CN109740658A - 一种基于带权图的半监督图像分类方法 - Google Patents
一种基于带权图的半监督图像分类方法 Download PDFInfo
- Publication number
- CN109740658A CN109740658A CN201811617249.1A CN201811617249A CN109740658A CN 109740658 A CN109740658 A CN 109740658A CN 201811617249 A CN201811617249 A CN 201811617249A CN 109740658 A CN109740658 A CN 109740658A
- Authority
- CN
- China
- Prior art keywords
- image
- classified
- value
- block
- classification
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了图像分类技术领域的一种基于带权图的半监督图像分类方法,该方法步骤如下:步骤一:图像预存;步骤二:预存图像预处理;步骤三:预存图像特征值采集;步骤四:待分类图像预处理;步骤五:待分类图像特征值采集;步骤六:图像对比;步骤七:标签传递;步骤八:图像分类,本方法根据灰度差异值的和距离0的偏移来分辨已标注图像和未标注图像的差异度,无需通过长度、曲线等特征值进行对比,提高图像分类精度高和分类速度,此外本方法对分类后的图像进行存储,对图像集合进行扩充,提高图像集合的容量。
Description
技术领域
本发明公开了一种基于带权图的半监督图像分类方法,具体为图像分类技术领域。
背景技术
数字图像是指以数字形式记录的图像信息。随着计算机科学和网络技术的发展,数字图像的数量正在以惊人的速度急剧增长,并且在人们日常生活中发挥着日益重要的作用。为了更好地处理和利用海量数字图像中包含的信息,需要对数字图像进行合理的分类。完全依靠人工对图像进行分类的方法费时费力,而且分类结果会受到分类人员主观性的影响。为了提高图像分类的速度和精度,基于内容的图像分类技术应运而生,基于内容的图像分类的基本框架是:给定若干已经确定了其所属类别的图像和若干没有确定其所属类别的图像,在使用计算机自动抽取图像底层视觉特征的基础上,设计合适的分类方法,判断未标注图像所属的类别,基于区域的图像分类技术可以分为监督学习和半监督学习两大类。二者的主要区别在于:在分类器设计的过程中,监督学习方法着眼于充分利用已标注图像中的信息,而半监督学习方法则同时挖掘已标注图像和未标注图像中的信息。由于对未标注图像中蕴含的信息进行了合理利用,所以,一般来说,半监督图像分类技术可以取得更好的分类结果。在实际中,图像标注的工作通常需要人工来完成,已标注图像的数量往往是十分有限的;而相对而言,未标注图像的数量要多得多,在实际中,图像标注的工作通常需要人工来完成,已标注图像的数量往往是十分有限的;而相对而言,未标注图像的数量要多得多。只使用很少的已标注图像进行训练时,监督学习得到的分类器的性能往往是不稳定的,且一般不具有很好的推广能力。因此,监督图像分类技术的应用受到了很大的限制,而半监督图像分类技术往往更具实用价值,现有的图像分类大多采用特征数据进行分类,图像分类错误率高,图像分类速度慢。
发明内容
本发明的目的在于提供一种基于带权图的半监督图像分类方法,以解决上述背景技术中提出的现有的图像分类大多采用特征数据进行分类,图像分类错误率高,图像分类速度慢的问题。
为实现上述目的,本发明提供如下技术方案:一种基于带权图的半监督图像分类方法,该方法步骤如下:
步骤一:图像预存:将带有标签图像集合存储至存储器中;
步骤二:预存图像预处理:对步骤一中的预存图像进行灰度处理后提取后特征值;
步骤三:预存图像特征值采集:将步骤二中的图像特征值分割成图像块,依次采集各图像块中的灰度值;
步骤四:待分类图像预处理:对待分类图像进行灰度处理后提取特征值;
步骤五:待分类图像特征值采集:将步骤四中的待分类图像特征值分割成图像块,依次采集各图像块中的灰度值;
步骤六:图像对比:将步骤五中的待分类图像的各图像块灰度值与预存带有标签图像的相对应的各图块灰度值逐个像素进行比较,构建带权图,将差异值全部相加,得到待分类图像特征值与预存图像特征值的相似度,
待分类图像和对比图像均有n个图像块,各图像块的灰度值分别为a1、a2、a3、……an,b1、b2、b3、……bn,a和b均为常数,
相似度
步骤七:标签传递:将与待分类的图像相似的预存图像的标签传递标记;
步骤八:图像分类:根据待分类图像的标签进行分类存储。
