【技术实现步骤摘要】
一种图像分类方法及装置
本申请涉及大数据
,具体而言,涉及一种图像分类方法及装置。
技术介绍
图像在现代生活中随处可见,图像承载的信息越来越多,图像处理和识别技术也越来越重要。目前在很多应用场景下都会涉及到图像分类问题,例如,对物体进行检测分割、车牌识别、工件分类等。对于图像分类问题,通常是采用一些深度学习模型来提取图像特征并进行分类,例如卷积神经网络模型等,但这类深度学习模型由于网络结构较为复杂,可能存在如下局限:一方面,应用过程中运算量较大,消耗较多的硬件处理资源且图像处理效率较低,另一方面,需要利用庞大的训练样本集对模型进行训练,才能保证模型预测具备一定的准确度。
技术实现思路
有鉴于此,本申请提供一种图像分类方法及装置,能够在保证准确率较高的情况下,节省硬件处理资源,提升图像处理效率。第一方面,本申请提供了一种图像分类方法,包括:获取待分类的目标图像;将所述目标图像输入至预先训练好的分类模型中,输出所述目标图像的类别;其中,所述目标图像在所述分类模型中的处理过程包括:提取所述目标图像的目标方向梯度直方图HOG特征矩阵;分别计算所述目标HOG特征矩阵和每个类别对应的参考HOG特征矩阵之间的互信息值;基于计算出的互信息值,确定与所述目标HOG特征矩阵之间的互信息值由大到小排列在前K位的参考HOG特征矩阵;K为正整数;根据所述排列在前K位的参考HOG特征矩阵分别对应的类别,将出现次数最多的类别作为所述目标图像的类别。第二方面,本申请提供一种图像分类装置,包括:获取模块,用于获取待分类的目标图像;处理模块,用于将所述目标图像输入至预先训练好的分类模型中, ...
【技术保护点】
1.一种图像分类方法,其特征在于,包括:获取待分类的目标图像;将所述目标图像输入至预先训练好的分类模型中,输出所述目标图像的类别;其中,所述目标图像在所述分类模型中的处理过程包括:提取所述目标图像的目标方向梯度直方图HOG特征矩阵;分别计算所述目标HOG特征矩阵和每个类别对应的参考HOG特征矩阵之间的互信息值;基于计算出的互信息值,确定与所述目标HOG特征矩阵之间的互信息值由大到小排列在前K位的参考HOG特征矩阵;K为正整数;根据所述排列在前K位的参考HOG特征矩阵分别对应的类别,将出现次数最多的类别作为所述目标图像的类别。
【技术特征摘要】
1.一种图像分类方法,其特征在于,包括:获取待分类的目标图像;将所述目标图像输入至预先训练好的分类模型中,输出所述目标图像的类别;其中,所述目标图像在所述分类模型中的处理过程包括:提取所述目标图像的目标方向梯度直方图HOG特征矩阵;分别计算所述目标HOG特征矩阵和每个类别对应的参考HOG特征矩阵之间的互信息值;基于计算出的互信息值,确定与所述目标HOG特征矩阵之间的互信息值由大到小排列在前K位的参考HOG特征矩阵;K为正整数;根据所述排列在前K位的参考HOG特征矩阵分别对应的类别,将出现次数最多的类别作为所述目标图像的类别。2.如权利要求1所述的图像分类方法,其特征在于,所述分别计算所述目标HOG特征矩阵和每个类别对应的参考HOG特征矩阵之间的互信息值,包括:根据所述目标HOG特征矩阵中各个特征参数,计算每种特征参数出现在所述目标HOG特征矩阵中的第一概率,并基于计算出的第一概率,确定所述目标HOG特征矩阵的第一信息熵;其中,每个特征参数用于表征所述目标图像中对应的图像区域的图像特征,取值相同的特征参数为同一种特征参数,所述图像区域包括至少一个像素点;以及,根据每个所述参考HOG特征矩阵的各个特征参数,计算每种特征参数出现在每个所述参考HOG特征矩阵中的第二概率,并基于计算出的第二概率,确定每个所述参考HOG特征矩阵的第二信息熵;以及,计算所述目标HOG特征矩阵和每个所述参考HOG特征矩阵中同一位置处出现同种特征参数的第三概率,并基于计算出的第三概率,确定所述目标HOG特征矩阵和每个所述参考HOG特征矩阵之间的第三信息熵;基于所述第一信息熵、每个所述参考HOG特征矩阵的第二信息熵、以及所述目标HOG特征矩阵和每个所述参考HOG特征矩阵之间的第三信息熵,计算所述目标HOG特征矩阵和每个所述参考HOG特征矩阵之间的互信息值。3.如权利要求1所述的图像分类方法,其特征在于,所述方法还包括:获取训练样本集和测试样本集,其中,所述训练样本集中包括不同类别的训练样本子集,每种类别的训练样本子集中包括归属于该类别的多个训练样本图像,所述测试样本集中包括多个测试样本图像,每个测试样本图像与预设类别标签相对应;基于所述不同类别的训练样本子集中的训练样本图像、以及所述测试样本集中的测试样本图像,对基础分类模型中的基础特征提取模块和基础类别预测模块分别进行训练,在确定训练完成后分别得到特征提取模块和类别预测模块;将训练完成后的特征提取模块和类别预测模块构成所述分类模型。4.如权利要求3所述的图像分类方法,其特征在于,根据以下方式训练所述基础特征提取模块:将每个测试样本图像和每个类别的训练样本子集中的训练样本图像输入至所述基础特征提取模块中,分别提取每个测试样本图像的第一HOG特征矩阵、以及每个类别的每个训练样本图像的第二HOG特征矩阵;将提取出的第一HOG特征矩阵和提取出的第二HOG特征矩阵输入至所述基础类别预测模块中,预测每个测试样本图像的类别;基于预测出的每个所述测试样本图像的类别和每个所述测试样本图像的预设类别标签,确定本轮训练过程的准确率;若所述准确率不满足第一预设条件,则调整所述基础特征提取模块的模型参数并重新执行训练过程,直至确定所述准确率满足所述第一预设条件;若所述准确率满足所述第一预设条件,则确定所述基础特征提取模块训练完成。5.如权利要求4所述的图像分类方法,其特征在于,根据以下方式训练所述基础类别预测模块:将每个测试样本图像和每个类别的训练样本子集中的训练样本图像输入至训练完成后的特征提取模块中,分别提取每个测试样本图像的第一HOG特征矩阵、以及每个类别的每个训练样本图像的第二HOG特征矩阵;将提取出的第一HOG特征矩阵和提取出的第二HOG特征矩阵输入至所述基础类别预测模块中,根据每个类别对应的每N个第二HOG特征矩阵,确定出每个类别对应的中心HOG特征矩阵;确定与每个第一HOG特征矩阵之间的互信息值由大到小排列在前K位的中心HOG特征矩阵;基于确定的排列在前K位的中心HOG特征矩阵分别对应的类别,预测每个所述测试样本图像的类别;K,N为正整数;基于预测出的每个所述测试样本图像的类别和每个所述测试样本图像的预设类别标签,确定本轮训练过程的准确率;若所述准确率不满足第二预设条件,则调整所述基础类别预测模块的模型参数K和N,并重新进行训练过程,直至确定所述准确率满足所述第二预设条件;若所述准确率满足所述第二预设条件,则确定所述基础类别预测模块训练完成。6.一种图像分类装置,其特征在于,包括:获取模块,用于获取待分类的目标...
【专利技术属性】
技术研发人员:徐启南,
申请(专利权)人:新华三大数据技术有限公司,
类型:发明
国别省市:河南,41
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。