CN110163277B - 基于原色分解的图像识别训练方法、图像识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于原色分解的图像识别训练方法、图像识别方法及系统。本发明将获取的图像进行RGB三原色分解，并对每个原色图像的识别结果通过两重回归分析进行深度学习，生成三原色的特征识别模型，并通过不断的迭代训练对模型进行更新，不断优化更新更新三原色回归分析方程，从而达到最优的识别效果。利用本发明能够大大提高彩色图像的识别准确率，对对特征多样和非常见类型的图像识别准确率有明显改善，能够广泛应用于特征多样和非常见类型的图像多的农业病虫害识别等领域。

Description

基于原色分解的图像识别训练方法、图像识别方法及系统

技术领域

本发明涉及图像识别技术，尤其涉及一种基于原色分解的图像识别训练方法、图像识别方法及系统。

背景技术

随着科学技术的提升和进步，图像识别技术也日渐完善且应用越来越广泛。现有的图像识别技术多种多样，包括人脸识别、车牌识别等基于固定特征的图像识别，以及基于深度学习的图像识别等。其中，基于固定特征的图像识别技术虽完善，但对特征多样的图像的识别还是空白或准确率不高；基于深度学习的图像识别技术虽然可以进行特征多样的图像识别训练，但因特征图像多样化，随机采样需要的样本过多，且最后得到的识别准确率也不高。

发明内容

本发明主要目的在于，提供一种基于原色分解的图像识别训练方法、图像识别方法及系统，以解决现有图像识别技术对具有多样化特征的图像识别准确率不高的问题。

本发明是通过如下技术方案实现的：

一种基于原色分解的图像识别训练方法，包括如下步骤：

步骤S1：输入用于对目标特征进行识别训练的训练图像；

步骤S2：根据所述训练图像聚焦的虚化程度，截取所述训练图像中聚焦清晰的部分；

步骤S3：将所述聚焦清晰的部分按三原色分解成三张原色图像；所述三张原色图像包括红原色图像、绿原色图像和蓝原色图像；

步骤S4：基于特征库中预存的各原色图像特征，对每张原色图像进行目标特征识别，并对识别出的所有子特征进行一重回归分析，得到每张原色图像的特征识别结果；

步骤S5：对得到的三张原色图像的特征识别结果再次进行二重回归分析，以对各原色的影响因子进行修正，从而对前轮回归分析得到的目标特征的红原色特征识别模型、绿原色特征识别模型和蓝原色特征识别模型进行更新；

步骤S6：根据更新后的所述目标特征的红原色特征识别模型、绿原色特征识别模型和蓝原色特征识别模型，生成更新的目标特征的三原色回归分析方程；

步骤S7：判断是否还有训练图像未训练，如有，则返回步骤S1，否则结束识别训练流程；

所述一重回归分析的方程为：

μ′＝k₁μ₁+k₂μ₂+...+k_nμ_n+k₀

其中，μ′为输入的图像的原色图像与特征库中预存的对应原色特征的总相似度，k_n表示子特征n的影响因子，μ_n表示输入的图像的原色图像中的子特征n与特征库中预存的对应子特征的相似度，k₀表示相似度调节常数，k₁+k₂+...+k_n＝1；

所述二重回归分析的方程为：

μ＝k_Rμ_R+k_Gμ_G+k_Bμ_B+k₀

其中，μ为输入的图像中的特征与特征库中预存的目标特征的总相似度；k_R为红原色的影响因子；μ_R为红原色图像与特征库中预存的红原色目标特征的相似度；k_G为绿原色的影响因子；μ_G为绿原色图像与特征库中预存的绿原色目标特征的相似度；k_B为蓝原色的影响因子；μ_B为蓝原色图像与特征库中预存的蓝原色目标特征的相似度；k₀为相似度调节常数；k_R+k_G+k_B＝1。

