CN110991236A - 一种图像分类的方法及相关装置 - Google Patents
一种图像分类的方法及相关装置 Download PDFInfo
- Publication number
- CN110991236A CN110991236A CN201911041029.3A CN201911041029A CN110991236A CN 110991236 A CN110991236 A CN 110991236A CN 201911041029 A CN201911041029 A CN 201911041029A CN 110991236 A CN110991236 A CN 110991236A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- spatial
- spectral
- features
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种图像分类的方法及相关装置,其所使用的图像分类模型,可以提取目标图像的空间特征和光谱特征,二者的结合所构成的空谱特征能够多维度地表征图像的属性信息,故基于该空谱特征对图像进行分类,可以有效提高图像的分类结果准确率,精准辨识图像中的物体。其中,该方法包括:先获取需进行分类的目标图像,该目标图像为基于高光谱图像所生成的图像,然后通过图像分类模型提取目标图像的空间特征和目标图像的光谱特征,再通过图像分类模型根据空间特征和光谱特征构建空谱特征,并通过图像分类模型获取空谱特征的分类结果,最后根据分类结果,确定目标图像所属的类别。
Description
技术领域
本申请涉及人工智能(artificial intelligence,AI)领域,尤其涉及一种图像分类的方法及相关装置。
背景技术
人工智能(artificial intelligence,AI)技术是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能的技术学科,AI技术通过感知环境、获取知识并使用知识获得最佳结果。换句话说,人工智能技术是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。利用人工智能进行图像处理是人工智能常见的一个应用方式。
以监控场景为例进行说明,在该场景中,可通过监控设备获取可见光图像,该可见光图像通常包含有多类物体,例如人,房屋和箱子等等,为了捕捉某一类目标物体以实现监控,可从该可见光图像中选择包含某个物体(或某些物体)的部分图像作为待分类的目标图像,然后通过神经网络提取该目标图像的空间特征(用于表征物体的几何形状、纹理等等),并通过神经网络对该目标图像的空间特征进行分类,进而确定目标图像所属的类别。
上述图像分类过程中,由于仅考虑图像的空间特征,不足以全面地表征图像的所有属性信息,导致对图像的分类结果准确率不高,无法正确辨识图像中的物体。
发明内容
本申请实施例提供了一种图像分类的方法及相关装置,可以有效提高图像的分类结果准确率,精准辨识图像中的物体。
本申请实施例第一方面提供一种图像分类的方法,该方法包括:
若需要进行图像分类,可先获取待进行分类的目标图像,其中,该目标图像为基于多光谱图像所生成的图像;
得到目标图像后,可以先获取图像分类模型,该模型为一种深度网络模型,然后通过图像分类模型提取目标图像的空间特征和目标图像的光谱特征;
得到目标图像的空间特征和光谱特征后,再通过图像分类模型根据空间特征和光谱特征构建空谱特征;
得到空谱特征后,可以通过图像分类模型获取空谱特征的分类结果,该分类结果包括目标图像位于各个类别的概率;
从分类结果中确定目标图像在哪一类别中的概率最高,即可最终确定目标图像所属的类别。
从上述图像分类的方法中,可以看出:该图像分类过程中所使用的图像分类模型,可以提取目标图像的空间特征和光谱特征,二者的结合所构成的空谱特征能够多维度地表征图像的属性信息,故基于该空谱特征对图像进行分类,可以有效提高图像的分类结果准确率,精准辨识图像中的物体。
在第一方面的一种可能的实施方式中,通过图像分类模型提取目标图像的空间特征和目标图像的光谱特征之前,该方法还包括:
获取目标图像的空间信息和目标图像的光谱信息,其中,目标图像的光谱信息为目标图像所构成的一维向量,目标图像的空间信息为目标图像和目标图像的邻域图像所构成的二维向量;
通过图像分类模型提取目标图像的空间特征和目标图像的光谱特征包括:
通过图像分类模型对空间信息和光谱信息分别进行特征提取,得到目标图像的空间特征和目标图像的光谱特征。
在上述实施方式中,可以先提取目标图像的空间信息和光谱信息,并作为图像分类模型的输入,以进一步提取目标图像的空间特征和目标图像的光谱特征,提高了方案的灵活度和可选择性。
在第一方面的一种可能的实施方式中,图像分类模型包括第一分支网络和第二分支网络,第一分支网络包括第一卷积层和第一池化层,第二分支网路包括第二卷积层和第二池化层,通过图像分类模型对空间信息和光谱信息分别进行特征提取,得到目标图像的空间特征和目标图像的光谱特征包括:
通过第一卷积层对光谱信息进行卷积处理,得到目标图像的第一光谱特征;
通过第一池化层对第一光谱特征进行最大池化处理,得到目标图像的第二光谱特征;
通过第二卷积层对空间信息进行卷积处理,得到目标图像的第一空间特征;
通过第二池化层对第一空间特征进行最大池化处理,得到目标图像的第二空间特征。
在上述实施方式中,图像分类模型包含两个分支网络,且第一分支网络和第二分支网络均包括一个卷积层和一个池化层,故可通过第一分支网络的第一卷积层对目标图像的光谱信息进行卷积处理,得到第一光谱特征,然后再通过第一池化层对第一光谱特征进行最大池化处理,得到第二光谱特征,同理,还可通过第二分支网络的第二卷积层对目标图像的空间信息进行卷积处理,得到第一空间特征,然后通过第二池化层对第一空间特征进行最大池化处理,得到第二空间特征,提高了方案的灵活度和可选择性。
在第一方面的一种可能的实施方式中,图像分类模型还包括全连接层,通过图像分类模型根据空间特征和光谱特征构建空谱特征包括:
通过图像分类模型将第二光谱特征和第二空间特征分别进行拉伸处理,得到第三光谱特征和第三空间特征,其中,第三光谱特征和第三空间特征为一维向量;
通过全连接层对第三光谱特征和第三空间特征进行融合处理,得到空谱特征。
在上述实施方式中,图像分类模型还包含一个全连接层,当得到第一池化层和第二池化层分别输出的第二光谱特征和第二空间特征后,可以将这两个特征进行拉伸(即元素重组),使其成为一维向量,即第三光谱特征和第三空间特征,然后通过全连接层对第三光谱特征和第三空间特征进行融合处理,即可得到一个单尺度的空谱特征,提高了方案的灵活度和可选择性。
在第一方面的一种可能的实施方式中,图像分类模型包括第一分支网络和第二分支网络,第一分支网络包括n个第一卷积层和n-1个第一池化层,第二分支网络包括n个第二卷积层和n-1个第二池化层,其中,n大于或等于2,通过图像分类模型对空间信息和光谱信息分别进行特征提取,得到目标图像的空间特征和目标图像的光谱特征包括:
通过第1个第一卷积层对光谱信息进行卷积处理,得到第1个第一光谱特征;
通过第1个第一池化层至第n-1个第一池化层对第1个第一光谱特征至第n-1个第一光谱特征分别进行最大池化处理,得到第1个第二光谱特征至第n-1个第二光谱特征;
通过第2个第一卷积层至第n个第一卷积层对第1个第二光谱特征至第n-1个第二光谱特征分别进行卷积处理,得到第2个第一光谱特征至第n个第一光谱特征;
通过第1个第二卷积层对空间信息进行卷积处理,得到第1个第一空间特征;
通过第1个第二池化层至第n-1个第二池化层对第1个第一空间特征至第n-1个第一空间特征分别进行最大池化处理,得到第1个第二空间特征至第n-1个第二空间特征;
通过第2个第二卷积层至第n个第二卷积层对第1个第二空间特征至第n-1个第二空间特征分别进行卷积处理,得到第2个第一空间特征至第n个第一空间特征。
在上述实施方式中,图像分类模型包含两个分支网络,且第一分支网络包括n个第一卷积层和n-1个第一池化层,故可将目标图像的光谱信息作为第1个第一卷积层的输入,经过卷积后得到第1个第一光谱特征,再将第1个第一光谱特征作为第1个第一池化层的输入,经过最大池化后得到第1个第二光谱特征,然后将第1个第二光谱特征作为第2个第一卷积层的输入,经过卷积后得到第2个第一光谱特征,然后将第2个第一光谱特征作为第2个第一池化层的输入,以此类推,第1个第一卷积层至第n个第一卷积层可以分别输出第1个第一光谱特征至第n个第一光谱特征,第1个第一池化层至第n-1个第一池化层可以分别输出第1个第二光谱特征至第n-1个第二光谱特征。
同理,通过第二分支网络对目标图像的空间信息进行特征提取,也可以得到第1个第一空间特征至第n个第一空间特征,以及第1个第二空间特征至第n-1个第二空间特征,提高了方案的灵活度和可选择性。
在第一方面的一种可能的实施方式中,图像分类模型还包括n个全连接层,通过图像分类模型根据空间特征和光谱特征构建空谱特征包括:
通过图像分类模型将第1个第二光谱特征至第n-1个第二光谱特征、第1个第二空间特征至第n-1个第二空间特征、第n个第一光谱特征和第n个第一空间特征分别进行拉伸处理,得到第1个第三光谱特征至第n个第三光谱特征,以及第1个第三空间特征至第n个第三空间特征,其中,第三光谱特征和第三空间特征为一维向量;
通过n个全连接层对n对特征组分别进行融合处理,得到n个子空谱特征,其中,排序相同的一个第三光谱特征和一个第三空间特征构成一个特征组;
通过图像分类模型将n个子空谱特征进行拼接处理,得到空谱特征。
