CN113435301B - 动物毛皮显微图像分类方法、装置、电子设备及存储介质 - Google Patents

动物毛皮显微图像分类方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113435301B
CN113435301B CN202110700083.5A CN202110700083A CN113435301B CN 113435301 B CN113435301 B CN 113435301B CN 202110700083 A CN202110700083 A CN 202110700083A CN 113435301 B CN113435301 B CN 113435301B
Authority
CN
China
Prior art keywords
fur
image
classification
information entropy
animal
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.)
Active
Application number
CN202110700083.5A
Other languages
English (en)
Other versions
CN113435301A (zh
Inventor
李岩山
陈嘉欢
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202110700083.5A priority Critical patent/CN113435301B/zh
Publication of CN113435301A publication Critical patent/CN113435301A/zh
Application granted granted Critical
Publication of CN113435301B publication Critical patent/CN113435301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种动物毛皮显微图像分类方法、装置、电子设备及存储介质，通过信息熵评估图像数据，确定图像中含有有效动物毛皮的信息熵，接着根据信息熵将图像送入双流EfficientNet网络的相应的分路中，最后通过融合策略将两路子网络分类结果进行融合得到最终分类结果，从而实现噪声和干扰过大的动物毛皮显微图像的精准识别，从而大大提升了动物毛皮显微图像分类的实际准确率。

Description

动物毛皮显微图像分类方法、装置、电子设备及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种动物毛皮显微图像分类方法、装置、电子设备及存储介质。
背景技术
动物毛皮显微图像识别是对通过显微镜获取的动物毛皮的图像进行识别的技术，广泛应用于案件侦查、毛皮质量检测和毛皮真伪鉴定等领域，属于细粒度图像识别的范畴。由于动物毛皮显微图像分类具有细粒度图像分类任务中类内差距较大，类间差距较小的特点，目前主要是采用深度学习算法对动物毛皮图像进行识别。
近年来，基于强监督信息的深度学习成为了热门研究对象。在传统分类的基础上，衍生出了关键点信息、局部检测框以及最大熵检测等分类算法，通过局部定位来区分图像中重要信息和不重要信息，但相对的，由于局部信息的作用难以判定，研究者们往往无法判断特征对网络的作用，并且上述的算法也难以适应噪声更多的动物毛皮识别，从而导致最后对动物毛皮显微图像的分类准确性较低。
发明内容
本发明的主要目的在于解决现有技术中的分类算法对动物毛皮显微图像的分类准确性较低的技术问题。
本发明第一方面提供了一种动物毛皮显微图像分类方法，所述动物毛皮显微图像分类方法包括：
获取动物毛皮显微图像，并从所述动物毛皮显微图像中提取含有有效的动物毛皮特征的毛皮图像，得到切割图像数据集；
计算所述切割图像数据集中各毛皮图像的信息熵，基于所述信息熵将所述切割图像数据集划分为两个数据子集；
将两个所述数据子集分别输入至预设的双流神经网络对应的子网络结构中进行分类识别检测，得到第一分类结果和第二分类结果；
利用与所述双流神经网络对应的双流网络融合策略对所述第一分类结果和第二分类结果进行融合处理，得到融合分类结果；
根据所述融合分类结果对所述动物毛皮显微图像进行分类。
可选的，在本发明第一方面的第一种实现方式中，所述获取动物毛皮显微图像，并从所述动物毛皮显微图像中提取含有有效的动物毛皮特征的毛皮图像，得到切割图像数据集包括：
通过固定光照后的电子显微镜拍摄待识别的动物的毛皮，得到动物毛皮显微图像；
利用图像处理技术识别所述动物毛皮显微图像中含有有效的动物毛皮特征的区域，并标记；
根据所述标记将所述动物毛皮显微图像分切为大小相等的毛皮图像，得到切割图像数据集。
可选的，在本发明第一方面的第二种实现方式中，所述根据所述标记将所述动物毛皮显微图像分切为大小相等的毛皮图像，得到切割图像数据集包括：
以各所述标记所在的区域为中心，将所述动物毛皮显微图像切分为大小等于N*N的多个毛皮图像；
利用边缘像素检测技术，检测各所述毛皮图像中边缘区域的新像素值的数量/数目，其中所述边缘区域为以毛皮图像的四条边框向毛皮图像内延伸至距离图像一定距离的区域；
从所述多个毛皮图像中筛选所述数量/数目满足预设阈值的图片形成切割图像数据。
可选的，在本发明第一方面的第三种实现方式中，所述计算所述切割图像数据集中各毛皮图像的信息熵，基于所述信息熵将所述切割图像数据集划分为两个数据子集包括：
采用通道最大值法，将所述切割图像数据集中的各毛皮图像调整为图像灰度图；
计算所述图像灰度图中各新像素值出现的概率，以及所述概率的对数值；
根据所述概率和所述对数值，计算出所述图像灰度图对应的毛皮图像的信息熵，并基于所述信息熵计算所有毛皮图像的平均信息熵；
将各所述毛皮图像的信息熵与所述平均信息熵进行比较，基于比较的结果对所有毛皮图像进行分类，得到两个数据子集。
可选的，在本发明第一方面的第四种实现方式中，所述双流神经网络为具有对称的两路网络结构的双流神经模型，所述将两个所述数据子集分别输入至预设的双流神经网络对应的子网络结构中进行分类识别检测，得到第一分类结果和第二分类结果包括：
