CN116597209A - 一种图像分类方法、装置、设备及存储介质 - Google Patents
一种图像分类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116597209A CN116597209A CN202310559430.6A CN202310559430A CN116597209A CN 116597209 A CN116597209 A CN 116597209A CN 202310559430 A CN202310559430 A CN 202310559430A CN 116597209 A CN116597209 A CN 116597209A
- Authority
- CN
- China
- Prior art keywords
- image
- classified
- initial
- clustering center
- center
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 90
- 238000005259 measurement Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像分类方法、装置、设备及存储介质。该方法包括：随机生成待分类图像对应的初始聚类中心和初始隶属度矩阵；获取初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数；根据初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数对初始聚类中心和初始隶属度矩阵进行更新，得到更新后的聚类中心和更新后的隶属度矩阵；基于更新后的聚类中心和更新后的隶属度矩阵对待分类图像进行分类，得到分类结果，通过本发明的技术方案，能够提升图像分类结果的准确度。
Description
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种图像分类方法、装置、设备及存储介质。
背景技术
图像分类是指将图像分割为若干个区域，例如，若图像中包括A对象和B对象，则对图像进行分类，得到A对象对应的区域、B对象对应的区域以及背景区域。
目前，已经有很多算法被提出并应用在图像分类领域，但是不同的图像分类算法也各有优缺点。
在相关技术中，最常用的图像分割算法为模糊C-均数(Fuzzy C-Means，FCM)分类算法，但是由于模糊C-均数分类算法对初始值和噪声敏感，因此容易陷入局部最优，导致最终的图像分类结果不够精确。
发明内容
本发明实施例提供一种图像分类方法、装置、设备及存储介质，以实现能够提升图像分类结果的准确度。
根据本发明的一方面，提供了一种图像分类方法，包括：
随机生成待分类图像对应的初始聚类中心和初始隶属度矩阵；
获取初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数；
根据初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数对初始聚类中心和初始隶属度矩阵进行更新，得到更新后的聚类中心和更新后的隶属度矩阵；
基于更新后的聚类中心和更新后的隶属度矩阵对待分类图像进行分类，得到分类结果。
根据本发明的另一方面，提供了一种图像分类装置，该图像分类装置包括：
聚类中心和隶属度矩阵生成模块，用于随机生成待分类图像对应的初始聚类中心和初始隶属度矩阵；
多尺度归一化度量参数确定模块，用于获取初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数；
更新模块，用于根据初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数对初始聚类中心和初始隶属度矩阵进行更新，得到更新后的聚类中心和更新后的隶属度矩阵；
图像分类模块，用于基于更新后的聚类中心和更新后的隶属度矩阵对待分类图像进行分类，得到分类结果。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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本发明任一实施例所述的图像分类方法。
根据本发明的另一方面，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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的图像分类方法。
本发明实施例通过随机生成待分类图像对应的初始聚类中心和初始隶属度矩阵；获取初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数；根据初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数对初始聚类中心和初始隶属度矩阵进行更新，得到更新后的聚类中心和更新后的隶属度矩阵；基于更新后的聚类中心和更新后的隶属度矩阵对待分类图像进行分类，得到分类结果，能够提升图像分类结果的准确度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中的一种图像分类方法的流程图；
图2是本发明实施例中的一种图像分类装置的结构示意图；
图3是本发明实施例中的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，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”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数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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，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。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