在上述实施方式中,图像分类模型还包括n个全连接层。可以对第1个第二光谱特征至第n-1个第二光谱特征,以及第n个第一光谱特征进行拉伸处理,对应得到第1个第三光谱特征至第n个第三光谱特征,同理,还可以对第1个第二空间特征至第n-1个第二空间特征,以及第n个第一空间特征进行拉伸处理,对应得到第1个第三空间特征至第n个第三空间特征。然后将第1个第三光谱特征和第1个第三空间特征作为第1个全连接层的输入,经过融合后得到第1个子空谱特征,将第2个第三光谱特征和第2个第三空间特征作为第2个全连接层的输入,经过融合后得到第2个子空谱特征,以此类推,直至得到n个子空谱特征,再将n个子空谱特征进行拼接,得到一个多尺度的空谱特征,提高了方案的灵活度和可选择性。
在第一方面的一种可能的实施方式中,图像分类模型还包括分类层,通过图像分类模型获取空谱特征的分类结果包括:
通过分类层对空谱特征进行分类处理,得到分类结果。
在上述实施方式中,图像分类模型还包括分类层,得到空谱特征后,可通过分类层对空谱特征进行分裂,进而得到目标图像的分类结果,提高了方案的灵活度和可选择性。
本申请实施例第二方面提供一种模型训练的方法,该方法包括:
获取待训练图像,待训练图像为基于高光谱图像所生成的图像;
通过待训练分类模型提取待训练图像的空间特征和待训练图像的光谱特征;
通过待训练分类模型根据空间特征和光谱特征构建空谱特征;
通过待训练分类模型获取空谱特征的分类结果;
根据分类结果和真实结果,通过目标损失函数对待训练分类模型进行训练,得到图像分类模型。
从上述模型训练的方法所得到的图像分类模型,可以提取目标图像的空间特征和光谱特征,二者的结合所构成的空谱特征能够多维度地表征图像的属性信息,故基于该空谱特征对图像进行分类,可以有效提高图像的分类结果准确率,精准辨识图像中的物体。
在第二方面的一种可能的实施方式中,通过待训练分类模型提取待训练图像的空间特征和待训练图像的光谱特征之前,该方法还包括:
获取待训练图像的空间信息和待训练图像的光谱信息,其中,待训练图像的光谱信息为待训练图像所构成的一维向量,待训练图像的空间信息为待训练图像和待训练图像的邻域图像所构成的二维向量;
通过待训练分类模型提取待训练图像的空间特征和待训练图像的光谱特征包括:
通过待训练分类模型对空间信息和光谱信息分别进行特征提取,得到待训练图像的空间特征和待训练图像的光谱特征。
在第二方面的一种可能的实施方式中,待训练分类模型包括第一分支网络和第二分支网络,第一分支网络包括n个第一卷积层和n-1个第一池化层,第二分支网络包括n个第二卷积层和n-1个第二池化层,其中,n大于或等于2,通过待训练分类模型对空间信息和光谱信息分别进行特征提取,得到待训练图像的空间特征和待训练图像的光谱特征包括:
通过第1个第一卷积层对光谱信息进行卷积处理,得到第1个第一光谱特征;
通过第1个第一池化层至第n-1个第一池化层对第1个第一光谱特征至第n-1个第一光谱特征分别进行最大池化处理,得到第1个第二光谱特征至第n-1个第二光谱特征;
通过第2个第一卷积层至第n个第一卷积层对第1个第二光谱特征至第n-1个第二光谱特征分别进行卷积处理,得到第2个第一光谱特征至第n个第一光谱特征;
通过第1个第二卷积层对空间信息进行卷积处理,得到第1个第一空间特征;
通过第1个第二池化层至第n-1个第二池化层对第1个第一空间特征至第n-1个第一空间特征分别进行最大池化处理,得到第1个第二空间特征至第n-1个第二空间特征;
通过第2个第二卷积层至第n个第二卷积层对第1个第二空间特征至第n-1个第二空间特征分别进行卷积处理,得到第2个第一空间特征至第n个第一空间特征。
在第二方面的一种可能的实施方式中,待训练分类模型还包括n个全连接层,通过待训练分类模型根据空间特征和光谱特征构建空谱特征包括:
通过待训练分类模型将第1个第二光谱特征至第n-1个第二光谱特征、第1个第二空间特征至第n-1个第二空间特征、第n个第一光谱特征和第n个第一空间特征分别进行拉伸处理,得到第1个第三光谱特征至第n个第三光谱特征,以及第1个第三空间特征至第n个第三空间特征,其中,第三光谱特征和第三空间特征为一维向量;
通过n个全连接层对n对特征组分别进行融合处理,得到n个子空谱特征,其中,排序相同的一个第三光谱特征和一个第三空间特征构成一个特征组;
通过待训练分类模型将n个子空谱特征进行拼接处理,得到空谱特征。
在第二方面的一种可能的实施方式中,待训练分类模型还包括分类层,通过待训练分类模型获取空谱特征的分类结果包括:
通过分类层对空谱特征进行分类处理,得到分类结果。
本申请实施例第三方面提供一种图像分类的装置,包括:
第一获取模块,用于获取目标图像,目标图像为基于高光谱图像所生成的图像;
提取模块,用于通过图像分类模型提取目标图像的空间特征和目标图像的光谱特征;
构建模块,用于通过图像分类模型根据空间特征和光谱特征构建空谱特征;
第二获取模块,用于通过图像分类模型获取空谱特征的分类结果;
确定模块,用于根据分类结果,确定目标图像所属的类别。
在第三方面的一种可能的实施方式中,该装置还包括:
第三获取模块,用于获取目标图像的空间信息和目标图像的光谱信息,其中,目标图像的光谱信息为目标图像所构成的一维向量,目标图像的空间信息为目标图像和目标图像的邻域图像所构成的二维向量;
提取模块还用于通过图像分类模型对空间信息和光谱信息分别进行特征提取,得到目标图像的空间特征和目标图像的光谱特征。
在第三方面的一种可能的实施方式中,图像分类模型包括第一分支网络和第二分支网络,第一分支网络包括第一卷积层和第一池化层,第二分支网路包括第二卷积层和第二池化层,提取模块还用于:
通过第一卷积层对光谱信息进行卷积处理,得到目标图像的第一光谱特征;
通过第一池化层对第一光谱特征进行最大池化处理,得到目标图像的第二光谱特征;
通过第二卷积层对空间信息进行卷积处理,得到目标图像的第一空间特征;
通过第二池化层对第一空间特征进行最大池化处理,得到目标图像的第二空间特征。
在第三方面的一种可能的实施方式中,图像分类模型还包括全连接层,构建模块还用于:
通过图像分类模型将第二光谱特征和第二空间特征分别进行拉伸处理,得到第三光谱特征和第三空间特征,其中,第三光谱特征和第三空间特征为一维向量;
通过全连接层对第三光谱特征和第三空间特征进行融合处理,得到空谱特征。
在第三方面的一种可能的实施方式中,图像分类模型包括第一分支网络和第二分支网络,第一分支网络包括n个第一卷积层和n-1个第一池化层,第二分支网络包括n个第二卷积层和n-1个第二池化层,其中,n大于或等于2,提取模块还用于:
通过第1个第一卷积层对光谱信息进行卷积处理,得到第1个第一光谱特征;
通过第1个第一池化层至第n-1个第一池化层对第1个第一光谱特征至第n-1个第一光谱特征分别进行最大池化处理,得到第1个第二光谱特征至第n-1个第二光谱特征;
通过第2个第一卷积层至第n个第一卷积层对第1个第二光谱特征至第n-1个第二光谱特征分别进行卷积处理,得到第2个第一光谱特征至第n个第一光谱特征;
通过第1个第二卷积层对空间信息进行卷积处理,得到第1个第一空间特征;
通过第1个第二池化层至第n-1个第二池化层对第1个第一空间特征至第n-1个第一空间特征分别进行最大池化处理,得到第1个第二空间特征至第n-1个第二空间特征;
通过第2个第二卷积层至第n个第二卷积层对第1个第二空间特征至第n-1个第二空间特征分别进行卷积处理,得到第2个第一空间特征至第n个第一空间特征。
在第三方面的一种可能的实施方式中,图像分类模型还包括n个全连接层,构建模块还用于:
通过图像分类模型将第1个第二光谱特征至第n-1个第二光谱特征、第1个第二空间特征至第n-1个第二空间特征、第n个第一光谱特征和第n个第一空间特征分别进行拉伸处理,得到第1个第三光谱特征至第n个第三光谱特征,以及第1个第三空间特征至第n个第三空间特征,其中,第三光谱特征和第三空间特征为一维向量;
通过n个全连接层对n对特征组分别进行融合处理,得到n个子空谱特征,其中,排序相同的一个第三光谱特征和一个第三空间特征构成一个特征组;
通过图像分类模型将n个子空谱特征进行拼接处理,得到空谱特征。
在第三方面的一种可能的实施方式中,图像分类模型还包括分类层,第二获取模块还用于通过分类层对空谱特征进行分类处理,得到分类结果。
本申请实施例第四方面提供一种模型训练的装置,该装置包括:
第一获取模块,用于获取待训练图像,待训练图像为基于高光谱图像所生成的图像;
提取模块,用于通过待训练分类模型提取待训练图像的空间特征和待训练图像的光谱特征;
构建模块,用于通过待训练分类模型根据空间特征和光谱特征构建空谱特征;
第二获取模块,用于通过待训练分类模型获取空谱特征的分类结果;
训练模块,用于根据分类结果和真实结果,通过目标损失函数对待训练分类模型进行训练,得到图像分类模型。
在第四方面的一种可能的实施方式中,该装置还包括:
第三获取模块,用于获取待训练图像的空间信息和待训练图像的光谱信息,其中,待训练图像的光谱信息为待训练图像所构成的一维向量,待训练图像的空间信息为待训练图像和待训练图像的邻域图像所构成的二维向量;
提取模块还用于通过待训练分类模型对空间信息和光谱信息分别进行特征提取,得到待训练图像的空间特征和待训练图像的光谱特征。
在第四方面的一种可能的实施方式中,待训练分类模型包括第一分支网络和第二分支网络,第一分支网络包括n个第一卷积层和n-1个第一池化层,第二分支网络包括n个第二卷积层和n-1个第二池化层,其中,n大于或等于2,提取模块还用于:
通过第1个第一卷积层对光谱信息进行卷积处理,得到第1个第一光谱特征;
通过第1个第一池化层至第n-1个第一池化层对第1个第一光谱特征至第n-1个第一光谱特征分别进行最大池化处理,得到第1个第二光谱特征至第n-1个第二光谱特征;
通过第2个第一卷积层至第n个第一卷积层对第1个第二光谱特征至第n-1个第二光谱特征分别进行卷积处理,得到第2个第一光谱特征至第n个第一光谱特征;
通过第1个第二卷积层对空间信息进行卷积处理,得到第1个第一空间特征;
