基于背景先验显著性的花卉图像分类方法技术

本发明专利技术提供一种基于背景先验显著性的花卉图像分类方法，该方法通过背景先验显著性的方法确定花卉区域，将花卉分割方法和基于迁移学习的深度神经网络分类方法结合，将训练迁移的InceptionV3网络用于花卉图像，利用训练好的网络模型对花卉图像进行分类。在国际公开花卉识别数据集Oxford flower‑102上的实验表明：该模型比改进的Alex网络分类准确率高7.63％，且比未进行分割的花卉图像进行网络训练的模型准确率高2.85％，分类准确率达到了93.38％。

【技术实现步骤摘要】
基于背景先验显著性的花卉图像分类方法
本专利技术涉及一种花卉图像分类方法，具体涉及一种基于背景先验显著性的花卉图像分类方法。
技术介绍
花卉图像背景的复杂性和自身多样性等因素导致花卉图像分类成为图像分类学科一大难题。其中，如何很好的把花卉轮廓从花卉图像中提取出来是去除背景对花卉分类影响的关键。近年来，许多研究者对花卉图像分割和花卉图像分类展开了研究，并取得一定的科研成果。例如，杨耀等人提出了一种基于标记提取的GrowCut自动分割算法(杨耀,陈健美,鲁海英.基于标记提取的GrowCut自动分割算法[J].信息技术,2015(5):76-80)，该方法通过基于标记提取的GrowCut分割算法自动生成初始种子模板，从而实现对目标区域的自动分割。但是该方法在基于GrowCut分割算法之前使用阈值分割预处理可能会因阈值限定而导致分割效果不佳。谢晓东等人提出了一种基于显著性检测和Grabcut的花卉图像分割方法(谢晓东.面向花卉图像的精细图像分类研究[D].厦门:厦门大学,2014)，该方法通过给花卉图像进行显著性检测，训练前景和背景分类器，再用Grabcut算法提取花卉图像主体区域，该方法能对形状和颜色差异较大的花卉图像进行有效的分割，但过程繁琐，对每张图片进行分割的工作量较大。Mabrouk等人提出了一种花卉图像分割方法(MabroukAB,NajjarA,ZagroubaE.Imageflowerrecognitionbasedonanewmethodforcolorfeatureextraction[C].ProcInternationalConfonComputerVisionTheoryandApplications.WashingtonDC:IEEEComputerSocietyPress,2014:201-206.)，在Lab颜色空间上使用最大类间方差(OTSU算法)对花朵图像的前景和背景分割进行划分，但由于OTSU算法对目标大小和噪声非常敏感，分割效果不理想，影响了图像分类的准确性。然而，这些方法并不能针对花卉图像更加底层的特征建立相应的网络，故而分类效果不理想。
技术实现思路
针对上述技术问题，本专利技术提供一种基于背景先验显著性的花卉图像分类方法，该方法利用迁移学习的思想，采用深度卷积神经网络的方法，将在大规模数据库上预训练的网络用于花卉图像的分类，并改进其中的架构，使之更加适用于花卉图像的分类任务。本专利技术采用的技术方案为：本专利技术实施例提供一种基于背景先验显著性的花卉图像分类方法，包括以下步骤：将花卉图像进行超像素分割，得到多个超像素块；分别根据位于图像四个边界的超像素块的显著性对其余超像素块的显著性进行查询，分别得到对应四个边界的显著图，并将得到的四个显著图进行合并，得到最终的显著图；将得到的最终的显著图进行二值化处理，得到感兴趣区域分割图像，所述感兴趣区域分割图像包括用于训练的训练数据集和用于测试的测试数据集；将基础InceptionV3网络在大规模数据集上进行训练，得到预训练网络；对所述预训练网络进行改进，得到适用于花卉识别的数据集的改进后的网络；将改进后的网络迁移到所述训练数据集上进行迁移训练，得到迁移训练后的网络；将迁移训练后的网络微调到所述训练数据集，进行微调训练，得到微调训练后的网络；将所述测试数据集加入微调训练后的网络中进行训练，对花卉图像进行分类。可选地，所述将花卉图像进行超像素分割，得到多个超像素块包括：将花卉图像的像素点均匀分配成多个超像素块，并确定每个超像素块的初始聚类中心；将每个初始聚类中心调整到该聚类中心周围的预设区域内梯度最小的位置处；在调整后的每个聚类中心周围的预设领域内为每个像素点分配类标签，并将每个聚类中心的位置调整为所属超像素的重心，不断迭代该过程，直到每个聚类中心不再发生变化；将图像内不连续的超像素块和尺寸小于预设值的超像素块重新合并给最近的超像素块。可选地，所述分别根据位于图像四个边界的超像素块的显著性对其余超像素块的显著性进行查询，分别得到对应四个边界的显著图，并将得到的四个显著图进行合并，得到最终的显著图包括：基于流行排序算法确定表征图像边缘处的超像素块与其余超像素块之间的相关性的排序函数；基于确定的排序函数，确定其余超像素块与每个边界上的超像素块之间的显著值；将得到的显著值进行归一化处理，并用1作差，得到相应的显著图，并将得到的显著图进行相乘，形成最终的显著图。可选地，所述将得到的最终的显著图进行二值化处理，得到感兴趣区域分割图像包括：基于最大类间方差法对得到的最终显著图进行自适应二值化处理，得到二值化图；将得到的二值化图作为掩码，提取出原图的花卉区域，得到原始花卉分割图；提取原始花卉分割图的最小外接矩形，得到最小外接矩形分割图；在原图中取最小外接矩形位置裁剪的图像，得到感兴趣区域分割图像。可选地，所述对所述预训练网络进行改进，得到适用于花卉识别的数据集的改进后的网络包括：删除所述预训练网络的最后一层全连接层，加入一层全局平均池化层，并在全局平均池化层后加入第一全连接层，以及在所述第一全连接层后加入第二全连接层，从而得到所述改进网络；其中，所述第一全连接层含有1024个节点，激活函数采用Relu，并采用Dropout处理，概率设置为0.5；所述第二全连接层的激活函数采用Softmax，输出节点为102类。可选地，所述将改进后的网络迁移到所述训练数据集上进行迁移训练，得到迁移训练后的网络包括：保持原始InceptionV3部分的网络权重不变，利用所述训练数据集训练最后4层的网络的参数，从而得到迁移训练后的网络；其中，使用优化器RMSprop训练参数，在训练过程中，梯度下降时，每个批次包含32个样本，迭代轮数设为30轮。可选地，所述将迁移训练后的网络微调到所述训练数据集，进行微调训练，得到微调训练后的网络包括：冻结迁移训练后的网络中的前两个初始块的参数，使该两个初始块的参数的值在训练中保持不变，利用所述训练数据集重新训练其余层的参数，从而得到微调训练后的网络；其中，使用优化器SGD训练参数，学习率设为0.001，动量参数设为0.9，损失函数使用交叉熵损失函数，在训练过程中，梯度下降时，每个批次包含32个样本，迭代轮数设为30轮。本专利技术实施例提供的基于背景先验显著性的花卉图像分类方法，通过背景先验显著性的方法确定花卉区域，将花卉分割方法和基于迁移学习的深度神经网络分类方法结合，将训练迁移的InceptionV3网络用于花卉图像，利用训练好的网络模型对花卉图像进行分类。在国际公开花卉识别数据集Oxfordflower-102上的实验表明：该模型比改进的Alex网络分类准确率高7.63％，且比未进行分割的花卉图像进行网络训练的模型准确率高2.85％，分类准确率达到了93.38％。附图说明图1为本专利技术实施例提供的基于背景先验显著性的花卉图像分类方法的流程示意图；图2为本专利技术实施例的花卉图像分割流程示意图；图3为本专利技术实施例的超像素分割流程示意图；图4为本专利技术实施例的形成显著图的流程示意图；图5为本专利技术实施例的花卉图像分割流程示意简图；图6为本专利技术实施例的不同分类算法训练结果实验示意图。具体实施方式为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面本文档来自技高网...