一种图像识别方法，包括如下步骤：

步骤1：输入目标图像；

步骤2：根据所述目标图像聚焦的虚化程度，截取所述目标图像中聚焦清晰的部分；

步骤3：将所述聚焦清晰的部分按三原色分解成三张原色图像；所述三张原色图像包括红原色图像、绿原色图像和蓝原色图像；

步骤4：将所述目标图像的三张原色图像分别与特征库中预存的各原色图像进行特征比对，得到每张原色图像与特征库中对应的原色图像的特征的相似度；

步骤5：将得到的各张原色图像与特征库中对应的原色图像的特征的相似度数据代入通过上述图像识别训练方法训练得到的三原色回归分析方程，得到对所述目标图像的目标特征识别结果。

进一步地，所述方法还包括：

步骤6：当确认所述目标图像确实具有所述目标特征时，对所述目标图像的目标特征识别结果进行一重回归分析，并对分析得到的识别结果再次进行二重回归分析，并据此对所述三原色回归分析方程中各原色的影响因子进行修正。

一种基于原色分解的图像识别训练系统，包括：

训练图像输入模块，用于输入用于对目标特征进行识别训练的训练图像；

训练图像截取模块，用于根据所述训练图像聚焦的虚化程度，截取所述训练图像中聚焦清晰的部分；

训练图像分解模块，用于将所述聚焦清晰的部分按三原色分解成三张原色图像；所述三张原色图像包括红原色图像、绿原色图像和蓝原色图像；

一重回归分析模块，用于基于特征库中预存的各原色图像特征，对每张原色图像进行目标特征识别，并对识别出的所有子特征进行一重回归分析，得到每张原色图像的特征识别结果；

二重回归分析模块，用于对得到的三张原色图像的特征识别结果再次进行二重回归分析，以对各原色的影响因子进行修正，从而对前轮回归分析得到的目标特征的红原色特征识别模型、绿原色特征识别模型和蓝原色特征识别模型进行更新；

回归方程更新模块，用于根据更新后的所述目标特征的红原色特征识别模型、绿原色特征识别模型和蓝原色特征识别模型，生成更新的目标特征的三原色回归分析方程；

迭代训练执行模块，用于判断是否还有训练图像未训练，如有，则跳转至所述训练图像输入模块，否则结束识别训练流程；

所述一重回归分析的方程为：

μ′＝k₁μ₁+k₂μ₂+...+k_nμ_n+k₀

其中，μ′为输入的图像的原色图像与特征库中预存的对应原色特征的总相似度，k_n表示子特征n的影响因子，μ_n表示输入的图像的原色图像中的子特征n与特征库中预存的对应子特征的相似度，k₀表示相似度调节常数，k₁+k₂+...+k_n＝1；

所述二重回归分析的方程为：

μ＝k_Rμ_R+k_Gμ_G+k_Bμ_B+k₀

其中，μ为输入的图像中的特征与特征库中预存的目标特征的总相似度；k_R为红原色的影响因子；μ_R为红原色图像与特征库中预存的红原色目标特征的相似度；k_G为绿原色的影响因子；μ_G为绿原色图像与特征库中预存的绿原色目标特征的相似度；k_B为蓝原色的影响因子；μ_B为蓝原色图像与特征库中预存的蓝原色目标特征的相似度；k₀为相似度调节常数；k_R+k_G+k_B＝1。

一种图像识别系统，包括：

目标图像输入模块，用于输入目标图像；

目标图像截取模块，用于根据所述目标图像聚焦的虚化程度，截取所述目标图像中聚焦清晰的部分；

目标图像分解模块，用于将所述聚焦清晰的部分按三原色分解成三张原色图像；所述三张原色图像包括红原色图像、绿原色图像和蓝原色图像；

相似度分析模块，将所述目标图像的三张原色图像分别与特征库中预存的各原色图像进行特征比对，得到每张原色图像与特征库中对应的原色图像的特征的相似度；

识别结果输出模块，用于将得到的各张原色图像与特征库中对应的原色图像的特征的相似度数据代入通过上述图像识别训练系统训练得到的三原色回归分析方程，得到对所述目标图像的目标特征识别结果。

进一步地，所述系统还包括：

回归分析模块，用于当确认所述目标图像确实具有所述目标特征时，对所述目标图像的目标特征识别结果进行一重回归分析，并对分析得到的识别结果再次进行二重回归分析，并据此对所述三原色回归分析方程中各原色的影响因子进行修正。

