CN111488933A - 图像分类方法、网络、计算机设备和存储介质 - Google Patents

图像分类方法、网络、计算机设备和存储介质 Download PDF

Info

Publication number
CN111488933A
CN111488933A CN202010283724.7A CN202010283724A CN111488933A CN 111488933 A CN111488933 A CN 111488933A CN 202010283724 A CN202010283724 A CN 202010283724A CN 111488933 A CN111488933 A CN 111488933A
Authority
CN
China
Prior art keywords
image
sample
classified
feature map
network
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
Application number
CN202010283724.7A
Other languages
English (en)
Other versions
CN111488933B (zh
Inventor
贺怿楚
石峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN202010283724.7A priority Critical patent/CN111488933B/zh
Publication of CN111488933A publication Critical patent/CN111488933A/zh
Application granted granted Critical
Publication of CN111488933B publication Critical patent/CN111488933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种图像分类方法、网络、计算机设备和存储介质。所述方法包括：获取待分类的图像；待分类的图像为具有对称结构的图像；将待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像；对第一图像进行处理，得到第三图像；第三图像中的结构与第二图像中的结构具有相同的朝向；对第二图像进行特征提取，得到第一特征图，对第三图像进行特征提取，得到第二特征图；根据第一特征图和第二特征图，得到待分类的图像的特征向量；根据特征向量，得到待分类的图像的分类结果。该方法能够准确地得到待分类的图像的分类结果。

Description

图像分类方法、网络、计算机设备和存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种图像分类方法、网络、计算机设备和存储介质。
背景技术
对称性广泛存在于各类物体中，对物体中某些依赖对称性比较地特性，如果只将单侧结构或者所有对称结构视为一个整体，在整体上进行特征提取与识别，则可能会受到整体与整体间较大的类内差异、每个整体内部较多的冗余特征的干扰，因此，通过综合比较物体中两个或多个具有相似功能、形态、外观的对称结构，提取每个对称结构内部的特征并对比多个对称结构，则可以在对称性的帮助下，削弱个体差异和无关特征对分类识别任务的影响，可以更精确、敏感地对物体的某些特性进行识别和分类。
传统技术中，在对两个或多个具有对称性的结构进行对比分类时，基于深度学习的方法通常是将两个或多个具有对称结构的图像，作为多个输入通道，输入卷积分类网络中，对输入的多个通道使用卷积层进行特征提取，根据提取的特征对该具有对称结构的图像进行分类。
然而，传统技术存在对具有对称结构的图像分类不准确的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高对具有对称结构的图像分类准确度的图像分类方法、网络、计算机设备和存储介质。
一种图像分类方法，所述方法包括：
获取待分类的图像；所述待分类的图像为具有对称结构的图像；
将所述待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像；
对所述第一图像进行处理，得到第三图像；所述第三图像中的结构与所述第二图像中的结构具有相同的朝向；
对所述第二图像进行特征提取，得到第一特征图，对所述第三图像进行特征提取，得到第二特征图；
根据所述第一特征图和所述第二特征图，得到所述待分类的图像的特征向量；
根据所述特征向量，得到所述待分类的图像的分类结果。
在其中一个实施例中，所述根据所述第一特征图和所述第二特征图，得到所述待分类的图像的特征向量，包括：
根据所述第一特征图和所述第二特征图，得到所述第一特征图和所述第二特征图间的差异值；
根据所述第一特征图、所述第二特征图和所述差异值，得到所述待分类的图像的特征向量。
在其中一个实施例中，所述根据所述第一特征图、所述第二特征图和所述差异值，得到所述待分类的图像的特征向量，包括：
对所述第一特征图进行池化处理，将所述第一特征图转化为第一特征向量；
对所述第二特征图进行池化处理，将所述第二特征图转化为第二特征向量；
对所述差异值进行池化处理，将所述差异值转化为第三特征向量；
对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征融合，得到所述待分类的图像的特征向量。
在其中一个实施例中，所述第一图像中包括多个第一图像块，所述第二图像中包括多个第二图像块；所述方法还包括：
确定所述待分类的图像中所述对称结构的对称轴方向；
根据所述对称轴方向，摆正所述待分类的图像，得到摆正后的图像；
在所述摆正后的图像中，确定出所述对称结构的外接矩形；
根据所述对称结构的外接矩形，得到所述多个第一图像块和所述多个第二图像块。
一种图像分类网络，所述图像分类网络包括：特征提取子网络、特征融合子网络和分类子网络；所述特征提取子网络、所述特征融合子网络、所述分类子网络依次连接；
所述特征提取子网络，用于获取待分类的图像对应的第一图像的第一特征图和所述待分类的图像对应的第二图像的第二特征图；所述待分类的图像为具有对称结构的图像；所述第一图像中的结构与所述第二图像中的结构具有相同的朝向；
所述特征融合子网络，用于根据所述第一特征图和所述第二特征图，得到所述待分类的图像的特征向量；
所述分类子网络，用于根据所述特征向量，得到所述待分类的图像的分类结果。
在其中一个实施例中，所述图像分类网络的训练过程，包括：
获取训练样本；所述训练样本包括待分类的样本图像、所述待分类的样本图像对应的第一样本图像、所述待分类的样本图像对应的第二样本图像和标准分类结果标签；其中，所述待分类的样本图像为具有所述对称结构的图像；所述第一样本图像中的结构与所述第二样本图像中的结构具有相同的朝向；所述标准分类结果标签用于表征所述待分类的样本图像的所述对称结构在目标特性上是否具有对称性；
将所述第一样本图像和所述第二样本图像，输入预设的初始图像分类网络的初始特征提取子网络，得到所述第一样本图像对应的第一样本特征图和所述第二样本图像对应的第二样本特征图；
将所述第一样本特征图和所述第二样本特征图，输入所述初始图像分类网络的初始特征融合子网络，得到所述待分类的样本图像的样本特征向量；