通过第1个第二池化层至第n-1个第二池化层对第1个第一空间特征至第n-1个第一空间特征分别进行最大池化处理,得到第1个第二空间特征至第n-1个第二空间特征;
通过第2个第二卷积层至第n个第二卷积层对第1个第二空间特征至第n-1个第二空间特征分别进行卷积处理,得到第2个第一空间特征至第n个第一空间特征。
在第四方面的一种可能的实施方式中,待训练分类模型还包括n个全连接层,构建模块还用于:
通过待训练分类模型将第1个第二光谱特征至第n-1个第二光谱特征、第1个第二空间特征至第n-1个第二空间特征、第n个第一光谱特征和第n个第一空间特征分别进行拉伸处理,得到第1个第三光谱特征至第n个第三光谱特征,以及第1个第三空间特征至第n个第三空间特征,其中,第三光谱特征和第三空间特征为一维向量;
通过n个全连接层对n对特征组分别进行融合处理,得到n个子空谱特征,其中,排序相同的一个第三光谱特征和一个第三空间特征构成一个特征组;
通过待训练分类模型将n个子空谱特征进行拼接处理,得到空谱特征。
在第四方面的一种可能的实施方式中,待训练分类模型还包括分类层,第二获取模块还用于通过分类层对空谱特征进行分类处理,得到分类结果。
本申请实施例第五方面提供一种图像分类设备,包括:
一个或一个以上中央处理器,存储器,输入输出接口,有线或无线网络接口,电源;
存储器为短暂存储存储器或持久存储存储器;
中央处理器配置为与存储器通信,在图像分类设备上执行存储器中的指令操作以执行第一方面及第一方面任意一种可能的实施方式,第二方面及第二方面任意一种可能的实施方式中的方法。
本申请实施例第六方面提供一种计算机可读存储介质,包括指令,当指令在计算机上运行时,使得计算机执行如第一方面及第一方面任意一种可能的实施方式,第二方面及第二方面任意一种可能的实施方式中的方法。
本申请实施例第七方面提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如第一方面及第一方面任意一种可能的实施方式,第二方面及第二方面任意一种可能的实施方式中的方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请实施例提供了一种图像分类的方法及相关装置,其中,该方法先获取需进行分类的目标图像,该目标图像为基于高光谱图像所生成的图像,然后通过图像分类模型提取目标图像的空间特征和目标图像的光谱特征,再通过图像分类模型根据空间特征和光谱特征构建空谱特征,并通过图像分类模型获取空谱特征的分类结果,最后根据分类结果,确定目标图像所属的类别。上述过程中所使用的图像分类模型,可以提取目标图像的空间特征和光谱特征,二者的结合所构成的空谱特征能够多维度地表征图像的属性信息,故基于该空谱特征对图像进行分类,可以有效提高图像的分类结果准确率,精准辨识图像中的物体。
附图说明
图1为本申请实施例提供的图像分类模型的一个示意图;
图2为本申请实施例提供的图像分类的方法的一个流程示意图;
图3为本申请实施例提供的图像分类模型的另一个示意图;
图4为本申请实施例提供的图像分类的方法的另一个流程示意图;
图5为本申请实施例提供的特征提取的一个示意图;
图6为本申请实施例提供的模型训练的方法的一个流程示意图;
图7为本申请实施例提供的模型训练的方法的另一个流程示意图;
图8为本申请实施例提供的图像分类的装置的一个结构示意图;
图9为本申请实施例提供的模型训练的装置的一个结构示意图;
图10为本申请实施例提供的图像分类设备的一个结构示意图。
具体实施方式
本申请实施例提供了一种图像分类的方法及相关装置,若需要对某个多光谱图像进行分类,可先获取已完成训练的图像分类模型,该图像分类模型由两个分支网络、全连接层和分类层构成。进行图像分类时,可先通过第一分支网络提取该图像的光谱特征,用于表征该图像中物体表面的光谱反射率分布情况,并通过第二分支网络可提取该图像的空间特征,用于表征该图像中物体的轮廓、表面纹理和阴影等特征,然后通过全连接层融合光谱特征和空间特征,得到该图像的空谱特征,接着通过分类层对该图像的空谱特征进行分类,得到该图像的分类结果,最终确定该图像所属的类别。在图像分类的过程中,由于图像分类模型所分析的对象为图像的空谱特征,该空谱特征不仅涉及图像的空间特征,还考虑了图像的光谱特征,因此空谱特征能够较为全面地表征图像的属性信息,例如综合反映图像中物体表面的光谱反射率分布情况,以及物体的轮廓、表面纹理和阴影等特征,故相较于传统方式中仅单一地考虑空间特征,本申请中的空谱特征能够从多个方面分析图像的有效属性信息,进而使得图像分类模型对图像的分类结果具有较高的准确率,能够精准辨识图像中的物体。
下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
本申请通过AI技术进行图像分类。具体的,以监控场景作为示例进行说明,在此场景中,可以通过监控设备采集图像,该图像中通常包含多类物体,例如人、车辆和房屋等等,为了实现对某类物体的实时监控,一般需要对图像中所包含的物体进行分类,以正确辨识物体所属的类别。
为了提高图像分类结果的准确率,本申请提供了一种图像分类的方法,该方法通过图像分类装置实现,其中,该图像分类装置包括监控设备,用于获取待分类的多帧图像。值得注意的是,本申请中监控设备所采集的图像通常为多光谱图像,多光谱图像指光谱通道数量大于3的图像,例如,光谱通道数量为128的高光谱图像等等。
此外,本申请中用于对多光谱图像进行分类的图像分类模型,为一种深度网络模型,该模型可以对多光谱图像进行特征提取和分类,进而辨识图像中的物体类别。图1为本申请实施例提供的图像分类模型的一个示意图,如图1所示,该图像分类模型包含一个全连接层、一个分类层和两个分支网络,其中,第一分支网络包括一个第一卷积层和一个第一池化层,第二分支网络也包括一个第二卷积层和一个第二池化层。当使用上述多光谱图像作为图像分裂模型的两个分支网络的输入时,第一分支网络可用于提取多光谱图像的光谱特征,第二分支网络可用于提取多光谱图像的空间特征,全连接层可基于光谱特征和空间特征构建空谱特征,分类层可基于空谱特征进行分类,得到图像的分类结果。
图2为本申请实施例提供的图像分类的方法的一个流程示意图,请参阅图2,该方法基于图1所示的图像分类模型进行图像分类,包括:
201、获取目标图像;
图像分类装置通过监控设备获取多光谱图像后,可以基于多光谱图像生成待分类的目标图像。需要说明的是,在对某一帧多光谱图像进行分类的过程中,图像分类模型可以对整个多光谱图像或部分多光谱图像进行分类,由于多光谱图像可以视为由多个像素点所构成的图像,因此,图像分类模型对多光谱图像进行分类的过程可以视为对多个并行输入的像素点进行分类的过程,相对于每一个像素点而言,图像分类模型所执行的操作是相同的,故多光谱图像中的任一像素点均可作为图像分类模型的输入,即待分类的目标图像。
202、获取目标图像的空间信息和目标图像的光谱信息;
在获取目标图像后,可以进一步获取目标图像的空间信息和光谱信息,其中,目标图像的光谱信息为目标图像所构成的一维向量,目标图像的空间信息为目标图像和目标图像的邻域图像所构成的二维向量。
具体的,目标图像为多光谱图像中的某一像素点,可以先基于该像素点生成该像素点的光谱曲线,并以该光谱曲线作为该像素点的光谱信息,作为第一分支网络的输入。例如,通过监控设备获取某一段时间内连续的多帧多光谱图像(其中某一帧多光谱图像为当前所需进行分类的多光谱图像N),多光谱图像N中的每个像素点均为目标图像,取像素点n(如多光谱图像N中的第n个像素点)作为示例进行说明。多帧连续的多光谱图像组成一个立体的图像块,该图像块具有三个维度,分别为宽维度、高维度和光谱维度,当确定像素点n后,可沿着图像块的光谱维度,从每帧多光谱图像中,获取与像素点n相对应的像素点(如每帧多光谱图像中的第n个像素点),即得到像素点n以及像素点n所对应的多个像素点,这一部分像素点可以构成像素点n的光谱曲线,且该光谱曲线以一维向量的形式呈现,即像素点n的光谱信息。
此外,在获取目标图像的光谱信息的同时,也可以获取目标图像的空间信息,由于目标图像为多光谱图像中的某一像素点,可以基于该像素点以及该像素点的邻域信息生成该像素点的空间信息,作为第二分支网络的输入。依旧以上述例子进行说明。由于多光谱图像的波段数过多,可先通过主成分分析技术对上述图像块进行降维处理,从得到的第一主成分中(可理解为将图像块进行压缩所得到的一帧图像)确定像素点n,并选取像素点n的邻域图像,如以像素点n为中心的r×r个像素点,r的数值可以根据实际需求进行设置。此时,像素点n以及像素点n的邻域图像则构成了像素点n的空间信息,且该空间信息以二维向量的形式呈现。
得到目标图像的光谱信息和空间信息后,则可将两个信息对应输入图像分类模型的两个分支网络中,进而实现特征提取和图像分类。
203、通过第一卷积层对光谱信息进行卷积处理,得到目标图像的第一光谱特征;
得到目标图像的光谱信息后,可以将其输入图像分类模型的第一分支网络的第一卷积层,第一卷积层对光谱信息进行卷积处理后,可得到目标图像的第一光谱特征。具体的,光谱信息为1个一维向量,经过第一卷积层的处理后,可以得到由m个一维向量构成的第一光谱特征(例如由m个一维向量并排组成的一个平面图像),其中,m大于或等于2。
204、通过第一池化层对第一光谱特征进行最大池化处理,得到目标图像的第二光谱特征;
得到第一光谱特征后,可以将第一光谱特征作为第一池化层的输入。第一池化层对第一光谱特征进行最大池化后,可得到第二光谱特征。具体的,第一池化层可将第一光谱特征中每个一维向量的长度减半,进而得到压缩后的光谱特征,即第二光谱特征。
205、通过第二卷积层对空间信息进行卷积处理,得到目标图像的第一空间特征;