与现有技术相比，本发明将获取的图像进行RGB三原色分解，并对每个原色图像的识别结果通过两重回归分析进行深度学习，生成三原色的特征识别模型，并通过不断的迭代训练对模型进行更新，不断优化更新更新三原色回归分析方程，从而达到最优的识别效果。利用本发明能够大大提高彩色图像的识别准确率，对对特征多样和非常见类型的图像识别准确率有明显改善，能够广泛应用于特征多样和非常见类型的图像多的农业病虫害识别等领域。

附图说明

图1是本发明实施例基于原色分解的图像识别训练方法的流程示意图；

图2是本发明实施例图像识别方法的流程示意图；

图3是本发明实施例基于原色分解的图像识别训练系统的组成原理示意图；

图4是本发明实施例图像识别系统的组成原理示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步详细说明。

本发明第一实施例提供的基于原色分解的图像识别训练方法。如图1所示，该图像识别训练方法包括如下步骤：

步骤S1：输入用于对目标特征进行识别训练的训练图像。训练图像应选择那些确实具有目标特征的图像作为训练图像。目标特征可以只有一个，也可以有多个。

步骤S2：根据训练图像聚焦的虚化程度，截取训练图像中聚焦清晰的部分。

步骤S3：将聚焦清晰的部分按三原色分解成三张原色图像。这三张原色图像包括红原色图像、绿原色图像和蓝原色图像

步骤S4：基于特征库中预存的各原色图像特征，对每张原色图像进行目标特征识别，并对识别出的所有子特征进行一重回归分析，得到每张原色图像的特征识别结果。

步骤S5：对得到的三张原色图像的特征识别结果再次进行二重回归分析，以对各原色的影响因子进行修正，从而对前轮回归分析得到的目标特征的红原色特征识别模型、绿原色特征识别模型和蓝原色特征识别模型进行更新。

步骤S6：根据更新后的目标特征的红原色特征识别模型、绿原色特征识别模型和蓝原色特征识别模型，生成更新的目标特征的三原色回归分析方程。

步骤S7：判断是否还有训练图像未训练，如有，则返回步骤S1，否则结束识别训练流程。结束识别训练流程后，即得到了训练完成的目标特征的红原色特征识别模型、绿原色特征识别模型和蓝原色特征识别模型，以及据此得到的三原色回归分析方程。本实施例中，一重回归分析的方程为：

μ′＝k₁μ₁+k₂μ₂+...+k_nμ_n+k₀

其中，μ′为输入的图像的原色图像与特征库中预存的对应原色特征的总相似度，k_n表示子特征n的影响因子，μ_n表示输入的图像的原色图像中的子特征n与特征库中预存的对应子特征的相似度，k₀表示相似度调节常数，k₁+k₂+...+k_n＝1。

二重回归分析的方程为：

μ＝k_Rμ_R+k_Gμ_G+k_Bμ_B+k₀

其中，μ为输入的图像中的特征与特征库中预存的目标特征的总相似度；k_R为红原色的影响因子；μ_R为红原色图像与特征库中预存的红原色目标特征的相似度；k_G为绿原色的影响因子；μ_G为绿原色图像与特征库中预存的绿原色目标特征的相似度；k_B为蓝原色的影响因子；μ_B为蓝原色图像与特征库中预存的蓝原色目标特征的相似度；k₀为相似度调节常数；k_R+k_G+k_B＝1。

通过上述训练方法训练得到目标特征的红原色特征识别模型、绿原色特征识别模型和蓝原色特征识别模型，并据此生成了三原色回归分析方程。基于得到的红原色特征识别模型、绿原色特征识别模型、蓝原色特征识别模型和三原色回归分析方程，可对拍摄的各种目标图像进行目标特征识别，以判断目标图像中是否具有目标特征。据此本发明第二实施例提出了一种图像识别方法。如图2所示，该图像识别方法包括如下步骤：