将两个所述数据子集中信息熵低于平均信息熵的第一数据子集，输入至所述双流神经模型中低信息熵的第一路网络结构中，所述第一路网络结构对所述第一数据子集中各毛皮图像进行深度特征的识别分类，得到第一分类结果；
将两个所述数据子集中信息熵不低于平均信息熵的第二数据子集，输入至所述双流神经模型中高信息熵的第二路网络结构中，经过所述第二路网络结构对所述第二数据子集中各毛皮图像进行深度特征的识别分类，得到第二分类结果；
其中，所述深度特征的识别分类为使用预设的复合系数对所述毛皮图像的深度、宽度和分辨率进行统一的缩放处理后进行卷积计算，得到动物毛皮特征的特征向量，基于所述特征向量进行毛皮类别的匹配，得到分类结果，所述分类结果为分类向量。
可选的，在本发明第一方面的第五种实现方式中，所述利用与所述双流神经网络对应的双流网络融合策略对所述第一分类结果和第二分类结果进行融合处理，得到融合分类结果包括：
分别计算所述第一分类结果和第二分类结果的分类向量的数目和分类向量的总数目；
根据所述第一分类结果和第二分类结果的分类向量的数目和总数目，计算出所述第一分类结果的第一占比和所述第二分类结果的第二占比；
根据所述第一占比和第二占比，将所有分类向量进行融合计算，得到融合分类结果。
可选的，在本发明第一方面的第六种实现方式中，所述融合计算的计算公式为：
其中，x表示融合分类结果，第一数据子集中第i个图像的分类向量为xi，第一分类结果中分类向量的数目为n1，第一数据子集中第j个图像的分类向量为xj，第二分类结果中分类向量的数目为n2。
本发明第二方面提供了一种动物毛皮显微图像分类装置，所述动物毛皮显微图像分类装置包括：
采集模块，用于获取动物毛皮显微图像，并从所述动物毛皮显微图像中提取含有有效的动物毛皮特征的毛皮图像，得到切割图像数据集；
样本生成模块，用于计算所述切割图像数据集中各毛皮图像的信息熵，基于所述信息熵将所述切割图像数据集划分为两个数据子集；
识别模块，用于将两个所述数据子集分别输入至预设的双流神经网络对应的子网络结构中进行分类识别检测，得到第一分类结果和第二分类结果；
融合模块，用于利用与所述双流神经网络对应的双流网络融合策略对所述第一分类结果和第二分类结果进行融合处理，得到融合分类结果；
分类模块，用于根据所述融合分类结果对所述动物毛皮显微图像进行分类。
可选的，在本发明第二方面的第一种实现方式中，所述采集模块包括：
拍摄单元，用于通过固定光照后的电子显微镜拍摄待识别的动物的毛皮，得到动物毛皮显微图像；
特征识别单元，用于利用图像处理技术识别所述动物毛皮显微图像中含有有效的动物毛皮特征的区域，并标记；
切分单元，用于根据所述标记将所述动物毛皮显微图像分切为大小相等的毛皮图像，得到切割图像数据集。
可选的，在本发明第二方面的第二种实现方式中，所述切分单元具体用于：
以各所述标记所在的区域为中心，将所述动物毛皮显微图像切分为大小等于N*N的多个毛皮图像；
利用边缘像素检测技术，检测各所述毛皮图像中边缘区域的新像素值的数量/数目，其中所述边缘区域为以毛皮图像的四条边框向毛皮图像内延伸至距离图像一定距离的区域；
从所述多个毛皮图像中筛选所述数量/数目满足预设阈值的图片形成图像数据。
可选的，在本发明第二方面的第三种实现方式中，所述样本生成模块包括：
灰度处理单元，用于采用通道最大值法，将所述切割图像数据集中的各毛皮图像调整为图像灰度图；
第一计算单元，用于计算所述图像灰度图中各新像素值出现的概率，以及所述概率的对数值；
第二计算单元，用于根据所述概率和所述对数值，计算出所述图像灰度图对应的毛皮图像的信息熵，并基于所述信息熵计算所有毛皮图像的平均信息熵；
比较单元，用于将各所述毛皮图像的信息熵与所述平均信息熵进行比较，基于比较的结果对所有毛皮图像进行分类，得到两个数据子集。
可选的，在本发明第二方面的第四种实现方式中，所述双流神经网络为具有对称的两路网络结构的双流神经模型，所述识别模块包括：
第一分类识别单元，用于将两个所述数据子集中信息熵低于平均信息熵的第一数据子集，输入至所述双流神经模型中低信息熵的第一路网络结构中，所述第一路网络结构对所述第一数据子集中各毛皮图像进行深度特征的识别分类，得到第一分类结果；
第二分类识别单元，用于将两个所述数据子集中信息熵不低于平均信息熵的第二数据子集，输入至所述双流神经模型中高信息熵的第二路网络结构中，经过所述第二路网络结构对所述第二数据子集中各毛皮图像进行深度特征的识别分类，得到第二分类结果；
其中，所述深度特征的识别分类为使用预设的复合系数对所述毛皮图像的深度、宽度和分辨率进行统一的缩放处理后进行卷积计算，得到动物毛皮特征的特征向量，基于所述特征向量进行毛皮类别的匹配，得到分类结果，所述分类结果为分类向量。
可选的，在本发明第二方面的第五种实现方式中，所述融合模块包括：
向量计算单元，用于分别计算所述第一分类结果和第二分类结果的分类向量的数目和分类向量的总数目；
占比计算单元，用于根据所述第一分类结果和第二分类结果的分类向量的数目和总数目，计算出所述第一分类结果的第一占比和所述第二分类结果的第二占比；
融合单元，用于根据所述第一占比和第二占比，将所有分类向量进行融合计算，得到融合分类结果。
可选的，在本发明第二方面的第六种实现方式中，所述融合计算的计算公式为：
其中，x表示融合分类结果，第一数据子集中第i个图像的分类向量为xi，第一分类结果中分类向量的数目为n1，第一数据子集中第j个图像的分类向量为xj，第二分类结果中分类向量的数目为n2。
本发明第三方面提供了一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述第一方面提供的动物毛皮显微图像分类方法中的各个步骤。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面提供的动物毛皮显微图像分类方法中的各个步骤。