优选的,所述步骤三中预存图像分割块数与步骤五中待分类图像分割块数相同。
优选的,所述步骤三中的灰度值和步骤五中的灰度值范围相同。
优选的,所述灰度值的范围为0~255。
优选的,所述步骤六中图像对比采用待分类图像各图像块的灰度值减预存分类图像相对应各图像块灰度值或预存分类图像各图像块灰度值减待分类图像相对应各图像块的灰度值的一种。
与现有技术相比,本发明的有益效果是:本方法对已标注的图像和未标注的图像进行灰度处理后提取特征值,并对图像特征值进行分割成图像块,采集图像块中的灰度值,将已标注的图像块灰度值和未标注的图像块灰度值进行比较,对各图像块的灰度差异值进行相加,根据灰度差异值的和距离0的偏移来分辨已标注图像和未标注图像的差异度,无需通过长度、曲线等特征值进行对比,提高图像分类精度高和分类速度,此外本方法对分类后的图像进行存储,对图像集合进行扩充,提高图像集合的容量。
附图说明
图1为本发明图像分类流程图。
具体实施方式
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,所描述的实施例仅仅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做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。
请参阅图1,本发明提供一种技术方案:一种基于带权图的半监督图像分类方法,该方法步骤如下:
步骤一:图像预存:将带有标签图像集合存储至存储器中;
步骤二:预存图像预处理:对步骤一中的预存图像进行灰度处理后提取后特征值;
步骤三:预存图像特征值采集:将步骤二中的图像特征值分割成图像块,依次采集各图像块中的灰度值;
步骤四:待分类图像预处理:对待分类图像进行灰度处理后提取特征值;
步骤五:待分类图像特征值采集:将步骤四中的待分类图像特征值分割成图像块,依次采集各图像块中的灰度值;
步骤六:图像对比:将步骤五中的待分类图像的各图像块灰度值与预存带有标签图像的相对应的各图块灰度值逐个像素进行比较,构建带权图,将差异值全部相加,得到待分类图像特征值与预存图像特征值的相似度,
待分类图像和对比图像均有n个图像块,各图像块的灰度值分别为a1、a2、a3、……an,b1、b2、b3、……bn,a和b均为常数,
相似度
步骤七:标签传递:将与待分类的图像相似的预存图像的标签传递标记;
步骤八:图像分类:根据待分类图像的标签进行分类存储。
其中,步骤三中预存图像分割块数与步骤五中待分类图像分割块数相同,便于各自相对应图像块对比,步骤三中的灰度值和步骤五中的灰度值范围相同,灰度值的范围为0~255,采用二进制灰度值范围,降低图像块灰度值对比难度,提高图像分类速度,降低步骤六中图像对比采用待分类图像各图像块的灰度值减预存分类图像相对应各图像块灰度值或预存分类图像各图像块灰度值减待分类图像相对应各图像块的灰度值的一种。
实施例
步骤一:图像预存:将带有标签图像集合存储至存储器中;
步骤二:预存图像预处理:对步骤一中的预存图像进行灰度处理后提取后特征值;
步骤三:预存图像特征值采集:将步骤二中的图像特征值分割成图像块,依次采集各图像块中的灰度值;
步骤四:待分类图像预处理:对待分类图像进行灰度处理后提取特征值;
步骤五:待分类图像特征值采集:将步骤四中的待分类图像特征值分割成图像块,依次采集各图像块中的灰度值;
步骤六:图像对比:将步骤五中的待分类图像的各图像块灰度值与预存带有标签图像的相对应的各图块灰度值逐个像素进行比较,构建带权图,将差异值全部相加,得到待分类图像特征值与预存图像特征值的相似度,
待分类图像和对比图像均有n个图像块,各图像块的灰度值分别为a1、a2、a3、……an,b1、b2、b3、……bn,a和b均为常数,
相似度
步骤七:标签传递:将与待分类的图像相似的预存图像的标签传递标记;
步骤八:图像分类:根据待分类图像的标签进行分类存储。
相似度d=28.5>10
待分类图像与预存图像的一张不相似
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于带权图的半监督图像分类方法,其特征在于:该方法步骤如下:
步骤一:图像预存:将带有标签图像集合存储至存储器中;
步骤二:预存图像预处理:对步骤一中的预存图像进行灰度处理后提取后特征值;
步骤三:预存图像特征值采集:将步骤二中的图像特征值分割成图像块,依次采集各图像块中的灰度值;
步骤四:待分类图像预处理:对待分类图像进行灰度处理后提取特征值;
步骤五:待分类图像特征值采集:将步骤四中的待分类图像特征值分割成图像块,依次采集各图像块中的灰度值;