实施例一
图1为本发明实施例提供的一种图像分类方法的流程图，本实施例可适用于图像分类的情况，该方法可以由本发明实施例中的图像分类装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
S110，随机生成待分类图像对应的初始聚类中心和初始隶属度矩阵。
具体的，随机生成待分类图像对应的初始聚类中心和初始隶属度矩阵的方式可以为：基于预设规则从预先存储的数据库中选取待分类图像对应的初始聚类中心和初始隶属度矩阵。
S120，获取初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数。
具体的，获取初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数的方式可以为：根据初始聚类中心与待分类图像中的其他像素点之间的距离相似度和/或灰度差异参数确定初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数。
S130，根据初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数对初始聚类中心和初始隶属度矩阵进行更新，得到更新后的聚类中心和更新后的隶属度矩阵。
具体的，根据初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数对初始聚类中心和初始隶属度矩阵进行更新，得到更新后的聚类中心和更新后的隶属度矩阵的方式可以为：根据初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数确定目标函数，基于目标函数对初始隶属度矩阵进行更新，根据更新后的隶属度矩阵对初始聚类中心进行更新，得到更新后的聚类中心。根据初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数对初始聚类中心和初始隶属度矩阵进行更新，得到更新后的聚类中心和更新后的隶属度矩阵的方式还可以为：根据初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数确定隶属度更新函数和聚类中心更新函数，基于所述隶属度更新函数和聚类中心更新函数对初始聚类中心和初始隶属度矩阵进行更新，得到更新后的聚类中心和更新后的隶属度矩阵。
S140，基于更新后的聚类中心和更新后的隶属度矩阵对待分类图像进行分类，得到分类结果。
具体的，基于更新后的聚类中心和更新后的隶属度矩阵对待分类图像进行分类，得到分类结果的方式可以为：获取更新后的聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数；根据多尺度归一化度量参数对更新后的聚类中心和更新后的隶属度矩阵进行更新，得到目标聚类中心和目标隶属度矩阵；若目标聚类中心和目标隶属度矩阵满足迭代结束条件，则根据目标聚类中心和目标隶属度矩阵对待分类图像进行分类，得到分类结果；若目标聚类中心和目标隶属度矩阵不满足迭代结束条件，则获取目标聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数，根据目标聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数对目标聚类中心和目标隶属度矩阵进行更新，得到更新后的目标聚类中心和目标隶属度矩阵；若更新后的目标聚类中心和目标隶属度矩阵满足迭代结束条件，则根据更新后的目标聚类中心和目标隶属度矩阵对待分类图像进行分类，得到分类结果。
可选的，获取初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数，包括：
获取初始聚类中心与待分类图像中的其他像素点之间的距离相似度和灰度差异参数；
根据所述初始聚类中心与待分类图像中的其他像素点之间的距离相似度和灰度差异参数确定初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数。
具体的，获取初始聚类中心与待分类图像中的其他像素点之间的距离相似度的方式可以为：获取初始聚类中心与待分类图像中的其他像素点之间的距离；根据所述初始聚类中心与待分类图像中的其他像素点之间的距离确定初始聚类中心与待分类图像中的其他像素点之间的距离相似度。获取初始聚类中心与待分类图像中的其他像素点之间的距离相似度的方式还可以为：获取误差参数，根据所述误差参数和初始聚类中心与待分类图像中的其他像素点之间的距离确定初始聚类中心与待分类图像中的其他像素点之间的距离相似度。例如可以是，将初始聚类中心与待分类图像中的其他像素点之间的距离与误差参数的比值确定为初始聚类中心与待分类图像中的其他像素点之间的距离相似度。
具体的，获取初始聚类中心与待分类图像中的其他像素点之间的灰度差异参数的方式可以为：获取初始聚类中心与待分类图像中的其他像素点之间的灰度值协方差、初始聚类中心的灰度值标准差以及待分类图像中的其他像素点的灰度值标准差；根据初始聚类中心与待分类图像中的其他像素点之间的灰度值协方差、初始聚类中心的灰度值标准差以及待分类图像中的其他像素点的灰度值标准差确定初始聚类中心与待分类图像中的其他像素点之间的灰度差异参数。
具体的，根据所述初始聚类中心与待分类图像中的其他像素点之间的距离相似度和灰度差异参数确定初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数的方式可以为：根据初始聚类中心与待分类图像中的其他像素点之间的距离相似度和灰度差异参数的乘积和初始聚类中心与待分类图像中的其他像素点之间的距离相似度和灰度差异参数之和确定初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数。例如可以是，将初始聚类中心与待分类图像中的其他像素点之间的距离相似度和灰度差异参数的乘积与所述初始聚类中心与待分类图像中的其他像素点之间的距离相似度和灰度差异参数之和的比值确定为初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数。
可选的，根据所述初始聚类中心与待分类图像中的其他像素点之间的距离相似度和灰度差异参数确定初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数，包括：