得到目标图像的空间信息后,可将其输入图像分类模型的第二分支网络的第二卷积层,第二卷积层对空间信息进行卷积处理后,可得到目标图像的第一空间特征。具体的,光谱信息为1个二维向量,经过第二卷积层的处理后,可以得到由k个二维向量构成的第一空间特征(例如由k个二维向量并排组成的一个具备一定厚度的图像块),其中,k大于或等于2。
应理解,步骤205与步骤203的执行顺序不分先后,可同时进行也可异步进行,此处不做具体限制。
206、通过第二池化层对第一空间特征进行最大池化处理,得到目标图像的第二空间特征;
得到第一空间特征后,可以将第一空间特征作为第二池化层的输入。第二池化层对第一空间特征进行最大池化后,可得到第二空间特征。具体的,第二池化层可将第一空间特征中每个二维向量的长度和宽度减半,且第一空间特征的二维向量数量(即图像块的厚度)保持不变,进而得到压缩后的空间特征,即第二空间特征。
207、通过图像分类模型将第二光谱特征和第二空间特征分别进行拉伸处理,得到第三光谱特征和第三空间特征;
得到第二光谱特征后第二空间特征后,由于第二光谱特征为由m个一维向量组成的二维向量,第二空间特征为由k个二维向量组成的三维向量,故可通过图像分类模型对第二光谱特征和第二空间特征进行拉伸处理,使得第二光谱特征和第二空间特征的元素进行重新排列,构成一维的第三光谱特征和第三空间特征,即第三光谱特征和第三空间特征为一维向量。
208、通过全连接层对第三光谱特征和第三空间特征进行融合处理,得到空谱特征;
得到一维的第三光谱特征和第三空间特征后,可将第三光谱特征和第三空间特征作为全连接层的输入,使得全连接层对第三光谱特征和第三空间特征进行融合处理,得到空谱特征,至此,则得到了目标图像的空谱特征。
209、通过分类层对空谱特征进行分类处理,得到分类结果;
得到目标图像的空谱特征后,可以通过图像分类模型的分类层对空谱特征进行分类处理,得到分类结果,该分类结果包括目标图像位于各个类别的概率,例如,分类结果包括:像素点n属于类别A的概率为67%,像素点n属于类别B的概率为20%,像素点n属于类别C的概率为13%。
210、根据分类结果,确定目标图像所属的类别。
从分类结果中确定目标图像在哪一类别中的概率最高,即可最终确定目标图像所属的类别。依旧如上述例子,当分类结果表明像素点n属于类别A的概率最高时,则可确定像素点n所属的类别为类别A。
本实施例中所使用的图像分类模型,可以提取目标图像的空间特征和光谱特征,二者的结合所构成的空谱特征能够多维度地表征图像的属性信息,故本实施例可以有效获取图像的高可靠性属性信息。更进一步的,基于该空谱特征对图像进行分类,其分类结果在空间相关性和光谱相关性上更具良好的效果,可以有效提高图像的分类结果准确率,精准辨识图像中的物体。
上述实施例所生成的空谱特征为单尺度的特征,在对多光谱图像进行分类的过程中,图像所反应的场景中通常包含各种尺度的物体,例如尺度较大的建筑和尺度较小的行李箱,然而,单尺度的空谱特征一般不能较好地对多光谱图像的场景进行全方位的描述,容易造成小物体的信息丢失,从而影响图像分类结果的准确率。
因此,为了进一步提高图像分类结果的准确率,本申请还提供了另一种图像分类模型,图3为本申请实施例提供的图像分类模型的另一个示意图,如图3所示,该图像分类模型为多尺度空谱联合双分支网络(multiscale spectral-spatial unified network,MSSN),包含两个分支网络、n个全连接层和一个分类层,其中,第一分支网络包括n个第一卷积层和n-1个第一池化层,n个第一卷积层和n-1个第一池化层交替连接,第二分支网络包括n个第二卷积层和n-1个第二池化层,n个第二卷积层和n-1个第二池化层交替连接。值得注意的是,第1个全连接层的输入为第1个第一池化层的输出和第1个第二池化层的输出,第2个全连接层的输入为第2个第一池化层的输出和第2个第二池化层的输出,以此类推,第n-1个全连接层的输入为第n-1个第一池化层的输出和第n-1个第二池化层的输出,且第n个全连接层的输入为第n个第一卷积层的输出和第n个第二卷积层的输出。此外,所有全连接层的输出拼接后,作为分类层的输入,以进行最终的图像分类。
图4为本申请实施例提供的图像分类的方法的另一个流程示意图,请参阅图4,该方法基于图3所示的图像分类模型进行图像分类,包括:
401、获取目标图像;
402、获取目标图像的空间信息和目标图像的光谱信息;
步骤401至步骤402的具体说明可参考上述实施例中步骤201至步骤202的相关说明内容,此处不再赘述。
403、通过第1个第一卷积层对光谱信息进行卷积处理,得到第1个第一光谱特征;
404、通过第1个第一池化层至第n-1个第一池化层对第1个第一光谱特征至第n-1个第一光谱特征分别进行最大池化处理,得到第1个第二光谱特征至第n-1个第二光谱特征;
405、通过第2个第一卷积层至第n个第一卷积层对第1个第二光谱特征至第n-1个第二光谱特征分别进行卷积处理,得到第2个第一光谱特征至第n个第一光谱特征;
得到目标图像的光谱信息后,可将其作为图像分类模型的第一分支网络的输入。为了便于理解,以下结合图3对第一分支网络提取光谱特征的过程进行介绍:将目标图像的光谱信息输入第1个第一卷积层,第1个第一卷积层对光谱信息进行卷积处理后,得到第1个第一光谱特征,然后将第1个第一光谱特征输入第1个第一池化层进行最大池化处理,得到1个第二光谱特征,再将第1个第二光谱特征输入第2个第一卷积层进行卷积处理,得到第2个第一光谱特征,再将第2个第一光谱特征输入第2个第一池化层进行最大池化处理,得到第2个第二光谱特征,以此类推,直至将第n-1个第二光谱特征输入第n个第一卷积层进行卷积处理,得到第n个第一光谱特征,至此,则完成对目标图像的光谱特征提取。
由于第一分支网络中的n个第一卷积层和n-1个第一池化层交替连接,因此可生成2n-1个光谱特征(包括n个第一光谱特征和n-1个第二光谱特征),且每一个光谱特征均存在尺寸上的差异。为了便于理解,以下结合图5对相邻两个光谱特征之间的尺寸变化进行介绍,为了便于说明,n取值为3。图5为本申请实施例提供的特征提取的一个示意图,如图5所示,设第一分支网络包含3个第一卷积层和2个第一池化层,当光谱信息(为一个一维向量)输入第1个第一卷积层后,可以得到由m个一维向量构成的第一光谱特征a,其中,m大于或等于2。再将第一光谱特征a输入第1个第一池化层,使得第一光谱特征a的每个一维向量的长度减半,得到第二光谱特征x。然后将第二光谱特征x输入第2个第一卷积层,可以得到由p个一维向量构成的第一光谱特征b,其中,p大于m。接着将第一光谱特征b输入第2个第一池化层,使得第一光谱特征b的每个一维向量的长度减半,得到第二光谱特征y。最后将第二光谱特征y输入第3个第一卷积层,可以得到由t个一维向量构成的第一光谱特征c,其中,t大于p。
应理解,在图5中,每个分支网络仅以3个卷积层和2个池化层进行示意性说明,并不对本申请实施例中每个分支网络的卷积层数量和池化层数量构成限制。同理,图5也仅以3个全连接层进行示意性说明,并不对本申请实施例中的全连接层数量构成限制。
406、通过第1个第二卷积层对空间信息进行卷积处理,得到第1个第一空间特征;
407、通过第1个第二池化层至第n-1个第二池化层对第1个第一空间特征至第n-1个第一空间特征分别进行最大池化处理,得到第1个第二空间特征至第n-1个第二空间特征;
408、通过第2个第二卷积层至第n个第二卷积层对第1个第二空间特征至第n-1个第二空间特征分别进行卷积处理,得到第2个第一空间特征至第n个第一空间特征;
同理,得到目标图像的空间信息后,可将其作为图像分类模型的第二分支网络的输入。为了便于理解,以下结合图3对第一分支网络提取空间特征的过程进行介绍:将目标图像的空间信息输入第1个第二卷积层,第1个第二卷积层对空间信息进行卷积处理后,得到第1个第一空间特征,然后将第1个第一空间特征输入第1个第二池化层进行最大池化处理,得到1个第二空间特征,再将第1个第二空间特征输入第2个第二卷积层进行卷积处理,得到第2个第一空间特征,再将第2个第一空间特征输入第2个第二池化层进行最大池化处理,得到第2个第二空间特征,以此类推,直至将第n-1个第二空间特征输入第n个第二卷积层进行卷积处理,得到第n个第一空间特征,至此,则完成对目标图像的空间特征提取。由于第一分支网络中的n个第二卷积层和n-1个第二池化层交替连接,因此可生成n个第一空间特征和n-1个第二空间特征。
由于第二分支网络中的n个第二卷积层和n-1个第二池化层交替连接,因此可生成2n-1个空间特征(包括n个第一空间特征和n-1个第二空间特征),且每一个空间特征均存在尺寸上的差异。为了便于理解,以下依旧结合图5对相邻两个空间特征之间的尺寸变化进行介绍,如图5所示,设第二分支网络包含3个第二卷积层和2个第二池化层,当空间信息(为一个二维向量)输入第1个第二卷积层后,可以得到由k个二维向量构成的第一空间特征d(由k个二维向量并排组成的一个具备一定厚度的图像块),其中,k大于或等于2。再将第一空间特征d输入第1个第二池化层,使得第一空间特征d的每个二维向量的长度和宽度减半,得到第二空间特征z。然后将第二空间特征z输入第2个第二卷积层,可以得到由q个二维向量构成的第一空间特征e,其中,q大于k。接着将第一空间特征e输入第2个第二池化层,使得第一空间特征e的每个二维向量的长度和宽度减半,得到第二空间特征u。最后将第二空间特征u输入第3个第二卷积层,可以得到由s个二维向量构成的第一空间特征f,其中,s大于q。
409、通过图像分类模型将第1个第二光谱特征至第n-1个第二光谱特征、第1个第二空间特征至第n-1个第二空间特征、第n个第一光谱特征和第n个第一空间特征分别进行拉伸处理,得到第1个第三光谱特征至第n个第三光谱特征,以及第1个第三空间特征至第n个第三空间特征;
