CN113887630A - 图像分类方法、装置、电子设备和存储介质 - Google Patents

Abstract

本公开公开了一种图像分类方法、装置、电子设备和存储介质，应用于人工智能领域，具体涉及计算机视觉和深度学习技术。图像分类方法的具体实现方案为：提取待分类图像的特征，得到多个特征数据；对多个特征数据进行聚类，得到聚类结果；基于聚类结果对多个特征数据进行加权处理，得到多个加权后特征数据；以及基于多个加权后特征数据对待分类图像进行分类，得到至少两个预定类别中待分类图像的类别。

Description

图像分类方法、装置、电子设备和存储介质

技术领域

本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术，更具体地涉及一种图像分类方法、装置、电子设备和存储介质。

背景技术

在图像识别的相关技术中，图像中可能存在多种不同的对象。在对目标对象进行类别或颜色等的识别时，其他对象的存在可能会对目标对象的识别精度产生负面影响。

发明内容

提供了一种提高识别精度的图像分类方法、装置、电子设备和存储介质。

本公开的一个方面提供了一种图像分类方法，包括：提取待分类图像的特征，得到多个特征数据；对所述多个特征数据进行聚类，得到聚类结果；基于所述聚类结果对所述多个特征数据进行加权处理，得到多个加权后特征数据；以及基于所述多个加权后特征数据对所述待分类图像进行分类，得到至少两个预定类别中所述待分类图像的类别。

本公开的另一个方面提供了一种图像分类装置，包括：特征提取模块，用于提取待分类图像的特征，得到多个特征数据；特征聚类模块，用于对所述多个特征数据进行聚类，得到聚类结果；特征加权模块，用于基于所述聚类结果对所述多个特征数据进行加权处理，得到多个加权后特征数据；以及分类模块，用于基于所述多个加权后特征数据对所述待分类图像进行分类，得到至少两个预定类别中所述待分类图像的类别。

本公开的另一个方面提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开提供的图像分类方法。

根据本公开的另一个方面提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开提供的图像分类方法。

根据本公开的另一个方面提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开提供的图像分类方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例的图像分类方法和装置的应用场景示意图；

图2是根据本公开实施例的图像分类方法的流程示意图；

图3是根据本公开实施例的图像分类方法的原理示意图；

图4是根据本公开实施例的提取待分类图像的特征的原理示意图；

图5是根据本公开实施例的图像分类装置的结构框图；以及

图6是用来实施本公开实施例的图像分类方法的电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开提供了一种图像分类方法，该方法包括特征提取阶段、特征聚类阶段、特征加权阶段和分类阶段。在特征提取阶段中，提取待分类图像的特征，得到多个特征数据。在特征聚类阶段中，对多个特征数据进行聚类，得到聚类结果。在特征加权阶段中，基于聚类结果对多个特征数据进行加权处理，得到多个加权后特征数据。在分类阶段中，基于多个加权后特征数据对待分类图像进行分类，得到至少两个预定类别中待分类图像的类别。

以下将结合图1对本公开提供的方法和装置的应用场景进行描述。

图1是根据本公开实施例的图像分类方法和装置的应用场景图。

如图1所示，该实施例的应用场景100可以包括电子设备110，该电子设备110可以为具有处理功能的任意电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机和服务器等等。

该电子设备110例如可以对输入的图像120进行识别，根据识别结果对图像进行分类，从而得到分类结果130。例如可以识别图像120中目标对象的外形类型或颜色等，根据识别结果可以将图像120归类为任一外形类型或任一颜色。

示例性地，分类结果130例如可以包括图像中目标对象属于多个预定类别中每个类别的概率。目标对象例如可以包括车辆、水杯、背包等可能具有多种形状类型的对象，也可以为具有多种颜色类型的对象等。若识别结果为车辆的颜色，分类结果可以为该车辆的颜色为黑色、灰色、红色、白色等颜色中任一种颜色的概率。本公开对此不做限定。