本发明的技术方案中，通过从动物毛皮显微图像中提取毛皮图像形成图切割像数据集，并计算各毛皮图像的信息熵，基于信息熵将切割图像数据集划分为两个数据子集，将两个数据子集分别输入至预设的双流神经网络对应的自网络结构中进行分类识别检测，得到两个分类结果，然后对两个分类结果通过双流网络融合策略进行融合处理，得到融合分类结果，基于融合分类结果对动物毛皮显微图像进行分类。基于上述提出的双流神经网络对毛皮图像中的毛皮信息进行识别，实现了抗噪声和干扰的特征识别，同时结合双流网络融合策略对双流神经网络输出的两路分类结果进行融合，进一步提高分类结果的准确度，从而以完成细粒度图像识别任务的方式实现动物毛皮显微图像的分类，缓解测试数据在不同网络中数量不一的问题，能更全面，更科学地利用不同网络的训练权值，提高分类准确性。
附图说明
图1为本发明提供的动物毛皮显微图像分类方法的整体框架图；
图2为本发明提供的双流EfficientNet网络结构的示意图；
图3为本发明提供的双流EfficientNet网络的细节示意图；
图4为本发明提供的动物毛皮显微图像分类方法的第一个实施例示意图；
图5为本发明提供的动物毛皮显微图像分类方法的第二个实施例示意图；
图6为本发明提供的动物毛皮显微图像分类装置的一个实施例示意图；
图7为本发明提供的动物毛皮显微图像分类装置的另一个实施例示意图；
图8为本发明提供的电子设备的一个实施例示意图。
具体实施方式
针对于现有的动物毛皮显微图像分类方案对噪声和干扰较大的图像的识别准确率较低的问题，提出了一种基于信息熵的双流神经网络EfficientNet网络。通过信息熵来评估动物毛皮显微图像中的信息熵，并根据信息熵输入双流EfficientNet网络中相应的分路中，解决动物毛皮显微图像质量参差不齐造成分类准确率低的问题。同时在上述双流EfficientNet网络的基础上进行决策融合。通过另一流网络输出的结果向量数目确定本流子图向量的权重，综合该权重和本流的分类结果向量获取分类结果，该分类结果能缓解测试数据在不同网络中数量不一的问题，能更全面，更科学地利用不同网络的训练权值，提高分类准确性。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，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步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1-4 所示，本发明实施例中动物毛皮显微图像分类方法的第一个实施例包括：
101、获取动物毛皮显微图像，并从动物毛皮显微图像中提取含有有效的动物毛皮特征的毛皮图像，得到切割图像数据集；
该步骤中，该动物毛皮显微图像可以是动物图库中的图像，也可以是实际动物样本的皮肤组织图像，具体是通过显微镜来获取得到，通过固定光照后的电子显微镜拍摄待识别的动物的毛皮，得到动物毛皮显微图像；利用图像处理技术识别所述动物毛皮显微图像中含有有效的动物毛皮特征的区域，并标记；根据所述标记将所述动物毛皮显微图像分切为大小相等的毛皮图像，得到切割图像数据集。
在本实施例中，在利用电子显微镜进行图像的拍摄之前，还包括确定是否存在指示待识别的动物的类别或者科的信息，若存在，则根据类别或者科对电子显微镜的拍摄光照进行配置；若不存在，则使用通用的光照配置信息配置电子显微镜的拍摄光照。
在实际应用中，由于电子显微镜下的图片背景与光照调节有关，因此难以保证所有图像拥有相同的背景，所以在提取有效的动物毛皮特征时，通过对图像进行分割，将图像进行块化处理，以减少噪声和干扰信息对毛皮图像的影响，具体的将动物毛皮图像切分成3×3大小的子图，从而强化图像中的特征，提升了图像质量，而且也扩展了数据集，有利于提升后续分类准确率。
102、计算切割图像数据集中各毛皮图像的信息熵，基于信息熵将切割图像数据集划分为两个数据子集；
在该步骤中，该信息熵可以理解为是图像中的信息熵，也即是图像中的动物毛皮特征在毛皮图像中出现的概率，通过计算出现的概率来对各个毛皮图像进行分类。
在本实施例中，该分类即是对切割图像数据集中的每个毛皮图像进行归类，以实现将图形数据集分为两个数据子集，具体的通过计算出的每个毛皮图像的信息熵与预设的划分条件进行比较，基于比较的结果进行划分，从而生成两个数据子集。
在实际应用中，在计算信息熵时，具体是以单个动物毛皮特征为单位进行计算，每个动物毛皮特征包含多个像素，而同一个动物毛皮特征中的像素值是相同的，即是一个毛皮图像的信息熵可以简单理解为是一个像素值的集合，通过计算出每个毛皮图像中存在的不同像素值，从而得到像素值集合，即是信息熵，基于各个毛皮图像的信息熵将切割图像数据集分为两个数据子集。
在实际应用中，利用信息熵对毛皮图像进行分类时，还可以是通过信息熵判别器的方式来实现，首先利用不同的动物毛皮特征进行训练学习，得到一个信息熵判别器，然后将待识别的毛皮图像输入至信息熵判别器中，由信息熵判别器对毛皮图像中的每个像素的像素值进行识别计算，输出一个像素值集合，以生成信息熵，基于信息熵生成分类结果。
103、将两个数据子集分别输入至预设的双流神经网络对应的子网络结构中进行分类识别检测，得到第一分类结果和第二分类结果；
该步骤中，该双流神经网络是具有两路图像处理网络的模型，其结构如图2所示，其中一路子网络用于处理高信息熵的图像，一路子网络用于处理低信息熵的图像。根据图像信息熵将图像送入相应的子网络中进行深度特征学习和分类，输出两个分类结果。
如图3所示，双流EfficientNet模型具有对称结构，其主要内部结构包括MBConvBlock、SepConv以及MBConv。其中网络前部分的3×3的卷积，BN 层，Swish激活函数以及SepConv来描述图像的边缘框架，这和传统的卷积神经网络类似。接着通过不同大小的MBConv以及MBConvBlock来提取出深层图像特征，最后经过池化，随机失活后通过全连接层进行分类。可以看出低信息熵网络相较于高信息熵网络多了七个MBConv和七个MBConvBlock块，这是由于低信息熵网络训练的特征易于混淆，故需要更深和更宽的网络才能拟合数据集。
进一步的，其细节网络结构如图4所示：其中，MBConv又称为移动翻转瓶颈卷积，类似于MobileNetV2和MnasNet，由深度可分离卷积Depthwise Convolution和SENet构成，是通过神经网络架构搜索得到的。移动翻转瓶颈卷积首先对输入进行1*1的逐点卷积并根据扩展比例改变输出通道维度，接着进行k*k的深度卷积，最后通过1*1的逐点卷积结尾恢复原通道维度。该过程主要用于让模型自动学习不同通道特征的重要程度。另外SepConv和MBConv的结构类似，MBConvBlock和MBConv的主要区别是加入了卷积前图像的信息，减少卷积后特征信息的丢失。