将所述初始聚类中心与待分类图像中的其他像素点之间的距离相似度的倒数确定为第一参数；
将所述初始聚类中心与待分类图像中的其他像素点之间的灰度差异参数的倒数确定为第二参数；
将所述第一参数和所述第二参数之和确定为第三参数；
将预设数值与所述第三参数的比值确定为初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数。
其中，所述预设数值可以为预先设定的数值，例如可以是，所述预设数值可以为2。
可选的，获取初始聚类中心与待分类图像中的其他像素点之间的距离相似度，包括：
获取初始聚类中心与待分类图像中的其他像素点之间的距离；
根据所述初始聚类中心与待分类图像中的其他像素点之间的距离确定初始聚类中心与待分类图像中的其他像素点之间的距离相似度。
具体的，根据所述初始聚类中心与待分类图像中的其他像素点之间的距离确定初始聚类中心与待分类图像中的其他像素点之间的距离相似度的方式可以为：根据初始聚类中心的坐标和待分类图像中的其他像素点的坐标确定误差参数，根据误差参数和初始聚类中心与待分类图像中的其他像素点之间的距离确定初始聚类中心与待分类图像中的其他像素点之间的距离相似度。
可选的，获取初始聚类中心与待分类图像中的其他像素点之间的灰度差异参数，包括：
获取初始聚类中心与待分类图像中的其他像素点之间的灰度值协方差、初始聚类中心的灰度值标准差以及待分类图像中的其他像素点的灰度值标准差；
根据初始聚类中心与待分类图像中的其他像素点之间的灰度值协方差、初始聚类中心的灰度值标准差以及待分类图像中的其他像素点的灰度值标准差确定初始聚类中心与待分类图像中的其他像素点之间的灰度差异参数。
具体的，根据初始聚类中心与待分类图像中的其他像素点之间的灰度值协方差、初始聚类中心的灰度值标准差以及待分类图像中的其他像素点的灰度值标准差确定初始聚类中心与待分类图像中的其他像素点之间的灰度差异参数的方式可以为：获取初始聚类中心的灰度值标准差和待分类图像中的其他像素点的灰度值标准差的乘积，根据初始聚类中心的灰度值标准差和待分类图像中的其他像素点的灰度值标准差的乘积和初始聚类中心与待分类图像中的其他像素点之间的灰度值协方差确定初始聚类中心与待分类图像中的其他像素点之间的灰度差异参数，例如可以是，将初始聚类中心与待分类图像中的其他像素点之间的灰度值协方差与初始聚类中心的灰度值标准差和待分类图像中的其他像素点的灰度值标准差的乘积的比值确定为初始聚类中心与待分类图像中的其他像素点之间的灰度差异参数。
可选的，获取初始聚类中心与待分类图像中的其他像素点之间的灰度值协方差、初始聚类中心的灰度值标准差以及待分类图像中的其他像素点的灰度值标准差，包括：
获取待分类图像对应的平均灰度值、初始聚类中心对应的平均灰度值以及其他像素点对应的平均灰度值；
根据待分类图像对应的平均灰度值、初始聚类中心对应的平均灰度值以及其他像素点对应的平均灰度值确定初始聚类中心与待分类图像中的其他像素点之间的灰度值协方差、初始聚类中心的灰度值标准差以及待分类图像中的其他像素点的灰度值标准差。
其中，所述其他像素点对应的平均灰度值为待分类图像中除初始聚类中心外的全部像素点。
其中，所述待分类图像对应的平均灰度值等于待分类图像中每个像素点的灰度值的总和与待分类图像中的像素点数量的比值。所述初始聚类中心对应的平均灰度值等于初始聚类中心的灰度值的总和与初始聚类中心的数量的比值。所述其他像素点对应的平均灰度值等于待分类图像中除初始聚类中心外的全部像素点的灰度值的总和与待分类图像中除初始聚类中心外的像素点数量的比值。
具体的，根据待分类图像对应的平均灰度值、初始聚类中心对应的平均灰度值以及其他像素点对应的平均灰度值确定初始聚类中心与待分类图像中的其他像素点之间的灰度值协方差、初始聚类中心的灰度值标准差以及待分类图像中的其他像素点的灰度值标准差的方式可以为：获取其他像素点对应的平均灰度值和待分类图像对应的平均灰度值的第一差值，初始聚类中心对应的平均灰度值和待分类图像对应的平均灰度值的第二差值，根据第一差值和第二差值确定初始聚类中心与待分类图像中的其他像素点之间的灰度值协方差，例如可以是，将所述第一差值和第二差值的乘积确定为初始聚类中心与待分类图像中的其他像素点之间的灰度值协方差。根据第一差值确定待分类图像中的其他像素点的灰度值标准差。根据第二差值确定初始聚类中心的灰度值标准差。
可选的，基于更新后的聚类中心和更新后的隶属度矩阵对待分类图像进行分类，得到分类结果，包括：
获取更新后的聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数；
根据更新后的聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数对更新后的聚类中心和更新后的隶属度矩阵进行更新，得到目标聚类中心和目标隶属度矩阵；
若目标聚类中心和目标隶属度矩阵满足迭代结束条件，则根据目标聚类中心和目标隶属度矩阵对待分类图像进行分类，得到分类结果。
具体的，若目标聚类中心和目标隶属度矩阵满足迭代结束条件，则根据目标聚类中心和目标隶属度矩阵对待分类图像进行分类，得到分类结果的方式可以为：根据目标聚类中心、目标隶属度矩阵、初始聚类中心以及初始隶属度矩阵确定聚类中心的变化程度和隶属度矩阵的变化程度，若聚类中心的变化程度小于第一设定阈值，隶属度矩阵的变化程度小于第二设定阈值，则确定目标聚类中心和目标隶属度矩阵满足迭代结束条件，则根据目标聚类中心和目标隶属度矩阵对待分类图像进行分类，得到分类结果。其中，所述第一设定阈值和所述第二设定阈值可以相同也可以不同。若目标聚类中心和目标隶属度矩阵满足迭代结束条件，则根据目标聚类中心和目标隶属度矩阵对待分类图像进行分类，得到分类结果的方式还可以为：若目标聚类中心和目标隶属度矩阵不满足迭代结束条件，则获取目标聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数，根据目标聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数对目标聚类中心和目标隶属度矩阵进行更新，得到更新后的目标聚类中心和目标隶属度矩阵；若更新后的目标聚类中心和目标隶属度矩阵满足迭代结束条件，则根据更新后的目标聚类中心和目标隶属度矩阵对待分类图像进行分类，得到分类结果。