根据本公开的实施例，如图1所示，该应用场景100还可以包括服务器140。电子设备110可以通过网络与服务器140通信连接，该网络可以包括无线或有线通信链路。

示例性地，服务器140可以用于训练分类模型，并响应于电子设备110发送的模型获取请求，将训练好的分类模型150发送给电子设备110，便于电子设备110对图像进行分类。在一实施例中，电子设备110还可以通过网络将图像发送给服务器140，由服务器根据训练好的分类模型对获得的图像进行分类。

根据本公开的实施例，如图1所示，该应用场景100还可以包括数据库160，该数据库160可以维护有海量的图像，该些图像可以具有指示图像的真实类别的标签。服务器140可以访问该数据库160，并从数据库160中抽取部分图像，以对分类模型进行训练。

需要说明的是，本公开所提供的图像分类方法可以由电子设备110或服务器140执行。相应地，本公开所提供的图像分类装置可以设置于电子设备110或服务器140中。

应该理解，图1中的电子设备、服务器和数据库的数目和类型仅仅是示意性的。根据实现需要，可以具有任意数目和类型的终端设备、服务器和数据库。

以下将结合图2～图4对本公开提供的图像分类方法进行详细描述。

图2是根据本公开实施例的图像分类方法的流程示意图。

如图2所示，该实施例的图像分类方法200可以包括操作S210～操作S240。

在操作S210，提取待分类图像的特征，得到多个特征数据。

示例性地，可以采用特征提取网络来提取待分类图像的特征。其中，特征提取网络可以为卷积神经网络、空间金字塔池化(Spatial Pyramid Pooling，SPP)网络、特征金字塔网络(Feature Pyramid Networks，FPN)等。该特征提取网络可以为图像分类模型的骨干(Backbone)网络。

示例性地，在基于颜色对图像进行分类时，可以提取待分类图形的颜色直方图、颜色集、颜色矩等，从而得到待分类图像的颜色特征。例如，该实施例可以将得到的颜色直方图、颜色集和颜色矩中的一个单位数据作为一个特征数据，从而得到多个特征数据。

示例性地，在基于纹理对图像进行分类时，可以采用基于统计的灰度共生矩阵和能量谱函数法、几何法、模型法、信号处理法等来提取待分类图像的纹理特征。例如，可以将提取到的纹理特征中的一个单位数据作为一个特征数据，从而得到多个特征数据。

可以理解的是，上述提取待分类图像的特征的方法仅作为示例以利于理解本公开，根据对待分类图像进行分类的规则，可以采用不同的方法来提取待分类图像的不同类型的特征。可以将提取到的特征中的每个单位数据作为一个特征数据，从而得到多个特征数据。

在操作S220，对多个特征数据进行聚类，得到聚类结果。

根据本公开的实施例，可以采用K-Means聚类算法、均值偏移聚类算法、基于密度的带噪声数据应用的空间聚类方法(Density-Based Spatial Clustering ofApplication with Noise，DBSCAN)、使用高斯混合模型的期望最大化聚类方法等中的任意一种来对多个特征数据进行聚类。聚类结果例如可以包括聚类得到的类别个数K、各类别的聚类中心、各类别中包括的特征数据及包括的特征数据的个数、各类别包括的特征数据与聚类中心之间的距离等，本公开对此不做限定。

在操作S230，基于聚类结果对多个特征数据进行加权处理，得到多个加权后特征数据。

根据本公开的实施例，可以根据聚类结果中各类别包括的特征数据与聚类中心之间的距离，来确定为该各类别包括的特征数据分配的权重。然后根据确定的权重为各类别包括的特征数据进行加权处理。以此类推，可以为多个特征数据中的每个特征数据进行加权，从而得到多个加权后特征数据。

例如，若聚类得到了红色类别，红色类别中特征数据A与红色类别的聚类中心之间的距离为d，则为该特征数据A分配的权重与距离d正相关。根据为特征数据A分配的权重，对特征数据A进行加权处理，从而得到加权后的特征数据A’。例如，在根据权重对特征数据进行加权处理时，可以将权重与特征数据点乘，得到加权后的特征数据。

根据本公开的实施例，还可以根据聚类结果中各类别包括的特征数据的个数等，为该各类别包括的特征数据分配权重，具体实现方式请参见后文描述，在此不再详述。

可以理解的是，可以采用任意方式来基于聚类结果对多个特征数据进行加权处理。本公开对该加权处理的具体实现方式不做限定，只要通过对特征数据进行加权处理，可以提高特征数据对图像特征的表达能力，提高分类时对该特征数据的关注度即可。

