CN106372661A - 构建分类模型的方法及装置 - Google Patents
构建分类模型的方法及装置 Download PDFInfo
- Publication number
- CN106372661A CN106372661A CN201610772640.3A CN201610772640A CN106372661A CN 106372661 A CN106372661 A CN 106372661A CN 201610772640 A CN201610772640 A CN 201610772640A CN 106372661 A CN106372661 A CN 106372661A
- Authority
- CN
- China
- Prior art keywords
- image
- spectrogram
- sample image
- sample
- disaggregated model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/431—Frequency domain transformation; Autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于构建分类模型的方法及装置。该方法包括:获取第一图像类别和第二图像类别分别对应的样本图像,获取所述样本图像分别对应的频谱图,所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的,根据所述频谱图确定所述样本图像各自对应的特征,根据样本图像各自对应的特征以及所述样本图像分别所属的类别构建样本图像集,对样本图像集进行训练,得到分类模型,分类模型用于确定待分类图像所对应的图像类别。上述技术方案,通过将样本图像根据不同大小的基进行图像变换获得频谱图,并根据频谱图确定样本图像各自对应的特征,进而构建分类模型,从而可以准确检测出图像的类别。
Description
技术领域
本公开涉及构建分类模型的设备领域,尤其涉及构建分类模型的方法及装置。
背景技术
模糊图检测越发成为图像处理中的热点,尤其在智能手机日益普及的今天,人们无时无刻不在用手机拍照记录生活的点滴,而其中存在大量的质量不高的照片。如果能自动检测出模糊照片则可以提示用户进行删除等操作。
直观来讲,模糊图片与清晰图片在频域会有明显不同,清晰图片边缘清晰、梯度强烈、在频域会有较强的高频,做DCT(Discrete Cosine Transform,离散余弦变换)时低频到高频幅度的衰减也不会太过强烈。相反,模糊图片的高频信息弱很多,并且大的低频幅度很快就会像高频方向衰减。
发明内容
本公开实施例提供构建分类模型的方法及装置。所述技术方案如下:
根据本公开实施例的第一方面,提供一种构建分类模型的方法,包括:
获取第一图像类别和第二图像类别分别对应的样本图像;
获取所述样本图像分别对应的频谱图,所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的;
根据所述频谱图确定所述样本图像各自对应的特征;
根据所述样本图像各自对应的特征以及所述样本图像分别所属的类别构建样本图像集,对所述样本图像集进行训练,得到分类模型,所述分类模型用于确定待分类图像所对应的图像类别。
在一个实施例中,所述获取所述样本图像分别对应的频谱图,所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的;根据所述频谱图确定所述样本图像各自对应的特征,可包括:
将每一个样本图像根据不同大小的基划分为不同尺寸的图像块,分别对每个图像块做离散余弦变换,获得所述频谱图;
对所述频谱图分别求解马可夫转移概率矩阵,获得各样本图像对应的特征。
在一个实施例中,所述对所述频谱图分别求解马可夫转移概率矩阵,获得各样本图像对应的特征,可包括:
获取所述频谱图中大于预设阈值的频率值;
将所述大于预设阈值的频率值均设为所述预设阈值,更新所述频谱图;
对更新后的频谱图求解马可夫转移概率矩阵,获得所述样本图像对应的特征。
在一个实施例中,所述方法还可包括:
获取待分类图像对应的频谱图,所述频谱图是将所述待分类图像根据不同大小的基进行图像变换获得的;
根据所述频谱图确定所述待分类图像对应的特征;
根据所述待分类图像对应的特征以及所述分类模型,确定所述待分类图像所属的类别。
根据本公开实施例的第二方面,提供一种构建分类模型的装置,包括:
第一获取模块,用于获取第一图像类别和第二图像类别分别对应的样本图像;
第二获取模块,用于获取所述样本图像分别对应的频谱图,所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的;
第一确定模块,用于根据所述频谱图确定所述样本图像各自对应的特征;
分类模型构建模块,用于根据所述样本图像各自对应的特征以及所述样本图像分别所属的类别构建样本图像集,对所述样本图像集进行训练,得到分类模型,所述分类模型用于确定待分类图像所对应的图像类别。
在一个实施例中,所述第二获取模块,可包括:
获得子模块,用于将每一个样本图像根据不同大小的基划分为不同尺寸的图像块,分别对每个图像块做离散余弦变换,获得所述频谱图;
所述第一确定模块,可包括:
求解子模块,用于对所述频谱图分别求解马可夫转移概率矩阵,获得各样本图像对应的特征。
在一个实施例中,所述求解子模块还可用于:
