科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对训练样本数太少（训练样本数量小于数据维数）导致的模型分辨能力下降问题，提出了一种基于正则化改进3E-LDA的织物图像分类算法，称为I3E-LDA算法。首先利用类加权中值代替样本均值计算类内散点矩阵，削弱了离群值和噪声的影响。以此作为非参数加权特征提取法对类内散点矩阵进行正则化。然后利用目标组合的方法，通过引入平衡参数对目标函数进行正则化，来保留更具判别性的特征数据。通过不同织物图像间更具判别性的特征数据可以更好地对其区分。结合改进的零空间法解决类内散点矩阵奇异性和小样本问题，从而提高分类准确率。在阿里天池织物数据集和花色织物图像上进行训练和测试，将图像按照正常图像和非正常图形（瑕疵图像）进行区分。实验结果表明，I3E-LDA算法有效实现了织物图像分类，且对于较少的训练样本（20%～40%的样本用于训练）提升了分类精度。
- 单位
