工检查混凝土表面或人工比较混凝土表面和参考样品的一套标准表面照片。这种方法不仅费时费钱，而且劳动密集，前后不一致。因此，表面孔洞自动识别方法成为混凝土表面检测结果评价的主流方法，具有时间成本低、成本低、技术密集型、客观等优点。

为了得到更好的混凝土表面评价，基于图像处理技术和机器学习方法，对于混凝土表面空隙的分类，主要有三种自动分类方法：第一种方法为对混凝土表面康熙进行图像阈值化或滤波；第二种是采用与混凝土表面卷积的空间点滤波器来检测表面的空隙；第三种是采用形态学滤波器增强图像对比度，提供了混凝土表面空隙的优化分割结果。虽然这些方法可以快速获得混凝土表面空洞的区域或边缘，但分类结果的准确性仍然受到非均匀混凝土表面背景的复杂性和光照条件的变化的限制。

因为纹理对光照的不敏感性，目前的研究主要转向从混凝土表面图像中提取纹理特征，用不同的分类器来判别混凝土表面是否存在虫洞，采用Gabor滤波器和灰度级运行长度，从混凝土表面生成108维纹理特征。此外，利用线性种群缩减的自适应差分进化算法优化参数的支持向量机(SVM)将混凝土表面图像分为有表面空洞和无表面空洞两类。

考虑基于深度学习的卷积神经网络CNN来提高虫洞分类的准确性，CNN在准确识别混凝土表面空洞方面具有很大的能力。然而，训练一个CNN往往需要大量的训练图像，计算开销也很大，并且CNN模型通常对分类结果缺乏解释，为了体现漏洞分类的可解释性和高准确性之间的折衷，传统的方法在分类器前提出特征选择的方法将被重新检验。

发明内容

本发明为了解决上述问题，提出了一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法，使用累积投票策略选择作为108维纹理特征分量的变量，然后对选取的变量集合分类，区分出有空洞和没有空洞的混凝土表面图像，所选的变量支持比已有方法更高的可解释性，以及在集成分类方面更高的分类精度。

本发明是通过以下方法实现的：

一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法：所述方法包括以下步骤：

步骤A：利用Gabor滤波和灰度跑长法进行相关纹理特征的提取；

步骤B：使用累积投票策略进行变量选择，所述变量为步骤A所提取的相关纹理特征的108个分量；制定评价指标，对所选变量进行评估，得到变量的分类结果，区分出有空洞和没有空洞的混凝土表面图像。

进一步地、所述步骤A具体包括：

Gabor滤波：因为表面空洞被认为是具有规则纹理的混凝土表面的异常区域，所以使用Gabor滤波进行纹理识别，对称Gabor滤波的响应g为：

其中，u₀表示Gabor滤波器在x轴上响应最强烈的频率，σ_x和σ_y分别为沿x轴和y轴的空间尺度系数；

所述频率变换G(u,v)为：

其中，σ_u和σ_v分别表示为，σ_u＝(1/2)πσ_x，σ_v＝(1/2)πσ_y和A＝2πσ_xσ_y；

指定Gabor滤波器的调谐参数来识别纹理，所述参数包括方向角和径向频率；

所述方向角为0°或45°或90°或135°；

所述径向频率为

或

或

或

……，其中，N_w为像素数，其值为2的幂；

灰度跑长法：所述灰度跑长法为从参考点到特定方向上的灰度强度像素模式；

给定图像中的方向，方向角为0°或45°或90°或135°，灰度级的run-length组成的p(i,j)游程矩阵，利用数据统计来描述图像中的纹理，所述数据包括短期重点SRE、长期重点LRE,灰度不均匀性GLN、扫描宽度不均匀性RLN、运行百分比RP、低灰度重点LGRE运行、运行的高灰度HGRE、强调短期的低灰度强调SRLGE、短期内的高灰度强调SRHGE、长期的低灰度强调LRLGE和长期的高灰度强调LRHGE；