需要说明的是，若聚类中心和隶属度矩阵不满足迭代结束条件，则需要继续对聚类中心和隶属度矩阵进行更新，直至聚类中心和隶属度矩阵满足迭代结束条件，根据聚类中心和隶属度矩阵对待分类图像进行分类，得到分类结果。
本实施例的技术方案，通过随机生成待分类图像对应的初始聚类中心和初始隶属度矩阵；获取初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数；根据初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数对初始聚类中心和初始隶属度矩阵进行更新，得到更新后的聚类中心和更新后的隶属度矩阵；基于更新后的聚类中心和更新后的隶属度矩阵对待分类图像进行分类，得到分类结果，能够提升图像分类结果的准确度。
实施例二
图2为本发明实施例提供的一种图像分类装置的结构示意图。本实施例可适用于图像分类的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供图像分类功能的设备中，如图2所示，所述图像分类装置具体包括：聚类中心和隶属度矩阵生成模块210、多尺度归一化度量参数确定模块220、更新模块230和图像分类模块240。
其中，聚类中心和隶属度矩阵生成模块，用于随机生成待分类图像对应的初始聚类中心和初始隶属度矩阵；
多尺度归一化度量参数确定模块，用于获取初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数；
更新模块，用于根据初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数对初始聚类中心和初始隶属度矩阵进行更新，得到更新后的聚类中心和更新后的隶属度矩阵；
图像分类模块，用于基于更新后的聚类中心和更新后的隶属度矩阵对待分类图像进行分类，得到分类结果。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图3所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如图像分类方法。
在一些实施例中，图像分类方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的图像分类方法的一个或多个步骤。备选地，在其他实施例中，处理器11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。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。
计算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。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服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种图像分类方法，其特征在于，包括：
随机生成待分类图像对应的初始聚类中心和初始隶属度矩阵；
获取初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数；
根据初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数对初始聚类中心和初始隶属度矩阵进行更新，得到更新后的聚类中心和更新后的隶属度矩阵；
基于更新后的聚类中心和更新后的隶属度矩阵对待分类图像进行分类，得到分类结果。
2.根据权利要求1所述的方法，其特征在于，获取初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数，包括：
获取初始聚类中心与待分类图像中的其他像素点之间的距离相似度和灰度差异参数；
根据所述初始聚类中心与待分类图像中的其他像素点之间的距离相似度和灰度差异参数确定初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数。
3.根据权利要求2所述的方法，其特征在于，根据所述初始聚类中心与待分类图像中的其他像素点之间的距离相似度和灰度差异参数确定初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数，包括：
将所述初始聚类中心与待分类图像中的其他像素点之间的距离相似度的倒数确定为第一参数；
将所述初始聚类中心与待分类图像中的其他像素点之间的灰度差异参数的倒数确定为第二参数；
将所述第一参数和所述第二参数之和确定为第三参数；
将预设数值与所述第三参数的比值确定为初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数。
4.根据权利要求2所述的方法，其特征在于，获取初始聚类中心与待分类图像中的其他像素点之间的距离相似度，包括：
获取初始聚类中心与待分类图像中的其他像素点之间的距离；
根据所述初始聚类中心与待分类图像中的其他像素点之间的距离确定初始聚类中心与待分类图像中的其他像素点之间的距离相似度。
5.根据权利要求2所述的方法，其特征在于，获取初始聚类中心与待分类图像中的其他像素点之间的灰度差异参数，包括：
获取初始聚类中心与待分类图像中的其他像素点之间的灰度值协方差、初始聚类中心的灰度值标准差以及待分类图像中的其他像素点的灰度值标准差；
根据初始聚类中心与待分类图像中的其他像素点之间的灰度值协方差、初始聚类中心的灰度值标准差以及待分类图像中的其他像素点的灰度值标准差确定初始聚类中心与待分类图像中的其他像素点之间的灰度差异参数。
6.根据权利要求5所述的方法，其特征在于，获取初始聚类中心与待分类图像中的其他像素点之间的灰度值协方差、初始聚类中心的灰度值标准差以及待分类图像中的其他像素点的灰度值标准差，包括：
获取待分类图像对应的平均灰度值、初始聚类中心对应的平均灰度值以及其他像素点对应的平均灰度值；
根据待分类图像对应的平均灰度值、初始聚类中心对应的平均灰度值以及其他像素点对应的平均灰度值确定初始聚类中心与待分类图像中的其他像素点之间的灰度值协方差、初始聚类中心的灰度值标准差以及待分类图像中的其他像素点的灰度值标准差。