在实际应用中，第一分类结果对应的是信息熵低于预设的划分条件的数据子集经过低信息熵对应的一路网络处理后输出的结果，第二分类结果对应的是信息熵不低于预设的划分条件的数据子集经过高信息熵对应的一路网络处理后输出的结果。
104、利用与双流神经网络对应的双流网络融合策略对第一分类结果和第二分类结果进行融合处理，得到融合分类结果；
在本实施例中，所述第一分类结果和第二分类结果中均是分类向量，在双流神经网络对毛皮图像进行分类识别后，输出分类向量，基于两路输出的分类向量按照融合策略进行融合的计算，得到融合分类向量，具体的，首先通过两路输出的分类向量的数目确定两路的分类向量的权重，综合该权重和每路的分类向量计算出最终的分类结果。
105、根据融合分类结果对动物毛皮显微图像进行分类。
该步骤中，通过融合分类结果从预先分类好的动物毛皮数据集中匹配出向量一致的图像，从而确定当前动物毛皮显微图像的类别。
在实际应用中，该动物毛皮数据集通过边缘像素检测的方式分类得到的类别数据集，基于从四条边框起检测图像外层20％区域的像素值，每有一种新像素值则记为Ki。记录Ki的数目，若Ki的数目小于阈值，则剔除对应的毛皮图像，具体表达式如下：
经过上述公式对比处理后，得到24类动物毛皮的数据集，同时还通过双流神经网络进行识别得到对应的分类向量，然后建立数据集中的图像与分类向量之间的关系，以便于后续利用融合分类结果的匹配分类。
本发明实施例中，通过信息熵评估图像数据，确定图像中含有有效动物毛皮的信息熵，接着根据信息熵将图像送入双流EfficientNet网络的相应的分路中，最后通过融合策略将两路子网络分类结果进行融合得到最终分类结果，从而实现噪声和干扰过大的动物毛皮显微图像的精准识别，从而大大提升了动物毛皮显微图像分类的实际准确率。
请参阅图5，本发明实施例中动物毛皮显微图像分类方法的第二个实施例包括：
201、从动物毛皮显微图像中提取含有有效的动物毛皮特征的毛皮图像，得到切割图像数据集；
该步骤中，该动物毛皮显微图像通过固定光照后的电子显微镜拍摄待识别的动物的毛皮，得到动物毛皮显微图像；
利用图像处理技术识别所述动物毛皮显微图像中含有有效的动物毛皮特征的区域，并标记；
根据所述标记将所述动物毛皮显微图像分切为大小相等的毛皮图像，得到切割图像数据集。
在实际应用中，由于通过电子显微镜拍摄到的图像中由于光照调节的关系，因此难以保证所有图像拥有相同的背景，部分图像的背景可能占据了绝大部分图像的信息。因此，背景颜色的深浅也成为了干扰图像分类准确率的因素。由于原始的动物毛皮显微图像中含有多根毛，且不同部位的毛的图像差异大，部分图像中空白区域较多，因此，该步骤中，在提取切割图像数据集时，通过对动物毛皮显微图像进行切片来实现切割图像数据集的提取，具体是以长宽为3×3大小为标准，将动物毛皮图像切分成3×3大小的子图，该尺寸的子图可以强化图像中的特征，提升了图像质量，而且也扩展了数据集。，
进一步的，在切分后，由于图像存在背景的影响，因此，这里还利用了边缘像素检测算法来对切分后的图像进行筛选，具体的实现步骤为：
以各所述标记所在的区域为中心，将所述动物毛皮显微图像切分为大小等于N*N的多个毛皮图像；
利用边缘像素检测技术，检测各所述毛皮图像中边缘区域的新像素值的数量/数目，其中所述边缘区域为以毛皮图像的四条边框向毛皮图像内延伸至距离图像一定距离的区域；
从所述多个毛皮图像中筛选所述数量/数目满足预设阈值的图片形成图像数据。
在实际应用中，边缘像素检测用于检查图像边缘像素，由于毛皮只存在于较少面积的图像噪声往往过大，会对其他类别的图像分类产生干扰，因此我们将他们除去。我们从四条边框起检测图像外层20％区域的像素值，每有一种新像素值则记为Ki。记录Ki的数目，若Ki的数目小于阈值，则剔除该图像，具体表达式如下：
通过该方式和公式中确定的阈值筛选毛皮图像，得到动物毛皮特征体现明显的切割图像数据集。
202、采用通道最大值法，将切割图像数据集中的各毛皮图像调整为图像灰度图；
该步骤中，该通道最大值法具体是通过调整图像中的三颜色通道的数值来实现图像的灰度化，以将毛皮特征显化，具体的使用图像R,G,B通道中数值最大的像素值作为图像灰度值。
203、计算图像灰度图中各新像素值出现的概率，以及概率的对数值；
204、根据概率和对数值，计算出图像灰度图对应的毛皮图像的信息熵，并基于信息熵计算所有毛皮图像的平均信息熵；
在本实施例中，该信息熵是反映图像所含信息熵，因此，由于背景图像往往单一，这使得背景图像信息熵往往较低。相对的，含动物毛皮的图像区域的信息熵往往较高。动物毛皮不同特征信息熵差异也较大，因此，本文采用信息熵对动物毛皮显微图像进行信息熵评估。
基于图像灰度图计算信息熵的原理如下：
基于信息熵的定义，数据集中第j幅图像的信息熵为：
其中，pi表示图像种第i种像素出现的概率，Hj为第j个图像的信息熵。
接着，计算训练集中所有图像信息熵的平均值：
其中n为训练集图像总数。
205、将各毛皮图像的信息熵与平均信息熵进行比较，基于比较的结果对所有毛皮图像进行分类，得到两个数据子集；
该步骤中，将图像的信息熵与上述平均值H进行比较，确定将图像送入双流EfficientNet网络中的哪一路，具体比较公式如下：
其中，Pj表示第j个图像，E1和E2分别表示低信息熵数据集和高信息熵数据集。
将不同信息熵的图像分开处理一方面提高了数据集的质量，另一方面同类动物毛皮的不同部位往往信息熵差距较大，因此能减少类内差距对分类结果的干扰。
206、将两个数据子集中信息熵低于平均信息熵的第一数据子集，输入至双流神经模型中低信息熵的第一路网络结构中，第一路网络结构对第一数据子集中各毛皮图像进行深度特征的识别分类，得到第一分类结果；
207、将两个数据子集中信息熵不低于平均信息熵的第二数据子集，输入至双流神经模型中高信息熵的第二路网络结构中，经过第二路网络结构对第二数据子集中各毛皮图像进行深度特征的识别分类，得到第二分类结果；