步骤六:图像对比:将步骤五中的待分类图像的各图像块灰度值与预存带有标签图像的相对应的各图块灰度值逐个像素进行比较,构建带权图,将差异值全部相加,得到待分类图像特征值与预存图像特征值的相似度,
待分类图像和对比图像均有n个图像块,各图像块的灰度值分别为a1、a2、a3、……an,b1、b2、b3、……bn,a和b均为常数,
相似度
步骤七:标签传递:将与待分类的图像相似的预存图像的标签传递标记;
步骤八:图像分类:根据待分类图像的标签进行分类存储。
2.根据权利要求1所述的一种基于带权图的半监督图像分类方法,其特征在于:所述步骤三中预存图像分割块数与步骤五中待分类图像分割块数相同。
3.根据权利要求1所述的一种基于带权图的半监督图像分类方法,其特征在于:所述步骤三中的灰度值和步骤五中的灰度值范围相同。
4.根据权利要求3所述的一种基于带权图的半监督图像分类方法,其特征在于:所述灰度值的范围为0~255。
5.根据权利要求1所述的一种基于带权图的半监督图像分类方法,其特征在于:所述步骤六中图像对比采用待分类图像各图像块的灰度值减预存分类图像相对应各图像块灰度值或预存分类图像各图像块灰度值减待分类图像相对应各图像块的灰度值的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811617249.1A CN109740658B (zh) | 2018-12-28 | 2018-12-28 | 一种基于带权图的半监督图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811617249.1A CN109740658B (zh) | 2018-12-28 | 2018-12-28 | 一种基于带权图的半监督图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740658A true CN109740658A (zh) | 2019-05-10 |
CN109740658B CN109740658B (zh) | 2023-04-18 |
Family
ID=66361628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811617249.1A Active CN109740658B (zh) | 2018-12-28 | 2018-12-28 | 一种基于带权图的半监督图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740658B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096825A (zh) * | 2011-03-23 | 2011-06-15 | 西安电子科技大学 | 基于图的半监督高光谱遥感图像分类方法 |
CN103198470A (zh) * | 2013-02-26 | 2013-07-10 | 清华大学 | 图像的分割方法及系统 |
US20140328537A1 (en) * | 2011-09-14 | 2014-11-06 | Eads Deutschland Gmbh | Automatic Learning Method for the Automatic Learning of Forms of Appearance of Objects in Images |
CN104599275A (zh) * | 2015-01-27 | 2015-05-06 | 浙江大学 | 基于概率图模型的非参数化的rgb-d场景理解方法 |
CN104933442A (zh) * | 2015-06-16 | 2015-09-23 | 陕西师范大学 | 一种基于最小代价路径进行图像标签传播的方法 |
CN105931253A (zh) * | 2016-05-16 | 2016-09-07 | 陕西师范大学 | 一种基于半监督学习相结合的图像分割方法 |
-
2018
- 2018-12-28 CN CN201811617249.1A patent/CN109740658B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096825A (zh) * | 2011-03-23 | 2011-06-15 | 西安电子科技大学 | 基于图的半监督高光谱遥感图像分类方法 |
US20140328537A1 (en) * | 2011-09-14 | 2014-11-06 | Eads Deutschland Gmbh | Automatic Learning Method for the Automatic Learning of Forms of Appearance of Objects in Images |
