船舶废气光谱图像分割与污染预测方法专利检索-半监督学习机器学习人工智能人工智能专利检索查询-专利查询网

船舶废气光谱 图像分割与污染预测方法

阅读：161发布：2020-05-19

专利汇可以提供船舶废气光谱图像分割与污染预测方法专利检索，专利查询，专利分析的服务。并且本发明公开了船舶废气光谱图像分割与污染预测方法，包括分割废气光谱图像，构建特征相似矩阵，求取投影矩阵，求取投影后的特征向量，求取距离度量矩阵，求取距离度量变换后的特征向量，重新构建特征相似矩阵，求取综合相似矩阵的拉普拉斯矩阵，获取废气光谱图像的污染程度共9个步骤。本发明利用半监督学习的思路，只需要对废气光谱图像进行少量的标注，即可实现整个图像的分割与污染程度的预测。，下面是船舶废气光谱图像分割与污染预测方法专利的具体信息内容。

权利要求

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。

说明书全文

船舶废气光谱 图像分割与污染预测方法

技术领域

[0001] 本发明涉及环保技术领域，特别是涉及船舶废气光谱图像分割与污染预测方法。

背景技术

[0002] 随着经济全球化的发展，国际贸易和船舶运输得到了快速的发展，船舶的吨位也在不断的增加，船舶柴油机废气的排放量也随之迅速增加，以石油产品为燃料的船舶废气排放造成的环境污染日趋严重。船舶柴油机废气排放造成的大气污染和温室效应已经受到世界范围的高度重视。在柴油发动机的废气中，除了二氧化碳以外，还含有大量的氮氧化物、硫氧化物以及粒子状物质等。特别是氮氧化物(以下称为NOx)对人体有害、且呈现出较强的酸性，从而还被认为是酸雨的成因。因此，例如船舶那样在使柴油发电机进行驱动的机械中，NOx的排出量极多，对地球环境所造成的负担较大。由于无法安装光学反射装置，必须采用被动式扫描观测系统，即船舶废气监测光谱雷达，通过向大气中发射特定波长的光谱，采集并分析与大气介质发生物理作用后的散射光谱，来获取大气成分的浓度信息。利用光谱扫描得到船舶废气光谱图像以后，需要对其进行分割并得到每一块的污染程度，目前还没有相关研究，这即为本专利解决的问题。

发明内容

[0003] 本发明技术旨在解决船舶废气光谱图像少量标注下的分割与污染程度预测问题。

[0004] 为解决上述问题，本发明公开了船舶废气光谱图像分割与污染预测方法，具体包括以下步骤：

[0005] 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；

[0006] 步骤2：构建特征相似矩阵S1，具体如下：

[0007]

[0008] 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；

[0009] 步骤3：求取投影矩阵W，具体通过优化以下方程获取：

[0010]

[0011] 其中，为投影矩阵，m为一正整数，上标T表示转置；

[0012] 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；

[0013] 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，[0014]

[0015] 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；

[0016] 步骤6，求取距离度量变换后的特征向量得到

[0017] 步骤7：重新构建特征相似矩阵S1，具体如下：

[0018]

[0019] 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；

[0020] 构建空间相似矩阵S2定义如下：

[0021]

[0022] 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；

[0023] 计算综合相似矩阵S＝μS1+(1-μ)S2，μ∈(0,1)；

[0024] 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：

[0025]

[0026] 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，

[0027] 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。

[0028] 与已有的技术相比，本发明具有以下优点：本发明利用半监督学习的思路，只需要对废气光谱图像进行少量的标注，即可实现整个图像的分割与污染程度的预测。附图说明

[0029] 图1为本发明流程图。

具体实施方式

[0030] 为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

[0031] 本发明公开了船舶废气光谱图像分割与污染预测方法，包括以下步骤：

[0032] 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；

[0033] 步骤2：构建特征相似矩阵S1，具体如下：

[0034]

[0035] 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；

[0036] 步骤3：求取投影矩阵W，具体通过优化以下方程获取：

[0037]

[0038] 其中，为投影矩阵，m为一正整数，上标T表示转置；

[0039] 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；

[0040] 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，[0041]

[0042] 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；

[0043] 步骤6，求取距离度量变换后的特征向量得到

[0044] 步骤7：重新构建特征相似矩阵S1，具体如下：

[0045]

[0046] 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；

[0047] 构建空间相似矩阵S2定义如下：

[0048]

[0049] 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；

[0050] 计算综合相似矩阵S＝μS1+(1-μ)S2，μ∈(0,1)；

[0051] 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：

[0052]

[0053] 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，

[0054] 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。

[0055] 为方便本专利的实施，下面给出进一步的说明：

[0056] 1)超像素分割算法SLIC的英文全称是simple linear iterative clustering。

[0057] 2)实施本方法的系统由光谱雷达与综合计算机组成，光谱雷达电信连接综合计算机，将数据传输到计算机后由计算机执行本方法。

[0058] 3)步骤3与5涉及的优化方法可以采用梯度下降法。

[0059] 4)损失函数V可以选用如下函数max[0,1-yif(xi)]。

[0060] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0061] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

标题	发布/更新时间	阅读量
基于半监督学习的图片分类方法、装置和计算机设备	2020-05-08	521
一种基于半监督学习的多标签语料库文本分类方法	2020-05-13	481
一种室外场景三维彩色点云分类方法	2020-05-14	637
一种基于语音和表情的自适应权重双模态融合情感识别方法	2020-05-19	142
一种基于半监督学习深度对抗网络的故障诊断方法	2020-05-12	671
一种基于Triple-GAN的分类方法	2020-05-11	545
一种对蛋白质二级结构进行半监督学习预测方法	2020-05-12	58
一种基于对抗训练和对抗学习网络的半监督文本分类方法	2020-05-18	681
一种基于卷积神经网络的自动驾驶汽车前方物体检测方法	2020-05-17	945
基于半监督学习的渣土车偷倒判别方法、系统和装置	2020-05-08	737

船舶废气光谱图像分割与污染预测方法

船舶废气光谱图像分割与污染预测方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：