将所述样本特征向量，输入所述初始图像分类网络的初始分类子网络，得到所述待分类样本图像的样本分类结果；
根据所述样本分类结果和所述标准分类结果标签，得到所述初始图像分类网络的损失函数的值，对所述初始图像分类网络进行训练，得到所述图像分类网络。
在其中一个实施例中，所述将所述第一样本特征图和所述第二样本特征图，输入所述初始图像分类网络的初始特征融合子网络，得到所述待分类的样本图像的样本特征向量，包括：
将所述第一样本特征图和所述第二样本特征图，输入所述初始特征融合子网络，得到所述第一样本特征图和所述第二样本特征图间的样本差异值；
根据所述第一样本特征图、所述第二样本特征图和所述样本差异值，得到所述待分类的样本图像的样本特征向量。
在其中一个实施例中，所述图像分类网络的训练过程，包括：
获取训练样本；所述训练样本包括待分类的样本图像、所述待分类的样本图像对应的第一样本图像、所述待分类的样本图像对应的第二样本图像、标准分类结果标签、第一样本图像的标准分类标签和第二样本图像的标准分类标签；其中，所述待分类的样本图像为具有所述对称结构的图像；所述第一样本图像中的结构与所述第二样本图像中的结构具有相同的朝向；所述标准分类结果标签用于表征所述待分类样本图像的所述对称结构在目标特性上是否具有对称性；所述第一样本图像的标准分类标签用于表征所述第一样本图像中包括的所述对称结构在所述目标特性上是否具有对称性；所述第二样本图像的标准分类标签用于表征所述第二样本图像中包括的所述对称结构在所述目标特性上是否具有对称性；
将所述第一样本图像和所述第二样本图像，输入预设的初始图像分类网络的初始特征提取子网络，得到所述第一样本图像对应的第一样本特征图和所述第二样本图像对应的第二样本特征图；
将所述第一样本特征图和所述第二样本特征图，输入所述初始图像分类网络的初始特征融合子网络，得到所述第一样本特征图对应的第一样本特征向量、所述第二样本特征图对应的第二样本特征向量和所述待分类的样本图像的样本特征向量；
将所述第一样本特征向量、所述第二样本特征向量和所述待分类的样本图像的样本特征向量，输入所述初始图像分类网络的初始分类子网络，得到所述第一样本图像的样本分类结果、所述第二样本图像的样本分类结果和所述待分类的样本图像的样本分类结果；
根据所述第一样本图像的样本分类结果、所述第二样本图像的样本分类结果、所述待分类的样本图像的样本分类结果、所述第一样本图像的标准分类标签、所述第二样本图像的标准分类标签和所述标准分类结果标签，得到所述初始图像分类网络的损失函数的值，对所述初始图像分类网络进行训练，得到所述图像分类网络。
一种图像分类装置，所述装置包括：
第一获取模块，用于获取待分类的图像；所述待分类的图像为具有对称结构的图像；
切分模块，用于将所述待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像；
处理模块，用于对所述第一图像进行处理，得到第三图像；所述第三图像中的结构与所述第二图像中的结构具有相同的朝向；
提取模块，用于对所述第二图像进行特征提取，得到第一特征图，对所述第三图像进行特征提取，得到第二特征图；
第二获取模块，用于根据所述第一特征图和所述第二特征图，得到所述待分类的图像的特征向量；
分类模块，用于根据所述特征向量，得到所述待分类的图像的分类结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待分类的图像；所述待分类的图像为具有对称结构的图像；
将所述待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像；
对所述第一图像进行处理，得到第三图像；所述第三图像中的结构与所述第二图像中的结构具有相同的朝向；
对所述第二图像进行特征提取，得到第一特征图，对所述第三图像进行特征提取，得到第二特征图；
根据所述第一特征图和所述第二特征图，得到所述待分类的图像的特征向量；
根据所述特征向量，得到所述待分类的图像的分类结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待分类的图像；所述待分类的图像为具有对称结构的图像；
将所述待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像；
对所述第一图像进行处理，得到第三图像；所述第三图像中的结构与所述第二图像中的结构具有相同的朝向；
对所述第二图像进行特征提取，得到第一特征图，对所述第三图像进行特征提取，得到第二特征图；
根据所述第一特征图和所述第二特征图，得到所述待分类的图像的特征向量；
根据所述特征向量，得到所述待分类的图像的分类结果。
上述图像分类方法、网络、计算机设备和存储介质，通过将待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像，对第一图像进行处理，得到与第二图像中的结构具有相同的朝向的第三图像，通过对第二图像和第三图像进行特征提取，能够有效地提取第二图像的特征和第三图像的特征，提高了得到的第一特征图和第二特征图的准确度，进而能够根据得到的第一特征图和第二特征图，准确地得到待分类的图像的特征向量，而得到的待分类的图像的特征向量是综合了第二图像的特征和第三图像的特征的整体层面的特征向量，在确保对局部重要特征的表达的同时，消除了复杂对称性带来的影响，能够提取出对分类任务真正重要的特征，排除冗余特征的干扰，从而能够根据得到的综合了各结构特征的整体层面的特征向量，准确地得到待分类的图像的分类结果。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图；
图2为一个实施例提供的图像分类方法的流程示意图；
图3为另一个实施例提供的图像分类方法的流程示意图；
图4为另一个实施例提供的图像分类方法的流程示意图；
图5为一个实施例提供的图像分类网络示意图；
图6为一个实施例提供的图像分类网络的训练过程流程示意图；
图7为一个实施例提供的图像分类网络的训练过程流程示意图；
图8为一个实施例提供的图像分类装置结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的图像分类方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
在大多数情况下，对称性通常表现出抽象、复杂的特点，对称结构通常仅在宏观整体上具有位置对称、形态相近、功能相似的特性，而难以比较精准地获取对称轴，以及局部的一一对应关系。因此，在进行对称结构比较时，在识别并提取各对称结构内部的重要局部特征的同时，也应从整体上分析、对比对称结构之间特征的差异性，从而避免只使用局部特征提取方法带来的特征混淆与缺乏鲁棒性的问题。因此，本申请提供一种能够提高对具有对称结构的图像分类准确度的图像分类方法、网络、计算机设备和存储介质。
下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
在一个实施例中，如图2所示，提供了一种图像分类方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201，获取待分类的图像；待分类的图像为具有对称结构的图像。