CN103198470A (zh) * | 2013-02-26 | 2013-07-10 | 清华大学 | 图像的分割方法及系统 |
CN104599275A (zh) * | 2015-01-27 | 2015-05-06 | 浙江大学 | 基于概率图模型的非参数化的rgb-d场景理解方法 |
CN104933442A (zh) * | 2015-06-16 | 2015-09-23 | 陕西师范大学 | 一种基于最小代价路径进行图像标签传播的方法 |
CN105931253A (zh) * | 2016-05-16 | 2016-09-07 | 陕西师范大学 | 一种基于半监督学习相结合的图像分割方法 |
Non-Patent Citations (4)
Title |
---|
李爽: "基于多特征融合和深度学习的图像分类算法", 《河南科技学院学报(自然科学版)》 * |
王娜娜等: "提取目标区域词袋特征的图像分类方法", 《计算机工程与应用》 * |
王朔琛等: "参数自适应的半监督复合核支持向量机图像分类", 《计算机应用》 * |
黄茜等: "一种改进的基于图论的图像分割方法", 《科学技术与工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109740658B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arboleda et al. | Classification of coffee bean species using image processing, artificial neural network and K nearest neighbors | |
CN105005786A (zh) | 一种基于BoF和多特征融合的纹理图像分类方法 | |
CN104778470B (zh) | 基于组件树和霍夫森林的文字检测和识别方法 | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
CN104408449B (zh) | 智能移动终端场景文字处理方法 | |
CN109376796A (zh) | 基于主动半监督学习的图像分类方法 | |
CN108197538A (zh) | 一种基于局部特征和深度学习的卡口车辆检索系统及方法 | |
CN107408212A (zh) | 用于识别存储在设备上的不需要的照片的系统和方法 | |
CN105488809A (zh) | 基于rgbd描述符的室内场景语义分割方法 | |
CN107045640A (zh) | 一种用于图像识别的基于邻域保持和核子空间对齐的方法 | |
CN110533057A (zh) | 一种单样本与少样本场景下的汉字验证码识别方法 | |
CN109993201A (zh) | 一种图像处理方法、装置和可读存储介质 | |
CN103853724A (zh) | 多媒体数据分类方法及装置 | |
CN104361357B (zh) | 基于图片内容分析的相片集分类系统及分类方法 | |
CN102385592A (zh) | 图像概念的检测方法和装置 | |
CN115393664A (zh) | 一种用于目标检测的主动学习样本挑选方法 | |
CN110503140A (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
CN109213886A (zh) | 基于图像分割和模糊模式识别的图像检索方法及系统 | |
CN108509950A (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN110222217B (zh) | 一种基于分段加权的鞋印图像检索方法 | |
CN104866850B (zh) | 一种文本图像二值化的优化方法 | |
Hang et al. | Bluefield (KDE TUT) at LifeCLEF 2016 Plant Identification Task. | |
CN108596244A (zh) | 一种基于光谱角度密度峰值的高光谱图像标签噪声检测方法 | |
CN106250396B (zh) | 一种图像标签自动生成系统及方法 | |
CN109741351A (zh) | 一种基于深度学习的类别敏感型边缘检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |