CN110309870A

CN110309870A - 一种图像分类的方法

Info

Publication number: CN110309870A
Application number: CN201910564028.0A
Authority: CN
Inventors: 李建强; 李鹏智; 王延安; 谢海华
Original assignee: Beijing University of Technology
Current assignee: Beijing University of Technology
Priority date: 2019-06-24
Filing date: 2019-06-24
Publication date: 2019-10-08

Abstract

一种图像分类的方法属于人工智能的一个重要领域，本发明设计涉及提取图像多种不同的特征，结合多空间图像重建方法形成新的训练样本，增加训练样本对于相应分类特征的显现，不同的特征处理对于不同条件下的分类特征敏感度不同，把多个特征组合起来形成新的RGB图像，然后选取几种不同高精度分类器对样本进行训练。由于不问分类器得到的识别结果之间往往互补性很强，所以将几种分类器的分类结果利用概率进行融合得到最后的识别分类结果，增加对于影响因素复杂多变的图像的分类准确度和灵敏度。

Description

一种图像分类的方法

技术领域

本发明设计提取图像多种不同的特征，结合多空间图像重建方法并且通过概率融合多种高精度分类器得到最终的分类结果来提高影响因素复杂多变的图像分类的准确度和灵敏度。

背景技术

图像分类是人工智能的一个重要领域，根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。

图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是有效的，但由于实际情况非常复杂，传统的分类方法不堪重负。现在比较流行的是基于SVM或者某种CNN模型来进行图像的分类，由于图像的拍摄角度，图像背景，事物形状和光线的变化，所以准确的识别分类还是很困难的。对于存在事物旋转角度、特殊情况下的事物变形、光线强弱以及背景的干扰的图像识别分类的准确性和敏感性有待于提高优化。

发明内容

本发明设计提取图像多种不同的特征，结合多空间图像重建方法形成新的训练样本，增加训练样本对于相应分类特征的显现，不同的特征处理对于不同条件下的分类特征敏感度不同，把多个特征组合起来形成新的RGB图像，然后选取几种不同高精度分类器对样本进行训练。由于不问分类器得到的识别结果之间往往互补性很强，所以将几种分类器的分类结果利用概率进行融合得到最后的识别分类结果，增加对于影响因素复杂多变的图像的分类准确度和灵敏度。

本发明采用了如下的技术方案及实现步骤：

1.本发明设计结合多空间图像重建方法并且通过概率融合多种高精度分类器得到最终的分类结果，其特征在于：包括制作图像训练样本、多空间图像重建生成新的训练样本、数字图像处理以及训练多个高精度分类器和概率融合过程，具体包括以下步骤：

(1)制作图像训练样本：

(1)-1对于一些特殊待分类的数据集图像格式不一定是png或者jpg，所以我们需要先把图像格式转化成png格式或者jpg格式，然后通过相关领域专家标注图像数据集做成训练样本。

(2)多空间图像重建生成新的训练样本：

(2)-1对于待分类的彩色图像需要转换成灰度图像，利用训练样本灰度图像的特点，分别求出其LBP纹理特征和灰度共生矩阵特征(GLCM)(不仅限于这两种特征)

(2)-2将原本的灰度图像看成是一种特征与(2)-1求得的这两种特征组成新的图像。换句话说，重建图像的R、G和B通道分别表示灰度、灰度共生矩阵和LBP特征的图像。

(2)-3重复以上两步操作把(1)步的训练样本变成多空间重建后的新图像训练样本

(3)数字图像处理：

(3)-1由于不同的模型对于输入图像的尺寸大小有所要求，所以我们要将图像缩放处理，将图归一化成统一尺寸。

(4)训练多个高精度分类器和概率融合过程：

(4)-1选取几种高精度分类器模型然后进行训练，比如用新的训练样本分别训练SVM、VGG、ResNet(不仅限于这三种高精度分类器)得到三种分类结果。

(4)-2把多种基分类器的的结果转化成后验概率形式并且归一化，然后分别求出多分类器的决策矩阵、基分类器间的反差总量和权重以及全局分类器决策信息，得到最终的分类结果。

本发明的创造性主要体现在：

由于图像的拍摄角度，图像背景，事物形状和光线的变化，所以通过未处理的图像去训练单一的某种分类器来进行图像分类的方法有一定局限性，对于存在事物旋转角度、特殊情况下的事物变形、光线强弱以及背景的干扰的图像识别分类的准确性和敏感性不足。