得到n个第一光谱特征、n-1个第二光谱特征、n个第一空间特征和n-1个第二空间特征后,则可以通过图像分类模型对1个第二光谱特征至第n-1个第二光谱特征,以及第n个第一光谱特征分别进行拉伸处理,使得这一部分特征的元素进行重组,对应得到第1个第三光谱特征至第n个第三光谱特征,且每一个第三光谱特征均为一维向量。同理,还可以通过图像分类模型对第1个第二空间特征至第n-1个第二空间特征,以及第n个第一空间特征进行拉伸处理,对应得到第1个第三空间特征至第n个第三空间特征,且每一个第三空间特征均为一维向量。
410、通过n个全连接层对n对特征组分别进行融合处理,得到n个子空谱特征,其中,排序相同的一个第三光谱特征和一个第三空间特征构成一个特征组;
得到n个第三光谱特征和n个第三空间特征后,可以将第1个第三光谱特征和第1个第三空间特征组成一个特征组,将第2个第三光谱特征和第2个第三空间特征组成一个特征组,以此类推,直至将第n个第三光谱特征和第n个第三空间特征组成一个特征组,最终得到n个特征组。然后将第1个特征组输入第1个全连接层,使得第1个全连接层将特征组中的两个特征进行融合,得到第1个子空谱特征,同时将第2个特征组输入第2个全连接层,使得第2个全连接层将特征组中的两个特征进行融合,得到第2个子空谱特征,以此类推,直至将第n个特征组输入第n个全连接层,使得第n个全连接层将特征组中的两个特征进行融合,得到第n个子空谱特征。
具体的,全连接层进行融合处理所应用的公式如下:
yi=f[Wi(spei+spai)+bi]
式中,yi为第i个全连接层输出的子空谱特征,f()为激活函数,Wi为预设的权重,bi为预设的偏置,当i为1至n-1中的任一取值时,spei为第i个第二光谱特征,spai为第i个第二空间特征,当i为n时,spei为第i个第一光谱特征,spai为第i个第一空间特征。
411、通过图像分类模型将n个子空谱特征进行拼接处理,得到空谱特征;
得到n个子空谱特征后,可以通过图像分类模型将n个子空谱特征进行拼接处理,得到空谱特征。具体的,图像分类模型进行拼接处理所应用的公式如下:
output=concat(y1,y2,y3,...)
式中,output为多个子空谱特征拼接得到的空谱特征,由于每个子空谱特征代表不同的尺度,故该多个不同尺度的子空谱特征可拼接得到多尺度的空谱特征。
412、通过分类层对空谱特征进行分类处理,得到分类结果;
413、根据分类结果,确定目标图像所属的类别。
步骤412至步骤413的具体说明可参考上述实施例中步骤209至步骤210的相关说明内容,此处不再赘述。
本实施例所使用的图像分类模型,能够有效提取多光谱图像的多尺度的空谱特征,以此空谱特征为基础进行图像分类,所得到的分类结果能够有效区分尺度大小不一的物体,以准确解译图像内的复杂场景,并精准辨识场景内的物体类别。
为了进一步说明本申请实施例提供的图像分类的方法,以下将提供一个应用例进行具体介绍,该应用例包括:
图像分类装置通过高光谱成像仪获取用于分类的高光谱图像,该高光谱图像的场景包含多种尺度不一的物体,例如尺度较大的墙壁、汽车、人,以及尺度较小的眼镜和皮肤等等物体,从高光谱图像中标记出17类图像样本,例如,第1类图像样本为墙壁,第2类图像样本为汽车等等。然后获取已经完成训练的MSSN,并将前述高光谱图像输入MSSN进行图像分类,得到相应的分类结果。
通过对分类结果进行定量化分析,其分析结果如表1所示,表1示出了MSSN对高光谱图像的场景解译精度,其中,本应用例还通过支持向量机(support vector machine,SVM)进行图像分类的表现作为对比,需要说明的是,SVM与MSSN的训练过程所用的样本相同,且SVM与MSSN进行图像分类时所用的高光谱图像也相同。
表1分析结果
通过表1可知,与SVM相对比,基于MSSN网络的高光谱图像场景解译能够获得更高的分类精度,例如,第1类样本在MSSN下的分类精度为100,在SVM下的分类精度为98.96,即表明,将高光谱图像中所标记出的第1类样本(即墙壁图像样本)输入MSSN后,能够被正确辨识的准确率达100%,而将第1类样本输入SVN后,能够被正确辨识的准确率则达98.96%。因此,MSSN对每一个类别的分类精度均要高于SVM,尤其是第7、8、9这三类样本,MSSN大幅度地提高了分类精度,有效地表明了MSSN的性能。
值得注意的是,本应用例中主要通过以下三个指标来衡量MSSN和SVM的性能,分别为:
(1)总体精度OA,OA=正确分类的样本数/所有待分类的样本数,例如,第1类样本的数量为100个(如高光谱图像中取100个属于墙壁的像素点),经过分类后,100个样本中被正确分类至第1类的样本数量即为正确分类的样本数。
(2)平均精度AA,AA=每类分类的正确率之和/类别数。
(3)Kappa系数,Kappa=(OA-OO)/(1-AO),其中,AO为理论精度,为预先设置的精度值。
以上是对本申请实施例提供的图像分类的方法进行的具体介绍,以下将对本申请实施例提供的模型训练的方法进行说明。图6为本申请实施例提供的模型训练的方法的一个流程示意图,请参阅图6,该方法包括:
601、获取待训练图像;
602、获取待训练图像的空间信息和待训练图像的光谱信息;
603、通过第一卷积层对光谱信息进行卷积处理,得到待训练图像的第一光谱特征;
604、通过第一池化层对第一光谱特征进行最大池化处理,得到待训练图像的第二光谱特征;
605、通过第二卷积层对空间信息进行卷积处理,得到待训练图像的第一空间特征;
606、通过第二池化层对第一空间特征进行最大池化处理,得到待训练图像的第二空间特征;
607、通过待训练分类模型将第二光谱特征和第二空间特征分别进行拉伸处理,得到第三光谱特征和第三空间特征;
608、通过全连接层对第三光谱特征和第三空间特征进行融合处理,得到空谱特征;
609、通过分类层对空谱特征进行分类处理,得到分类结果;
步骤601至步骤609的具体说明可参考上述实施例中步骤201至步骤209的相关说明内容,此处不再赘述。
610、根据分类结果和真实结果,通过目标损失函数对待训练分类模型进行训练,得到图像分类模型。
由于待训练图像为多光谱图像中的某个像素点,其分类结果包含该待训练图像属于各类别的概率,然而该分类结果不一定正确。由于在获取待训练图像时,已提前标记待训练图像在多光谱图像中所属的正确类别,即真实结果,因此,可以通过目标损失函数计算待训练图像的分类结果和真实结果之间的差距,若二者的差距超出合格范围,则调整待训练分类模型的参数,并重新用额外的待训练样本进行训练,直至待训练图像的分类结果和真实结果之间的差距满足要求,则可得到图2所对应实施例中的图像分类模型。
本实施例所得到的图像分类模型,可以提取目标图像的空间特征和光谱特征,二者的结合所构成的空谱特征能够多维度地表征图像的属性信息,故基于该空谱特征对图像进行分类,可以有效提高图像的分类结果准确率,精准辨识图像中的物体。
图7为本申请实施例提供的模型训练的方法的另一个流程示意图,请参阅图7,该方法包括:
701、获取待训练图像;
702、获取待训练图像的空间信息和待训练图像的光谱信息;
703、通过第1个第一卷积层对光谱信息进行卷积处理,得到第1个第一光谱特征;
704、通过第1个第一池化层至第n-1个第一池化层对第1个第一光谱特征至第n-1个第一光谱特征分别进行最大池化处理,得到第1个第二光谱特征至第n-1个第二光谱特征;
705、通过第2个第一卷积层至第n个第一卷积层对第1个第二光谱特征至第n-1个第二光谱特征分别进行卷积处理,得到第2个第一光谱特征至第n个第一光谱特征;
706、通过第1个第二卷积层对空间信息进行卷积处理,得到第1个第一空间特征;
707、通过第1个第二池化层至第n-1个第二池化层对第1个第一空间特征至第n-1个第一空间特征分别进行最大池化处理,得到第1个第二空间特征至第n-1个第二空间特征;
708、通过第2个第二卷积层至第n个第二卷积层对第1个第二空间特征至第n-1个第二空间特征分别进行卷积处理,得到第2个第一空间特征至第n个第一空间特征;
709、通过待训练分类模型将第1个第二光谱特征至第n-1个第二光谱特征、第1个第二空间特征至第n-1个第二空间特征、第n个第一光谱特征和第n个第一空间特征分别进行拉伸处理,得到第1个第三光谱特征至第n个第三光谱特征,以及第1个第三空间特征至第n个第三空间特征;
710、通过n个全连接层对n对特征组分别进行融合处理,得到n个子空谱特征,其中,排序相同的一个第三光谱特征和一个第三空间特征构成一个特征组;
711、通过待训练分类模型将n个子空谱特征进行拼接处理,得到空谱特征;
712、通过分类层对空谱特征进行分类处理,得到分类结果;
步骤701至步骤712的具体说明可参考上述实施例中步骤401至步骤412的相关说明内容,此处不再赘述。
713、根据分类结果和真实结果,通过目标损失函数对待训练分类模型进行训练,得到图像分类模型。
由于待训练图像为多光谱图像中的某个像素点,其分类结果包含该待训练图像属于各类别的概率,然而该分类结果不一定正确。由于在获取待训练图像时,已提前标记待训练图像在多光谱图像中所属的正确类别,即真实结果,因此,可以通过目标损失函数计算待训练图像的分类结果和真实结果之间的差距,若二者的差距超出合格范围,则调整待训练分类模型的参数,并重新用额外的待训练样本进行训练,直至待训练图像的分类结果和真实结果之间的差距满足要求,则可得到图4所对应实施例中的图像分类模型。
本实施例所得到的图像分类模型,可以提取目标图像的空间特征和光谱特征,二者的结合所构成的空谱特征能够多维度地表征图像的属性信息,故基于该空谱特征对图像进行分类,可以有效提高图像的分类结果准确率,精准辨识图像中的物体。
以上是对本申请实施例提供的模型训练的方法进行的具体介绍,以下将对本申请实施例提供的图像分类的装置和模型训练的装置分别进行说明。图8为本申请实施例提供的图像分类的装置的一个结构示意图,如图8所示,该装置包括:
第一获取模块801,用于获取目标图像,目标图像为基于高光谱图像所生成的图像;
提取模块802,用于通过图像分类模型提取目标图像的空间特征和目标图像的光谱特征;
构建模块803,用于通过图像分类模型根据空间特征和光谱特征构建空谱特征;
第二获取模块804,用于通过图像分类模型获取空谱特征的分类结果;
确定模块805,用于根据分类结果,确定目标图像所属的类别。
可选的,该装置还包括:
第三获取模块,用于获取目标图像的空间信息和目标图像的光谱信息,其中,目标图像的光谱信息为目标图像所构成的一维向量,目标图像的空间信息为目标图像和目标图像的邻域图像所构成的二维向量;
提取模块802还用于通过图像分类模型对空间信息和光谱信息分别进行特征提取,得到目标图像的空间特征和目标图像的光谱特征。
可选的,图像分类模型包括第一分支网络和第二分支网络,第一分支网络包括第一卷积层和第一池化层,第二分支网路包括第二卷积层和第二池化层,提取模块802还用于:
通过第一卷积层对光谱信息进行卷积处理,得到目标图像的第一光谱特征;
通过第一池化层对第一光谱特征进行最大池化处理,得到目标图像的第二光谱特征;
通过第二卷积层对空间信息进行卷积处理,得到目标图像的第一空间特征;
通过第二池化层对第一空间特征进行最大池化处理,得到目标图像的第二空间特征。
可选的,图像分类模型还包括全连接层,构建模块803还用于:
通过图像分类模型将第二光谱特征和第二空间特征分别进行拉伸处理,得到第三光谱特征和第三空间特征,其中,第三光谱特征和第三空间特征为一维向量;
通过全连接层对第三光谱特征和第三空间特征进行融合处理,得到空谱特征。
可选的,图像分类模型包括第一分支网络和第二分支网络,第一分支网络包括n个第一卷积层和n-1个第一池化层,第二分支网络包括n个第二卷积层和n-1个第二池化层,其中,n大于或等于2,提取模块802还用于:
通过第1个第一卷积层对光谱信息进行卷积处理,得到第1个第一光谱特征;
通过第1个第一池化层至第n-1个第一池化层对第1个第一光谱特征至第n-1个第一光谱特征分别进行最大池化处理,得到第1个第二光谱特征至第n-1个第二光谱特征;
通过第2个第一卷积层至第n个第一卷积层对第1个第二光谱特征至第n-1个第二光谱特征分别进行卷积处理,得到第2个第一光谱特征至第n个第一光谱特征;
通过第1个第二卷积层对空间信息进行卷积处理,得到第1个第一空间特征;
通过第1个第二池化层至第n-1个第二池化层对第1个第一空间特征至第n-1个第一空间特征分别进行最大池化处理,得到第1个第二空间特征至第n-1个第二空间特征;
通过第2个第二卷积层至第n个第二卷积层对第1个第二空间特征至第n-1个第二空间特征分别进行卷积处理,得到第2个第一空间特征至第n个第一空间特征。
可选的,图像分类模型还包括n个全连接层,构建模块803还用于:
通过图像分类模型将第1个第二光谱特征至第n-1个第二光谱特征、第1个第二空间特征至第n-1个第二空间特征、第n个第一光谱特征和第n个第一空间特征分别进行拉伸处理,得到第1个第三光谱特征至第n个第三光谱特征,以及第1个第三空间特征至第n个第三空间特征,其中,第三光谱特征和第三空间特征为一维向量;
通过n个全连接层对n对特征组分别进行融合处理,得到n个子空谱特征,其中,排序相同的一个第三光谱特征和一个第三空间特征构成一个特征组;
通过图像分类模型将n个子空谱特征进行拼接处理,得到空谱特征。
可选的,图像分类模型还包括分类层,第二获取模块804还用于通过分类层对空谱特征进行分类处理,得到分类结果。
图9为本申请实施例提供的模型训练的装置的一个结构示意图,如图9所示,该装置包括:
第一获取模块901,用于获取待训练图像,待训练图像为基于高光谱图像所生成的图像;
提取模块902,用于通过待训练分类模型提取待训练图像的空间特征和待训练图像的光谱特征;
构建模块903,用于通过待训练分类模型根据空间特征和光谱特征构建空谱特征;
第二获取模块904,用于通过待训练分类模型获取空谱特征的分类结果;
训练模块905,用于根据分类结果和真实结果,通过目标损失函数对待训练分类模型进行训练,得到图像分类模型。
可选的,该装置还包括:
第三获取模块,用于获取待训练图像的空间信息和待训练图像的光谱信息,其中,待训练图像的光谱信息为待训练图像所构成的一维向量,待训练图像的空间信息为待训练图像和待训练图像的邻域图像所构成的二维向量;
提取模块902还用于通过待训练分类模型对空间信息和光谱信息分别进行特征提取,得到待训练图像的空间特征和待训练图像的光谱特征。
可选的,待训练分类模型包括第一分支网络和第二分支网络,第一分支网络包括n个第一卷积层和n-1个第一池化层,第二分支网络包括n个第二卷积层和n-1个第二池化层,其中,n大于或等于2,提取模块902还用于:
通过第1个第一卷积层对光谱信息进行卷积处理,得到第1个第一光谱特征;
通过第1个第一池化层至第n-1个第一池化层对第1个第一光谱特征至第n-1个第一光谱特征分别进行最大池化处理,得到第1个第二光谱特征至第n-1个第二光谱特征;
通过第2个第一卷积层至第n个第一卷积层对第1个第二光谱特征至第n-1个第二光谱特征分别进行卷积处理,得到第2个第一光谱特征至第n个第一光谱特征;
通过第1个第二卷积层对空间信息进行卷积处理,得到第1个第一空间特征;
通过第1个第二池化层至第n-1个第二池化层对第1个第一空间特征至第n-1个第一空间特征分别进行最大池化处理,得到第1个第二空间特征至第n-1个第二空间特征;
通过第2个第二卷积层至第n个第二卷积层对第1个第二空间特征至第n-1个第二空间特征分别进行卷积处理,得到第2个第一空间特征至第n个第一空间特征。
可选的,待训练分类模型还包括n个全连接层,构建模块903还用于:
通过待训练分类模型将第1个第二光谱特征至第n-1个第二光谱特征、第1个第二空间特征至第n-1个第二空间特征、第n个第一光谱特征和第n个第一空间特征分别进行拉伸处理,得到第1个第三光谱特征至第n个第三光谱特征,以及第1个第三空间特征至第n个第三空间特征,其中,第三光谱特征和第三空间特征为一维向量;
通过n个全连接层对n对特征组分别进行融合处理,得到n个子空谱特征,其中,排序相同的一个第三光谱特征和一个第三空间特征构成一个特征组;
通过待训练分类模型将n个子空谱特征进行拼接处理,得到空谱特征。
可选的,待训练分类模型还包括分类层,第二获取模块904还用于通过分类层对空谱特征进行分类处理,得到分类结果。
需要说明的是,上述装置各模块/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其带来的技术效果与本申请方法实施例相同,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
图10为本申请实施例提供的图像分类设备的一个结构示意图,请参阅图10,该设备包括:一个或一个以上中央处理器1001,存储器1002,输入输出接口1003,有线或无线网络接口1004,电源1005;
存储器1002为短暂存储存储器或持久存储存储器;
中央处理器1001配置为与存储器1002通信,在图像分类设备上执行存储器1002中的指令操作以执行图2或图4中图像分类设备所执行的操作,具体此处不再赘述。
本申请实施例还涉及一种计算机可读存储介质,包括指令,当指令在计算机上运行时,使得计算机执行图2或图4所对应的方法。
本申请实施例还涉及提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行图2或图4所对应的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (17)
1.一种图像分类的方法,其特征在于,所述方法包括:
获取目标图像,所述目标图像为基于多光谱图像所生成的图像;
通过图像分类模型提取所述目标图像的空间特征和所述目标图像的光谱特征;
通过所述图像分类模型根据所述空间特征和所述光谱特征构建空谱特征;
通过所述图像分类模型获取所述空谱特征的分类结果;
根据所述分类结果,确定所述目标图像所属的类别。
2.根据权利要求1所述的方法,其特征在于,通过图像分类模型提取所述目标图像的空间特征和所述目标图像的光谱特征之前,所述方法还包括:
获取所述目标图像的空间信息和所述目标图像的光谱信息,其中,所述目标图像的光谱信息为所述目标图像所构成的一维向量,所述目标图像的空间信息为所述目标图像和所述目标图像的邻域图像所构成的二维向量;
所述通过图像分类模型提取所述目标图像的空间特征和所述目标图像的光谱特征包括:
通过所述图像分类模型对所述空间信息和所述光谱信息分别进行特征提取,得到所述目标图像的空间特征和所述目标图像的光谱特征。
3.根据权利要求2所述的方法,其特征在于,所述图像分类模型包括第一分支网络和第二分支网络,所述第一分支网络包括第一卷积层和第一池化层,所述第二分支网路包括第二卷积层和第二池化层,通过所述图像分类模型对所述空间信息和所述光谱信息分别进行特征提取,得到所述目标图像的空间特征和所述目标图像的光谱特征包括:
通过所述第一卷积层对所述光谱信息进行卷积处理,得到所述目标图像的第一光谱特征;
通过所述第一池化层对所述第一光谱特征进行最大池化处理,得到所述目标图像的第二光谱特征;
通过所述第二卷积层对所述空间信息进行卷积处理,得到所述目标图像的第一空间特征;
通过所述第二池化层对所述第一空间特征进行最大池化处理,得到所述目标图像的第二空间特征。
4.根据权利要求3所述的方法,其特征在于,所述图像分类模型还包括全连接层,通过所述图像分类模型根据所述空间特征和所述光谱特征构建空谱特征包括:
通过所述图像分类模型将所述第二光谱特征和第二空间特征分别进行拉伸处理,得到第三光谱特征和第三空间特征,其中,所述第三光谱特征和所述第三空间特征为一维向量;