其中，待分类的图像为具有对称结构的图像，示例性地，待分类的图像可以为人体脑部的图像。可选的，待分类的图像可以为计算机断层扫描(Computed Tomography,CT)图像，也可以为磁共振(Magnetic Resonance Imaging,MRI)图像。
具体地，计算机设备可以从PACS(Picture Archiving and CommunicationSystems，影像归档和通信系统)服务器中获取待分类的医学图像，也可以从医学影像设备中实时地获取待分类的医学图像。
S202，将待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像。
具体地，计算机设备将待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像。可选的，计算机设备可以根据待分类的图像的对称轴，将待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像。示例性地，假设待分类的图像的对称轴包括沿Y轴的对称轴和沿X轴的对称轴，可选的，计算机设备可以沿Y轴的对称轴，将待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像，可选的，计算机设备也可以沿X轴的对称轴，将待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像。
S203，对第一图像进行处理，得到第三图像；第三图像中的结构与第二图像中的结构具有相同的朝向。
具体地，计算机设备对第一图像进行处理，得到第三图像。其中，第三图像中的结构与第二图像中的结构具有相同的朝向。可选的，计算机设备可以对第一图像进行翻转处理，得到第三图像。示例性地，例如，第一图像为人体左脑的图像，第二图像为人体右脑的图像，计算机设备可以将第一图像进行翻转，得到第三图像，使第三图像中的左脑和第二图像中的右脑具有相同的朝向。
S204，对第二图像进行特征提取，得到第一特征图，对第三图像进行特征提取，得到第二特征图。
具体地，计算机设备对第二图像进行特征提取，得到第一特征图，对第三图像进行特征提取，得到第二特征图。可选的，计算机设备可以采用主成分分析法对第二图像进行特征提取，得到第一特征图，采用主成分分析法对第三图像进行特征提取，得到第二特征图。可选的，计算机设备也可以将第二图像输入预设的特征提取网络，得到第一特征图，同时，将第三图像输入该预设的特征提取网络，得到第二特征图。
S205，根据第一特征图和第二特征图，得到待分类的图像的特征向量。
具体地，计算机设备根据得到的第一特征图和第二特征图，得到上述待分类的图像的特征向量。可选的，计算机设备可以对得到的第一特征图和第二特征图进行特征融合，得到待分类的图像的特征图，然后将得到的待分类的图像的特征图进行转换，得到待分类的图像的特征向量。
S206，根据特征向量，得到待分类的图像的分类结果。
具体地，计算机设备根据上述得到的待分类的图像的特征向量，得到待分类的图像的分类结果。可选的，计算机设备可以将得到的待分类的图像的特征向量输入预设的分类网络中，经过若干的全连接层和非线性激活层，得到待分类的图像的分类结果。
在本实施例中，通过将待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像，对第一图像进行处理，得到与第二图像中的结构具有相同的朝向的第三图像，通过对第二图像和第三图像进行特征提取，能够有效地提取第二图像的特征和第三图像的特征，提高了得到的第一特征图和第二特征图的准确度，进而能够根据得到的第一特征图和第二特征图，准确地得到待分类的图像的特征向量，而得到的待分类的图像的特征向量是综合了第二图像的特征和第三图像的特征的整体层面的特征向量，在确保对局部重要特征的表达的同时，消除了复杂对称性带来的影响，能够提取出对分类任务真正重要的特征，排除冗余特征的干扰，从而能够根据得到的综合了各结构特征的整体层面的特征向量，准确地得到待分类的图像的分类结果。
图3为另一个实施例提供的图像分类方法的流程示意图。本实施例涉及的是计算机设备根据得到的第一特征图和第二特征图，得到待分类的图像的特征向量的具体实现过程。如图3所示，在上述实施例的基础上，作为一种可选的实施方式，上述S205，包括：
S301，根据第一特征图和第二特征图，得到第一特征图和第二特征图间的差异值。
具体地，计算机设备根据得到的第一特征图和第二特征图，得到第一特征图和第二特征图间的差异值。可选的，计算机设备可以根据预设的差值计算公式：S(x1,x2)＝(x1-x2)γ/(max(|x1|γ,|x2|γ)+ε),γ∈(0,+∞)，得到第一特征图和第二特征图间的差异值，式中，S(x1,x2)表示第一特征图和第二特征图间的差异值，x1表示第一特征图，x2表示第二特征图，ε为常数，γ为超参数。可选的，计算机设备也可以根据预设的差值计算公式：
Figure BDA0002447694230000101
γ∈(0,+∞)，得到第一特征图和第二特征图间的差异值，式中，S(x1,x2)表示第一特征图和第二特征图间的差异值，x1表示第一特征图，x2表示第二特征图，ε为常数，γ为超参数。
S302，根据第一特征图、第二特征图和差异值，得到待分类的图像的特征向量。
具体地，计算机设备根据上述得到的第一特征图、第二特征图和差异值，得到待分类的图像的特征向量。可选的，计算机设备可以对第一特征图进行池化处理，将第一特征图转化为第一特征向量，对第二特征图进行池化处理，将第二特征图转化为第二特征向量，对第一特征图和第二特征图的差异值进行池化处理，将第一特征图和第二特征图的差异值转化为第三特征向量，对得到的第一特征向量、第二特征向量和第三特征向量进行特征融合，得到待分类的图像的特征向量。其中，第一特征向量、第二特征向量、第三特征向量均为一维向量。可选的，计算机设备可以将第一特征向量、第二特征向量和第三特征向量输入特征融合网络，通过特征融合网络的全连接层，对第一特征向量、第二特征向量和第三特征向量进行特征融合，得到待分类的图像的特征向量。可选的，计算机设备对第一特征图、第二特征图、第一特征图与第二特征图间的差异值进行的池化处理，可以为全局最大池化处理、平均池化处理、最大池化处理中的任一种处理。
在本实施例中，计算机设备根据得到的第一特征图和第二特征图，能够准确地得到第一特征图和第二特征图间的差异值，进而可以根据第一特征图、第二特征图和差异值，得到综合了第一特征图和第二特征图的整体层面的特征向量，提高了得到的待分类的图像的特征向量的准确度，进而可以根据得到的待分类的图像的特征向量对待分类的图像进行准确地分类，从而提高了得到的待分类的图像的分类结果的准确度。
在上述将待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像的场景中，第一图像中包括多个第一图像块，第二图像中包括多个第二图像块。图4为另一个实施例提供的图像分类方法的流程示意图。本实施例涉及的是计算机设备得到包括多个第一图像块的第一图像和包括多个第二图像块的第二图像的具体实现过程。如图4所示，在上述实施例的基础上，作为一种可选的实施方式，上述方法还包括：
S401，确定待分类的图像中对称结构的对称轴方向。
具体地，计算机设备首先确定待分类的图像中对称结构的对称轴方向。可选的，计算机设备可以在待分类的图像上生成待分类的图像中对称结构的分割结果图，根据分割结果图，获取待分类的图像中对称结构间直线对称轴的方向，将该方向确定为待分类的图像中对称结构的对称轴方向。可选的，计算机设备可以采用模板匹配、人工分割规则、深度分割模型中的任一种分割方式，在待分类的图像上生成待分类的图像中对称结构的分割结果图。
S402，根据对称轴方向，摆正待分类的图像，得到摆正后的图像。
具体地，计算机设备根据待分类的图像中对称结构的对称轴方向，摆正待分类的图像，得到摆正后的图像。其中，摆正后的图像中的对称结构的对称轴方向为平行于某一指定坐标轴的方向，可选的，该指定坐标轴可以为Y轴。可以理解的是，若计算机设备得到的待分类的图像中对称结构的对称轴方向已经为平行于某一指定坐标轴的方向，则计算机设备可以直接将待分类的图像确定为摆正后的图像。
S403，在摆正后的图像中，确定出对称结构的外接矩形。
具体地，计算机设备在得到的摆正后的图像中，确定出待分类的图像中对称结构的外接矩形。可选的，计算机设备可以在摆正后的图像上，根据S401中得到的分割结果图，确定出待分类的图像中所有对称结构的外接矩形。
S404，根据对称结构的外接矩形，得到多个第一图像块和多个第二图像块。
具体地，计算机设备根据上述得到的对称结构的外接矩形，得到多个第一图像块和多个图像块。可选的，计算机设备可以根据得到的对称结构的外接矩形对上述摆正后的图像进行裁剪处理，得到多个第一图像块和多个第二图像块。
在本实施例中，计算机设备首先确定待分类的图像中对称结构的对称轴方向，根据确定的对称结构的对称轴方向，能够对待分类的图像进行摆正，得到摆正后的图像，进而可以在摆正后的图像中，准确地确定出待分类图像中对称结构的外接矩形，这样可以根据确定的对称结构的外接矩形，准确地得到多个第一图像块和多个第二图像块，提高了得到的多个第一图像块和多个第二图像块的准确度。
在上述实施例的基础上，作为一种可选的实施方式，上述根据待分类的图像中对称结构的外接矩形，得到多个第一图像块和多个第二图像块，可以包括：计算机设备可以确定待分类的图像中对称结构的外接矩形沿确定的对称轴方向的最大尺寸，根据确定的最大尺寸调整待分类的图像中对称结构的外接矩形的尺寸，使待分类的图像中对称结构的外接矩形的尺寸为确定的最大尺寸，得到目标外接矩形，根据目标外接矩形对摆正后的图像进行裁剪处理，得到多个第一图像块和多个第二图像块。在本实施例中，计算机设备首先确定待分类的图像中对称结构的外接矩形沿确定的对称轴方向的最大尺寸，根据确定的最大尺寸调整待分类的图像中对称结构的外接矩形的尺寸，使待分类的图像中对称结构的外接矩形的尺寸为确定的最大尺寸，这样可以使得到的目标外接矩形中尽可能多的包括了待分类的图像中对称结构的信息，进而可以根据目标外接矩形对摆正后的图像进行准确地裁剪处理，提高了得到的多个第一图像块和多个第二图像块的准确度。
图5为一个实施例提供的图像分类网络示意图。在一个实施例中，如图5所示，提供了一种图像分类网络，包括：特征提取子网络、特征融合子网络和分类子网络；特征提取子网络、特征融合子网络、分类子网络依次连接；特征提取子网络，用于获取待分类的图像对应的第一图像的第一特征图和待分类的图像对应的第二图像的第二特征图；待分类的图像为具有对称结构的图像；第一图像中的结构与第二图像中的结构具有相同的朝向；特征融合子网络，用于根据第一特征图和第二特征图，得到待分类的图像的特征向量；分类子网络，用于根据特征向量，得到待分类的图像的分类结果。
具体地，特征提取子网络，用于获取待分类的图像对应的第一图像的第一特征图和待分类的图像对应的第二图像的第二特征图，其中，待分类的图像为具有对称结构的图像，第一图像中的结构与第二图像中的结构具有相同的朝向。可选的，特征提取子网络可以是VGG网络、ResNet网络、DenseNet网络中的任一种网络。
特征融合子网络，用于根据得到的第一特征图和第二特征图，得到待分类的图像的特征向量。因为输入的第一特征图和第二特征图具有对称性，特征融合子网络可以对第一特征图和第二特征图经过适宜次数的空间降维后，逐步消除第一特征图和第二特征图两图像间的局部不对称性。可选的，特征融合子网络可以根据预设的差值函数，计算第一特征图和第二特征图在空间上的差异值，然后将第一特征图、第二特征图和差异值分别进行全局池化转化为一维向量，并连接这三个向量，通过一个全连接层进行特征融合，得到待分类的图像的特征向量。
分类子网络，用于根据得到的待分类的图像的特征向量，得到待分类的图像的分类结果。可选的，分类子网络可以通过若干全连接层、非线性激活层，得到待分类的图像的分类结果。
在本实施例中，图像分类网络包括特征提取子网络、特征融合子网络和分类子网络，特征提取子网络能够对待分类的图像中每个对称结构中的特征进行提取，获取待分类的图像对应的第一图像的第一特征图和待分类的图像对应的第二图像的第二特征图，特征融合子网络，能够在整体尺度上融合多个对称结构中的特征，根据得到的第一特征图和第二特征图，得到待分类的图像的特征向量，分类子网络能够在确保对局部重要特征的表达的同时，消除了复杂对称性带来的影响，能够提取出对分类任务真正重要的特征，排除冗余特征的干扰，从而能够根据得到的综合了各结构特征的整体层面的特征向量，准确地得到待分类的图像的分类结果。
图6为一个实施例提供的图像分类网络的训练过程流程示意图。本实施例涉及的是图像分类网络的训练过程的具体实现过程。如图6所示，在上述实施例的基础上，作为一种可选的实施方式，上述图像分类网络的训练过程，包括：
S601，获取训练样本；训练样本包括待分类的样本图像、待分类的样本图像对应的第一样本图像、待分类的样本图像对应的第二样本图像和标准分类结果标签；其中，待分类的样本图像为具有对称结构的图像；第一样本图像中的结构与第二样本图像中的结构具有相同的朝向；标准分类结果标签用于表征待分类的样本图像的对称结构在目标特性上是否具有对称性。
具体地，计算机设备获取训练样本。其中，训练样本包括待分类的样本图像、待分类的样本图像对应的第一样本图像、待分类的样本图像对应的第二样本图像和标准分类结果标签；且待分类的样本图像为具有对称结构的图像，第一样本图像中的结构与第二样本图像中的结构具有相同的朝向，标准分类结果标签用于表征待分类的样本图像的对称结构在目标特性上是否具有对称性。可选的，计算机设备可以从PACS(Picture Archiving andCommunication Systems，影像归档和通信系统)服务器中获取待分类的样本图像和标准分类结果标签。可选的，待分类的样本图像可以为人体脑部的图像。可选的，计算机设备可以对获取的待分类的样本图像进行切分，得到待分类的样本图像对应的第一样本图像和待分类的样本图像对应的第二样本图像。
S602，将第一样本图像和第二样本图像，输入预设的初始图像分类网络的初始特征提取子网络，得到第一样本图像对应的第一样本特征图和第二样本图像对应的第二样本特征图。
具体地，计算机设备将待分类的样本图像对应第一样本图像和待分类的样本图像对应的第二样本图像，输入预设的初始图像分类网络的初始特征提取子网络，得到第一样本图像对应的第一样本特征图和第二样本图像对应的第二样本特征图。可选的，初始特征提取子网络可以是VGG网络、ResNet网络、DenseNet网络中的任一种网络。
S603，将第一样本特征图和第二样本特征图，输入初始图像分类网络的初始特征融合子网络，得到待分类的样本图像的样本特征向量。
具体地，计算机设备将第一样本特征图和第二样本特征图，输入初始图像分类网络的初始特征融合子网络，得到待分类的样本图像的样本特征向量。可选的，计算机设备可以将得到的第一样本特征图和第二样本特征图，输入初始特征融合子网络，得到第一样本特征图和第二样本特征图间的样本差异值，根据第一样本特征图、第二样本特征图和样本差异值，得到待分类的样本图像的样本特征向量。可选的，初始特征融合子网络可以根据预设的差值函数，计算第一样本特征图和第二样本特征图在空间上的样本差异值，然后将第一样本特征图、第二样本特征图和样本差异值分别进行全局池化转化为一维样本向量，并连接这三个样本向量，通过一个全连接层进行特征融合，得到待分类的样本图像的样本特征向量。
S604，将样本特征向量，输入初始图像分类网络的初始分类子网络，得到待分类样本图像的样本分类结果。
具体地，计算机设备将待分类的样本图像的样本特征向量，输入初始图像分类网络的初始分类子网络，得到待分类样本图像的样本分类结果。可选的，初始分类子网络可以根据待分类的样本图像的样本特征向量通过若干全连接层、非线性激活层，得到待分类的样本图像的样本分类结果。
S605，根据样本分类结果和标准分类结果标签，得到初始图像分类网络的损失函数的值，对初始图像分类网络进行训练，得到图像分类网络。
具体地，计算机设备根据得到的样本分类结果和标准分类结果标签，得到初始图像分类网络的损失函数的值，对初始图像分类网络进行训练，当初始图像分类网络的损失函数的值达到稳定值时，得到上述图像分类网络。
在本实施例中，计算机设备将第一样本图像和第二样本图像，输入预设的初始图像分类网络的初始特征提取子网络，能够对第一样本图像和第二样本图像的特征进行准确地提取，能够准确地得到第一样本图像对应的第一样本特征图和第二样本图像对应的第二样本特征图，这样可以将第一样本特征图和第二样本特征图，输入初始图像分类网络的初始特征融合子网络，准确地得到待分类的样本图像的样本特征向量，进而可以将待分类的样本图像的样本特征向量，输入初始图像分类网络的初始分类子网络，准确地得到待分类样本图像的样本分类结果，从而可以根据样本分类结果和标准分类结果标签，对初始图像分类网络进行准确地训练，从而准确地得到图像分类网络。
在一些场景中，计算机设备可以获取待分类的样本图像中每个对称结构的标签，则可在特征融合与分类模块中对单侧特征进行融合和识别，此时使用的数据为包含总体和两个对称区域的3个分类标签。图7为一个实施例提供的图像分类网络的训练过程流程示意图。本实施例涉及的是图像分类网络的训练过程的具体实现过程。如图7所示，在上述实施例的基础上，作为一种可选的实施方式，上述图像分类网络的训练过程，包括：
S701，获取训练样本；训练样本包括待分类的样本图像、待分类的样本图像对应的第一样本图像、待分类的样本图像对应的第二样本图像、标准分类结果标签、第一样本图像的标准分类标签和第二样本图像的标准分类标签；其中，待分类的样本图像为具有对称结构的图像；第一样本图像中的结构与第二样本图像中的结构具有相同的朝向；标准分类结果标签用于表征待分类样本图像的对称结构在目标特性上是否具有对称性；第一样本图像的标准分类标签用于表征第一样本图像中包括的对称结构在目标特性上是否具有对称性；第二样本图像的标准分类标签用于表征第二样本图像中包括的对称结构在目标特性上是否具有对称性。
具体地，计算机设备获取训练样本。其中，训练样本包括待分类的样本图像、待分类的样本图像对应的第一样本图像、待分类的样本图像对应的第二样本图像和标准分类结果标签、第一样本图像的标准分类标签和第二样本图像的标准分类标签；且待分类的样本图像为具有对称结构的图像，第一样本图像中的结构与第二样本图像中的结构具有相同的朝向，标准分类结果标签用于表征待分类的样本图像的对称结构在目标特性上是否具有对称性，第一样本图像的标准分类标签用于表征第一样本图像中包括的对称结构在目标特征上是否具有对称性，第二样本图像的标准分类标签用于表征第二样本图像中包括的对称结构在目标特性上是否具有对称性。可选的，计算机设备可以从PACS(Picture Archivingand Communication Systems，影像归档和通信系统)服务器中获取待分类的样本图像和标准分类结果标签。可选的，待分类的样本图像可以为人体脑部的图像。可选的，计算机设备可以对获取的待分类的样本图像进行切分，得到待分类的样本图像对应的第一样本图像和待分类的样本图像对应的第二样本图像，然后得到对应的第一样本图像的标准分类标签和第二样本图像的标准分类标签。
S702，将第一样本图像和第二样本图像，输入预设的初始图像分类网络的初始特征提取子网络，得到第一样本图像对应的第一样本特征图和第二样本图像对应的第二样本特征图。
具体地，计算机设备将待分类的样本图像对应第一样本图像和待分类的样本图像对应的第二样本图像，输入预设的初始图像分类网络的初始特征提取子网络，得到第一样本图像对应的第一样本特征图和第二样本图像对应的第二样本特征图。可选的，初始特征提取子网络可以是VGG网络、ResNet网络、DenseNet网络中的任一种网络。
S703，将第一样本特征图和第二样本特征图，输入初始图像分类网络的初始特征融合子网络，得到第一样本特征图对应的第一样本特征向量、第二样本特征图对应的第二样本特征向量和待分类样本图像的样本特征向量。
具体地，计算机设备将第一样本特征图和第二样本特征图，输入初始图像分类网络的初始特征融合子网络，得到第一样本特征图对应的第一样本特征向量、第二样本特征图对应的第二样本特征向量和待分类的样本图像的样本特征向量。可选的，计算机设备可以将得到的第一样本特征图和第二样本特征图，输入初始特征融合子网络，得到第一样本特征图和第二样本特征图间的样本差异值，根据第一样本特征图、第二样本特征图和样本差异值，得到待分类的样本图像的样本特征向量。可选的，初始特征融合子网络可以根据预设的差值函数，计算第一样本特征图和第二样本特征图在空间上的样本差异值，然后将第一样本特征图、第二样本特征图和样本差异值分别进行全局池化转化为一维样本向量，并连接这三个样本向量，通过一个全连接层进行特征融合，得到待分类的样本图像的样本特征向量，并将第一样本特征图转化后得到的一维样本向量确定为第一样本特征图对应的第一样本特征向量，将第二样本特征图转化后得到的一维样本向量确定为第二样本特征图对应的第二样本特征向量。
S704，将第一样本特征向量、第二样本特征向量和待分类的样本图像的样本特征向量，输入初始图像分类网络的初始分类子网络，得到第一样本图像的样本分类结果、第二样本图像的样本分类结果和待分类的样本图像的样本分类结果。
具体地，计算机设备将第一样本特征向量、第二样本特征向量和待分类的样本图像的样本特征向量，输入初始图像分类网络的初始分类子网络，得到第一样本图像的样本分类结果、第二样本图像的样本分类结果和待分类样本图像的样本分类结果。可选的，初始分类子网络可以将第一样本特征向量、第二样本特征向量和待分类的样本图像的样本特征向量，通过若干全连接层、非线性激活层，得到待分类的样本图像的样本分类结果。
S705，根据第一样本图像的样本分类结果、第二样本图像的样本分类结果、待分类样本图像的样本分类结果、第一样本图像的标准分类标签、第二样本图像的标准分类标签和标准分类结果标签，得到初始图像分类网络的损失函数的值，对初始图像分类网络进行训练，得到图像分类网络。
具体地，计算机设备根据第一样本图像的样本分类结果、第二样本图像的样本分类结果、待分类的样本图像的样本分类结果、第一样本图像的标准分类标签、第二样本图像的标准分类标签和标准分类结果标签，得到初始图像分类网络的损失函数的值，根据初始图像分类网络的损失函数的值对初始图像分类网络进行训练，得到上述图像分类网络。
在本实施例中，计算机设备将第一样本图像和第二样本图像，输入预设的初始图像分类网络的初始特征提取子网络，能够对第一样本图像和第二样本图像的特征进行准确地提取，能够准确地得到第一样本图像对应的第一样本特征图和第二样本图像对应的第二样本特征图，这样可以将第一样本特征图和第二样本特征图，输入初始图像分类网络的初始特征融合子网络，准确地得到第一样本特征图对应的第一样本特征向量、第二样本特征图对应的第二样本特征向量和待分类的样本图像的样本特征向量，进而可以将第一样本特征向量、第二样本特征向量和待分类的样本图像的样本特征向量，输入初始图像分类网络的初始分类子网络，准确地得到第一样本图像的样本分类结果、第二样本图像的样本分类结果和待分类样本图像的样本分类结果，从而可以根据第一样本图像的样本分类结果、第二样本图像的样本分类结果、待分类的样本图像的样本分类结果、第一样本图像的标准分类标签、第二样本图像的标准分类标签和标准分类结果标签，准确地得到初始图像分类网络的损失函数的值，从而根据损失函数的值能够对初始图像分类网络进行准确地训练，从而准确地得到图像分类网络。
应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种图像分类装置，包括：第一获取模块、切分模块、处理模块、提取模块、第二获取模块和分类模块，其中：
第一获取模块，用于获取待分类的图像；待分类的图像为具有对称结构的图像；
切分模块，用于将待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像；
处理模块，用于对第一图像进行处理，得到第三图像；第三图像中的结构与第二图像中的结构具有相同的朝向；
提取模块，用于对第二图像进行特征提取，得到第一特征图，对第三图像进行特征提取，得到第二特征图；
第二获取模块，用于根据第一特征图和第二特征图，得到待分类的图像的特征向量；
分类模块，用于根据特征向量，得到待分类的图像的分类结果。
本实施例提供的图像分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第二获取模块包括：第一获取单元和第二获取单元，其中：
第一获取单元，用于根据第一特征图和第二特征图，得到第一特征图和第二特征图间的差异值；
第二获取单元，用于根据第一特征图、第二特征图和差异值，得到待分类的图像的特征向量。
本实施例提供的图像分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第二获取单元具体用于对第一特征图进行池化处理，将第一特征图转化为第一特征向量；对第二特征图进行池化处理，将第二特征图转化为第二特征向量；对差异值进行池化处理，将差异值转化为第三特征向量；对第一特征向量、第二特征向量和第三特征向量进行特征融合，得到待分类的图像的特征向量。
本实施例提供的图像分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，第一图像中包括多个第一图像块，第二图像中包括多个第二图像块，可选的，上述装置还包括：第一确定模块、摆正模块、第二确定模块和第三获取模块，其中：
第一确定模块，用于确定待分类的图像中对称结构的对称轴方向；
摆正模块，用于根据对称轴方向，摆正待分类的图像，得到摆正后的图像；
第二确定模块，用于在摆正后的图像中，确定出对称结构的外接矩形；
第三获取模块，用于根据对称结构的外接矩形，得到多个第一图像块和多个第二图像块。
本实施例提供的图像分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于图像分类装置的具体限定可以参见上文中对于图像分类方法的限定，在此不再赘述。上述图像分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待分类的图像；待分类的图像为具有对称结构的图像；
将待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像；
对第一图像进行处理，得到第三图像；第三图像中的结构与第二图像中的结构具有相同的朝向；
对第二图像进行特征提取，得到第一特征图，对第三图像进行特征提取，得到第二特征图；
根据第一特征图和第二特征图，得到待分类的图像的特征向量；
根据特征向量，得到待分类的图像的分类结果。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待分类的图像；待分类的图像为具有对称结构的图像；
将待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像；
对第一图像进行处理，得到第三图像；第三图像中的结构与第二图像中的结构具有相同的朝向；
对第二图像进行特征提取，得到第一特征图，对第三图像进行特征提取，得到第二特征图；
根据第一特征图和第二特征图，得到待分类的图像的特征向量；
根据特征向量，得到待分类的图像的分类结果。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像分类方法，其特征在于，所述方法包括：
获取待分类的图像；所述待分类的图像为具有对称结构的图像；
将所述待分类的图像进行切分，得到至少两个具有对称关系的第一图像和第二图像；
对所述第一图像进行处理，得到第三图像；所述第三图像中的结构与所述第二图像中的结构具有相同的朝向；
对所述第二图像进行特征提取，得到第一特征图，对所述第三图像进行特征提取，得到第二特征图；
根据所述第一特征图和所述第二特征图，得到所述待分类的图像的特征向量；
根据所述特征向量，得到所述待分类的图像的分类结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一特征图和所述第二特征图，得到所述待分类的图像的特征向量，包括：
根据所述第一特征图和所述第二特征图，得到所述第一特征图和所述第二特征图间的差异值；
根据所述第一特征图、所述第二特征图和所述差异值，得到所述待分类的图像的特征向量。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一特征图、所述第二特征图和所述差异值，得到所述待分类的图像的特征向量，包括：
对所述第一特征图进行池化处理，将所述第一特征图转化为第一特征向量；
对所述第二特征图进行池化处理，将所述第二特征图转化为第二特征向量；
对所述差异值进行池化处理，将所述差异值转化为第三特征向量；
对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征融合，得到所述待分类的图像的特征向量。
4.根据权利要求1所述的方法，其特征在于，所述第一图像中包括多个第一图像块，所述第二图像中包括多个第二图像块；所述方法还包括：
确定所述待分类的图像中所述对称结构的对称轴方向；
根据所述对称轴方向，摆正所述待分类的图像，得到摆正后的图像；
在所述摆正后的图像中，确定出所述对称结构的外接矩形；
根据所述对称结构的外接矩形，得到所述多个第一图像块和所述多个第二图像块。
5.一种图像分类网络，其特征在于，所述图像分类网络包括：特征提取子网络、特征融合子网络和分类子网络；所述特征提取子网络、所述特征融合子网络、所述分类子网络依次连接；
所述特征提取子网络，用于获取待分类的图像对应的第一图像的第一特征图和所述待分类的图像对应的第二图像的第二特征图；所述待分类的图像为具有对称结构的图像；所述第一图像中的结构与所述第二图像中的结构具有相同的朝向；
所述特征融合子网络，用于根据所述第一特征图和所述第二特征图，得到所述待分类的图像的特征向量；
所述分类子网络，用于根据所述特征向量，得到所述待分类的图像的分类结果。
6.根据权利要求5所述的图像分类网络，其特征在于，所述图像分类网络的训练过程，包括：
获取训练样本；所述训练样本包括待分类的样本图像、所述待分类的样本图像对应的第一样本图像、所述待分类的样本图像对应的第二样本图像和标准分类结果标签；其中，所述待分类的样本图像为具有所述对称结构的图像；所述第一样本图像中的结构与所述第二样本图像中的结构具有相同的朝向；所述标准分类结果标签用于表征所述待分类的样本图像的所述对称结构在目标特性上是否具有对称性；
将所述第一样本图像和所述第二样本图像，输入预设的初始图像分类网络的初始特征提取子网络，得到所述第一样本图像对应的第一样本特征图和所述第二样本图像对应的第二样本特征图；
将所述第一样本特征图和所述第二样本特征图，输入所述初始图像分类网络的初始特征融合子网络，得到所述待分类的样本图像的样本特征向量；
将所述样本特征向量，输入所述初始图像分类网络的初始分类子网络，得到所述待分类样本图像的样本分类结果；
根据所述样本分类结果和所述标准分类结果标签，得到所述初始图像分类网络的损失函数的值，对所述初始图像分类网络进行训练，得到所述图像分类网络。
7.根据权利要求6所述的图像分类网络，其特征在于，所述将所述第一样本特征图和所述第二样本特征图，输入所述初始图像分类网络的初始特征融合子网络，得到所述待分类的样本图像的样本特征向量，包括：
将所述第一样本特征图和所述第二样本特征图，输入所述初始特征融合子网络，得到所述第一样本特征图和所述第二样本特征图间的样本差异值；
根据所述第一样本特征图、所述第二样本特征图和所述样本差异值，得到所述待分类的样本图像的样本特征向量。
8.根据权利要求5所述的图像分类网络，其特征在于，所述图像分类网络的训练过程，包括：
获取训练样本；所述训练样本包括待分类的样本图像、所述待分类的样本图像对应的第一样本图像、所述待分类的样本图像对应的第二样本图像、标准分类结果标签、第一样本图像的标准分类标签和第二样本图像的标准分类标签；其中，所述待分类的样本图像为具有所述对称结构的图像；所述第一样本图像中的结构与所述第二样本图像中的结构具有相同的朝向；所述标准分类结果标签用于表征所述待分类样本图像的所述对称结构在目标特性上是否具有对称性；所述第一样本图像的标准分类标签用于表征所述第一样本图像中包括的所述对称结构在所述目标特性上是否具有对称性；所述第二样本图像的标准分类标签用于表征所述第二样本图像中包括的所述对称结构在所述目标特性上是否具有对称性；
将所述第一样本图像和所述第二样本图像，输入预设的初始图像分类网络的初始特征提取子网络，得到所述第一样本图像对应的第一样本特征图和所述第二样本图像对应的第二样本特征图；
将所述第一样本特征图和所述第二样本特征图，输入所述初始图像分类网络的初始特征融合子网络，得到所述第一样本特征图对应的第一样本特征向量、所述第二样本特征图对应的第二样本特征向量和所述待分类的样本图像的样本特征向量；
将所述第一样本特征向量、所述第二样本特征向量和所述待分类的样本图像的样本特征向量，输入所述初始图像分类网络的初始分类子网络，得到所述第一样本图像的样本分类结果、所述第二样本图像的样本分类结果和所述待分类的样本图像的样本分类结果；
根据所述第一样本图像的样本分类结果、所述第二样本图像的样本分类结果、所述待分类的样本图像的样本分类结果、所述第一样本图像的标准分类标签、所述第二样本图像的标准分类标签和所述标准分类结果标签，得到所述初始图像分类网络的损失函数的值，对所述初始图像分类网络进行训练，得到所述图像分类网络。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202010283724.7A 2020-04-13 2020-04-13 图像分类方法、网络、计算机设备和存储介质 Active CN111488933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010283724.7A CN111488933B (zh) 2020-04-13 2020-04-13 图像分类方法、网络、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010283724.7A CN111488933B (zh) 2020-04-13 2020-04-13 图像分类方法、网络、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111488933A true CN111488933A (zh) 2020-08-04
CN111488933B CN111488933B (zh) 2024-02-27

Family

ID=71794710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010283724.7A Active CN111488933B (zh) 2020-04-13 2020-04-13 图像分类方法、网络、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111488933B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100299355A1 (en) * 2009-05-25 2010-11-25 Canon Kabushiki Kaisha Image search apparatus and method thereof
CN104217213A (zh) * 2014-08-20 2014-12-17 哈尔滨工程大学 一种基于对称性理论的医学图像多阶段分类方法
CN107578375A (zh) * 2017-08-21 2018-01-12 北京陌上花科技有限公司 图像处理方法及装置
CN108846426A (zh) * 2018-05-30 2018-11-20 西安电子科技大学 基于深度双向lstm孪生网络的极化sar分类方法
CN109033938A (zh) * 2018-06-01 2018-12-18 上海阅面网络科技有限公司 一种基于可区分性特征融合的人脸识别方法
CN109191422A (zh) * 2018-07-09 2019-01-11 复旦大学 基于常规ct图像的缺血性脑卒中早期检测系统和方法
CN109284786A (zh) * 2018-10-10 2019-01-29 西安电子科技大学 基于分布和结构匹配生成对抗网络的sar图像地物分类方法
