System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及数据处理,尤其涉及一种数据降维方法、装置、计算机设备和存储介质。
技术介绍
1、在自动化测试领域,需要从场景图中找到目标图的位置,从而可对目标图区域进行操作。在识别的过程中,常常需要对场景图进行截图,并根据截图和目标图中所提取出的特征利用神经网络模型进行分类识别。但特征提取算法所提取出的特征的维度很多,数据较为复杂,导致模型训练和预测都比较耗时。因此,针对图像识别场景中的高维数据,通常需要进行降维处理来提取有效特征、减少计算量。但传统技术中的数据降维方法存在降维效果不佳的问题。
技术实现思路
1、本申请的目的旨在至少能解决上述的技术缺陷之一,特别是现有技术中降维效果不佳的问题。
2、第一方面,本申请提供了一种数据降维方法,包括:
3、在场景图中对目标区域进行截图,得到待识别图;
4、对待识别图进行特征提取,得到特征矩阵;
5、从特征矩阵的维度中确定目标维度,并对目标维度的图像特征值进行线性化处理;
6、利用主成分分析法对特征矩阵进行降维。
7、在其中一个实施例中,特征矩阵中包括由多种预设算法所提取到的特征,多种预设算法中的第一预设算法的提取过程包括:
8、对目标图进行特征点提取,得到第一特征点集合,对待识别图进行特征点提取,得到第二特征点集合;
9、遍历第一特征点集合中的第一特征点,每当遍历到一个第一特征点时,从第二特征点集合中找到与该第一特征点最相近的两个第二特征点,并分别与
10、将最优匹配点对与次优匹配点对之间的距离比值小于当前的匹配因子的第一特征点确定为匹配特征点;
11、从匹配占比的预设下限值开始,按照第一步长递增到预设上限值,找到匹配特征点在第一特征点集合中的占比与当前的匹配占比匹配时选用匹配因子,并将找到匹配因子作为当前匹配占比对应的维度的特征值。
12、在其中一个实施例中,从特征矩阵的维度中确定目标维度,包括:
13、将第一预设算法相关的维度确定为目标维度。
14、在其中一个实施例中,找到匹配特征点在第一特征点集合中的占比与当前的匹配占比匹配时选用匹配因子,包括:
15、若当前的匹配占比为预设下限值,则将匹配因子从预设的最小因子值开始,按照第二步长逐步递增,直至找到使匹配特征点在第一特征点集合中的占比与当前的匹配占比匹配的匹配因子;
16、若当前的匹配占比不是预设下限值,则将匹配因子从前一匹配占比的匹配因子开始,按照第二步长逐步递增,直至找到使匹配特征点在第一特征点集合中的占比与当前的匹配占比匹配的匹配因子。
17、在其中一个实施例中,对目标维度的图像特征值进行线性化处理,包括:
18、利用增量线性化模型对目标维度的图像特征值进行线性化处理。
19、在其中一个实施例中,利用主成分分析法对特征矩阵进行降维,包括:
20、对特征矩阵进行归一化处理;
21、计算归一化处理后的特征矩阵的协方差矩阵;
22、对协方差矩阵进行特征分解,得到多个特征值和各特征值对应的特征向量;
23、按照从大到小的顺序,从各特征值中选择多个特征值,以使得被选取的特征值的累积贡献率刚好大于贡献率阈值;
24、根据被选择的特征值对应的特征向量对特征矩阵进行降维。
25、在其中一个实施例中,对特征矩阵进行归一化处理,包括:
26、对于特征矩阵的任意一个维度的数据,确定该维度的平均值和标准差;
27、将该维度的每个图像特征值减去平均值后除以标准差。
28、第二方面,本申请提供了一种数据降维装置,包括:
29、截图模块,用于在场景图中对目标区域进行截图,得到待识别图;
30、特征提取模块,用于对待识别图进行特征提取,得到特征矩阵;
31、线性化模块,用于从特征矩阵的维度中确定目标维度,并对目标维度的图像特征值进行线性化处理;
32、降维模块,用于利用主成分分析法对特征矩阵进行降维。
33、第三方面,本申请提供了一种计算机设备,包括一个或多个处理器,以及存储器,存储器中存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时,执行上述任一实施例中的数据降维方法的步骤。
34、第四方面,本申请提供了一种存储介质,存储介质中存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任一实施例中的数据降维方法的步骤。
35、从以上技术方案可以看出,本申请实施例具有以下优点:
36、基于本实施例中的数据降维方法,首先场景图中对多个目标区域进行截图,获取待识别图像。然后对各个待识别图像提取出图像特征,并将每个待识别图像对应的图像特征组合成特征矩阵。针对特征矩阵中相关性高但变化趋势非线性的目标维度,进行线性化处理,使其满足主成分分析法的使用需求。最后运用主成分分析法进行降维。该方法通过对特定维度的矩阵进行线性化处理的方式使主成分分析法降维时可以最大限度地保留样本间特征差异。该方法为复杂场景图像识别任务生成优质、简洁的特征表示,为后续建模识别奠定数据基础,从而在保证准确性的前提下提高分类效率。
本文档来自技高网...【技术保护点】
1.一种数据降维方法,其特征在于,包括:
2.根据权利要求1所述的数据降维方法,其特征在于,所述特征矩阵中包括由多种预设算法所提取到的特征,多种所述预设算法中的第一预设算法的提取过程包括:
3.根据权利要求2所述的数据降维方法,其特征在于,所述从所述特征矩阵的维度中确定目标维度,包括:
4.根据权利要求2所述的数据降维方法,其特征在于,所述找到所述匹配特征点在所述第一特征点集合中的占比与当前的所述匹配占比匹配时选用所述匹配因子,包括:
5.根据权利要求1所述的数据降维方法,其特征在于,所述对所述目标维度的图像特征值进行线性化处理,包括:
6.根据权利要求1所述的数据降维方法,其特征在于,所述利用主成分分析法对所述特征矩阵进行降维,包括:
7.根据权利要求6所述的数据降维方法,其特征在于,所述对所述特征矩阵进行归一化处理,包括:
8.一种数据降维装置,其特征在于,包括:
9.一种计算机设备,其特征在于,包括一个或多个处理器,以及存储器,所述存储器中存储有计算机可读指令,所述计算机可读指令
10.一种存储介质,其特征在于,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1-7任一项所述的数据降维方法的步骤。
...【技术特征摘要】
1.一种数据降维方法,其特征在于,包括:
2.根据权利要求1所述的数据降维方法,其特征在于,所述特征矩阵中包括由多种预设算法所提取到的特征,多种所述预设算法中的第一预设算法的提取过程包括:
3.根据权利要求2所述的数据降维方法,其特征在于,所述从所述特征矩阵的维度中确定目标维度,包括:
4.根据权利要求2所述的数据降维方法,其特征在于,所述找到所述匹配特征点在所述第一特征点集合中的占比与当前的所述匹配占比匹配时选用所述匹配因子,包括:
5.根据权利要求1所述的数据降维方法,其特征在于,所述对所述目标维度的图像特征值进行线性化处理,包括:
6.根据权利要求1所述的数据降维方...
【专利技术属性】
技术研发人员:贺旭,
申请(专利权)人:广州品唯软件有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。