通过所述全连接层对所述第三光谱特征和所述第三空间特征进行融合处理,得到空谱特征。
5.根据权利要求2所述的方法,其特征在于,所述图像分类模型包括第一分支网络和第二分支网络,所述第一分支网络包括n个第一卷积层和n-1个第一池化层,所述第二分支网络包括n个第二卷积层和n-1个第二池化层,其中,n大于或等于2,通过所述图像分类模型对所述空间信息和所述光谱信息分别进行特征提取,得到所述目标图像的空间特征和所述目标图像的光谱特征包括:
通过第1个所述第一卷积层对所述光谱信息进行卷积处理,得到第1个第一光谱特征;
通过第1个所述第一池化层至第n-1个所述第一池化层对第1个第一光谱特征至第n-1个第一光谱特征分别进行最大池化处理,得到第1个第二光谱特征至第n-1个第二光谱特征;
通过第2个所述第一卷积层至第n个所述第一卷积层对所述第1个第二光谱特征至第n-1个第二光谱特征分别进行卷积处理,得到第2个第一光谱特征至第n个第一光谱特征;
通过第1个所述第二卷积层对所述空间信息进行卷积处理,得到第1个第一空间特征;
通过第1个所述第二池化层至第n-1个所述第二池化层对第1个第一空间特征至第n-1个第一空间特征分别进行最大池化处理,得到第1个第二空间特征至第n-1个第二空间特征;
通过第2个所述第二卷积层至第n个所述第二卷积层对所述第1个第二空间特征至第n-1个第二空间特征分别进行卷积处理,得到第2个第一空间特征至第n个第一空间特征。
6.根据权利要求5所述的方法,其特征在于,所述图像分类模型还包括n个全连接层,通过所述图像分类模型根据所述空间特征和所述光谱特征构建空谱特征包括:
通过所述图像分类模型将所述第1个第二光谱特征至第n-1个第二光谱特征、所述第1个第二空间特征至第n-1个第二空间特征、所述第n个第一光谱特征和所述第n个第一空间特征分别进行拉伸处理,得到第1个第三光谱特征至第n个第三光谱特征,以及第1个第三空间特征至第n个第三空间特征,其中,所述第三光谱特征和所述第三空间特征为一维向量;
通过所述n个全连接层对n对特征组分别进行融合处理,得到n个子空谱特征,其中,排序相同的一个所述第三光谱特征和一个所述第三空间特征构成一个所述特征组;
通过所述图像分类模型将所述n个子空谱特征进行拼接处理,得到空谱特征。
7.根据权利要求1至6任意一项所述的方法,其特征在于,所述图像分类模型还包括分类层,通过所述图像分类模型获取所述空谱特征的分类结果包括:
通过所述分类层对所述空谱特征进行分类处理,得到分类结果。
8.一种模型训练的方法,其特征在于,包括:
获取待训练图像,所述待训练图像为基于高光谱图像所生成的图像;
通过待训练分类模型提取所述待训练图像的空间特征和所述待训练图像的光谱特征;
通过所述待训练分类模型根据所述空间特征和所述光谱特征构建空谱特征;
通过所述待训练分类模型获取所述空谱特征的分类结果;
根据所述分类结果和真实结果,通过目标损失函数对所述待训练分类模型进行训练,得到图像分类模型。
9.根据权利要求8所述的方法,其特征在于,通过待训练分类模型提取所述待训练图像的空间特征和所述待训练图像的光谱特征之前,所述方法还包括:
获取所述待训练图像的空间信息和所述待训练图像的光谱信息,其中,所述待训练图像的光谱信息为所述待训练图像所构成的一维向量,所述待训练图像的空间信息为所述待训练图像和所述待训练图像的邻域图像所构成的二维向量;
所述通过待训练分类模型提取所述待训练图像的空间特征和所述待训练图像的光谱特征包括:
通过所述待训练分类模型对所述空间信息和所述光谱信息分别进行特征提取,得到所述待训练图像的空间特征和所述待训练图像的光谱特征。
10.根据权利要求9所述的方法,其特征在于,所述待训练分类模型包括第一分支网络和第二分支网络,所述第一分支网络包括n个第一卷积层和n-1个第一池化层,所述第二分支网络包括n个第二卷积层和n-1个第二池化层,其中,n大于或等于2,通过所述待训练分类模型对所述空间信息和所述光谱信息分别进行特征提取,得到所述待训练图像的空间特征和所述待训练图像的光谱特征包括:
通过第1个所述第一卷积层对所述光谱信息进行卷积处理,得到第1个第一光谱特征;
通过第1个所述第一池化层至第n-1个所述第一池化层对第1个第一光谱特征至第n-1个第一光谱特征分别进行最大池化处理,得到第1个第二光谱特征至第n-1个第二光谱特征;
通过第2个所述第一卷积层至第n个所述第一卷积层对所述第1个第二光谱特征至第n-1个第二光谱特征分别进行卷积处理,得到第2个第一光谱特征至第n个第一光谱特征;
通过第1个所述第二卷积层对所述空间信息进行卷积处理,得到第1个第一空间特征;
通过第1个所述第二池化层至第n-1个所述第二池化层对第1个第一空间特征至第n-1个第一空间特征分别进行最大池化处理,得到第1个第二空间特征至第n-1个第二空间特征;
通过第2个所述第二卷积层至第n个所述第二卷积层对所述第1个第二空间特征至第n-1个第二空间特征分别进行卷积处理,得到第2个第一空间特征至第n个第一空间特征。
11.根据权利要求10所述的方法,其特征在于,所述待训练分类模型还包括n个全连接层,通过所述待训练分类模型根据所述空间特征和所述光谱特征构建空谱特征包括:
通过所述待训练分类模型将所述第1个第二光谱特征至第n-1个第二光谱特征、所述第1个第二空间特征至第n-1个第二空间特征、所述第n个第一光谱特征和所述第n个第一空间特征分别进行拉伸处理,得到第1个第三光谱特征至第n个第三光谱特征,以及第1个第三空间特征至第n个第三空间特征,其中,所述第三光谱特征和所述第三空间特征为一维向量;
通过所述n个全连接层对n对特征组分别进行融合处理,得到n个子空谱特征,其中,排序相同的一个所述第三光谱特征和一个所述第三空间特征构成一个所述特征组;
通过所述待训练分类模型将所述n个子空谱特征进行拼接处理,得到空谱特征。
12.根据权利要求8至11任意一项所述的方法,其特征在于,所述待训练分类模型还包括分类层,通过所述待训练分类模型获取所述空谱特征的分类结果包括:
通过所述分类层对所述空谱特征进行分类处理,得到分类结果。
13.一种图像分类的装置,其特征在于,包括:
第一获取模块,用于获取目标图像,所述目标图像为基于高光谱图像所生成的图像;
提取模块,用于通过图像分类模型提取所述目标图像的空间特征和所述目标图像的光谱特征;
构建模块,用于通过所述图像分类模型根据所述空间特征和所述光谱特征构建空谱特征;
第二获取模块,用于通过所述图像分类模型获取所述空谱特征的分类结果;
确定模块,用于根据所述分类结果,确定所述目标图像所属的类别。
14.一种模型训练的装置,其特征在于,包括:
第一获取模块,用于获取待训练图像,所述待训练图像为基于高光谱图像所生成的图像;
提取模块,用于通过待训练分类模型提取所述待训练图像的空间特征和所述待训练图像的光谱特征;
构建模块,用于通过所述待训练分类模型根据所述空间特征和所述光谱特征构建空谱特征;
第二获取模块,用于通过所述待训练分类模型获取所述空谱特征的分类结果;
训练模块,用于根据所述分类结果和真实结果,通过目标损失函数对所述待训练分类模型进行训练,得到图像分类模型。
15.一种图像分类设备,其特征在于,包括:
一个或一个以上中央处理器,存储器,输入输出接口,有线或无线网络接口,电源;
所述存储器为短暂存储存储器或持久存储存储器;
所述中央处理器配置为与所述存储器通信,在所述图像分类设备上执行所述存储器中的指令操作以执行权利要求1至12中任意一项所述的方法。
16.一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1至12中任意一项所述的方法。
17.一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如权利要求1至12中任意一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911041029.3A CN110991236A (zh) | 2019-10-29 | 2019-10-29 | 一种图像分类的方法及相关装置 |
PCT/CN2020/097906 WO2021082480A1 (zh) | 2019-10-29 | 2020-06-24 | 一种图像分类的方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911041029.3A CN110991236A (zh) | 2019-10-29 | 2019-10-29 | 一种图像分类的方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991236A true CN110991236A (zh) | 2020-04-10 |
Family
ID=70082504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911041029.3A Pending CN110991236A (zh) | 2019-10-29 | 2019-10-29 | 一种图像分类的方法及相关装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110991236A (zh) |
WO (1) | WO2021082480A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797941A (zh) * | 2020-07-20 | 2020-10-20 | 中国科学院长春光学精密机械与物理研究所 | 携带光谱信息和空间信息的图像分类方法及系统 |
WO2021082480A1 (zh) * | 2019-10-29 | 2021-05-06 | 华为技术有限公司 | 一种图像分类的方法及相关装置 |