在本实施例中，所述深度特征的识别分类为使用预设的复合系数对所述毛皮图像的深度、宽度和分辨率进行统一的缩放处理后进行卷积计算，得到动物毛皮特征的特征向量，基于所述特征向量进行毛皮类别的匹配，得到分类结果，所述分类结果为分类向量。
具体的，在双流EfficientNet网络中，使用复合系数φ来统一缩放深度、宽度和分辨率。即：
depth:d＝αφ
width:ω＝βφ
resolution:r＝γφ，
将复合系数从0开始递增，直至训练后的网络在测试集上的总准确率达到阈值(本文为80％)则停止扩展。我们将双流EfficientNet对通过信息熵分集的数据集分别进行训练，并对网络进行扩展。
假设低信息熵数据集为E1，高信息熵数据集为E2，具体网络结构如图2 所示。由图可知，双流EfficientNet模型具有对称结构，其主要内部结构包括 MBConvBlock、SepConv以及MBConv。其中网络前部分的3×3的卷积，BN 层，Swish激活函数以及SepConv来描述图像的边缘框架，这和传统的卷积神经网络类似。接着通过不同大小的MBConv以及MBConvBlock来提取出深层图像特征，最后经过池化，随机失活后通过全连接层进行分类。可以看出低信息熵网络相较于高信息熵网络多了七个MBConv和七个MBConvBlock块，这是由于低信息熵网络训练的特征易于混淆，故需要更深和更宽的网络才能拟合数据集。
通过将两个数据子集分别输入到双流神经网络的两路网络结构，依次经过MBConvBlock、SepConv和MBConv的处理后，输出分类向量，可选的，毛皮图像经过第一个Conv3x3层转化为MBConv模块需要的输入维度，简化了resize要求；经过一系列的MBConv模块提取出的特征图，特征数目多，信息熵大；各个MBConv模块的参数进行了精细化调整以适应当前使用环境；组合式的尺度优化方法可以使网络获得更好的感受野。利用基于 Fully-Convlutional-Neural-Network的特征图自适应连接方式，配合Conv1x1 网络将能适应各种不同尺寸的特征图，并将其统一为我们需要的维度，最后通过输出的特征图完成毛皮图像的分类识别检测，输出对应的分类向量。
208、分别计算第一分类结果和第二分类结果的分类向量的数目和分类向量的总数目；
209、根据第一分类结果和第二分类结果的分类向量的数目和总数目，计算出第一分类结果的第一占比和第二分类结果的第二占比；
210、根据第一占比和第二占比，将所有分类向量进行融合计算，得到融合分类结果；
在实际应用中，设低信息熵数据集中第i个图像的分类向量为xi，分类向量的数目为n1,高信息熵数据集中第j个图像的分类向量为xj，分类向量的数目为n2,那么得到的分类结果为：
其中x表示决策融合后得到的综合结果向量。
假设数据集种类的总数为P，则：
x＝{x1,x2,...,xp}，
因此，分类结果可以表示为：
其中k表示综合结果向量中的某一类别，xk表示第k个类别对应综合结果向量。
211、根据融合分类结果对动物毛皮显微图像进行分类。
本发明实施例中，通过从动物毛皮显微图像中提取毛皮图像形成切割图像数据集，并计算各毛皮图像的信息熵，基于信息熵将切割图像数据集划分为两个数据子集，将两个数据子集分别输入至预设的双流神经网络对应的自网络结构中进行分类识别检测，得到两个分类结果，然后对两个分类结果通过双流网络融合策略进行融合处理，得到融合分类结果，基于融合分类结果对动物毛皮显微图像进行分类。基于上述提出的双流神经网络对毛皮图像中的毛皮信息进行识别，实现了抗噪声和干扰的特征识别，同时结合双流网络融合策略对双流神经网络输出的两路分类结果进行融合，进一步提高分类结果的准确度，相比于现有技术，本申请的方案对动物毛皮识别有着更好的分类效果，同时提出的融合策略相较于其他决策融合策略有更好的融合效果。
上面对本发明实施例中动物毛皮显微图像分类方法进行了描述，下面对本发明实施例中动物毛皮显微图像分类装置进行描述，请参阅图6，本发明实施例中动物毛皮显微图像分类装置一个实施例包括：
采集模块601，用于获取动物毛皮显微图像，并从所述动物毛皮显微图像中提取含有有效的动物毛皮特征的毛皮图像，得到切割图像数据集；
样本生成模块602，用于计算所述切割图像数据集中各毛皮图像的信息熵，基于所述信息熵将所述切割图像数据集划分为两个数据子集；
识别模块603，用于将两个所述数据子集分别输入至预设的双流神经网络对应的子网络结构中进行分类识别检测，得到第一分类结果和第二分类结果；
融合模块604，用于利用与所述双流神经网络对应的双流网络融合策略对所述第一分类结果和第二分类结果进行融合处理，得到融合分类结果；
分类模块605，用于根据所述融合分类结果对所述动物毛皮显微图像进行分类。
本实施例提供的装置，通过信息熵评估图像数据，确定图像中含有有效动物毛皮的信息熵，接着根据信息熵将图像送入双流EfficientNet网络的相应的分路中，最后通过融合策略将两路子网络分类结果进行融合得到最终分类结果，从而实现噪声和干扰过大的动物毛皮显微图像的精准识别，从而大大提升了动物毛皮显微图像分类的实际准确率。
进一步地，请参阅图7，图7为动物毛皮显微图像分类装置各个模块的细化示意图。
在本实施例中，所述采集模块601包括：
拍摄单元6011，用于通过固定光照后的电子显微镜拍摄待识别的动物的毛皮，得到动物毛皮显微图像；
特征识别单元6012，用于利用图像处理技术识别所述动物毛皮显微图像中含有有效的动物毛皮特征的区域，并标记；
切分单元6013，用于根据所述标记将所述动物毛皮显微图像分切为大小相等的毛皮图像，得到切割图像数据集。
在本发明的一些实施例中，所述切分单元6013具体用于：
以各所述标记所在的区域为中心，将所述动物毛皮显微图像切分为大小等于N*N的多个毛皮图像；
利用边缘像素检测技术，检测各所述毛皮图像中边缘区域的新像素值的数量/数目，其中所述边缘区域为以毛皮图像的四条边框向毛皮图像内延伸至距离图像一定距离的区域；
从所述多个毛皮图像中筛选所述数量/数目满足预设阈值的图片形成图像数据。
在本发明的一些实施例中，所述样本生成模块602包括：
灰度处理单元6021，用于采用通道最大值法，将所述切割图像数据集中的各毛皮图像调整为图像灰度图；
