1.一种水质图像分类方法,其特征在于使用多特征融合的词包对水质图像进行分类,具体包括以下步骤:
①水质图像采集,标记水质图像类别标签,以指示训练图像属于正常,水华污染,水葫芦污染,工厂排污污染和生活垃圾污染五种图像中的哪个类别;
②对水质图像使用图像金字塔进行关键点检测,并对水质图像中的关键点进行方向梯度直方图与颜色特征的提取,融合成描述当前关键点的特征向量;
③使用狄利克雷混合模型进行视觉词典学习,对图像生成的各关键点特征向量进行编码生成图像词包;
④使用图像词包和类别标签训练监督型主题模型,得到监督型主题模型参数,并将训练得到的监督型主题模型用于后续的分类任务中;
⑤将需要分类的水质图像作为输入图像,根据步骤②的方法对该输入图像进行特征提取操作,并量化成词包,然后使用步骤④得到的训练后的监督型主题模型进行分类,得到输入图像所属的类别。
2.如权利要求1所述的一种水质图像分类方法,其特征在于所述步骤①的具体过程为:
①-1、采用高清摄像机或照相机对水面图像进行采集,将采集的水质图像分成5类,分别为正常,水华污染,水葫芦污染,工厂排污污染和生活垃圾污染;
①-2、对采集的水质图像进行初步处理,去掉包含人和船只的图像。对于出现两类及以上污染的水质图像,将其所属污染区域分割开,作为多幅训练图像;
①-3、使用图像缩放方法,对图像大小进行调整,将其调整为400*400大小的图像;
①-4、对5类水质图像给定训练标签:正常标签为1,水华污染标签为2,水葫芦污染标签为3,工厂排污污染标签为4,生活垃圾污染标签为5。
3.如权利要求1所述的一种水质图像分类方法,其特征在于所述步骤②的具体过程为:
②-1、使用图像金字塔标定水质图像的关键点;
②-2、计算以当前关键点为中心的24*24邻域窗口内的所有像素点的R、G、B三个颜色通道颜色均值;
②-3、将256颜色通道转换为64颜色通道,将第c个颜色通道的颜色均值映射到64色颜色空间后的值记为blockc,其中,1≤c≤3,c=1时第c个颜色通道为R颜色通道,c=2时第c个颜色通道为G颜色通道,c=3时第c个颜色通道为B颜色通道,block表示第c个颜色通道的颜色均值,colork表示64色颜色空间中的第k种颜色,1≤k≤64,符号“||||”为求欧氏距离符号,
表示取使得||block-colork||的值最小的一种颜色,将最小的颜色取为当前通道的颜色值,三个通道共形成三个颜色特征;
②-4、采用Gamma校正法对输入图像进行颜色空间的归一化;
②-5、将当前关键点所在的24*24的像素区域分化成16个cell,(6*6像素/cell),计算单个cell中每个像素的梯度方向和梯度大小
这里x和y表示该像素点的坐标,f(x,y)表示像素在x和y的灰度值,统计每个cell的梯度直方图,形成每个cell的描述;将相邻4*4的cell组成一个block,并将一个block内所有的cell的特征串联起来,得到该关键点的方向梯度直方图特征描述。
4.如权利要求1所述的一种水质图像分类方法,其特征在于所述步骤③的具体过程为:
设模型的后验概率为K为取值1000,将其作为每个关键点可能属于的类别数,
是参数为γk,1,γk,2的贝塔分布,Vk是该分布的随机变量,为一实值随机数;
是参数为
的高斯威沙特分布,其中
为一个35维的列向量,ak为实值,Bk为35*35的矩阵,I为35*35的单位矩阵,
是该分布的随机变量,分别取两个随机向量,一个是35维的列向量,一个是35*35的矩阵;
是参数为
的多项式分布,
表示第n个样本属于1000个类别中第1个类别的概率,zn是该分布的随机变量,为一实值整数随机数;
③-1、将类别数K作为初始化类别数,给定一个初始化模型参数λ,λ取高斯威沙特分布的四个参数,分别为均值参数0,方差矩阵,取35*35的方差矩阵I,自由度参数D,取值为35,尺度矩阵,取35*35的单位矩阵I,随机初始化参数表示每个样本属于K个样本的概率,总概率相加为1;
③-2、对于训练样本中的每个关键点,记其特征为Xi,计算后验概率中的贝塔分布参数以及共轭分布参数
其中D为关键点特征维数,取值为35,表示第i个样本属于k类别的后验概率,γk,1,γk,2是后验概率q(V,θ*,Z)中贝塔分布
的两个参数,ak,
Bk,I表示q(V,θ*,Z)中高斯威沙特分布
的四个参数,其中I为单位矩阵,k从1取到1000,α为模型参数,取值为0.001;
③-3、对于每个样本,根据以下公式求该样本对应每个类别的概率:
其中的取值如下:
D为关键点特征维数,取值为35,e为自然底数,π为圆周率常数,ψ()为伽马函数的二阶导数。是参数为
的高斯分布,包含两个参数,分别是均值向量和方差矩阵;
③-4、观察的变化情况,若该值不变,则停止更新,否则转③-2重新计算,当停止更新时,记住此时的变分后验概率参数γk,1,γk,2,
对于对应的所有N个样本,用狄利克雷混合模型估算得出N个样本所属类别,并将不同的类别数记为H,然后将H个不同的类别记为视觉词典;
③-5、对于每个关键点特征Xi,使用训练得到的γk,1,γk,2,估算特征Xi属于每个类别的后验概率:
③-6、找到当前关键点特征Xi在视觉词典中所属的视觉单词wi,估算公式如下:
在该编码中,找到使得最大的k值将其作为当前关键点特征Xi在视觉词典中的视觉单词wi,将其作为当前关键点特征Xi所属的视觉单词;
③-7、对于每幅水质图像,首先使用图像金字塔得到所有的关键点,然后得到每个关键点的35维特征向量,重复步骤③-5、③-6得到所有关键点属于词典中的哪个视觉单词,形成水质图像的视觉词包。
5.如权利要求1所述的一种水质图像分类方法,其特征在于所述步骤④、⑤的具体过程为:
④-1、输入每一副图像的视觉词包,将其记为r,以及对应的水质图像类别标签,将其记为C;
④-2、在监督型主题模型中,使用变分方法学习得到训练后的监督型主题模型;
⑤-1、将摄像头采集的水质图像进行特征提取,得到图像的每个关键点特征Xi的特征向量;
⑤-2、对于每个关键点特征Xi,估算Xi属于每个类别的概率:
其中的取值如下:
然后计算当前关键点特征Xi在视觉词典中所属的视觉单词wi,估算公式如下:
对当前水质图像的所有关键点特征Xi,计算其所属视觉单词wi,然后形成图像词包;
⑤-3、将该幅水质图像的图像词包代入训练后的监督型主题模型中,得到类别标签。