7.根据权利要求1所述的方法，其特征在于，基于更新后的聚类中心和更新后的隶属度矩阵对待分类图像进行分类，得到分类结果，包括：
获取更新后的聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数；
根据更新后的聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数对更新后的聚类中心和更新后的隶属度矩阵进行更新，得到目标聚类中心和目标隶属度矩阵；
若目标聚类中心和目标隶属度矩阵满足迭代结束条件，则根据目标聚类中心和目标隶属度矩阵对待分类图像进行分类，得到分类结果。
8.一种图像分类装置，其特征在于，包括：
聚类中心和隶属度矩阵生成模块，用于随机生成待分类图像对应的初始聚类中心和初始隶属度矩阵；
多尺度归一化度量参数确定模块，用于获取初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数；
更新模块，用于根据初始聚类中心与待分类图像中的其他像素点之间的多尺度归一化度量参数对初始聚类中心和初始隶属度矩阵进行更新，得到更新后的聚类中心和更新后的隶属度矩阵；
图像分类模块，用于基于更新后的聚类中心和更新后的隶属度矩阵对待分类图像进行分类，得到分类结果。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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中任一项所述的图像分类方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的图像分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310559430.6A CN116597209A (zh) | 2023-05-17 | 2023-05-17 | 一种图像分类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310559430.6A CN116597209A (zh) | 2023-05-17 | 2023-05-17 | 一种图像分类方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116597209A true CN116597209A (zh) | 2023-08-15 |
Family
ID=87589289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310559430.6A Pending CN116597209A (zh) | 2023-05-17 | 2023-05-17 | 一种图像分类方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597209A (zh) |
-
2023
- 2023-05-17 CN CN202310559430.6A patent/CN116597209A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114677565B (zh) | 特征提取网络的训练方法和图像处理方法、装置 | |
| CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
| CN114445825A (zh) | 文字检测方法、装置、电子设备和存储介质 | |
| CN116244619A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| CN116012859A (zh) | 基于清晰度指标的文本图像拒识判断方法、装置及设备 | |
| CN115471772A (zh) | 一种关键帧的提取方法、装置、设备及介质 | |
| CN113032071B (zh) | 页面元素定位方法、页面测试方法、装置、设备和介质 | |
| CN116597209A (zh) | 一种图像分类方法、装置、设备及存储介质 | |
| CN114581711A (zh) | 目标对象检测方法、装置、设备、存储介质以及程序产品 | |
| CN116596941A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
| CN116823924B (zh) | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 | |
| CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
| CN116503407B (zh) | 图像中异物区域的检测方法、装置及电子设备 | |
| CN116109991B (zh) | 模型的约束参数确定方法、装置及电子设备 | |
| CN113360688B (zh) | 信息库的构建方法、装置及系统 | |
| CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
| CN116580218A (zh) | 一种控制方法、装置、设备及存储介质 | |
| CN116664427A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN117197051A (zh) | 一种缺陷分级方法、装置、电子设备及存储介质 | |
| CN117149119A (zh) | 一种显示控制方法、装置及电子设备 | |
| CN117611324A (zh) | 信用评级方法、装置、电子设备和存储介质 | |
| CN116433702A (zh) | 一种输电线分割方法、装置、电子设备及存储介质 | |
| CN116502841A (zh) | 一种事件的处理方法、装置、电子设备以及介质 | |
| CN116681913A (zh) | 一种标签印刷的定位方法、装置、设备及存储介质 | |
| CN117829611A (zh) | 一种基于人工智能的分包商管理风险评估预警方法 |
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 |