获取所述频谱图中大于预设阈值的频率值;
将所述大于预设阈值的频率值均设为所述预设阈值,更新所述频谱图;
对更新后的频谱图分别求解马可夫转移概率矩阵,获得各样本图像对应的特征。
在一个实施例中,所述装置还可包括:
第三获取模块,用于获取待分类图像对应的频谱图,所述频谱图是将所述待分类图像根据不同大小的基进行图像变换获得的;
第二确定模块,用于根据所述频谱图确定所述待分类图像对应的特征;
第三确定模块,用于根据所述待分类图像对应的特征以及所述分类模型,确定所述待分类图像所属的类别。
根据本公开实施例的第三方面,提供一种构建分类模型的装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取第一图像类别和第二图像类别分别对应的样本图像;
获取所述样本图像分别对应的频谱图,所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的;
根据所述频谱图确定所述样本图像各自对应的特征;
根据所述样本图像各自对应的特征以及所述样本图像分别所属的类别构建样本图像集,对所述样本图像集进行训练,得到分类模型,所述分类模型用于确定待分类图像所对应的图像类别。
本公开的实施例提供的技术方案可以包括以下有益效果:
上述技术方案通过将样本图像根据不同大小的基进行图像变换获得频谱图,并根据频谱图确定样本图像各自对应的特征,进而构建分类模型,从而可以准确检测出图像的类别。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的构建分类模型的方法的流程图。
图2是根据一示例性实施例示出的又一种构建分类模型的方法的流程图。
图3是根据一示例性实施例示出的构建分类模型的方法中步骤S1031的流程图。
图4是根据一示例性实施例示出的又一种构建分类模型的方法的流程图。
图5是根据一示例性实施例示出的构建分类模型的装置的框图。
图6是根据一示例性实施例示出的又一种构建分类模型的装置的框图。
图7是根据一示例性实施例示出的另一种构建分类模型的装置的框图。
图8是根据一示例性实施例示出的适用于构建分类模型的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种构建分类模型的方法的流程图,如图1所示,该构建分类模型的方法包括以下步骤S101-S104:
在步骤S101中,获取第一图像类别和第二图像类别分别对应的样本图像。
在一个实施例中,第一图像类别为清晰图像类别,即第一图像类别中的样本图像都是清晰图像;第二图像类别为模糊图像类别,即第二图像类别中的样本图像都是模糊图像。或者,第一图像类别为模糊图像类别,第二图像类别为清晰图像类别。需要说明的是,本公开不限于上述两种类别的图像,还可以是多种类别,比如除模糊图像类别和清晰图像类别外,还可以有介于模糊图像与清晰图像之间的半清晰图像组成的类别。
在步骤S102中,获取样本图像分别对应的频谱图,频谱图是将样本图像根据不同大小的基进行图像变换获得的。
在步骤S103中,根据频谱图确定样本图像各自对应的特征。
在步骤S104中,根据样本图像和样本图像各自对应的特征构建样本图像集,对样本图像集进行训练,得到分类模型,分类模型用于确定待分类图像所对应的图像类别。
鉴于图像的局部统计信息与整体均十分重要,在一个实施例中,在采用DCT变换时,同时用不同大小的DCT基(Block-DCT)。比如,将一个图像分别分成8×8、4×4、16×16、32×32、64×64大小的图像块,对8×8的图像块做DCT变换,同时对4×4、16×16、32×32、64×64的图像块也做DCT变换。本实施例只是以5个不同大小的基作为示例,基的数量还可以更多或者更少。变换后,得到的结果的尺寸与原图像均保持一致。比如,应用16x16的图像块做DCT,我们只需将原图分为N个16x16的图像块,每个图像块DCT变换结果仍然为16x16,所以最后总的大小保持不变。根据不同大小的基做DCT变换后,就有不同尺度下的频域响应。根据不同大小的基获得频谱图后,再根据频谱图确定样本图像各自对应的特征。
本公开实施例的上述方法,通过获取第一图像类别和第二图像类别分别对应的样本图像,获取样本图像分别对应的频谱图,频谱图是将样本图像根据不同大小的基进行图像变换获得的,根据频谱图确定样本图像各自对应的特征,根据样本图像各自对应的特征以及样本图像分别所属的类别构建样本图像集,对样本图像集进行训练,得到分类模型,分类模型用于确定待分类图像所对应的图像类别。通过将样本图像根据不同大小的基进行图像变换获得频谱图,并根据频谱图确定样本图像各自对应的特征,进而构建分类模型,从而可以准确检测出图像的类别。
在一个实施例中,如图2所示,步骤S102可以实施为如下步骤S1021:
在步骤S1021中,将每一个样本图像根据不同大小的基划分为不同尺寸的图像块,分别对每个图像块做离散余弦变换,获得频谱图。
此时,步骤S103可以实施为如下步骤S1031:
在步骤S1031中,对频谱图分别求解马可夫转移概率矩阵,获得各样本图像对应的特征。
在一个实施例中,如图3所示,步骤S1031可以实施为如下步骤S301-S303:
在步骤S301中,获取频谱图中大于预设阈值的频率值。
在步骤S302中,将大于预设阈值的频率值均设为预设阈值,更新频谱图。
在步骤S303中,对更新后的频谱图分别求解马可夫转移概率矩阵,获得各样本图像对应的特征。