步骤1：输入目标图像；

步骤2：根据目标图像聚焦的虚化程度，截取目标图像中聚焦清晰的部分；

步骤3：将聚焦清晰的部分按三原色分解成三张原色图像；三张原色图像包括红原色图像、绿原色图像和蓝原色图像；

步骤4：将目标图像的三张原色图像分别与特征库中预存的各原色图像进行特征比对，得到每张原色图像与特征库中对应的原色图像的特征的相似度；

步骤5：将得到的各张原色图像与特征库中对应的原色图像的特征的相似度数据代入通过上述图像识别训练方法训练得到的三原色回归分析方程，得到对目标图像的目标特征识别结果。

可通过终端拍摄或图片上传的方式输入目标图像。步骤1、步骤2和步骤3与训练方法中的步骤S1、步骤S2和步骤S3基本一致，只不过两者针对的对象，一个是训练图像，一个是需要识别的目标图像。

本实施例中，图像识别方法还可包括：

步骤6：当确认目标图像确实具有目标特征时，对目标图像的目标特征识别结果进行一重回归分析，并对分析得到的识别结果再次进行二重回归分析，并据此对三原色回归分析方程中各原色的影响因子进行修正。

可通过专家对步骤5的识别结果进行人工判定，如果判定识别结果为目标图像中确有目标特征时，可执行步骤6，对识别结果进行进一步回归分析，以对三原色回归分析方程中各原色的影响因子进行修正。通过在每次识别目标图像的过程中不断优化该三原色回归分析方程，以实现更优的图像特征识别准确率。

基于上述训练方法，本发明第三实施例提供了一种基于原色分解的图像识别训练系统。如图3所示，该图像识别训练系统包括：

训练图像输入模块1，用于输入用于对目标特征进行识别训练的训练图像；

训练图像截取模块2，用于根据训练图像聚焦的虚化程度，截取训练图像中聚焦清晰的部分；

训练图像分解模块3，用于将聚焦清晰的部分按三原色分解成三张原色图像；三张原色图像包括红原色图像、绿原色图像和蓝原色图像；

一重回归分析模块4，用于基于特征库中预存的各原色图像特征，对每张原色图像进行目标特征识别，并对识别出的所有子特征进行一重回归分析，得到每张原色图像的特征识别结果；

二重回归分析模块5，用于对得到的三张原色图像的特征识别结果再次进行二重回归分析，以对各原色的影响因子进行修正，从而对前轮回归分析得到的目标特征的红原色特征识别模型、绿原色特征识别模型和蓝原色特征识别模型进行更新；

回归方程更新模块6，用于根据更新后的目标特征的红原色特征识别模型、绿原色特征识别模型和蓝原色特征识别模型，生成更新的目标特征的三原色回归分析方程；

迭代训练执行模块7，用于判断是否还有训练图像未训练，如有，则跳转至训练图像输入模块1，否则结束识别训练流程。

本实施例中，一重回归分析的方程为：

μ′＝k₁μ₁+k₂μ₂+...+k_nμ_n+k₀

其中，μ′为输入的图像的原色图像与特征库中预存的对应原色特征的总相似度，k_n表示子特征n的影响因子，μ_n表示输入的图像的原色图像中的子特征n与特征库中预存的对应子特征的相似度，k₀表示相似度调节常数，k₁+k₂+...+k_n＝1。

本实施例中，二重回归分析的方程为：

μ＝k_Rμ_R+k_Gμ_G+k_Bμ_B+k₀

其中，μ为输入的图像中的特征与特征库中预存的目标特征的总相似度；k_R为红原色的影响因子；μ_R为红原色图像与特征库中预存的红原色目标特征的相似度；k_G为绿原色的影响因子；μ_G为绿原色图像与特征库中预存的绿原色目标特征的相似度；k_B为蓝原色的影响因子；μ_B为蓝原色图像与特征库中预存的蓝原色目标特征的相似度；k₀为相似度调节常数；k_R+k_G+k_B＝1。