本发明通过提取几种不同的图像特征，经过多空间图像重建方法形成新的训练样本，增加训练样本对于相应病变的特征显现，不同的特征处理对于不同条件下的分类特征敏感度不同，把多个特征组合起来形成新的RGB图像，然后选取多种不同高精度分类器对样本进行训练。由于不同分类器得到的识别结果之间往往互补性很强，所以将多种分类器的分类结果利用概率进行融合得到最后的识别分类结果，增加影响因素复杂多变的图像分类的准确度和灵敏度。

附图说明

图1是本发明总体流程框图。

图2是本发明是训练多个高精度分类器和概率融合的子框图。

具体实施方式

(1)制作图像训练样本：

(2)多空间图像重建生成新的训练样本：

(3)数字图像处理：

(4)训练多个高精度分类器和概率融合过程：

(4)-2对于(4)-1选取的分类器作为基分类器，用h_k来表示不同的基分类器(数量不限于三个)；识别任务是m类别问题。各个基本分类器在识别输入样本x时均不同的识别决策输出，因为多分类器结构不同，决策形式也不尽相同，为了便于分析赋予权重，需要把结果进行统一转化成后验概率形式并进行归一化，即有：

h_k(x)＝(p_k(c₁|x),p_k(c₂|x),…,p_k(c_m|x)) (1)

其中，k代表基分类器的个数，c_m代表所属类别，p_k代表x属于类别c_m的概率由(1)式可以得到多分类器的决策矩阵，如下：

然后求各基本分类器决策输出之间的反差总量，计算公式如下式所示：

从式(3)可以看到，j和j’分别代表前一个类别和后一个类别，用于表示基本分类器所有类识别后验概率两两之间均进行了比较分析.通过c(i)容易获取各基本分类器在当前决策融合过程中所获得的权重：

从权重赋值公式(4)可以知道，其中n代表每个分类器，各基本分类器决策输出之间的总反差越大，获融合权重也越大。也就是说，该基本分类器被认定具有较大的决策可信度.获取了各不同基本分类器动态融合权重之后，在多分类器系统中，通过下式(5)来联合所有的基本分类器，并获取全局分类器H的决策信息：

最后，基于这全局分类器H也就是融合决策信息，来做出最终的模式识别决策输出，p_H为x基于全局分类器H进行分到i类的概率，得到最终分类结果，即可以理解为从(6)中挑选最大值，并用该最大值所对应的类别号i来作为识别分类结果输出：

(p_H(c₁|x)，p_H(c₂|x)，…，p_H(c_m|x)) (6)。

Claims

1.一种图像分类的方法，其特征在于包括制作图像训练样本、多空间图像重建生成新的训练样本、数字图像处理以及训练多个高精度分类器和概率融合过程，具体包括以下步骤：

(1)制作图像训练样本：

(1)-1对先把图像格式转化成png格式或者jpg格式，然后通过标注图像数据集做成训练样本；

(2)多空间图像重建生成新的训练样本：

(2)-1对于待分类的彩色图像需要转换成灰度图像，利用训练样本灰度图像，分别求出其LBP纹理特征和灰度共生矩阵特征；

(2)-2将原本的灰度图像看成是一种特征与(2)-1求得的这两种特征组成新的图像，即重建图像的R、G和B通道分别表示灰度、灰度共生矩阵和LBP特征的图像；

(2)-3重复以上两步操作把(1)步的训练样本变成多空间重建后的新图像训练样本；

(3)数字图像处理：

(3)-1要将图像缩放处理，将图归一化成统一尺寸；

(4)训练多个高精度分类器和概率融合过程：

(4)-1选取三种以上高精度分类器模型然后进行训练，得到多种分类结果；

(4)-2把多种分类结果转化成后验概率形式并且归一化，然后分别求出多分类器的决策矩阵、基分类器间的反差总量和权重以及全局分类器决策信息，得到最终的分类结果。

2.根据权利要求1所述的一种图像分类的方法，其特征在于：

(4)-1中选取三种高精度分类器模型然后进行训练，得到三种分类结果；这三种高精度分类器分别为SVM、VGG、ResNet。