在操作S240，基于多个加权后特征数据对待分类图像进行分类，得到至少两个预定类别中待分类图像的类别。

根据本公开的实施例，在得到多个加权后特征数据后，可以采用分类网络来对多个加权后特征数据进行处理，从而得到概率向量。该概率向量包括待分类图像属于至少两个预定类别中每个类别的概率。该实施例可以将该概率向量中最大概率对应的预定类别作为待分类图像的类别。

示例性地，分类网络例如可以为分类器，可以由全连接层和回归层组成。其中，回归层可以基于softmax函数等构建，本公开对此不做限定。

示例性地，若多个特征数据包括颜色特征数据，则上述至少两个预定类别可以包括至少两个颜色类别。

可以理解的是，上述图像分类方法例如可以采用端到端的图像分类模型来执行。对于该端到端的图像分类模型而言，输入为待处理图像，输出为待处理图像属于至少两个预定类别的概率组成的概率向量。例如，该图像分类模型可以包括特征提取网络、聚类网络、特征加权网络和分类网络。特征提取网络输出为特征图。该特征图输入聚类网络后，聚类网络的输出为加权采用的权重矩阵。特征加权网络的输入为特征图和权重矩阵。该特征加权网络可以对特征图和权重矩阵进行点乘计算，得到加权后特征图。该加权后特征图输入分类网络，可以由分类网络输出概率向量。

根据以上描述，本公开实施例的图像分类方法通过对特征进行聚类，并根据聚类结果对特征进行加权，可以提高加权后特征对待分类图像的表达能力，从而可以提高分类时对待分类图像中目标对象的特征的关注度，提高分类结果的准确性。

图3是根据本公开实施例的图像分类方法的原理示意图。

如图3所示，在该实施例300中，在对图像进行分类时，可以先将图像310输入特征提取网络301中，得到多个特征数据320。然后对该多个特征数据320进行聚类，可以得到至少两个特征数据组。例如，可以聚类得到特征数据组321～特征数据组323共计三个特征数据组。随后可以确定该至少两个特征数据组中每个特征数据组包括的特征数据的个数，作为聚类结果。例如，对于特征数据组321～特征数据组323，可以得到聚类结果331～聚类结果333。例如，特征数据组303包括的特征数据个数为2，特征数据组304包括的特征数据个数为5，特征数据组305包括的特征数据个数为2。

在得到聚类结果后，该实施例300可以根据每个特征数据组包括的特征数据的个数，确定每个特征数据组包括的特征数据的权重。例如，对于聚类结果331～聚类结果333，可以得到权重341～权重343。随后，该实施例300可以根据得到的权重对多个特征数据进行加权处理。例如，可以根据权重341对特征数据组321中的特征进行加权处理，根据权重342对特征数据组322中的特征进行加权处理，根据权重343对特征数据组323中的特征进行加权处理，从而得到多个加权后特征数据350。将该多个加权后特征数据350输入分类网络302，即可以得到概率向量360。

根据本公开的实施例，聚类得到的特征数据组的个数可以根据实际需求进行设定。例如，聚类得到的特征数据组的个数可以与为分类设定的至少两个预定类别的个数相等。如此，通过聚类得到的每个特征数据组中的特征数据所表达的特征更倾向于至少两个预定类别中的一个类别。相应地，通过对特征数据进行加权，可以使得加权后特征数据能够更好的表达待分类图像属于每个类别的特征。

根据本公开的实施例，每个特征数据组包括的特征数据的个数例如可以与为该每个特征数据组包括的特征数据分配的权重正相关。

示例性地，还可以先确定每个特征数据组包括的特征数据的个数与多个特征数据的总个数之间的比值。然后将该比值或该比值与预定值的乘积作为每个特征数据组包括的特征数据的权重。通过该权重的分配，可以更为突出待分类图像的主要特征，并因此能够为后续的分类提供更准确的分类参考信息，便于提高分类结果的准确性。