第一计算单元6022，用于计算所述图像灰度图中各新像素值出现的概率，以及所述概率的对数值；
第二计算单元6023，用于根据所述概率和所述对数值，计算出所述图像灰度图对应的毛皮图像的信息熵，并基于所述信息熵计算所有毛皮图像的平均信息熵；
比较单元6024，用于将各所述毛皮图像的信息熵与所述平均信息熵进行比较，基于比较的结果对所有毛皮图像进行分类，得到两个数据子集。
在本发明的一些实施例中，所述双流神经网络为具有对称的两路网络结构的双流神经模型，所述识别模块603包括：
第一分类识别单元6031，用于将两个所述数据子集中信息熵低于平均信息熵的第一数据子集，输入至所述双流神经模型中低信息熵的第一路网络结构中，所述第一路网络结构对所述第一数据子集中各毛皮图像进行深度特征的识别分类，得到第一分类结果；
第二分类识别单元6032，用于将两个所述数据子集中信息熵不低于平均信息熵的第二数据子集，输入至所述双流神经模型中高信息熵的第二路网络结构中，经过所述第二路网络结构对所述第二数据子集中各毛皮图像进行深度特征的识别分类，得到第二分类结果；
其中，所述深度特征的识别分类为使用预设的复合系数对所述毛皮图像的深度、宽度和分辨率进行统一的缩放处理后进行卷积计算，得到动物毛皮特征的特征向量，基于所述特征向量进行毛皮类别的匹配，得到分类结果，所述分类结果为分类向量。
在本发明的一些实施例中，所述融合模块604包括：
向量计算单元6041，用于分别计算所述第一分类结果和第二分类结果的分类向量的数目和分类向量的总数目；
占比计算单元6042，用于根据所述第一分类结果和第二分类结果的分类向量的数目和总数目，计算出所述第一分类结果的第一占比和所述第二分类结果的第二占比；
融合单元6043，用于根据所述第一占比和第二占比，将所有分类向量进行融合计算，得到融合分类结果。
在本发明的一些实施例中，所述融合计算的计算公式为：
其中，x表示融合分类结果，第一数据子集中第i个图像的分类向量为xi，第一分类结果中分类向量的数目为n1，第一数据子集中第j个图像的分类向量为xj，第二分类结果中分类向量的数目为n2。
本发明实施例中，通过双流EfficientNet网络和融合策略对动物毛皮显微图像进行分类，具体是基于信息熵的理论对筛选图像中的毛皮图像，该 EfficientNet网络将数据集分为质量不同的两个子数据集分别进入网络的某一分支，并通过融合策略完成双流EfficientNet分类结果的融合。构造了一个加有噪声和干扰的动物毛皮数据集，该数据集符合细粒度图像分类任务的要求。实验结果表明，相较于传统的图像分类网络，大大提高了分类的准确度。
上面图6和图7从模块化功能实体的角度对本发明实施例中的动物毛皮显微图像分类装置进行详细描述，下面从硬件处理的角度对本发明实施例中电子设备进行详细描述。
图8是本发明实施例提供了一种电子设备的结构示意图，该电子设备800 可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，CPU)810(例如，一个或一个以上处理器)和存储器820，一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对电子设备800中的一系列指令操作。更进一步地，处理器810可以设置为与存储介质830通信，在电子设备800 上执行存储介质830中的一系列指令操作。在实际应用中，该应用程序833 可以被分割成采集模块601、样本生成模块602、识别模块603、融合模块604 和分类模块605(虚拟装置中的模块)的功能。
电子设备800还可以包括一个或一个以上电源840，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口860，和/或，一个或一个以上操作系统831，例如：Windows Serve，MacOSX，Unix，Linux，FreeBSD 等等。本领域技术人员可以理解，图8示出的电子设备结构还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明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可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令或计算机程序，当所述指令或计算机程序被运行时，使得计算机执行上述实施例提供的动物毛皮显微图像分类方法的各个步骤。
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，上述描述的系统或装置、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。
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，本发明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)执行本发明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(read-onlymemory，ROM)、随机存取存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种动物毛皮显微图像分类方法，其特征在于，所述动物毛皮显微图像分类方法包括：
获取动物毛皮显微图像，并从所述动物毛皮显微图像中提取含有有效的动物毛皮特征的毛皮图像，得到切割图像数据集；
采用通道最大值法，将所述切割图像数据集中的各毛皮图像调整为图像灰度图；
计算所述图像灰度图中各新像素值出现的概率，以及所述概率的对数值；
根据所述概率和所述对数值，计算出所述图像灰度图对应的毛皮图像的信息熵，并基于所述信息熵计算所有毛皮图像的平均信息熵；
将各所述毛皮图像的信息熵与所述平均信息熵进行比较，基于比较的结果对所有毛皮图像进行分类，得到两个数据子集；
将两个所述数据子集中信息熵低于平均信息熵的第一数据子集，输入至双流神经模型中低信息熵的第一路网络结构中，所述第一路网络结构对所述第一数据子集中各毛皮图像进行深度特征的识别分类，得到第一分类结果；