其中，M和N_p分别表示灰度级和像素数，N_r和M分别表示总跑数和最大跑长；

使用0°、45°、90°和135°四个方向角，以及

和

四个径向频率，得到16幅滤波后的图像，对所述16幅滤波后的图像分别计算代表Gabor滤波响应的均值、标准差、偏度和熵：

其中，GFR(i,j)为像素处的Gabor滤波器响应(i,j)；H和W分别为图像的高度和宽度；FOH是Gabor滤波器响应的一阶直方图；即Gabor滤波得到了纹理特征的64个分量；

对于灰度游程长度，所述11个数据统计数据中的4个方向0°、45°、90°和135°表示为纹理特征的44个分量；共同构成了用于表面空隙分类的108维纹理特征；所提取的特征完全用于将混凝土表面图像分类为有表面空洞和没有表面空洞的图像。

进一步地、所述步骤B具体包括：

使用变量选择策略对步骤A中108个分量进行选择，所述变量选择策略分为以下七个步骤；

步骤一：随机划分有或没有虫洞的混凝土表面图像的样本，即随机抽90％的样本组成训练组；剩余10％的样本组成一个测试组；

步骤二：分配基分类器：从支持向量机SVM、决策树分类器DTC、k近邻分类器kNN、线性判别分析LDA、逻辑回归LR、多层感知器MLP和朴素贝叶斯NB，7个基分类器中自动分配基分类器；在每一轮k中，随机抽取所述训练组中70％的训练样本来训练108维纹理特征中的每个基分类器，训练组中剩余30％的样本用于计算分类错误率Err_k：

其中，TP,TN,FP和FN分别表示真阳性、真阴性、假阳性和假阴性的数目；阳性样品指表面有空洞的图像；负样本对应表面没有空洞的图像；保持最低分类错误率的基分类器在这一轮自动分配；

步骤三：积分积累：在按轮自动分配基分类器后执行排列k；对于每个变量，只对剩余30％样本的分量值进行一次性排列，对应的分类错误率表示为Err_k ⁰(c)，所以表示变量重要性的分数表示为：

score_k(c)＝Err_k ⁰(c)-Err_k，

经过重新抽样、训练和评分后，变量的累积得分表示为：

步骤四：重新排序，绘制二维散点图，所述散点图的x轴和y轴分别对应变量指标和累积分数；如果所有变量的累积得分都低，则在以下步骤中使用聚类方法选择所有变量，但不使用显著变量；

步骤五：集成分类，按照步骤三中累积得分由高到低的顺序增加变量，进行轮次重采样和训练，建立各维度的集成分类器；在每一轮重采样中，训练出分类错误率最低的基分类器；所述重采样包含108维纹理特征，并每次添加一个保持低累积分数的变量；

步骤六：变量选择，在108维纹理特征的每个维度上，将建立的集成分类器用于测试样本，计算精度为：

得到折线图，其中x轴和y轴分别于各变量指标由高到低依次对应，并在不同维度上对立；因此在保持维数不变的情况下，建立维数阈值Accs；

步骤七：制定评价指标，使用三种定量测量方法，对所选变量的有效性进行评估，

本发明有益效果

(1)本发明提出了一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法，基于变量选择的具体图像表面空洞自动分类，使用一种累积投票策略选择作为108维纹理特征分量的变量，然后对选取的变量进行集合分类，区分出有虫洞和没有空洞的混凝土表面图像。所选变量支持更好的可解释性。在集成分类方面，它提供了较高的分类精度；

(2)本发明提出了一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法，基于变量选择的策略来追求特征的可解释性，并设计了自动集成分类来提高虫洞分类的精度。在具体的表面图像中提取了由Gabor滤波器和灰度运行长度衍生的纹理特征。可解释变量也是特征的组成部分，根据提出的累积投票策略进行选择。提供一种自动分配其基分类器的集成分类器，以检测图像中是否存在表面空洞。在1000个图像样本上的实验结果表明了该方法的有效性，具有较好的预测精度和模型的可解释性。