上例中,采用不同大小的基:8×8、4×4、16×16、32×32、64×64做DCT变换后,得到5个频谱图,对这5个频谱图分别求解马可夫转移概率图。流程如下:首先频谱图的频率值是0–n(整数),由于频谱的值会非常大,太大的值没有什么意义,因此可以预设一个阈值T,使得大于T的值都设为T,这样频谱图共有T+1个值。马可夫转移概率矩阵大小为(T+1)*(T+1),代表着T+1个灰度值向其中任意一个灰度值转移的概率。比如,矩阵第(10,120)坐标的值代表灰度值10向灰度值120转移的概率。每个点的转移概率求解如下:
此时,Fh代表一个频谱图。其中,
δ(Fh(i+1,j)=m,Fh(i,j)=n)代表频谱图(i,j)坐标的灰度值为n,同时第(i+1,j)坐标灰度值为m时,值为1,否则为0。
根据上述公式可以求得转移概率矩阵(T+1)*(T+1)中每个点的值。鉴于一共有5个频谱图,那么总共有4*(T+1)(T+1)维的特征。
提取出特征后便可应用传统机器学习方法进行训练与识别。大致流程如下:找到M张清晰图像与N张模糊图像作为测试集,对应的图像类别(标签)为0(模糊图像)与1(清晰图像),对每一张图像利用上述方法求得5*(T+1)(T+1)维特征之后,将所有M+N个特征矩阵与M+N个对应的标签向量扔进SVM(Support Vector Machine,支持向量基)进行训练。训练出的分类模型便可用于分类。即任意一张测试图像,求得其5*(T+1)(T+1)维特征后,利用SVM的训练模型直接可以分类。其中,SVM是一种成熟的机器学习模型,可以根据输入的特征和预先准备好的标定样本进行分类器的学习。
在一个实施例中,在一个实施例中,如图4所示,上述方法还可包括以下步骤S105-S107:
在步骤S105中,获取待分类图像对应的频谱图,频谱图是将待分类图像根据不同大小的基进行图像变换获得的;
在步骤S106中,根据频谱图确定待分类图像对应的特征;
在步骤S107中,根据待分类图像对应的特征以及分类模型,确定待分类图像所属的类别。
构建好模型之后,对于任意一张待分类的图像,根据上述方法求的该图像的特征后,利用训练出的分类模型即可确定出该图像属于第一图像类别还是第二图像类别,即确定出该待识别的图像为清新图像还是模糊图像。
下述为本公开装置实施例,可以用于执行本公开方法实施例。
图5是根据一示例性实施例示出的一种构建分类模型的装置的框图,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图5所示,该构建分类模型的装置包括:
第一获取模块51,被配置为获取第一图像类别和第二图像类别分别对应的样本图像;
第二获取模块52,被配置为获取样本图像分别对应的频谱图,频谱图是将样本图像根据不同大小的基进行图像变换获得的;
第一确定模块53,用于根据频谱图确定样本图像各自对应的特征;
分类模型构建模块54,被配置为根据样本图像各自对应的特征以及样本图像分别所属的类别构建样本图像集,对样本图像集进行训练,得到分类模型,分类模型用于确定待分类图像所对应的图像类别。
在一个实施例中,如图6所示,第二获取模块52,包括:
获得子模块521,被配置为将每一个样本图像根据不同大小的基划分为不同尺寸的图像块,分别对每个图像块做离散余弦变换,获得频谱图;
第一确定模块53,包括:
求解子模块531,被配置为对频谱图分别求解马可夫转移概率矩阵,获得各样本图像对应的特征。
在一个实施例中,求解子模块531还可被配置为:
获取频谱图中大于预设阈值的频率值;
将大于预设阈值的频率值均设为预设阈值,更新频谱图;
对更新后的频谱图分别求解马可夫转移概率矩阵,获得各样本图像对应的特征。
在一个实施例中,如图7所示,上述装置还可包括:
第三获取模块55,被配置为获取待分类图像对应的频谱图,频谱图是将待分类图像根据不同大小的基进行图像变换获得的;
第二确定模块56,被配置为根据频谱图确定待分类图像对应的特征;
第三确定模块57,被配置为根据待分类图像对应的特征以及分类模型,确定待分类图像所属的类别。
本公开实施例的上述装置,通过获取第一图像类别和第二图像类别分别对应的样本图像,获取样本图像分别对应的频谱图,频谱图是将样本图像根据不同大小的基进行图像变换获得的,根据频谱图确定样本图像各自对应的特征,根据样本图像各自对应的特征以及样本图像分别所属的类别构建样本图像集,对样本图像集进行训练,得到分类模型,分类模型用于确定待分类图像所对应的图像类别。通过将样本图像根据不同大小的基进行图像变换获得频谱图,并根据频谱图确定样本图像各自对应的特征,进而构建分类模型,从而可以准确检测出图像的类别。
本公开实施例还提供一种构建分类模型的装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取第一图像类别和第二图像类别分别对应的样本图像;
获取所述样本图像分别对应的频谱图,所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的;
根据所述频谱图确定所述样本图像各自对应的特征;
根据所述样本图像各自对应的特征以及所述样本图像分别所属的类别构建样本图像集,对所述样本图像集进行训练,得到分类模型,所述分类模型用于确定待分类图像所对应的图像类别。
上述处理器还被配置为:
将每一个样本图像根据不同大小的基划分为不同尺寸的图像块,分别对每个图像块做离散余弦变换,获得所述频谱图;
对所述频谱图分别求解马可夫转移概率矩阵,获得各样本图像对应的特征。
上述处理器还被配置为:
