一种基于改进PCA的深度网络图像分类方法技术

本发明专利技术公开了一种基于改进PCA的深度网络图像分类方法，首先使用深度卷积神经网络提取输入图像的特征，然后通过计算图像信息熵并设定图像信息熵阈值以筛选特征，筛选后的特征再经过PCA降维，进一步精简图像特征、提高特征质量，有效解决了大数据图像集分类过程中数据维度过高引起的识别速度过慢的问题，同时通过图像信息熵筛选特征，有效减少了PCA在对特征降维的过程中计算协方差矩阵巨大的计算量，提高了图像分类的实时性。

A depth network image classification method based on Improved PCA

【技术实现步骤摘要】
一种基于改进PCA的深度网络图像分类方法
本专利技术属于图像处理与模式识别
，具体涉及一种基于改进PCA的深度网络图像分类方法。
技术介绍
当今社会，随着云时代的来临，大数据已吸引了越来越多的关注，图像作为数据信息的主要表现形式，因其内容丰富、反映直观等特点，已经成为人们获取信息的重要手段，其数量正以惊人的速度快速增长。然而，图像信息无序化问题却随着图像数据的增长变得日益突出。如何利用人工智能技术自动对海量的图像数据进行识别、检索和分类已成为当前计算机视觉识别领域的研究重点。传统的的图像分类方法如尺度不变特征变换(ScaleInvariantFeatureTransformation，SIFT)、方向梯度直方图(HistogramofOrientedGridients，HOG)等结构层次较浅，计算量较小，不需要以大量图像为基础，即可完成模型训练与分析。但是传统模型无法从原图像中获取更高层次的语义特征和深度特征，面对大数据的情况下，不易提取图像特征。随着深度网络的兴起，涌现出许多优秀的基于深度学习的图像分类方法，例如：AlexNet本文档来自技高网...

【技术保护点】
1.一种基于改进PCA的深度网络图像分类方法，其特征在于，包括以下步骤：/n步骤1：将CIFAR-100图像数据集中的m张图像输入到深度卷积神经网络模型中，进行灰度、滤波预处理，消除噪声干扰，得到每张图像的原始特征；/n步骤2：搭建深度卷积神经网络模型中的特征提取模块，利用搭建好的特征提取模块提取每张图像的图像特征；/n步骤3：对每张图像的图像特征进行改进PCA降维处理，所述改进PCA降维处理是指首先将每张图像的图像特征通过图像信息熵进行初步筛选，然后对初步筛选后的图像特征进行PCA降维处理，具体表述为：/n步骤3.1：利用公式(1)计算已提取的图像特征的图像信息熵H，并根据信息熵阈值初步筛选...

【技术特征摘要】
1.一种基于改进PCA的深度网络图像分类方法，其特征在于，包括以下步骤：
步骤1：将CIFAR-100图像数据集中的m张图像输入到深度卷积神经网络模型中，进行灰度、滤波预处理，消除噪声干扰，得到每张图像的原始特征；
步骤2：搭建深度卷积神经网络模型中的特征提取模块，利用搭建好的特征提取模块提取每张图像的图像特征；
步骤3：对每张图像的图像特征进行改进PCA降维处理，所述改进PCA降维处理是指首先将每张图像的图像特征通过图像信息熵进行初步筛选，然后对初步筛选后的图像特征进行PCA降维处理，具体表述为：
步骤3.1：利用公式(1)计算已提取的图像特征的图像信息熵H，并根据信息熵阈值初步筛选图像特征；



式中，H表示图像特征的图像信息熵，ps表示每张图像中第s个灰度值对应的概率值，n表示输入的每张图像的灰度值总个数；
步骤3.2：对初步筛选得到的每张图像的图像特征进行PCA降维处理；
步骤4：将降维处理后的图像特征Y输入Softmax分类器完成分类处理，输出图像类别的结果作为真实分类结果；
步骤5：训练时的深度卷积神经网络模型的损失函数选择为交叉熵损失函数，根据交叉熵损失函数计算预测分类结果和真实结果之间的差值H(p,q)，所述交叉熵损失函数表示为：



式中，p(m)表示预测分类结果，q(m)表示真实分类结果；
步骤6：如果预测分类结果跟真实结果之间的差值H(p,q)大于期望的差值H'(p,q)，则通过深度卷积网络反向传播算法将交叉熵损失函数反向传播，不断调整网络权值wuv，直到计算的预测分类结果跟真实结果之间的差值H(p,q)小于等于期望的差值H'(p,q)，或者是达...

【专利技术属性】
技术研发人员：蒋强，陈凯，冯永新，隋涛，
申请(专利权)人：沈阳理工大学，
类型：发明
国别省市：辽宁;21