附图说明

图1为本发明的变量选择策略框架；

图2为本发明的采集样本，其中(A)为非表面空洞，(B)为表面空洞；

图3为本发明在一次样本划分过程中，经过10000轮重采样和基分类器选择步骤训练后所选基分类器所占比例的pan图；

图4为本发明在一次性样本划分过程中累积的分数(即变量重要性)和相应的变量的散点图；

图5为本发明在一次样本划分过程中，不同维度的准确率以及相应变量按累积得分降序重新排序的折线图；

图6为本发明的一次样本划分的实验结果图，其中(A)为20个变量的实验结果，(B)为第21个变量到第108个变量，在20个维度上进行1000轮随机变量选择的实验结果，(C)为108个成分中20个维度1000轮随机变量选取的实验结果(D)为所有108个变量的实验结果；

图7为本发明的实验结果标记图；

图8为本发明的污点合奏中情节比较分类结果图；

图9为本发明的20轮样本分割中选择的每个变量的计数直方图。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法：所述方法包括以下步骤：

步骤A：因为纹理特征对光照不敏感，所以使用Gabor滤波和灰度跑长法进行相关纹理特征的提取；

步骤B：使用一种累积投票策略进行变量选择，所述变量为步骤A所提取的相关纹理特征的108个分量；制定评价指标，对所选变量进行评估，得到变量的分类结果，区分出有空洞和没有空洞的混凝土表面图像。

进一步地、所述步骤A具体包括：

Gabor滤波：因为表面空洞被认为是具有规则纹理的混凝土表面的异常区域，所以使用Gabor滤波进行纹理识别，对称Gabor滤波的响应g为：

其中，u₀表示Gabor滤波器在x轴上响应最强烈的频率，σ_x和σ_y分别为沿x轴和y轴的空间尺度系数；

所述频率变换G(u,v)为：

其中，σ_u和σ_v分别表示为，σ_u＝(1/2)πσ_x，σ_v＝(1/2)πσ_y和A＝2πσ_xσ_y；

指定Gabor滤波器的调谐参数来识别纹理，所述参数包括方向角和径向频率；

所述方向角可以为0°或45°或90°或135°；

所述径向频率可以为

或

或

或

……，其中，N_w为像素数，其值为2的幂；

灰度跑长法：所述灰度跑长法为从参考点到特定方向上的灰度强度像素模式；

给定图像中的方向，如0°或45°或90°或135°，灰度级的run-length组成的p(i,j)游程矩阵，利用数据统计来描述图像中的纹理，所述数据包括短期重点SRE、长期重点LRE,灰度不均匀性GLN、扫描宽度不均匀性RLN、运行百分比RP、低灰度重点LGRE运行、运行的高灰度HGRE、强调短期的低灰度强调SRLGE、短期内的高灰度强调SRHGE、长期的低灰度强调LRLGE和长期的高灰度强调LRHGE；

其中，M和N_p分别表示灰度级和像素数，N_r和M分别表示总跑数和最大跑长；

使用0°、45°、90°和135°四个方向角，以及

和

四个径向频率，得到16幅滤波后的图像，对所述16幅滤波后的图像分别计算代表Gabor滤波响应的均值、标准差、偏度和熵：

其中，GFR(i,j)为像素处的Gabor滤波器响应(i,j)；H和W分别为图像的高度和宽度；FOH是Gabor滤波器响应的一阶直方图；即Gabor滤波得到了纹理特征的64个分量；

对于灰度游程长度，所述11个数据统计数据中的4个方向0°、45°、90°和135°表示为纹理特征的44个分量；共同构成了用于表面空隙分类的108维纹理特征；所提取的特征完全用于将混凝土表面图像分类为有表面空洞和没有表面空洞的图像。

