一种图像分类方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术公开了一种图像分类方法，该方法在计算众多图像的特征权重矩阵时，仅关注不同图像之间的距离，而不关注图像的类别，因此当众多图像中包括多类别的图像时，该方法仍然适用；并且该方法处理的图像集合中包括有标签图像和无标签图像，因此能够很好地处理有标签图像和无标签图像。所以本发明专利技术打破了现有的图像分类方法的局限，提高了图像分类方法的通用性。相应地，本发明专利技术公开的一种图像分类装置、设备及可读存储介质，也同样具有上述技术效果。

An Image Classification Method, Device, Equipment and Readable Storage Media

The invention discloses an image classification method, which only pays attention to the distance between different images while calculating the feature weight matrix of many images, but does not pay attention to the category of images, so the method is still applicable when many images include multi-category images, and the image set processed by the method includes labeled and unlabeled images, so it can be very good. Processing labeled and unlabeled images. Therefore, the invention breaks the limitation of the existing image classification method and improves the generality of the image classification method. Accordingly, the image classification device, device and readable storage medium disclosed by the present invention also have the same technical effect.

【技术实现步骤摘要】
一种图像分类方法、装置、设备及可读存储介质
本专利技术涉及图像处理
，更具体地说，涉及一种图像分类方法、装置、设备及可读存储介质。
技术介绍
图像分类技术在社会生产生活中应用广泛。例如：在人们广泛使用的手机和平板中，图像分类技术用于将用户下载和拍摄得到的图像分为风景图像、人物图像或其他，以便于用户查看。为了净化网络空间，网络安全工作人员需要记录并删除网络中传播的影响社会安定的图像；但由于网络中流传的图像多而复杂，就需要图像分类技术将这些复杂而繁多的图像进行分类，筛选出影响社会安定的图像，使我们的网络传播更多正能量信息。在现有技术中，图像分类技术涉及的算法分为：全监督、无监督和半监督。全监督的算法包括：RELIEF算法和LogisticI-Relief(LIR)算法等，其能够很好地处理有标签图像，但无法很好地处理无标签图像。无监督的算法包括：LaplacianScore等，其能够很好地处理无标签图像，但无法很好地处理有标签图像。半监督的算法能够很好地处理无标签图像和有标签图像，但其仅适用于与二分类问题，无法处理多分类问题，即无法将批量图像分为多个类别。因此现有的图像分类方法具有很大的局限性，通用性较差。其中，有标签图像即为携带有表示图像特征的图像，无标签图像即为未携带有表示图像特征的图像。因此，如何提高图像分类方法的通用性，是本领域技术人员需要解决的问题。
技术实现思路
本专利技术的目的在于提供一种图像分类方法、装置、设备及可读存储介质，以提高图像分类方法的通用性。为实现上述目的，本专利技术实施例提供了如下技术方案：一种图像分类方法，包括：获取待分类的图像集合，并计算图像集合包含的各个特征对应的权重向量；图像集合中包括有标签图像和无标签图像；判断每个特征的当前计算得到的权重向量与前次权重向量的差异是否小于预设的阈值；若是，则根据计算得到的每个特征的权重向量的大小生成特征序列，并通过KNN算法对特征序列进行分类，获得图像集合的分类结果；若否，则迭代执行计算图像集合包含的各个特征对应的权重向量；判断每个特征的当前计算得到的权重向量与前次权重向量的差异是否小于预设的阈值的步骤；其中，计算图像集合包含的各个特征对应的权重向量，包括：根据有标签图像的各个特征的初始化权重向量计算有标签图像在特征权重空间的间隔，并根据图像集合中的不同图像之间的距离计算图像集合的特征权重矩阵；根据有标签图像在特征权重空间的间隔和特征权重矩阵计算图像集合包含的各个特征对应的权重向量。