将两个所述数据子集中信息熵不低于平均信息熵的第二数据子集，输入至所述双流神经模型中高信息熵的第二路网络结构中，经过所述第二路网络结构对所述第二数据子集中各毛皮图像进行深度特征的识别分类，得到第二分类结果；其中，所述深度特征的识别分类为使用预设的复合系数对所述毛皮图像的深度、宽度和分辨率进行统一的缩放处理后进行卷积计算，得到动物毛皮特征的特征向量，基于所述特征向量进行毛皮类别的匹配，得到分类结果，所述分类结果为分类向量；
分别计算所述第一分类结果和第二分类结果的分类向量的数目和分类向量的总数目；
根据所述第一分类结果和第二分类结果的分类向量的数目和总数目，计算出所述第一分类结果的第一占比和所述第二分类结果的第二占比；
根据所述第一占比和第二占比，将所有分类向量进行融合计算，得到融合分类结果，其中，所述融合计算的计算公式为：
，
x表示融合分类结果，第一数据子集中第i个图像的分类向量为xi，第一分类结果中分类向量的数目为n1，第一数据子集中第j个图像的分类向量为xj，第二分类结果中分类向量的数目为n2，g为常量；
根据所述融合分类结果对所述动物毛皮显微图像进行分类。
2.根据权利要求1所述的动物毛皮显微图像分类方法，其特征在于，所述获取动物毛皮显微图像，并从所述动物毛皮显微图像中提取含有有效的动物毛皮特征的毛皮图像，得到切割图像数据集包括：
通过固定光照后的电子显微镜拍摄待识别的动物的毛皮，得到动物毛皮显微图像；
利用图像处理技术识别所述动物毛皮显微图像中含有有效的动物毛皮特征的区域，并标记；
根据所述标记将所述动物毛皮显微图像分切为大小相等的毛皮图像，得到切割图像数据集。
3.根据权利要求2所述的动物毛皮显微图像分类方法，其特征在于，所述根据所述标记将所述动物毛皮显微图像分切为大小相等的毛皮图像，得到切割图像数据集包括：
以各所述标记所在的区域为中心，将所述动物毛皮显微图像切分为大小等于N*N的多个毛皮图像；
利用边缘像素检测技术，检测各所述毛皮图像中边缘区域的新像素值的数量/数目，其中所述边缘区域为以毛皮图像的四条边框向毛皮图像内延伸至距离图像预设距离的区域，其中所述预设距离为从四条边框起图像外层20%区域的像素值；
从所述多个毛皮图像中筛选所述数量/数目满足预设阈值的图片形成切割图像数据。
4.一种动物毛皮显微图像分类装置，其特征在于，所述动物毛皮显微图像分类装置包括：
采集模块，用于获取动物毛皮显微图像，并从所述动物毛皮显微图像中提取含有有效的动物毛皮特征的毛皮图像，得到切割图像数据集；
样本生成模块，用于采用通道最大值法，将所述切割图像数据集中的各毛皮图像调整为图像灰度图；计算所述图像灰度图中各新像素值出现的概率，以及所述概率的对数值；根据所述概率和所述对数值，计算出所述图像灰度图对应的毛皮图像的信息熵，并基于所述信息熵计算所有毛皮图像的平均信息熵；将各所述毛皮图像的信息熵与所述平均信息熵进行比较，基于比较的结果对所有毛皮图像进行分类，得到两个数据子集；
识别模块，用于将两个所述数据子集中信息熵低于平均信息熵的第一数据子集，输入至双流神经模型中低信息熵的第一路网络结构中，所述第一路网络结构对所述第一数据子集中各毛皮图像进行深度特征的识别分类，得到第一分类结果；将两个所述数据子集中信息熵不低于平均信息熵的第二数据子集，输入至所述双流神经模型中高信息熵的第二路网络结构中，经过所述第二路网络结构对所述第二数据子集中各毛皮图像进行深度特征的识别分类，得到第二分类结果；其中，所述深度特征的识别分类为使用预设的复合系数对所述毛皮图像的深度、宽度和分辨率进行统一的缩放处理后进行卷积计算，得到动物毛皮特征的特征向量，基于所述特征向量进行毛皮类别的匹配，得到分类结果，所述分类结果为分类向量；
融合模块，用于分别计算所述第一分类结果和第二分类结果的分类向量的数目和分类向量的总数目；根据所述第一分类结果和第二分类结果的分类向量的数目和总数目，计算出所述第一分类结果的第一占比和所述第二分类结果的第二占比；根据所述第一占比和第二占比，将所有分类向量进行融合计算，得到融合分类结果，其中，所述融合计算的计算公式为：，x表示融合分类结果，第一数据子集中第i个图像的分类向量为xi，第一分类结果中分类向量的数目为n1，第一数据子集中第j个图像的分类向量为xj，第二分类结果中分类向量的数目为n2，g为常量；
分类模块，用于根据所述融合分类结果对所述动物毛皮显微图像进行分类。
5.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述的动物毛皮显微图像分类方法中的各个步骤。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的动物毛皮显微图像分类方法中的各个步骤。
CN202110700083.5A 2021-06-23 2021-06-23 动物毛皮显微图像分类方法、装置、电子设备及存储介质 Active CN113435301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110700083.5A CN113435301B (zh) 2021-06-23 2021-06-23 动物毛皮显微图像分类方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110700083.5A CN113435301B (zh) 2021-06-23 2021-06-23 动物毛皮显微图像分类方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113435301A CN113435301A (zh) 2021-09-24
CN113435301B true CN113435301B (zh) 2023-08-29

Family

ID=77755160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110700083.5A Active CN113435301B (zh) 2021-06-23 2021-06-23 动物毛皮显微图像分类方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113435301B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929802A (zh) * 2019-12-03 2020-03-27 北京迈格威科技有限公司 基于信息熵的细分类识别模型训练、图像识别方法及装置