进一步地、所述步骤B具体包括：

使用变量选择策略对步骤A中108个分量进行选择，所述变量选择策略分为以下七个步骤；

步骤一：随机划分有或没有虫洞的混凝土表面图像的样本，即随机抽90％的样本组成训练组；剩余10％的样本组成一个测试组；

步骤二：分配基分类器：从支持向量机SVM、决策树分类器DTC、k近邻分类器kNN、线性判别分析LDA、逻辑回归LR、多层感知器MLP和朴素贝叶斯NB，7个基分类器中自动分配基分类器；在每一轮k中，随机抽取所述训练组中70％的训练样本来训练108维纹理特征中的每个基分类器，训练组中剩余30％的样本用于计算分类错误率Err_k：

其中，TP,TN,FP和FN分别表示真阳性、真阴性、假阳性和假阴性的数目；阳性样品指表面有空洞的图像；负样本对应表面没有空洞的图像；保持最低分类错误率的基分类器在这一轮自动分配；

步骤三：积分积累：在按轮自动分配基分类器后执行排列k；对于每个变量，只对剩余30％样本的分量值进行一次性排列，对应的分类错误率表示为Err_k ⁰(c)，所以表示变量重要性的分数表示为：

score_k(c)＝Err_k ⁰(c)-Err_k，

经过重新抽样、训练和评分后，变量的累积得分表示为：

步骤四：重新排序，绘制二维散点图，所述散点图的x轴和y轴分别对应变量指标和累积分数；如果所有变量的累积得分都低，则在以下步骤中使用聚类方法选择所有变量，但不使用显著变量；

步骤五：集成分类，按照步骤三中累积得分由高到低的顺序增加变量，进行轮次重采样和训练，建立各维度的集成分类器；在每一轮重采样中，训练出分类错误率最低的基分类器；所述重采样包含108维纹理特征，并每次添加一个保持低累积分数的变量；

步骤六：变量选择，在108维纹理特征的每个维度上，将建立的集成分类器用于测试样本，计算精度为：

得到折线图，其中x轴和y轴分别于各变量指标由高到低依次对应，并在不同维度上对立；因此在保持维数不变的情况下，建立维数阈值Accs；

步骤七：制定评价指标，使用三种定量测量方法，对所选变量的有效性进行评估，

实施例

从github的存储库(https://github.com/NhatDucHoang/L-SHADE-SVM-SVD)下载1000张捕捉混凝土结构纹理的图像样本，这1000张图像包括500张有表面空洞的正片和500张没有表面空洞的负片，每一张都保持像素大小，如图2。

从每张图像中提取出108维特征。对来自图像的每个特征进行Z-score归一化。然后，对1000个样本进行随机分组。随机抽取90％的样本作为模型构建的训练组，剩下的10％作为模型性能评估的测试组。为了减少随机抽样对预测能力评价的影响，进行了20次样本划分。

基分类器选择结果在每一次的样本划分中，要进行10000轮的重采样和训练。在每一轮中，一个保持最低分类错误率的基分类器被自动分配。使用了7个基本分类器的默认参数。经过10000轮之后，所选基分类器的比例如图3所示

LR被自动选择了4722次。在10000轮基分类器的自动选择中，kNN和SVM分别以27.06％和25.58％位列第二和第三。DTC、MLP、LDA和NB按降序自动选择，其选择次数保持为个位数。实验结果表明，LR、kNN和SVM是在108维特征空间中区分阳性样本和阴性样本的合适分类器。

分数累积和变量排序结果。对每一轮选择的基分类器，对108维特征的每个变量进行一次性排列，并计算出该变量的重要性得分。在每一轮的重采样、训练和评分中，每个变量的得分都是累计的。积累在10000轮后结束。然后，将108个变量按照其累积得分降序排序。如图4所示，总分均较低，最高为0.008分。在这种情况下，必须考虑所有的变量。