获取所述频谱图中大于预设阈值的频率值;
将所述大于预设阈值的频率值均设为所述预设阈值,更新所述频谱图;
对更新后的频谱图求解马可夫转移概率矩阵,获得所述样本图像对应的特征。
上述处理器还被配置为:
获取待分类图像对应的频谱图,所述频谱图是将所述待分类图像根据不同大小的基进行图像变换获得的;
根据所述频谱图确定所述待分类图像对应的特征;
根据所述待分类图像对应的特征以及所述分类模型,确定所述待分类图像所属的类别。
图8是根据一示例性实施例示出的一种用于构建分类模型的装置的框图,该装置适用于终端设备。例如,装置1200可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
装置1200可以包括以下一个或多个组件:处理组件1202,存储器1204,电源组件1206,多媒体组件1208,音频组件1210,输入/输出(I/O)的接口1212,传感器组件1214,以及通信组件1216。
处理组件1202通常控制装置1200的整体操作,诸如与构建分类模型的,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件1202可以包括一个或多个处理器1220来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件1202可以包括一个或多个模块,便于处理组件1202和其他组件之间的交互。例如,处理组件1202可以包括多媒体模块,以方便多媒体组件1208和处理组件1202之间的交互。
存储器1204被配置为存储各种类型的数据以支持在装置1200的操作。这些数据的示例包括用于在装置1200上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器1204可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件1206为装置1200的各种组件提供电力。电源组件1206可以包括电源管理系统,一个或多个电源,及其他与为装置1200生成、管理和分配电力相关联的组件。
多媒体组件1208包括在所述装置1200和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶构建分类模型的器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件1208包括一个前置摄像头和/或后置摄像头。当装置1200处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1210被配置为输出和/或输入音频信号。例如,音频组件1210包括一个麦克风(MIC),当装置1200处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1204或经由通信组件1216发送。在一些实施例中,音频组件1210还包括一个扬声器,用于输出音频信号。
I/O接口1212为处理组件1202和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1214包括一个或多个传感器,用于为装置1200提供各个方面的状态评估。例如,传感器组件1214可以检测到装置1200的打开/关闭状态,组件的相对定位,例如所述组件为装置1200的构建分类模型的器和小键盘,传感器组件1214还可以检测装置1200或装置1200一个组件的位置改变,用户与装置1200接触的存在或不存在,装置1200方位或加速/减速和装置1200的温度变化。传感器组件1214可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1214还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件1214还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件1216被配置为便于装置1200和其他设备之间有线或无线方式的通信。装置1200可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件1216经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件1216还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置1200可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述构建分类模型的方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器1204,上述指令可由装置1200的处理器1220执行以完成上述构建分类模型的方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由装置1200的处理器执行时,使得装置1200能够执行上述构建分类模型的方法。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (9)
1.一种构建分类模型的方法,其特征在于,包括:
获取第一图像类别和第二图像类别分别对应的样本图像;
获取所述样本图像分别对应的频谱图,所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的;
