主权项: |
1.船舶废气光谱图像分割与污染预测方法,其特征在于: 步骤1:利用超像素分割算法SLIC对废气光谱图像进行分割,对每个超像素抽取颜色与纹理特征构建样本集合X={x1,x2,···,xi,···,xn},n为样本的总数,为正整数,表示实数域,d表示特征维度,为正整数; 步骤2:构建特征相似矩阵S1,具体如下: 其中,e为自然常数,为S1中的元素,i、j取自{1,2,···,n},N1(xi)表示在特征向量的欧式距离度量下距离xi最近的k个样本点集合,k为正整数,N1(xj)表示在特征向量的欧式距离度量下距离xj最近的k个样本点集合,t1>0为高斯核宽度; 步骤3:求取投影矩阵W,具体通过优化以下方程获取: 其中,为投影矩阵,m为一正整数,上标T表示转置; 步骤4:求取投影后的特征向量得到采用聚类算法将聚为l个簇,并从每个簇中选择一个样本进行标注,则得到为有标注样本集合,为无标注样本集合,其中n=u+l为正整数,标注的内容为这个超像素的污染程度; 步骤5:求取距离度量矩阵A,具体通过优化minA J(A)获取,其中, 其中,为异类下标对的集合,为同类下标对的集合,Ni为距离最近的k个样本的集合,ξ为一个大于0的常数; 步骤6,求取距离度量变换后的特征向量得到 步骤7:重新构建特征相似矩阵S1,具体如下: 其中,为S1中的元素,i、j取自{1,2,···,n},表示在特征向量的欧式距离度量下距离最近的k个样本点集合,表示在特征向量的欧式距离度量下距离最近的k个样本点集合,t1>0; 构建空间相似矩阵S2定义如下: 其中,为S2中的元素,i、j取自{1,2,···,n},表示在空间坐标的欧式距离度量下距离最近的k个样本点集合,表示在空间坐标的欧式距离度量下距离最近的k个样本点集合,t2>0为高斯核的宽度; 计算综合相似矩阵S=μS1+(1-μ)S2,μ∈(0,1); 步骤8,求取S的拉普拉斯矩阵LS,并求解如下方程得到最优拉普拉斯支持向量机: 其中,f为拉普拉斯支持向量机,yi为标注结果,即污染程度,V(·)为任一评价在有标注样本上分类性能的损失函数,控制模型复杂度的正则化项,H表示再生核希尔伯特空间,γ1,γ2均为大于零实数, 步骤9,将带入f*(·),即可实现废气光谱图像的分割,得到每一块的污染程度。 |