【技术保护点】
1.一种基于背景先验显著性的花卉图像分类方法，其特征在于，包括以下步骤：将花卉图像进行超像素分割，得到多个超像素块；分别根据位于图像四个边界的超像素块的显著性对其余超像素块的显著性进行查询，分别得到对应四个边界的显著图，并将得到的四个显著图进行合并，得到最终的显著图；将得到的最终的显著图进行二值化处理，得到感兴趣区域分割图像，所述感兴趣区域分割图像包括用于训练的训练数据集和用于测试的测试数据集；将基础InceptionV3网络在大规模数据集上进行训练，得到预训练网络；对所述预训练网络进行改进，得到适用于花卉识别的数据集的改进后的网络；将改进后的网络迁移到所述训练数据集上进行迁移训练，得到迁移训练后的网络；将迁移训练后的网络微调到所述训练数据集，进行微调训练，得到微调训练后的网络；将所述测试数据集加入微调训练后的网络中进行训练，对花卉图像进行分类。

【技术特征摘要】
1.一种基于背景先验显著性的花卉图像分类方法，其特征在于，包括以下步骤：将花卉图像进行超像素分割，得到多个超像素块；分别根据位于图像四个边界的超像素块的显著性对其余超像素块的显著性进行查询，分别得到对应四个边界的显著图，并将得到的四个显著图进行合并，得到最终的显著图；将得到的最终的显著图进行二值化处理，得到感兴趣区域分割图像，所述感兴趣区域分割图像包括用于训练的训练数据集和用于测试的测试数据集；将基础InceptionV3网络在大规模数据集上进行训练，得到预训练网络；对所述预训练网络进行改进，得到适用于花卉识别的数据集的改进后的网络；将改进后的网络迁移到所述训练数据集上进行迁移训练，得到迁移训练后的网络；将迁移训练后的网络微调到所述训练数据集，进行微调训练，得到微调训练后的网络；将所述测试数据集加入微调训练后的网络中进行训练，对花卉图像进行分类。2.根据权利要求1所述的方法，其特征在于，所述将花卉图像进行超像素分割，得到多个超像素块包括：将花卉图像的像素点均匀分配成多个超像素块，并确定每个超像素块的初始聚类中心；将每个初始聚类中心调整到该聚类中心周围的预设区域内梯度最小的位置处；在调整后的每个聚类中心周围的预设领域内为每个像素点分配类标签，并将每个聚类中心的位置调整为所属超像素的重心，不断迭代该过程，直到每个聚类中心不再发生变化；将图像内不连续的超像素块和尺寸小于预设值的超像素块重新合并给最近的超像素块。3.根据权利要求1所述的方法，其特征在于，所述分别根据位于图像四个边界的超像素块的显著性对其余超像素块的显著性进行查询，分别得到对应四个边界的显著图，并将得到的四个显著图进行合并，得到最终的显著图包括：基于流行排序算法确定表征图像边缘处的超像素块与其余超像素块之间的相关性的排序函数；基于确定的排序函数，确定其余超像素块与每个边界上的超像素块之间的显著值；将得到的显著值进行归一化处理，并用1作差，得到相应的显著图，并将得到的显著图进行...

【专利技术属性】
技术研发人员：刘秀磊，吴迪，刘旭红，尹静，崔展奇，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京,11