CN115359283B 一种基于特征类间距离与机器学习的图像特征降维选择方法 （重庆大学）_第1页
CN115359283B 一种基于特征类间距离与机器学习的图像特征降维选择方法 （重庆大学）_第2页
CN115359283B 一种基于特征类间距离与机器学习的图像特征降维选择方法 （重庆大学）_第3页
CN115359283B 一种基于特征类间距离与机器学习的图像特征降维选择方法 （重庆大学）_第4页
CN115359283B 一种基于特征类间距离与机器学习的图像特征降维选择方法 （重庆大学）_第5页
已阅读5页，还剩14页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于特征类间距离与机器学习的图像本发明公开了一种基于特征类间距离与机征降序排列；3)将前N个特征全排列得到不同特按照准确率排序获得具有最佳分类性能的特征2建立由m个样本，每个样本具有n个特征的原始特征数据集U，将原始特征性比例θ以及t检验中的p值有关：和σ0是两种分类特征的方差；计算各特征间的皮尔森相关系数(PearsonCorrelationCoefficient)r，计算公式4选择具有最高准确率的特征组合作为最佳特征组合，若两个特征组合3将测试集数据输入至由该特征组合训练得到的机器学习分类模型，最2.根据权利要求1所述的一种基于类间距离与机器学习的图像特征降维选择方法，其3.根据权利要求1所述的一种基于类间距离与机器学习的图像特征降维选择方法，其4[0006]4)中国发明专利《基于多标签学习的无监督特征选择方法及系统》(申请号：201911312573.7)提供一种基于多标签学习的无监督特征选择方法及系统，对特征数据集构建基于多标签学习的无监督特征选择目标函数，学习二值多标签矩阵和特征选择矩阵。方法中采用基于增广拉格朗日乘子法的离散优化方法求解基于多标签学习的无监督特征5所述目标特征选择模型选择出的参考特征信息作为目标特征信息，从而通过多种模型结提高分类性能的同时也带来了数据冗余的问题。数据集的维度过高会导致模型训练效率练数据集影响较大以及对特征间的相关性考虑不足等问题。为对高维特征数据集进行降6[0023]引入低相关性阈值w，当特征的相关性系数r不大于w时便认为该特征为低相关性据数据集选择机器学习分类器(如常用的二例中使用的图片数据集为包含351张有烟(图2(a))与49张无烟(图2(b))图像共400张图像7择了局部二值模式(LBP)与灰度共生矩阵(GLCM)两种特征。共提取了不同的参数组合下的LBP能量和熵共6个特征值以及不同角度和距离下GLCM中的14种Haralick特征及其均值共降序排列。择具有更高权重之和的特征组合，最终可获得该特征组合训练得到的机器学习训练模型。[0047]本例中使用该方法所输出的特征组合中具体的特征名称以及准确率如表1所示，其ROC曲线对比结果如图3所示。其次对GLCM特征中各参数组合与灰度特征的分类性能分GLCM中14种Haralick特征的平仅高于R＝2,P＝16的LBP特征AUC。该结果对比说明了参数R＝3,P＝24下的LBP特征与Gray8散点图如图5所示(其中(a)R＝3,P＝24时LBP熵与d＝3,a＝45时时LBP熵与d＝3,a＝90时GLCM的Contrast,(c)灰度下四分位数与d＝3,a＝45时GLCM的点在散点图中具有明显的聚集，因此这些特征能够使SVM在分类识别训练中寻找的最优超9

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论