集成分类和变量选择结果。对所有变量都采取增量策略。即一个一个地添加变量，按照重要性由高到低的顺序，从一个维度建立到108个维度的特征。在每个维度上，经过1000轮的重采样和训练，构建一个集成分类器。然后，将建立的集成分类器应用于10％的独立样本进行测试。因此，每个维度的精度得到如图5所示。即，以x轴和y轴降序表示变量，用不同维度的方程计算相应的精度，得到折线图。从图5中可以看出，有效分类具体图像表面空洞的特征，是前20个累积得分递减的变量组成的20维特征，与有108个分量的特征相当。

所选变量的分类结果。为了说明所选20个变量的有效性，实验如图6所示。图6中的A、B、C、D分别说明了选取的20个变量、从第21至第108个分量中提取的任意20个变量、从108个分量中提取的任意20个变量和全部108个变量的分类精度。可以看出，所选20个变量在每轮重采样中，在30％的左侧样本上均保持较高的平均精度，即0.9114，在10％的独立样本上均保持较高的平均精度，即0.94。

如图6:选取20个变量进行一次样本划分的实验对比结果红色实线表示在每一轮的重采样中，基分类器在30％的测试样本上的准确性。下方虚线表示对应的1000轮重采样的平均精度值；上方虚线表示10％的独立测试样本的准确性；

A对应所选20个变量的实验结果；B为从第21个变量到第108个变量，在20个维度上进行1000轮随机变量选择的实验结果；C是108个成分中20个维度1000轮随机变量选取的实验结果；D说明了所有108个变量的实验结果。

如图7所示，其中I、II、III、IV分别对应图6中A、B、C、D所示的实验结果，中间线表示中值。可以看出，选取的20个变量在较高的水平上可以获得更稳定的精度。

20轮样本划分后的分类结果。为了减小随机样本选择对评估预测能力的影响，将图1所示的整个过程重复20次。实验结果为图1和图8，图8中(I)为使用选定的20个变量,(II)为使用108维特性,(III)L-SHADE-SVM-SVD使用所有108维特性和(IV)L-SHADE-SVM-SVD只使用第一个64组件；中间线表示中值；

通过图1和图8，能够看出，采用本发明的变量选择策略选择的20个变量在图像间混凝土表面空洞的自动分类中获得了较好的分类结果。

如表1所示，本发明提出的方法对108个变量的精度、精密度和f1测量平均值均保持最高。同时对所选20个变量的方法保持了最高的查全均值和其他可比较的值。然而，使用所有108个变量的L-SHADE-SVM-SVD保持了大多数最低的标准差。如图8所示。

TABLE 1:Prediction result comparison on the independent testing sets

表1

通过在每个组件上添加一个点来记录所选的20个变量。经过20次样本划分，得到代表每个变量计数的直方图，如图9所示。计数越多的变量对分类结果的解释越好。可以看出，108个分量中重要变量集中在前64个分量中。

以上对本发明所提出的一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法，进行了详细介绍，本文中应用了数值模拟算例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法，其特征在于，所述方法包括以下步骤：

步骤A：利用Gabor滤波和灰度跑长法进行相关纹理特征的提取；

步骤B：使用累积投票策略进行变量选择，所述变量为步骤A所提取的相关纹理特征的108个分量；制定评价指标，对所选变量进行评估，得到变量的分类结果，区分出有空洞和没有空洞的混凝土表面图像。