例如，若将至少两个特征数据组中的第i个特征数据组包括的特征数据的个数表示为n_i，多个特征数据的总个数为M，则为该第i个特征数据组包括的特征数据分配的权重可以表示为n_i/M。

图4是根据本公开实施例的提取待分类图像的特征的原理示意图。

根据本公开的实施例，可以对全局特征图进行加权处理，如此可以进一步提高加权后特征数据对图像中特征点表达能力，提高分类结果的准确性。这是由于全局特征图相较于局部特征图表达的信息更为丰富。

如图4所示，该实施例400可以将待分类图像410输入特征提取网络401，经由该特征提取网络401处理后输出待分类图像的全局特征图420。该输出的全局特征图的尺寸例如可以为(C，H，W)。

在得到全局特征图420后，可以确定全局特征图420中每个像素的特征数据，从而得到多个特征数据430。例如，可以将该全局特征图420按像素拆分，得到每个像素的特征数据。该每个像素的特征数据包括多个通道的数据，并作为多个特征数据中的一个特征数据。例如，若全局特征图的尺寸例如可以为(C，H，W)，则拆分得到的每个特征数据的尺寸为(C，1，1)。

根据本公开的实施例，在多个特征数据是从全局特征图中拆分得到的情况下，后续基于多个加权后特征数据，采用分类网络来对待处理图像进行分类时，该分类网络应包括有全连接层，以将多个加权后特征数据进行降维处理，从而将多个加权后特征数据映射至类别空间。

在将本公开提供的图像分类方法用于目标对象的颜色分类时，可以增强分类网络对待处理图像中主体颜色的关注度，从而可以提高颜色分类的精度和准确率。

基于本公开提供的图像分类方法，本公开还提供了一种图像分类装置。以下将结合图5对该装置进行详细描述。

图5是根据本公开实施例的图像分类装置的结构框图。

如图5所示，该实施例的图像分类装置500可以包括特征提取模块510、特征聚类模块520、特征加权模块530和分类模块540。

特征提取模块510用于提取待分类图像的特征，得到多个特征数据。在一实施例中，该特征提取模块510可以用于执行前文描述的操作S210，在此不再赘述。

特征聚类模块520用于对多个特征数据进行聚类，得到聚类结果。在一实施例中，该特征聚类模块520可以用于执行前文描述的操作S220，在此不再赘述。

特征加权模块530用于基于聚类结果对多个特征数据进行加权处理，得到多个加权后特征数据。在一实施例中，该特征加权模块530可以用于执行前文描述的操作S230，在此不再赘述。

分类模块540用于基于多个加权后特征数据对待分类图像进行分类，得到至少两个预定类别中待分类图像的类别。在一实施例中，该分类模块540可以用于执行前文描述的操作S240，在此不再赘述。

根据本公开的实施例，上述特征聚类模块520可以包括聚类子模块和聚类结果确定子模块。聚类子模块用于对多个特征数据进行聚类，得到至少两个特征数据组。聚类结果确定子模块用于确定至少两个特征数据组中每个特征数据组包括的特征数据的个数，作为聚类结果。

根据本公开的实施例，上述特征加权模块530可以包括权重确定子模块和加权子模块。权重确定子模块用于基于每个特征数据组包括的特征数据的个数，确定每个特征数据组包括的特征数据的权重。加权子模块用于基于权重，对多个特征数据进行加权处理。

根据本公开的实施例，上述权重确定子模块用于确定每个特征数据组包括的特征数据的个数与多个特征数据的总个数之间的比值，作为每个特征数据组包括的特征数据的权重。

根据本公开的实施例，至少两个特征数据组的个数与至少两个预定类别的个数相等。

根据本公开的实施例，上述特征提取模块510可以包括特征提取子模块和特征确定子模块。特征提取子模块用于将待分类图像输入特征提取网络，得到待分类图像的全局特征图。特征确定子模块用于确定全局特征图中每个像素的特征数据，得到多个特征数据。

根据本公开的实施例，多个特征数据包括颜色特征数据，至少两个预定类别包括至少两个颜色类别。

需要说明的是，本公开的技术方案中，所涉及的用户个人信息的获取、收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开实施例的图像分类方法的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如图像分类方法。例如，在一些实施例中，图像分类方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的分类模型的训练方法和/或图像分类方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像分类方法。

