一种基于神经网络图像分类方法技术

本发明专利技术提供了一种基于神经网络图像分类方法，所述方法包括：建立训练集，基于训练集进行图像预处理操作，得到预处理后的训练集；建立神经网络模型，基于预处理后的训练集对神经网络模型进行训练，得到训练后的神经网络模型；基于训练后的神经网络模型提取样本图像的图像特征向量，将图像特征向量送入神经网络模型进行处理，根据处理结果完成对样本图像的分类，通过训练神经网络模型，加强其分类和处理能力，可以利用该方法学习图像多层高维特征，对图像进行高效快速地识别，提高了识别精度和泛化能力。

【技术实现步骤摘要】
一种基于神经网络图像分类方法
本专利涉及图像处理领域，特别涉及基于神经网络图像分类方法。
技术介绍
随着科学技术的发展,图像识别技术已经逐渐应用于越来越多的领域，与此同时，图像识别的准确性、可靠性和实时要求也越来越严格。神经网可以很好地用于处理图像处理和理解任务，但该模型中的BP神经网络过于简单，需要大量的训练进行多次迭代。且BP采用下行梯度训练法，使模型收敛缓慢，容易达到局部优化，影响最终识别精度。Fu.M.Y等提出了利用Hu不变矩进行特征值提取和交通标志检测的交通标志检测方法,该方法快速可靠识别率高。但它提取的表示是低维特征和无层次信息,仅限于简单的检测和识别工作，不需要更多的图像信息。ShenX等人采用灰度共生(GLCM)来提取图像的纹理信息，并使用已学习的表示来进行识别，该方法只能将低维特征手工提取为Hu不变矩，结合其他方法进行改进。牛晓晓等提出了svm模型来识别手写数字，该方法使用SVM来提高分类的准确性，但它只在简单的手写数字上进行实验。现有的图像识别方案，还存在以下缺点1.BP神经网络采用下行梯度训练法，使模型收敛本文档来自技高网...

【技术保护点】
1.一种基于神经网络图像分类方法，其特征在于，包括：/n建立训练集，基于训练集进行图像预处理操作，得到预处理后的训练集；/n建立神经网络模型，基于预处理后的训练集对神经网络模型进行训练，得到训练后的神经网络模型；/n基于训练后的神经网络模型提取样本图像的图像特征向量，将图像特征向量送入神经网络模型进行处理，根据处理结果完成对样本图像的分类。/n

【技术特征摘要】
1.一种基于神经网络图像分类方法，其特征在于，包括：
建立训练集，基于训练集进行图像预处理操作，得到预处理后的训练集；
建立神经网络模型，基于预处理后的训练集对神经网络模型进行训练，得到训练后的神经网络模型；
基于训练后的神经网络模型提取样本图像的图像特征向量，将图像特征向量送入神经网络模型进行处理，根据处理结果完成对样本图像的分类。


2.根据权利要求1所述的基于神经网络图像分类的方法，其特征在于，所述训练集包括不同类别的图像以及不同类别图像的真实标签值。


3.根据权利要求1所述的基于神经网络图像分类的方法，其特征在于，所述预处理包括数字化、图像去噪、灰度化或归一化。


4.根据权利要求3所述的基于神经网络图像分类的方法，其特征在于，所述基于训练集进行预处理包含如下步骤：
步骤A1，根据以下公式构建训练集图像的像素值数据：



其中，X1代表第一张训练集图像的像素值，Xn代表第n张训练集图像的像素值，a11代表横纵坐标为1的点的像素值，m,i代表不同相机拍出的像素值大小，图片尺寸是不同的；
步骤A2，根据以下公式对其训练集图像进行归一化处理操作：



其中，X代表训练集图像的总像素值数据，Xmin代表训练集图像的最小像素值数据，Xmax代表训练集图像的最大像素值数据，X'代表归一化处理后的训练集图像的总像素值数据；
步骤A3，根据以下公式对其归一化处理后的训练集图像的总像素值数据进行去除训练集图像中的离群值较大的像素值：



其中代表取均值后的离群值，AVG代表取均值，ax,y代表元素训练集图像中的每个坐标的像素值，将训练集图像的像素值数据进行归一化处理后，对其每个图像中的离群的像素值进行去邻近值的均值处理，最终得到预处理后的训练集。

【专利技术属性】
技术研发人员：王静，
申请(专利权)人：广州鹄志信息咨询有限公司，
类型：发明
国别省市：广东;44