本发明第四实施例还提供了一种图像识别系统。如图4所示，该图像识别系统包括：

目标图像输入模块8，用于输入目标图像；

目标图像截取模块9，用于根据目标图像聚焦的虚化程度，截取目标图像中聚焦清晰的部分；

目标图像分解模块10，用于将聚焦清晰的部分按三原色分解成三张原色图像；三张原色图像包括红原色图像、绿原色图像和蓝原色图像；

相似度分析模块11，将目标图像的三张原色图像分别与特征库中预存的各原色图像进行特征比对，得到每张原色图像与特征库中对应的原色图像的特征的相似度；

识别结果输出模块12，用于将得到的各张原色图像与特征库中对应的原色图像的特征的相似度数据代入通过上述图像识别训练系统训练得到的三原色回归分析方程，得到对目标图像的目标特征识别结果。

本实施例中，该图像识别训练系统还包括：

回归分析模块，用于当确认目标图像确实具有目标特征时，对目标图像的目标特征识别结果进行一重回归分析，并对分析得到的识别结果再次进行二重回归分析，并据此对三原色回归分析方程中各原色的影响因子进行修正。

该图像识别训练系统和图像识别系统中的各模块与上述图像识别训练方法和图像识别方法中的各流程是一一对应的，在此不做赘述。

本发明第五实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现上述图像识别训练方法或图像识别方法。该计算机可读存储介质可以是U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。本发明第六实施例还提供了一种电子装置，该电子装置包括存储器、处理器及存储在存储器中并可在处理器中运行的计算机程序，处理器执行计算机程序时，实现上述图像识别训练方法或图像识别方法。

上述实施例仅为优选实施例，并不用以限制本发明的保护范围，在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于原色分解的图像识别训练方法，其特征在于，包括如下步骤：

步骤S1：输入用于对目标特征进行识别训练的训练图像；

步骤S2：根据所述训练图像聚焦的虚化程度，截取所述训练图像中聚焦清晰的部分；

步骤S3：将所述聚焦清晰的部分按三原色分解成三张原色图像；所述三张原色图像包括红原色图像、绿原色图像和蓝原色图像；

步骤S4：基于特征库中预存的各原色图像特征，对每张原色图像进行目标特征识别，并对识别出的所有子特征进行一重回归分析，得到每张原色图像的特征识别结果；

步骤S5：对得到的三张原色图像的特征识别结果再次进行二重回归分析，以对各原色的影响因子进行修正，从而对前轮回归分析得到的目标特征的红原色特征识别模型、绿原色特征识别模型和蓝原色特征识别模型进行更新；

步骤S6：根据更新后的所述目标特征的红原色特征识别模型、绿原色特征识别模型和蓝原色特征识别模型，生成更新的目标特征的三原色回归分析方程；

步骤S7：判断是否还有训练图像未训练，如有，则返回步骤S1，否则结束识别训练流程；

所述一重回归分析的方程为：

μ′＝k₁μ₁+k₂μ₂+…+k_nμ_n+k₀

其中，μ′为输入的图像的原色图像与特征库中预存的对应原色特征的总相似度，k_n表示子特征n的影响因子，μ_n表示输入的图像的原色图像中的子特征n与特征库中预存的对应子特征的相似度，k₀表示相似度调节常数，k₁+k₂+…+k_n＝1；

所述二重回归分析的方程为：

μ＝k_Rμ_R+k_Gμ_G+k_Bμ_B+k₀

其中，μ为输入的图像中的特征与特征库中预存的目标特征的总相似度；k_R为红原色的影响因子；μ_R为红原色图像与特征库中预存的红原色目标特征的相似度；k_G为绿原色的影响因子；μ_G为绿原色图像与特征库中预存的绿原色目标特征的相似度；k_B为蓝原色的影响因子；μ_B为蓝原色图像与特征库中预存的蓝原色目标特征的相似度；k₀为相似度调节常数；k_R+k_G+k_B＝1。

2.一种图像识别方法，其特征在于，包括如下步骤：

步骤1：输入目标图像；

步骤2：根据所述目标图像聚焦的虚化程度，截取所述目标图像中聚焦清晰的部分；

步骤3：将所述聚焦清晰的部分按三原色分解成三张原色图像；所述三张原色图像包括红原色图像、绿原色图像和蓝原色图像；

步骤4：将所述目标图像的三张原色图像分别与特征库中预存的各原色图像进行特征比对，得到每张原色图像与特征库中对应的原色图像的特征的相似度；

步骤5：将得到的各张原色图像与特征库中对应的原色图像的特征的相似度数据代入通过权利要求1所述的图像识别训练方法训练得到的三原色回归分析方程，得到对所述目标图像的目标特征识别结果。