根据所述频谱图确定所述样本图像各自对应的特征;
根据所述样本图像各自对应的特征以及所述样本图像分别所属的类别构建样本图像集,对所述样本图像集进行训练,得到分类模型,所述分类模型用于确定待分类图像所对应的图像类别。
2.根据权利要求1所述的方法,其特征在于,所述获取所述样本图像分别对应的频谱图,所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的;根据所述频谱图确定所述样本图像各自对应的特征,包括:
将每一个样本图像根据不同大小的基划分为不同尺寸的图像块,分别对每个图像块做离散余弦变换,获得所述频谱图;
对所述频谱图分别求解马可夫转移概率矩阵,获得各样本图像对应的特征。
3.根据权利要求2所述的方法,其特征在于,所述对所述频谱图分别求解马可夫转移概率矩阵,获得各样本图像对应的特征,包括:
获取所述频谱图中大于预设阈值的频率值;
将所述大于预设阈值的频率值均设为所述预设阈值,更新所述频谱图;
对更新后的频谱图分别求解马可夫转移概率矩阵,获得各样本图像对应的特征。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述方法还包括:
获取待分类图像对应的频谱图,所述频谱图是将所述待分类图像根据不同大小的基进行图像变换获得的;
根据所述频谱图确定所述待分类图像对应的特征;
根据所述待分类图像对应的特征以及所述分类模型,确定所述待分类图像所属的类别。
5.一种构建分类模型的装置,其特征在于,包括:
第一获取模块,用于获取第一图像类别和第二图像类别分别对应的样本图像;
第二获取模块,用于获取所述样本图像分别对应的频谱图,所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的;
第一确定模块,用于根据所述频谱图确定所述样本图像各自对应的特征;
分类模型构建模块,用于根据所述样本图像各自对应的特征以及所述样本图像分别所属的类别构建样本图像集,对所述样本图像集进行训练,得到分类模型,所述分类模型用于确定待分类图像所对应的图像类别。
6.根据权利要求5所述的装置,其特征在于,
所述第二获取模块,包括:
获得子模块,用于将每一个样本图像根据不同大小的基划分为不同尺寸的图像块,分别对每个图像块做离散余弦变换,获得所述频谱图;
所述第一确定模块,包括:
求解子模块,用于对所述频谱图分别求解马可夫转移概率矩阵,获得各样本图像对应的特征。
7.根据权利要求6所述的装置,其特征在于,所述求解子模块还用于:
获取所述频谱图中大于预设阈值的频率值;
将所述大于预设阈值的频率值均设为所述预设阈值,更新所述频谱图;
对更新后的频谱图分别求解马可夫转移概率矩阵,获得各样本图像对应的特征。
8.根据权利要求5-7中任一项所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于获取待分类图像对应的频谱图,所述频谱图是将所述待分类图像根据不同大小的基进行图像变换获得的;
第二确定模块,用于根据所述频谱图确定所述待分类图像对应的特征;
第三确定模块,用于根据所述待分类图像对应的特征以及所述分类模型,确定所述待分类图像所属的类别。
9.一种构建分类模型的装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取第一图像类别和第二图像类别分别对应的样本图像;
获取所述样本图像分别对应的频谱图,所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的;
根据所述频谱图确定所述样本图像各自对应的特征;
根据所述样本图像各自对应的特征以及所述样本图像分别所属的类别构建样本图像集,对所述样本图像集进行训练,得到分类模型,所述分类模型用于确定待分类图像所对应的图像类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610772640.3A CN106372661A (zh) | 2016-08-30 | 2016-08-30 | 构建分类模型的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610772640.3A CN106372661A (zh) | 2016-08-30 | 2016-08-30 | 构建分类模型的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106372661A true CN106372661A (zh) | 2017-02-01 |
Family
ID=57901993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610772640.3A Pending CN106372661A (zh) | 2016-08-30 | 2016-08-30 | 构建分类模型的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106372661A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163794A (zh) * | 2018-05-02 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 图像的转换方法、装置、存储介质和电子装置 |