CN112132145A (zh) * 2020-08-03 2020-12-25 深圳大学 一种基于模型扩展卷积神经网络的图像分类方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050232512A1 (en) * 2004-04-20 2005-10-20 Max-Viz, Inc. Neural net based processor for synthetic vision fusion

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929802A (zh) * 2019-12-03 2020-03-27 北京迈格威科技有限公司 基于信息熵的细分类识别模型训练、图像识别方法及装置
CN112132145A (zh) * 2020-08-03 2020-12-25 深圳大学 一种基于模型扩展卷积神经网络的图像分类方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于稀疏原子融合的RGB-D场景图像融合算法;刘帆;刘鹏远;张峻宁;徐彬彬;;光学学报(01);第222-231页 *

Also Published As

Publication number Publication date
CN113435301A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN110348319B (zh) 一种基于人脸深度信息和边缘图像融合的人脸防伪方法
CN107704877B (zh) 一种基于深度学习的图像隐私感知方法
Borji et al. Exploiting local and global patch rarities for saliency detection
Nishiyama et al. Facial deblur inference using subspace analysis for recognition of blurred faces
JP6330385B2 (ja) 画像処理装置、画像処理方法およびプログラム
CN111738064B (zh) 一种雾霾图像的雾浓度识别方法
CN106780485A (zh) 基于超像素分割和特征学习的sar图像变化检测方法
KR102284096B1 (ko) 중요도 맵을 이용한 지능형 주관적 화질 평가 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
CN108647625A (zh) 一种表情识别方法及装置
US9305208B2 (en) System and method for recognizing offensive images
CN111127387B (zh) 无参考图像的质量的评价方法
CN108734200A (zh) 基于bing特征的人体目标视觉检测方法和装置
Wu et al. Blind quality assessment for screen content images by combining local and global features
Nizami et al. No-reference image quality assessment using bag-of-features with feature selection
CN113095156A (zh) 一种基于逆灰度方式的双流网络签名鉴定方法及装置
Freitas et al. On the application LBP texture descriptors and its variants for no-reference image quality assessment
Parekh et al. A survey of image enhancement and object detection methods
CN113435301B (zh) 动物毛皮显微图像分类方法、装置、电子设备及存储介质
Hassan et al. Image quality measurement-based comparative analysis of illumination compensation methods for face image normalization
Karamizadeh et al. Race classification using gaussian-based weight K-nn algorithm for face recognition.
Mao et al. PolSAR data-based land cover classification using dual-channel watershed region-merging segmentation and bagging-ELM
Benzaoui et al. Person identification based on ear morphology
Deac et al. Feature selection for paintings classification by optimal tree pruning
Mahmood Defocus Blur Segmentation Using Genetic Programming and Adaptive Threshold.
Chanklan et al. Fingerprint recognition with edge detection and dimensionality reduction techniques

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