2.根据权利要求1所述方法，其特征在于：所述步骤A具体包括：

Gabor滤波：因为表面空洞被认为是具有规则纹理的混凝土表面的异常区域，所以使用Gabor滤波进行纹理识别，对称Gabor滤波的响应g为：

其中，u₀表示Gabor滤波器在x轴上响应最强烈的频率，σ_x和σ_y分别为沿x轴和y轴的空间尺度系数；

所述频率变换G(u,v)为：

其中，σ_u和σ_v分别表示为，σ_u＝(1/2)πσ_x，σ_v＝(1/2)πσ_y和A＝2πσ_xσ_y；

指定Gabor滤波器的调谐参数来识别纹理，所述调谐参数包括方向角和径向频率；

所述方向角为0°或45°或90°或135°；

所述径向频率为

或

或

或

其中，N_w为像素数，其值为2的幂；

灰度跑长法：所述灰度跑长法为从参考点到特定方向上的灰度强度像素模式；

给定图像中的方向，方向角为0°或45°或90°或135°，灰度级的run-length组成的p(i,j)游程矩阵，利用数据统计来描述图像中的纹理，所述数据包括短期重点SRE、长期重点LRE、灰度不均匀性GLN、扫描宽度不均匀性RLN、运行百分比RP、低灰度重点LGRE运行、运行的高灰度HGRE、强调短期的低灰度强调SRLGE、短期内的高灰度强调SRHGE、长期的低灰度强调LRLGE和长期的高灰度强调LRHGE；

其中，M和N_p分别表示灰度级和像素数，N_r和M分别表示总跑数和最大跑长；

使用0°、45°、90°和135°四个方向角，以及

和

四个径向频率，得到16幅滤波后的图像，对所述16幅滤波后的图像分别计算代表Gabor滤波响应的均值、标准差、偏度和熵：

其中，GFR(i,j)为像素处的Gabor滤波器响应(i,j)；H和W分别为图像的高度和宽度；FOH是Gabor滤波器响应的一阶直方图；即Gabor滤波得到了纹理特征的64个分量；

对于灰度游程长度，所述11个数据统计数据中的4个方向0°、45°、90°和135°表示为纹理特征的44个分量；共同构成了用于表面空隙分类的108维纹理特征；所提取的特征完全用于将混凝土表面图像分类为有表面空洞和没有表面空洞的图像。

3.根据权利要求2所述方法，其特征在于：所述步骤B具体包括：

使用变量选择策略对步骤A中108个分量进行选择，所述变量选择策略分为以下七个步骤；

步骤一：随机划分有或没有虫洞的混凝土表面图像的样本，即随机抽90％的样本组成训练组；剩余10％的样本组成一个测试组；

步骤二：分配基分类器：从支持向量机SVM、决策树分类器DTC、k近邻分类器kNN、线性判别分析LDA、逻辑回归LR、多层感知器MLP和朴素贝叶斯NB，7个基分类器中自动分配基分类器；在每一轮k中，随机抽取所述训练组中70％的训练样本来训练108维纹理特征中的每个基分类器，训练组中剩余30％的样本用于计算分类错误率Err_k：

其中，TP,TN,FP和FN分别表示真阳性、真阴性、假阳性和假阴性的数目；阳性样品指表面有空洞的图像；负样本对应表面没有空洞的图像；保持最低分类错误率的基分类器在这一轮自动分配；

步骤三：积分积累：在按轮自动分配基分类器后执行排列k；对于每个变量，只对剩余30％样本的分量值进行一次性排列，对应的分类错误率表示为

所以表示变量重要性的分数表示为：

经过重新抽样、训练和评分后，变量的累积得分表示为：

步骤四：重新排序，绘制二维散点图，所述散点图的x轴和y轴分别对应变量指标和累积分数；如果所有变量的累积得分都低，则在以下步骤中使用聚类方法选择所有变量，但不使用显著变量；

步骤五：集成分类，按照步骤三中累积得分由高到低的顺序增加变量，进行轮次重采样和训练，建立各维度的集成分类器；在每一轮重采样中，训练出分类错误率最低的基分类器；所述重采样包含108维纹理特征，并每次添加一个保持低累积分数的变量；

步骤六：变量选择，在108维纹理特征的每个维度上，将建立的集成分类器用于测试样本，计算精度为：

得到折线图，其中x轴和y轴分别于各变量指标由高到低依次对应，并在不同维度上对立；因此在保持维数不变的情况下，建立维数阈值Accs；

步骤七：制定评价指标，使用三种定量测量方法，对所选变量的有效性进行评估，

Images