一种图像分类方法及装置制造方法及图纸

本发明专利技术实施例提供了一种图像分类方法及装置，所述方法包括：获取目标图像；对所述目标图像进行特征解析，得到第一目标特征集；对所述第一目标特征集进行区域标定，得到至少一个目标区域和非目标区域；对所述至少一个目标区域中的各目标区域进行空间操作，和/或，滤波操作，得到目标区域特征集，并将所述目标区域特征集和所述非目标区域对应的所述第一目标特征集作为第二目标特征集；采用第一预设训练模型对所述第二目标特征集进行训练，得到所述目标图像对应的目标类别。采用本发明专利技术实施例可对目标图像进行特征解析，并依据其特征的分布特点进行标定及处理，如此，可以增加目标图像的特征，可以在图像的特征较少的情况下，实现图像分类。

【技术实现步骤摘要】
一种图像分类方法及装置
本专利技术涉及图像处理
，具体涉及一种图像分类方法及装置。
技术介绍
深度学习是目前用于解决图像分类和特征提取的主流方法。其分类的训练方法是先将一张完整的二维图像转化为深度网络(例如，卷积神经网络(ConvolutionalNeuralNetwork，CNN)Data层的输入节点，并且提供一个标签作为输出层的验证，然后经过多个Convolution层和Inner-Product层的计算，得出一个预测结果，用来与图像的标签作对比。而训练网络的过程正是通过最小化预测结果与标签的差别来实现的。所以对于一次训练来说，只能输入一张完整的图像和一个分类的标签。目前来看，只能通过大量的标记训练样本，深度网络才能实现分类，而对于图像的特征较少的情况，则较难实现图像分类。
技术实现思路
本专利技术实施例提供了一种图像分类方法及装置，可以在图像的特征较少的情况下，实现图像分类。本专利技术实施例第一方面提供了一种图像分类方法，包括：获取目标图像；对所述目标图像进行特征解析，得到第一目标特征集；对所述第一目标特征集进行区域标定，得到至少一个目标区域和非目标区域；对所述至少一个目标区本文档来自技高网...

【技术保护点】
一种图像分类方法，其特征在于，包括：获取目标图像；对所述目标图像进行特征解析，得到第一目标特征集；对所述第一目标特征集进行区域标定，得到至少一个目标区域和非目标区域；对所述至少一个目标区域中的各目标区域进行空间操作，和/或，滤波操作，得到目标区域特征集，并将所述目标区域特征集和所述非目标区域对应的所述第一目标特征集作为第二目标特征集；采用第一预设训练模型对所述第二目标特征集进行训练，得到所述目标图像对应的目标类别。

【技术特征摘要】
1.一种图像分类方法，其特征在于，包括：获取目标图像；对所述目标图像进行特征解析，得到第一目标特征集；对所述第一目标特征集进行区域标定，得到至少一个目标区域和非目标区域；对所述至少一个目标区域中的各目标区域进行空间操作，和/或，滤波操作，得到目标区域特征集，并将所述目标区域特征集和所述非目标区域对应的所述第一目标特征集作为第二目标特征集；采用第一预设训练模型对所述第二目标特征集进行训练，得到所述目标图像对应的目标类别。2.根据权利要求1所述的方法，其特征在于，所述对所述目标图像进行特征解析，得到第一目标特征集，包括：从多个角度对所述目标图像进行特征分析，得到所述第一目标特征集，其中，所述多个角度为以下至少两个：所述目标图像的空间形状、所述目标图像的颜色、所述待处理图像的物体嵌套和所述待处理图像的姿态变换。3.根据权利要求1或2所述的方法，其特征在于，所述至少一个目标区域包括以下至少一个区域：目标区、部件区、基底区、替换区和背景区。4.根据权利要求1至3任一项所述的方法，其特征在于，所述对所述第一目标特征集进行区域标定，包括：对所述第一目标特征集进行边缘点逐层标定；对所述边缘点逐层标定后的第一目标特征集进行Canny边缘检测；通过Bezier曲线算法对所述Canny边缘检测后的第一目标特征集进行优化处理。5.根据权利要求1至4任一项所述的方法，其特征在于，所述第一预设训练模型为神经网络模型，所述神经网络模型包括Data层；所述采用第一预设训练模型对所述第二目标特征集进行训练，包括：在所述第一预设训练模型的所述Data层之前的任一层添加定向数据层，所述定向数据层包含预设标定区域和配置参数，得到第二预设训练模型；通过所述第二预设训练模型对所述第二目标特征集进行训练。6.一种图像分类装...

【专利技术属性】
技术研发人员：余倬，郑昕匀，刘凯，
申请(专利权)人：深圳市华尊科技股份有限公司，
类型：发明
国别省市：广东,44