其中，根据有标签图像的各个特征的初始化权重向量计算有标签图像在特征权重空间的间隔，包括：按照间隔计算公式计算有标签图像在特征权重空间的间隔，间隔计算公式为：其中，表示图像与图像在特征权重空间的间隔，间隔为图像与图像的距离与图像与图像为近邻关系的概率的乘积；Mi包括所有与具有不同标签的图像；Hi包括与具体相同标签的图像；W表示特征权重向量，t表示迭代次数；表示图像是图像异类近邻的概率，表示图像是图像同类近邻的概率，其中：其中，表示核函数，并使用f(d)＝exp(-dTd/σ2)计算条件概率。其中，根据图像集合中的不同图像之间的距离计算图像集合的特征权重矩阵，包括：按照特征权重矩阵计算公式计算图像集合的特征权重矩阵，特征权重矩阵计算公式为：其中，K表示近邻的个数，KNN(xj)表示图像xj的K个近邻集合。其中，根据有标签图像在特征权重空间的间隔和特征权重矩阵计算图像集合包含的各个特征对应的权重向量，包括：按照目标公式计算图像集合包含的各个特征对应的权重向量，目标公式为：其中，w(t)表示当前特征的第t次迭代计算获得的特征权重向量，L＝D-Sij，L表示拉普拉斯矩阵，D表示对角矩阵。其中，通过KNN算法对特征序列进行分类，获得图像集合的分类结果，包括：将特征序列中权重向量低于预设的权重阈值的特征删除，得到目标特征序列；通过KNN算法对目标特征序列进行分类，获得图像集合的分类结果。其中，通过KNN算法对特征序列进行分类，获得图像集合的分类结果，包括：根据特征序列生成多个特征子序列，每个特征子序列中的特征按照权重向量的大小降序排序，且每个特征子序列中的特征数量不同；将每个特征子序列作为图像集合的特征序列，并分别通过KNN算法对每个特征序列进行分类，获得图像集合的多个分类结果；计算每个分类的精度，并将精度最高的分类结果确定为图像集合的最终分类结果；将最终分类结果和最终分类结果对应的特征序列进行可视化展示。一种图像分类方法，包括：爬取网络中的被浏览图像，得到图像集合，并计算图像集合包含的各个特征对应的权重向量；图像集合中包括有标签图像和无标签图像；判断每个特征的当前计算得到的权重向量与前次权重向量的差异是否小于预设的阈值；若是，则根据计算得到的每个特征的权重向量的大小生成特征序列，并通过KNN算法对特征序列进行分类，获得被浏览图像的分类结果，通过分类结果确定影响社会安定的图像子集，并记录图像子集中的每个图像的来源，生成网络净化报告；若否，则迭代执行计算图像集合包含的各个特征对应的权重向量；判断每个特征的当前计算得到的权重向量与前次权重向量的差异是否小于预设的阈值的步骤；其中，计算图像集合包含的各个特征对应的权重向量，包括：根据有标签图像的各个特征的初始化权重向量计算有标签图像在特征权重空间的间隔，并根据图像集合中的不同图像之间的距离计算图像集合的特征权重矩阵；根据有标签图像在特征权重空间的间隔和特征权重矩阵计算图像集合包含的各个特征对应的权重向量。一种图像分类装置，包括：获取模块，用于获取待分类的图像集合，并计算图像集合包含的各个特征对应的权重向量；图像集合中包括有标签图像和无标签图像；其中，计算图像集合包含的各个特征对应的权重向量，包括：根据有标签图像的各个特征的初始化权重向量计算有标签图像在特征权重空间的间隔，并根据图像集合中的不同图像之间的距离计算图像集合的特征权重矩阵；根据有标签图像在特征权重空间的间隔和特征权重矩阵计算图像集合包含的各个特征对应的权重向量；判断模块，用于判断每个特征的当前计算得到的权重向量与前次权重向量的差异是否小于预设的阈值；分类模块，用于当每个特征的当前计算得到的权重向量与前次权重向量的差异小于预设的阈值时，根据计算得到的每个特征的权重向量的大小生成特征序列，并通过KNN算法对特征序列进行分类，获得图像集合的分类结果；执行模块，用于当存在当前计算得到的权重向量与前次权重向量的差异不小于预设的阈值的特征时，迭代执行计算图像集合包含的各个特征对应的权重向量；判断每个特征的当前计算得到的权重向量与前次权重向量的差异是否小于预设的阈值的步骤。一种图像分类设备，包括：存储器，用于存储计算机程序；处理器，用于执行计算机程序时实现上述任意一项的图像分类方法的步骤。一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述任意一项的图像分类方法的步骤。通过以上方案可知，本专利技术实施例提供的一种图像分类方法，包括：获取待分类的图像集合，并计算图像集合包含的各个特征对应的权重向量；图像集合中包括有标签图像和无标签图像；判断每个特征的当前计算得到的权重向量与前次权重向量的差异是否小于预设的阈值；若是，则根据计算得到的每个特征的权重向量的大本文档来自技高网...