CN113191261A (zh) * | 2021-04-29 | 2021-07-30 | 北京百度网讯科技有限公司 | 图像类别的识别方法、装置和电子设备 |
CN113344040A (zh) * | 2021-05-20 | 2021-09-03 | 深圳索信达数据技术有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705630B (zh) * | 2021-08-10 | 2023-10-13 | 南京邮电大学 | 一种皮肤病变图像分类方法 |
CN113822208B (zh) * | 2021-09-27 | 2023-08-08 | 海南长光卫星信息技术有限公司 | 高光谱异常检测方法、装置、电子设备及可读存储介质 |
CN113920323B (zh) * | 2021-11-18 | 2023-04-07 | 西安电子科技大学 | 基于语义图注意力网络的不同混乱度高光谱图像分类方法 |
CN114972903A (zh) * | 2022-04-14 | 2022-08-30 | 北京工业大学 | 高光谱图像分类方法、装置、电子设备及存储介质 |
CN114842264A (zh) * | 2022-05-17 | 2022-08-02 | 北京理工大学 | 一种基于多尺度空谱特征联合学习的高光谱图像分类方法 |
CN115979973B (zh) * | 2023-03-20 | 2023-06-16 | 湖南大学 | 一种基于双通道压缩注意力网络的高光谱中药材鉴别方法 |
CN117554319A (zh) * | 2023-10-20 | 2024-02-13 | 广东省水利水电科学研究院 | 一种微塑料丰度的检测方法、系统、装置及存储介质 |
CN117372789B (zh) * | 2023-12-07 | 2024-03-08 | 北京观微科技有限公司 | 图像分类方法及图像分类装置 |
CN117809179A (zh) * | 2023-12-26 | 2024-04-02 | 成都理工大学 | 一种面向对象的高光谱遥感影像地表岩性识别分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100266185A1 (en) * | 2009-04-21 | 2010-10-21 | Sloan Kettering Institute of Cancer | Malignant tissue recognition model for the prostate |
CN107798348A (zh) * | 2017-10-27 | 2018-03-13 | 广东省智能制造研究所 | 基于邻域信息深度学习的高光谱图像分类方法 |
CN107909015A (zh) * | 2017-10-27 | 2018-04-13 | 广东省智能制造研究所 | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 |
CN110084159A (zh) * | 2019-04-15 | 2019-08-02 | 西安电子科技大学 | 基于联合多级空谱信息cnn的高光谱图像分类方法 |
CN110321963A (zh) * | 2019-07-09 | 2019-10-11 | 西安电子科技大学 | 基于融合多尺度多维空谱特征的高光谱图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991236A (zh) * | 2019-10-29 | 2020-04-10 | 成都华为技术有限公司 | 一种图像分类的方法及相关装置 |
-
2019
- 2019-10-29 CN CN201911041029.3A patent/CN110991236A/zh active Pending
-
2020
- 2020-06-24 WO PCT/CN2020/097906 patent/WO2021082480A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100266185A1 (en) * | 2009-04-21 | 2010-10-21 | Sloan Kettering Institute of Cancer | Malignant tissue recognition model for the prostate |
CN107798348A (zh) * | 2017-10-27 | 2018-03-13 | 广东省智能制造研究所 | 基于邻域信息深度学习的高光谱图像分类方法 |
CN107909015A (zh) * | 2017-10-27 | 2018-04-13 | 广东省智能制造研究所 | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 |
CN110084159A (zh) * | 2019-04-15 | 2019-08-02 | 西安电子科技大学 | 基于联合多级空谱信息cnn的高光谱图像分类方法 |
CN110321963A (zh) * | 2019-07-09 | 2019-10-11 | 西安电子科技大学 | 基于融合多尺度多维空谱特征的高光谱图像分类方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021082480A1 (zh) * | 2019-10-29 | 2021-05-06 | 华为技术有限公司 | 一种图像分类的方法及相关装置 |
CN111797941A (zh) * | 2020-07-20 | 2020-10-20 | 中国科学院长春光学精密机械与物理研究所 | 携带光谱信息和空间信息的图像分类方法及系统 |
CN113191261A (zh) * | 2021-04-29 | 2021-07-30 | 北京百度网讯科技有限公司 | 图像类别的识别方法、装置和电子设备 |
CN113344040A (zh) * | 2021-05-20 | 2021-09-03 | 深圳索信达数据技术有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021082480A1 (zh) | 2021-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991236A (zh) | 一种图像分类的方法及相关装置 | |
Nie et al. | Deeply learned filter response functions for hyperspectral reconstruction | |
CN110443882B (zh) | 基于深度学习算法的光场显微三维重建方法及装置 | |
CN109522874B (zh) | 人体动作识别方法、装置、终端设备及存储介质 | |
CN110852227A (zh) | 高光谱图像深度学习分类方法、装置、设备及存储介质 | |
CN109145992A (zh) | 协作生成对抗网络和空谱联合的高光谱图像分类方法 | |
CN107145836B (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
CN107784322B (zh) | 异常数据检测方法、装置、存储介质以及程序产品 | |
CN111310598B (zh) | 一种基于3维和2维混合卷积的高光谱遥感图像分类方法 | |
CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN114821164A (zh) | 基于孪生网络的高光谱图像分类方法 | |
CN109498037B (zh) | 基于深度学习提取特征和多重降维算法的脑认知测量方法 | |
CN112633297A (zh) | 目标对象的识别方法、装置、存储介质以及电子装置 | |
CN116051896B (zh) | 一种轻量化混合张量神经网络的高光谱图像分类方法 | |
CN113420640A (zh) | 红树林高光谱图像分类方法、装置、电子设备及存储介质 | |
CN113569672A (zh) | 轻量级目标检测与故障识别方法、装置及系统 | |
Jenifa et al. | Classification of cotton leaf disease using multi-support vector machine | |
CN115131503A (zh) | 一种虹膜三维识别的健康监测方法及其系统 | |
CN116977747B (zh) | 基于多路多尺度特征孪生网络的小样本高光谱分类方法 | |
CN111626313B (zh) | 一种特征提取模型训练方法、图像处理方法及装置 | |
CN116563649A (zh) | 基于张量映射网络的高光谱图像轻量化分类方法及装置 | |
CN112183303A (zh) | 变电设备图像分类方法、装置、计算机设备和介质 | |
CN110648332A (zh) | 基于多分支卷积神经网络特征正交的图像可判别区域提取方法 | |
CN116502700A (zh) | 皮肤检测模型训练方法、皮肤检测方法、装置及电子设备 | |
CN113408571B (zh) | 一种基于模型蒸馏的图像分类方法、装置、存储介质及终端 |
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 |