构建分类模型的方法及装置制造方法及图纸

本公开是关于构建分类模型的方法及装置。该方法包括：获取第一图像类别和第二图像类别分别对应的样本图像，获取所述样本图像分别对应的频谱图，所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的，根据所述频谱图确定所述样本图像各自对应的特征，根据样本图像各自对应的特征以及所述样本图像分别所属的类别构建样本图像集，对样本图像集进行训练，得到分类模型，分类模型用于确定待分类图像所对应的图像类别。上述技术方案，通过将样本图像根据不同大小的基进行图像变换获得频谱图，并根据频谱图确定样本图像各自对应的特征，进而构建分类模型，从而可以准确检测出图像的类别。

Method and device for constructing classification model

Disclosed is a method and apparatus for constructing a classification model. The method comprises: a sample image corresponding to the first image categories and second categories of images acquisition, gets the spectrum of sample images respectively, the spectrum is the sample image according to different size based transform image obtained, according to the frequency spectrum to determine the features of the sample images respectively according to the characteristics of the sample, the corresponding image and the sample image respectively, the category of construction sample image set, training set of image samples, classification model, classification model for image categories to determine the corresponding image classification. The technical scheme, the sample image obtained by spectrum image transform according to different basis, and according to the frequency spectrum to determine the corresponding features of the sample images, then construct the classification model, which can accurately detect the image category.

【技术实现步骤摘要】

本公开涉及构建分类模型的设备领域，尤其涉及构建分类模型的方法及装置。
技术介绍
模糊图检测越发成为图像处理中的热点，尤其在智能手机日益普及的今天，人们无时无刻不在用手机拍照记录生活的点滴，而其中存在大量的质量不高的照片。如果能自动检测出模糊照片则可以提示用户进行删除等操作。直观来讲，模糊图片与清晰图片在频域会有明显不同，清晰图片边缘清晰、梯度强烈、在频域会有较强的高频，做DCT(DiscreteCosineTransform，离散余弦变换)时低频到高频幅度的衰减也不会太过强烈。相反，模糊图片的高频信息弱很多，并且大的低频幅度很快就会像高频方向衰减。
技术实现思路
本公开实施例提供构建分类模型的方法及装置。所述技术方案如下：根据本公开实施例的第一方面，提供一种构建分类模型的方法，包括：获取第一图像类别和第二图像类别分别对应的样本图像；获取所述样本图像分别对应的频谱图，所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的；根据所述频谱图确定所述样本图像各自对应的特征；根据所述样本图像各自对应的特征以及所述样本图像分别所属的类别构建样本图像集，对所述样本图像集进行训练，得到分类模型，所述分类模型用于确定待分类图像所对应的图像类别。在一个实施例中，所述获取所述样本图像分别对应的频谱图，所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的；根据所述频谱图确定所述样本图像各自对应的特征，可包括：将每一个样本图像根据不同大小的基划分为不同尺寸的图像块，分别对每个图像块做离散余弦变换，获得所述频谱图；对所述频谱图分别求解马可夫转移概率矩阵，获得各样本图像对应的特征。在一个实施例中，所述对所述频谱图分别求解马可夫转移概率矩阵，获得各样本图像对应的特征，可包括：获取所述频谱图中大于预设阈值的频率值；将所述大于预设阈值的频率值均设为所述预设阈值，更新所述频谱图；对更新后的频谱图求解马可夫转移概率矩阵，获得所述样本图像对应的特征。在一个实施例中，所述方法还可包括：获取待分类图像对应的频谱图，所述频谱图是将所述待分类图像根据不同大小的基进行图像变换获得的；根据所述频谱图确定所述待分类图像对应的特征；根据所述待分类图像对应的特征以及所述分类模型，确定所述待分类图像所属的类别。根据本公开实施例的第二方面，提供一种构建分类模型的装置，包括：第一获取模块，用于获取第一图像类别和第二图像类别分别对应的样本图像；第二获取模块，用于获取所述样本图像分别对应的频谱图，所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的；第一确定模块，用于根据所述频谱图确定所述样本图像各自对应的特征；分类模型构建模块，用于根据所述样本图像各自对应的特征以及所述样本图像分别所属的类别构建样本图像集，对所述样本图像集进行训练，得到分类模型，所述分类模型用于确定待分类图像所对应的图像类别。在一个实施例中，所述第二获取模块，可包括：获得子模块，用于将每一个样本图像根据不同大小的基划分为不同尺寸的图像块，分别对每个图像块做离散余弦变换，获得所述频谱图；所述第一确定模块，可包括：求解子模块，用于对所述频谱图分别求解马可夫转移概率矩阵，获得各样本图像对应的特征。在一个实施例中，所述求解子模块还可用于：获取所述频谱图中大于预设阈值的频率值；将所述大于预设阈值的频率值均设为所述预设阈值，更新所述频谱图；对更新后的频谱图分别求解马可夫转移概率矩阵，获得各样本图像对应的特征。在一个实施例中，所述装置还可包括：第三获取模块，用于获取待分类图像对应的频谱图，所述频谱图是将所述待分类图像根据不同大小的基进行图像变换获得的；第二确定模块，用于根据所述频谱图确定所述待分类图像对应的特征；第三确定模块，用于根据所述待分类图像对应的特征以及所述分类模型，确定所述待分类图像所属的类别。根据本公开实施例的第三方面，提供一种构建分类模型的装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取第一图像类别和第二图像类别分别对应的样本图像；获取所述样本图像分别对应的频谱图，所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的；根据所述频谱图确定所述样本图像各自对应的特征；根据所述样本图像各自对应的特征以及所述样本图像分别所属的类别构建样本图像集，对所述样本图像集进行训练，得到分类模型，所述分类模型用于确定待分类图像所对应的图像类别。本公开的实施例提供的技术方案可以包括以下有益效果：上述技术方案通过将样本图像根据不同大小的基进行图像变换获得频谱图，并根据频谱图确定样本图像各自对应的特征，进而构建分类模型，从而可以准确检测出图像的类别。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。图1是根据一示例性实施例示出的构建分类模型的方法的流程图。图2是根据一示例性实施例示出的又一种构建分类模型的方法的流程图。图3是根据一示例性实施例示出的构建分类模型的方法中步骤S1031的流程图。图4是根据一示例性实施例示出的又一种构建分类模型的方法的流程图。图5是根据一示例性实施例示出的构建分类模型的装置的框图。图6是根据一示例性实施例示出的又一种构建分类模型的装置的框图。图7是根据一示例性实施例示出的另一种构建分类模型的装置的框图。图8是根据一示例性实施例示出的适用于构建分类模型的装置的框图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。图1是根据一示例性实施例示出的一种构建分类模型的方法的流程图，如图1所示，该构建分类模型的方法包括以下步骤S101-S104：在步骤S101中，获取第一图像类别和第二图像类别分别对应的样本图像。在一个实施例中，第一图像类别为清晰图像类别，即第一图像类别中的样本图像都是清晰图像；第二图像类别为模糊图像类别，即第二图像类别中的样本图像都是模糊图像。或者，第一图像类别为模糊图像类别，第二图像类别为清晰图像类别。需要说明的是，本公开不限于上述两种类别的图像，还可以是多种类别，比如除模糊图像类别和清晰图像类别外，还可以有介于模糊图像与清晰图像之间的半清晰图像组成的类别。在步骤S102中，获取样本图像分别对应的频谱图，频谱图是将样本图像根据不同大小的基进行图像变换获得的。在步骤S103中，根据频谱图确定样本图像各自对应的特征。在步骤S104中，根据样本图像和样本图像各自对应的特征构建样本图像集，对样本图像集进行训练，得到分类模型，分类模型用于确定待分类图像所对应的图像类别。鉴于图像的局部统计信息与整体均十分重要，在一个实施例中，在采用DCT变换时，同时用不同大小的DCT基(Block-DCT)。比如，将一个图像分别分成8×8、4×4、16×16、32×32、64×64大小的图像块，对8×8的图像块做DCT变换，同时对4×4、16本文档来自技高网...