CN110070935A (zh) * 2019-03-20 2019-07-30 中国科学院自动化研究所 基于对抗神经网络的医学图像合成方法、分类方法及装置
WO2019154262A1 (zh) * 2018-02-07 2019-08-15 腾讯科技（深圳）有限公司 一种图像分类方法及服务器、用户终端、存储介质
CN110852367A (zh) * 2019-11-05 2020-02-28 上海联影智能医疗科技有限公司 图像分类方法、计算机设备和存储介质
CN110929730A (zh) * 2019-11-18 2020-03-27 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备和存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100299355A1 (en) * 2009-05-25 2010-11-25 Canon Kabushiki Kaisha Image search apparatus and method thereof
CN104217213A (zh) * 2014-08-20 2014-12-17 哈尔滨工程大学 一种基于对称性理论的医学图像多阶段分类方法
CN107578375A (zh) * 2017-08-21 2018-01-12 北京陌上花科技有限公司 图像处理方法及装置
WO2019154262A1 (zh) * 2018-02-07 2019-08-15 腾讯科技（深圳）有限公司 一种图像分类方法及服务器、用户终端、存储介质
CN108846426A (zh) * 2018-05-30 2018-11-20 西安电子科技大学 基于深度双向lstm孪生网络的极化sar分类方法
CN109033938A (zh) * 2018-06-01 2018-12-18 上海阅面网络科技有限公司 一种基于可区分性特征融合的人脸识别方法
CN109191422A (zh) * 2018-07-09 2019-01-11 复旦大学 基于常规ct图像的缺血性脑卒中早期检测系统和方法
CN109284786A (zh) * 2018-10-10 2019-01-29 西安电子科技大学 基于分布和结构匹配生成对抗网络的sar图像地物分类方法
CN110070935A (zh) * 2019-03-20 2019-07-30 中国科学院自动化研究所 基于对抗神经网络的医学图像合成方法、分类方法及装置
CN110852367A (zh) * 2019-11-05 2020-02-28 上海联影智能医疗科技有限公司 图像分类方法、计算机设备和存储介质
CN110929730A (zh) * 2019-11-18 2020-03-27 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备和存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YONG XU 等: "Approximately symmetrical face images for image preprocessing in face recognition and sparse representation based classification", 《PATTERN RECOGNITION》, vol. 54, 31 December 2016 (2016-12-31), pages 68 - 82, XP029439192, DOI: 10.1016/j.patcog.2015.12.017 *
石祥滨 等: "基于对称神经网络的图像分类", 《小型微型计算机系统》, vol. 38, no. 3, 31 December 2017 (2017-12-31), pages 578 - 583 *
陈任 等: "基于图像对称性的车辆遥感识别", 《国土资源遥感》, vol. 28, no. 4, 31 December 2016 (2016-12-31), pages 135 - 140 *
陶劲草 等: "基于加权对称图像的二维FDA人脸识别算法", 《计算机工程》, vol. 35, no. 14, 31 December 2009 (2009-12-31), pages 224 - 226 *

Also Published As

Publication number Publication date
CN111488933B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
US11244435B2 (en) Method and apparatus for generating vehicle damage information
CN110569721B (zh) 识别模型训练方法、图像识别方法、装置、设备及介质
CN108985259B (zh) 人体动作识别方法和装置
CN109858333B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN110751149B (zh) 目标对象标注方法、装置、计算机设备和存储介质
CN109344742A (zh) 特征点定位方法、装置、存储介质和计算机设备
CN110765882B (zh) 一种视频标签确定方法、装置、服务器及存储介质
CN108509994B (zh) 人物图像聚类方法和装置
WO2022057309A1 (zh) 肺部特征识别方法、装置、计算机设备及存储介质
CN112884782B (zh) 生物对象分割方法、装置、计算机设备和存储介质
CN112102235B (zh) 人体部位识别方法、计算机设备和存储介质
CN110211195B (zh) 生成图像集合的方法、装置、电子设备和计算机可读存储介质
CN111583184A (zh) 图像分析方法、网络、计算机设备和存储介质
CN113158773B (zh) 一种活体检测模型的训练方法及训练装置
CN110941978A (zh) 一种未识别身份人员的人脸聚类方法、装置及存储介质
CN112001285B (zh) 一种美颜图像的处理方法、装置、终端和介质
CN111899265A (zh) 图像分析方法、装置、计算机设备和存储介质
CN113569855A (zh) 一种舌象分割方法、设备及存储介质
CN111583264A (zh) 图像分割网络的训练方法、图像分割方法和存储介质
CN111274965A (zh) 人脸识别方法、装置、计算机设备和存储介质
CN109165572B (zh) 用于生成信息的方法和装置
CN113012189B (zh) 图像识别方法、装置、计算机设备和存储介质
CN112836682B (zh) 视频中对象的识别方法、装置、计算机设备和存储介质
CN112053394A (zh) 图像处理方法、装置、电子设备及存储介质
CN111488933B (zh) 图像分类方法、网络、计算机设备和存储介质

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