【技术保护点】
1.一种图像分类方法，其特征在于，包括：获取待分类的图像集合，并计算所述图像集合包含的各个特征对应的权重向量；所述图像集合中包括有标签图像和无标签图像；判断每个特征的当前计算得到的权重向量与前次权重向量的差异是否小于预设的阈值；若是，则根据所述计算得到的每个特征的权重向量的大小生成特征序列，并通过KNN算法对所述特征序列进行分类，获得所述图像集合的分类结果；若否，则迭代执行所述计算所述图像集合包含的各个特征对应的权重向量；判断每个特征的当前计算得到的权重向量与前次权重向量的差异是否小于预设的阈值的步骤；其中，所述计算所述图像集合包含的各个特征对应的权重向量，包括：根据所述有标签图像的各个特征的初始化权重向量计算所述有标签图像在特征权重空间的间隔，并根据所述图像集合中的不同图像之间的距离计算所述图像集合的特征权重矩阵；根据所述有标签图像在特征权重空间的间隔和所述特征权重矩阵计算所述图像集合包含的各个特征对应的权重向量。

【技术特征摘要】
1.一种图像分类方法，其特征在于，包括：获取待分类的图像集合，并计算所述图像集合包含的各个特征对应的权重向量；所述图像集合中包括有标签图像和无标签图像；判断每个特征的当前计算得到的权重向量与前次权重向量的差异是否小于预设的阈值；若是，则根据所述计算得到的每个特征的权重向量的大小生成特征序列，并通过KNN算法对所述特征序列进行分类，获得所述图像集合的分类结果；若否，则迭代执行所述计算所述图像集合包含的各个特征对应的权重向量；判断每个特征的当前计算得到的权重向量与前次权重向量的差异是否小于预设的阈值的步骤；其中，所述计算所述图像集合包含的各个特征对应的权重向量，包括：根据所述有标签图像的各个特征的初始化权重向量计算所述有标签图像在特征权重空间的间隔，并根据所述图像集合中的不同图像之间的距离计算所述图像集合的特征权重矩阵；根据所述有标签图像在特征权重空间的间隔和所述特征权重矩阵计算所述图像集合包含的各个特征对应的权重向量。2.根据权利要求1所述的图像分类方法，其特征在于，所述根据所述有标签图像的各个特征的初始化权重向量计算所述有标签图像在特征权重空间的间隔，包括：按照间隔计算公式计算所述有标签图像在特征权重空间的间隔，所述间隔计算公式为：其中，表示图像与图像在特征权重空间的间隔，所述间隔为图像与图像的距离与图像与图像为近邻关系的概率的乘积；Mi包括所有与具有不同标签的图像；Hi包括与具体相同标签的图像；W表示特征权重向量，t表示迭代次数；表示所述图像是所述图像异类近邻的概率，表示所述图像是所述图像同类近邻的概率，其中：其中，表示核函数，并使用f(d)＝exp(-dTd/σ2)计算条件概率。3.根据权利要求2所述的图像分类方法，其特征在于，所述根据所述图像集合中的不同图像之间的距离计算所述图像集合的特征权重矩阵，包括：按照特征权重矩阵计算公式计算所述图像集合的特征权重矩阵，所述特征权重矩阵计算公式为：其中，K表示近邻的个数，KNN(xj)表示图像xj的K个近邻集合。4.根据权利要求3所述的图像分类方法，其特征在于，所述根据所述有标签图像在特征权重空间的间隔和所述特征权重矩阵计算所述图像集合包含的各个特征对应的权重向量，包括：按照目标公式计算所述图像集合包含的各个特征对应的权重向量，所述目标公式为：其中，w(t)表示当前特征的第t次迭代计算获得的特征权重向量，L＝D-Sij，L表示拉普拉斯矩阵，D表示对角矩阵。5.根据权利要求1-4任意一项所述的图像分类方法，其特征在于，所述通过KNN算法对所述特征序列进行分类，获得所述图像集合的分类结果，包括：将所述特征序列中权重向量低于预设的权重阈值的特征删除，得到目标特征序列；通过所述KNN算法对所述目标特征序列进行分类，获得所述图像集合的分类结果。6.根据权利要求1-4任意一项所述的图像分类方法，其特征在于，所述通过KNN算法对所述特征序列进行分类，获得所述图像集合的分类结果，包括：根据所述特征序列生成多个特征子序列，每个特征子序列中的特征按照权重向量的大小降序排序，且每个特征子...

【专利技术属性】
技术研发人员：张莉，唐白鸽，王邦军，周伟达，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32