【技术保护点】
一种构建分类模型的方法，其特征在于，包括：获取第一图像类别和第二图像类别分别对应的样本图像；获取所述样本图像分别对应的频谱图，所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的；根据所述频谱图确定所述样本图像各自对应的特征；根据所述样本图像各自对应的特征以及所述样本图像分别所属的类别构建样本图像集，对所述样本图像集进行训练，得到分类模型，所述分类模型用于确定待分类图像所对应的图像类别。

【技术特征摘要】
1.一种构建分类模型的方法，其特征在于，包括：获取第一图像类别和第二图像类别分别对应的样本图像；获取所述样本图像分别对应的频谱图，所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的；根据所述频谱图确定所述样本图像各自对应的特征；根据所述样本图像各自对应的特征以及所述样本图像分别所属的类别构建样本图像集，对所述样本图像集进行训练，得到分类模型，所述分类模型用于确定待分类图像所对应的图像类别。2.根据权利要求1所述的方法，其特征在于，所述获取所述样本图像分别对应的频谱图，所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的；根据所述频谱图确定所述样本图像各自对应的特征，包括：将每一个样本图像根据不同大小的基划分为不同尺寸的图像块，分别对每个图像块做离散余弦变换，获得所述频谱图；对所述频谱图分别求解马可夫转移概率矩阵，获得各样本图像对应的特征。3.根据权利要求2所述的方法，其特征在于，所述对所述频谱图分别求解马可夫转移概率矩阵，获得各样本图像对应的特征，包括：获取所述频谱图中大于预设阈值的频率值；将所述大于预设阈值的频率值均设为所述预设阈值，更新所述频谱图；对更新后的频谱图分别求解马可夫转移概率矩阵，获得各样本图像对应的特征。4.根据权利要求1-3中任一项所述的方法，其特征在于，所述方法还包括：获取待分类图像对应的频谱图，所述频谱图是将所述待分类图像根据不同大小的基进行图像变换获得的；根据所述频谱图确定所述待分类图像对应的特征；根据所述待分类图像对应的特征以及所述分类模型，确定所述待分类图像所属的类别。5.一种构建分类模型的装置，其特征在于，包括：第一获取模块，用于获取第一图像类别和第二图像类别分别对应的样本图像；第二获取模块，用于获取所述样本图像分别对应的频谱图，所述频谱图是将所述样本图像根据不同大小的基进行图像变换获得的；第一确定...

【专利技术属性】
技术研发人员：龙飞，杨松，陈志军，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：北京;11