3.如权利要求2所述的图像识别方法，其特征在于，还包括：

步骤6：当确认所述目标图像确实具有所述目标特征时，对所述目标图像的目标特征识别结果进行一重回归分析，并对分析得到的识别结果再次进行二重回归分析，并据此对所述三原色回归分析方程中各原色的影响因子进行修正。

4.一种基于原色分解的图像识别训练系统，其特征在于，包括：

训练图像输入模块，用于输入用于对目标特征进行识别训练的训练图像；

训练图像截取模块，用于根据所述训练图像聚焦的虚化程度，截取所述训练图像中聚焦清晰的部分；

训练图像分解模块，用于将所述聚焦清晰的部分按三原色分解成三张原色图像；所述三张原色图像包括红原色图像、绿原色图像和蓝原色图像；

一重回归分析模块，用于基于特征库中预存的各原色图像特征，对每张原色图像进行目标特征识别，并对识别出的所有子特征进行一重回归分析，得到每张原色图像的特征识别结果；

二重回归分析模块，用于对得到的三张原色图像的特征识别结果再次进行二重回归分析，以对各原色的影响因子进行修正，从而对前轮回归分析得到的目标特征的红原色特征识别模型、绿原色特征识别模型和蓝原色特征识别模型进行更新；

回归方程更新模块，用于根据更新后的所述目标特征的红原色特征识别模型、绿原色特征识别模型和蓝原色特征识别模型，生成更新的目标特征的三原色回归分析方程；

迭代训练执行模块，用于判断是否还有训练图像未训练，如有，则跳转至所述训练图像输入模块，否则结束识别训练流程；

所述一重回归分析的方程为：

μ′＝k₁μ₁+k₂μ₂+…+k_nμ_n+k₀

其中，μ′为输入的图像的原色图像与特征库中预存的对应原色特征的总相似度，k_n表示子特征n的影响因子，μ_n表示输入的图像的原色图像中的子特征n与特征库中预存的对应子特征的相似度，k₀表示相似度调节常数，k₁+k₂+…+k_n＝1；

所述二重回归分析的方程为：

μ＝k_Rμ_R+k_Gμ_G+k_Bμ_B+k₀

其中，μ为输入的图像中的特征与特征库中预存的目标特征的总相似度；k_R为红原色的影响因子；μ_R为红原色图像与特征库中预存的红原色目标特征的相似度；k_G为绿原色的影响因子；μ_G为绿原色图像与特征库中预存的绿原色目标特征的相似度；k_B为蓝原色的影响因子；μ_B为蓝原色图像与特征库中预存的蓝原色目标特征的相似度；k₀为相似度调节常数；k_R+k_G+k_B＝1。

5.一种图像识别系统，其特征在于，包括：

目标图像输入模块，用于输入目标图像；

目标图像截取模块，用于根据所述目标图像聚焦的虚化程度，截取所述目标图像中聚焦清晰的部分；

目标图像分解模块，用于将所述聚焦清晰的部分按三原色分解成三张原色图像；所述三张原色图像包括红原色图像、绿原色图像和蓝原色图像；

相似度分析模块，将所述目标图像的三张原色图像分别与特征库中预存的各原色图像进行特征比对，得到每张原色图像与特征库中对应的原色图像的特征的相似度；

识别结果输出模块，用于将得到的各张原色图像与特征库中对应的原色图像的特征的相似度数据代入通过权利要求4所述的图像识别训练系统训练得到的三原色回归分析方程，得到对所述目标图像的目标特征识别结果。

6.如权利要求5所述的图像识别系统，其特征在于，还包括：

回归分析模块，用于当确认所述目标图像确实具有所述目标特征时，对所述目标图像的目标特征识别结果进行一重回归分析，并对分析得到的识别结果再次进行二重回归分析，并据此对所述三原色回归分析方程中各原色的影响因子进行修正。

Images