The invention discloses an image classification method based on the dimension of observation matrix transformation, which includes: sparse encoding of the image using perceptual compression to obtain a data set composed of low-dimensional images, dividing the data set containing label labeling into training set and test set, constructing an image classification network including input layer, hidden layer and output layer, and the hidden layer being a perceptron unit; The proposed image classification network consists of at least two perceptron units with different number of nodes; the training set is used as input and trained under the supervision of labels to obtain the corresponding neural network image classification model after training; the test set is used to verify the accuracy of the neural network image classification model for image classification, and the highest accuracy is selected as the final neural network graph. Image classification model; input the image to be measured and output the predictive probability of image classification results. The image classification method provided by the invention can greatly improve the efficiency of the model without reducing the accuracy of image classification.
【技术实现步骤摘要】
一种基于观测矩阵变换维度的图像分类方法
本专利技术属于图像分类的
,特别涉及一种基于观测矩阵变换维度的图像分类方法。
技术介绍
图像分类,根据各自在图像信息中所反映的不同特征,把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析,把图像或图像中的每个像元或区域划归为若干个类别中的某一种,以代替人的视觉判读。图像空间的分类方法—利用图像的灰度,颜色,纹理,形状,位置等底层特征对图像进行分类;例如:[1]利用灰度直方图特征对图像进行分类;[2]利用纹理特征对图像进行分类;[3]采用纹理,边缘和颜色直方图混合特征对图像进行分类;[1],[2],[3]均采用SVM作为分类器。[4]用矩阵表示图像,矩阵元素是相应象素的灰度值,然后用SVD和PCA方法抽取图像特征,BP网络作为分类器。图像空间的分类方法的共同缺点是数据量大,计算复杂性高,但分类精度一般比较理想。特征空间的分类方法—首先将原图像经过某种变换如K-L变换,小波变换等变换到特征空间,然后在特征空间提取图像的高层特征以实现图像的分类。这类分类方法尤以纹理图像分类和遥感图像分类最多。特征空间的分类方法可降低数据维数,降低计算复杂性,但问题相关性较强,与特征提取的方法和效果有很大关系。传统的数字信号采样严格依照那奎斯特采样定律,即:为了不失真地恢复模拟信号,采样频率应该不小于模拟信号频谱中最高频率的2倍。普通的信号压缩首先对信号进行离散余弦变换或小波变换等处理,然后舍弃大量接近于0的系数,对少数绝对值较大的系数进行压缩编码。本质上来讲,采样和压缩对应数据的全部采集和部分丢弃。通过全采样后, ...
【技术保护点】
1.一种基于观测矩阵变换维度的图像分类方法,包括以下步骤:(1)使用感知压缩对图像进行稀疏编码,感知压缩后的图像组成数据集,将包含标签标注的数据集划分为训练集和测试集;(2)构建包括输入层、隐含层与输出层的图像分类网络,所述隐含层为感知机单元;所述图像分类网络至少为两个,分别包含不同节点数感知机单元;(3)将步骤(1)中的训练集作为输入,在标签的监督下,对步骤(2)构建的图像分类网络进行训练,得到训练完成后对应的神经网络图像分类模型;(4)使用测试集验证神经网络图像分类模型对图像分类的准确率,选择准确率最高的神经网络图像分类模型作为最终的神经网络图像分类模型;(5)将待测图像输入步骤(4)得到的最终的神经网络图像分类模型,输出图像分类结果的预测概率。
【技术特征摘要】
1.一种基于观测矩阵变换维度的图像分类方法,包括以下步骤:(1)使用感知压缩对图像进行稀疏编码,感知压缩后的图像组成数据集,将包含标签标注的数据集划分为训练集和测试集;(2)构建包括输入层、隐含层与输出层的图像分类网络,所述隐含层为感知机单元;所述图像分类网络至少为两个,分别包含不同节点数感知机单元;(3)将步骤(1)中的训练集作为输入,在标签的监督下,对步骤(2)构建的图像分类网络进行训练,得到训练完成后对应的神经网络图像分类模型;(4)使用测试集验证神经网络图像分类模型对图像分类的准确率,选择准确率最高的神经网络图像分类模型作为最终的神经网络图像分类模型;(5)将待测图像输入步骤(4)得到的最终的神经网络图像分类模型,输出图像分类结果的预测概率。2.根据权利要求1所述的基于观测矩阵变换维度的图像分类方法,其特征在于,在步骤(1)中,所述使用感知压缩对图像进行稀疏编码的方法包括图像的稀疏表示、图像压缩采样和图像重构,所述的图像稀疏表示为:将原信号x在一组稀疏基Ψ上进行表示:x=Ψs其中,x为原信号,其大小为N×1,Ψ为一组稀疏基,s为稀疏系数。3.根据权利要求2所述的基于观测矩阵变换维度的图像分类方法,其特征在于,所述图像压缩采样的过程为设定或选取一个观测矩阵,对图像进行感知测量,所述观测矩阵选自高斯分布的随机观测矩阵,图像压缩采样后的信号表示为:y=Θs其中Θ=ΦΨ,Φ为观测矩阵或称测量基,大小为M×N...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。