WO2021114818A1 (zh) * | 2020-06-30 | 2021-06-17 | 平安科技(深圳)有限公司 | 基于傅里叶变换的oct图像质量评估方法、系统及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915449A (zh) * | 2012-09-24 | 2013-02-06 | 华南理工大学 | 一种照片分类方法 |
CN104091340A (zh) * | 2014-07-18 | 2014-10-08 | 厦门美图之家科技有限公司 | 一种模糊图像的快速检测方法 |
CN105631467A (zh) * | 2015-12-18 | 2016-06-01 | 小米科技有限责任公司 | 显示图片的方法及装置 |
-
2016
- 2016-08-30 CN CN201610772640.3A patent/CN106372661A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915449A (zh) * | 2012-09-24 | 2013-02-06 | 华南理工大学 | 一种照片分类方法 |
CN104091340A (zh) * | 2014-07-18 | 2014-10-08 | 厦门美图之家科技有限公司 | 一种模糊图像的快速检测方法 |
CN105631467A (zh) * | 2015-12-18 | 2016-06-01 | 小米科技有限责任公司 | 显示图片的方法及装置 |
Non-Patent Citations (3)
Title |
---|
《MM&SEC’07》: "A Natural Image Model Approach to Splicing Detection", 《MM&SEC’07》 * |
曹雁军 等: "基于内容感知图像缩放的取证技术研究", 《无线电工程》 * |
杨宇光 等: "基于遗传算法和LM优化的BP神经网络的图像复原算法", 《微计算机应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163794A (zh) * | 2018-05-02 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 图像的转换方法、装置、存储介质和电子装置 |
CN110163794B (zh) * | 2018-05-02 | 2023-08-29 | 腾讯科技(深圳)有限公司 | 图像的转换方法、装置、存储介质和电子装置 |
WO2021114818A1 (zh) * | 2020-06-30 | 2021-06-17 | 平安科技(深圳)有限公司 | 基于傅里叶变换的oct图像质量评估方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105809704A (zh) | 识别图像清晰度的方法及装置 | |
CN105631408A (zh) | 基于视频的面孔相册处理方法和装置 | |
CN105528607A (zh) | 区域提取方法、模型训练方法及装置 | |
CN107527059A (zh) | 文字识别方法、装置及终端 | |
CN104484871B (zh) | 边缘提取方法和装置 | |
CN105335754A (zh) | 文字识别方法及装置 | |
CN108010060A (zh) | 目标检测方法及装置 | |
CN105512685A (zh) | 物体识别方法和装置 | |
CN106548468A (zh) | 图像清晰度的判别方法及装置 | |
CN107944447A (zh) | 图像分类方法及装置 | |
CN106250921A (zh) | 图片处理方法及装置 | |
CN104077597B (zh) | 图像分类方法及装置 | |
CN105528078B (zh) | 控制电子设备的方法及装置 | |
CN104700353A (zh) | 图像滤镜生成方法及装置 | |
CN105354560A (zh) | 指纹识别方法及装置 | |
CN106228556A (zh) | 图像质量分析方法和装置 | |
CN107766820A (zh) | 图像分类方法及装置 | |
CN104850852A (zh) | 特征向量计算方法和装置 | |
CN107563994A (zh) | 图像的显著性检测方法及装置 | |
CN107463903A (zh) | 人脸关键点定位方法及装置 | |
CN105139378A (zh) | 卡片边界检测方法及装置 | |
CN106454411A (zh) | 台标处理方法和装置 | |
CN106446946A (zh) | 图像识别方法及装置 | |
CN105528765A (zh) | 处理图像的方法及装置 | |
CN108108671A (zh) | 产品说明信息获取方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170201 |
|
RJ01 | Rejection of invention patent application after publication |