图像分类方法及装置制造方法及图纸

本申请实施例公开了一种图像分类方法及装置，应用于终端设备，该方法包括：获取待分类图像，将所述待分类图像进行划分，得到M个局部图像块，将所述M个局部图像块进行聚类，得到N个聚类结果，根据所述M个局部图像块与所述N个聚类结果，确定所述待分类图像的全局特征，根据所述全局特征确定所述待分类图像的分类结果，可以减少图像分类的冗余计算量，实现算法的精简和加速，为计算量大的图像在终端硬件上运行提供了一种可能途径。

Image classification method and device

【技术实现步骤摘要】
图像分类方法及装置
本申请涉及图像处理
，尤其涉及一种图像分类方法及装置。
技术介绍
近年来图像分类引起了人们极大的研究兴趣，并同时在许多应用产品中成功部署，例如手机、个人计算机等终端设备，智能化地解决了许多实际图像处理问题。随着深度学习技术的快速发展，深度学习已成为图像分类中的先进技术。然而，现有的深度学习模型，通常采用端到端的计算方式得到结果，对于计算量小的图像或者输入为小分辨率的图像，现有的终端硬件可以达到性能要求，但对于计算量大的图像或者高分辨率的图像，可能无法在终端硬件上运行。申请内容本申请实施例提供了一种图像分类方法及装置，能够减少图像分类的计算量，为计算量大的图像在终端硬件上运行提供了一种可能途径。第一方面，本申请实施例提供一种图像分类方法，所述方法包括：获取待分类图像；将所述待分类图像进行划分，得到M个局部图像块，所述M为大于1的正整数；将所述M个局部图像块进行聚类，得到N个聚类结果，所述N为大于1的正整数；根据所述M个局部图像块与所述N个聚类结果，确定所述待分类图像的全局特征，所述全局特征为所述待分类图像的特征向量；根据所述全局特征确定所述待分类图像的分类结果。第二方面，本申请实施例提供一种图像分类装置，所述装置包括：获取单元，用于获取待分类图像；划分单元，用于将所述待分类图像进行划分，得到M个局部图像块，所述M为大于1的正整数；聚类单元，用于将所述M个局部图像块进行聚类，得到N个聚类结果，所述N为大于1的正整数；第一确定单元，用于根据所述M个局部图像块与所述N个聚类结果，确定所述待分类图像的全局特征，所述全局特征为所述待分类图像的特征向量；第二确定单元，用于根据所述全局特征确定所述待分类图像的分类结果。第三方面，本申请实施例提供一种电子装置，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行本申请实施例第一方面所述的方法中的步骤的指令。第四方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。实施本申请实施例，具备如下有益效果：可以看出，本申请可以通过获取待分类图像，将所述待分类图像进行划分，得到M个局部图像块，将所述M个局部图像块进行聚类，得到N个聚类结果，根据所述M个局部图像块与所述N个聚类结果，确定所述待分类图像的全局特征，根据所述全局特征确定所述待分类图像的分类结果。通过采用传统算法与深度学习算法相结合的方法来优化端到端深度学习模型算法中，减少了图像分类的冗余计算量，实现了算法的精简和加速，为计算量大的图像在终端硬件上运行提供了一种可能途径。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本申请实施例提供一种图像分类方法的流程示意图；图2是本申请实施例提供的一种图像划分的流程示意图；图3是本申请实施例提供的一种图像聚类的流程示意图；图4本申请实施例提供的一种获取图像特征向量的流程示意图；图5本申请实施例提供的另一种图像分类装置的功能单元组成图；图6是本申请实施例提供的一种终端设备的结构示意图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、产品或设备固有的其他步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。具体实现中，本申请实施例中描述的终端设备包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，所述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。在本申请实施例中，描述了包括显示器和触摸敏感表面的终端设备。然而，应当理解的是，终端设备可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。终端设备支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。可以在终端设备上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。目前，深度学习模型大多采用端到端的计算方式来得到结果，当使用深度学习模型来进行图像分类时，简单的任务在一般的终端设备硬件上可以达到性能要求的，但当处理原始分辨率的图像时，比如在图像增强领域，用户对图像的细节比较关注，此时不能对输入图像进行缩放，因此计算量非常大，常常导致算法在终端设备上的无法运行。因此，现有的图像分类算法在简单的任务或者输入为小分辨率的图像时可以满足要求，但当处理计算量大或者输入为原始图像是，在手机等终端设本文档来自技高网...

【技术保护点】
1.一种图像分类方法，其特征在于，所述方法包括：/n获取待分类图像；/n将所述待分类图像进行划分，得到M个局部图像块，所述M为大于1的正整数；/n将所述M个局部图像块进行聚类，得到N个聚类结果，所述N为大于1的正整数；/n根据所述M个局部图像块与所述N个聚类结果，确定所述待分类图像的全局特征，所述全局特征为所述待分类图像的特征向量；/n根据所述全局特征确定所述待分类图像的分类结果。/n

【技术特征摘要】
1.一种图像分类方法，其特征在于，所述方法包括：
获取待分类图像；
将所述待分类图像进行划分，得到M个局部图像块，所述M为大于1的正整数；
将所述M个局部图像块进行聚类，得到N个聚类结果，所述N为大于1的正整数；
根据所述M个局部图像块与所述N个聚类结果，确定所述待分类图像的全局特征，所述全局特征为所述待分类图像的特征向量；
根据所述全局特征确定所述待分类图像的分类结果。


2.根据权利要求1所述方法，其特征在于，所述根据所述M个局部图像块与所述N个聚类结果，确定所述待分类图像的全局特征包括：
将所述M个局部图像块分别与所述N个聚类结果中的每个聚类结果进行卷积操作，得到第一特征向量；
对所述第一特征向量进行二值图像编码，得到所述全局特征。


3.根据权利要求2所述方法，其特征在于，所述对所述第一特征向量进行二值图像编码，得到所述全局特征包括：
根据二值图像编码规则，将所述第一特征向量中大于第一值的值置为第二值，以及将所述第一特征向量中小于或等于所述第一值的值置为所述第一值，得到所述全局特征。


4.根据权利要求1-3任一项所述方法，其特征在于，所述根据所述全局特征确定所述待分类图像的分类结果包括：
将所述全局特征与卷积向量进行卷积操作，得到所述全局特征的概率向量，所述卷积向量是训练标注类别的图像样本得到的；
将所述概率向量中的最大值对应的类别作为所述待分类图像的分类结果。


5.根据权利要求4所述方法，其特征在于，所述卷积操作的大小为1x1。


6.根据权利要求1-3任一...

【专利技术属性】
技术研发人员：孙哲，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：广东;44