基于上文描述的电子设备，本公开还提供了一种自动驾驶车辆，该自动驾驶车辆包括上文描述的电子设备，以用于执行前文描述的控制车辆的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。其中，服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(″Virtual Private Server″，或简称″VPS″)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种图像分类方法，包括：

提取待分类图像的特征，得到多个特征数据；

对所述多个特征数据进行聚类，得到聚类结果；

基于所述聚类结果对所述多个特征数据进行加权处理，得到多个加权后特征数据；以及

基于所述多个加权后特征数据对所述待分类图像进行分类，得到至少两个预定类别中所述待分类图像的类别。

2.根据权利要求1所述的方法，其中，对所述多个特征数据进行聚类，得到聚类结果包括：

对所述多个特征数据进行聚类，得到至少两个特征数据组；以及

确定所述至少两个特征数据组中每个特征数据组包括的特征数据的个数，作为所述聚类结果。

3.根据权利要求2所述的方法，其中，基于所述聚类结果对所述多个特征数据进行加权处理包括：

基于所述每个特征数据组包括的特征数据的个数，确定所述每个特征数据组包括的特征数据的权重；以及

基于所述权重，对所述多个特征数据进行加权处理。

4.根据权利要求3所述的方法，其中，基于所述每个特征数据组包括的特征数据的个数，确定所述每个特征数据组包括的特征数据的权重包括：

确定所述每个特征数据组包括的特征数据的个数与所述多个特征数据的总个数之间的比值，作为所述每个特征数据组包括的特征数据的权重。

5.根据权利要求2所述的方法，其中，所述至少两个特征数据组的个数与所述至少两个预定类别的个数相等。

6.根据权利要求1所述的方法，其中，所述提取待分类图像的特征，得到多个特征数据包括：

将待分类图像输入特征提取网络，得到所述待分类图像的全局特征图；以及

确定所述全局特征图中每个像素的特征数据，得到所述多个特征数据。

7.根据权利要求1所述的方法，其中，所述多个特征数据包括颜色特征数据，所述至少两个预定类别包括至少两个颜色类别。

8.一种图像分类装置，包括：

特征提取模块，用于提取待分类图像的特征，得到多个特征数据；

特征聚类模块，用于对所述多个特征数据进行聚类，得到聚类结果；

特征加权模块，用于基于所述聚类结果对所述多个特征数据进行加权处理，得到多个加权后特征数据；以及

分类模块，用于基于所述多个加权后特征数据对所述待分类图像进行分类，得到至少两个预定类别中所述待分类图像的类别。

9.根据权利要求8所述的装置，其中，所述特征聚类模块包括：

聚类子模块，用于对所述多个特征数据进行聚类，得到至少两个特征数据组；以及

聚类结果确定子模块，用于确定所述至少两个特征数据组中每个特征数据组包括的特征数据的个数，作为所述聚类结果。

10.根据权利要求9所述的装置，其中，所述特征加权模块包括：

权重确定子模块，用于基于所述每个特征数据组包括的特征数据的个数，确定所述每个特征数据组包括的特征数据的权重；以及

加权子模块，用于基于所述权重，对所述多个特征数据进行加权处理。

11.根据权利要求10所述的装置，其中，所述权重确定子模块用于：

确定所述每个特征数据组包括的特征数据的个数与所述多个特征数据的总个数之间的比值，作为所述每个特征数据组包括的特征数据的权重。

12.根据权利要求9所述的装置，其中，所述至少两个特征数据组的个数与所述至少两个预定类别的个数相等。

13.根据权利要求8所述的装置，其中，所述特征提取模块包括：

特征提取子模块，用于将待分类图像输入特征提取网络，得到所述待分类图像的全局特征图；以及

特征确定子模块，用于确定所述全局特征图中每个像素的特征数据，得到所述多个特征数据。

14.根据权利要求8所述的装置，其中，所述多个特征数据包括颜色特征数据，所述至少两个预定类别包括至少两个颜色类别。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1～7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1～7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1～7中任一项所述的方法。

Images