一种基于特征融合的图像分类方法技术

本发明专利技术提供一种基于特征融合的图像分类方法，所述方法包括：获取包含图像和结构化数值特征的训练集；构建基于图像特征和结构化数值特征的特征融合图像分类模型；利用获取的训练集对构建的特征融合图像分类模型进行训练；其中，在训练过程中，通过图像处理提取图像的几何特征，同时通过卷积神经网络自动提取图像特征，将图像处理提取的几何特征、卷积神经网络自动提取的特征与训练集中的结构化数值特征进行融合，根据融合后的特征对图像的类型进行预测；获取待分类图像，将其输入到训练好的特征融合图像分类模型中，对待分类图像的类型进行预测。采用本发明专利技术，能够利用融合后的更加全面和更具代表性的特征对图像进行分类，提高图像的分类准确率。

【技术实现步骤摘要】
一种基于特征融合的图像分类方法
本专利技术涉及图像分类和人工智能领域，特别涉及是指一种基于特征融合的图像分类方法。
技术介绍
在图像获取的过程中，由于拍摄的距离、角度等问题。不同大小的目标，在图像上显示可能有相同的大小。目标距离镜头比较远的时候，拍出来的物体就显的小一些，不符合实际大小。如果两种目标的形状、颜色比较接近，并且由于拍摄距离问题，卷积神经网络（CNN）很容易将两种类别的目标分类错误。目标本身的结构化数值特征，可以直接描述目标大小、重量等特征信息。当两种类别物体的数值特征相接近但是颜色、形状却完全不相同时，仅用数值特征来对目标进行分类效果就不够好。目前，对于图像进行分类已经有大量的研究，包括传统的图像分类方法和基于CNN的图像分类方法（网络自动提取特征）。但是，它们都存在一些问题：传统的图像分类方法提取的特征都是由研究人员手工提取的。但是，有些专业图像特征的选择需要对专业知识有足够深入的了解，因此，研究人员的不完全考虑，可能会导致提取的特征不全面。基于CNN的图像分类方法虽然能够摆脱手工图像处理提取特征的弊端，但是当前CNN的可解释性仍在研究当中，因此CNN是怎么提取特征的、以及提取的特征是什么，都是不可解释的，导致图像的分类准确率低。
技术实现思路
本专利技术实施例提供了基于特征融合的图像分类方法，能够将通过图像处理提取的几何特征、卷积神经网络自动提取的特征和结构化数据的数值特征相融合，利用融合后的更加全面和更具代表性的特征对图像进行分类，以提高图像的分类准确率，从而有效解决当前图像分类方法使用的特征的不够全面和代表性不强，导致图像的分类准确率低的问题。本专利技术实施例提供了一种基于特征融合的图像分类方法，该方法包括：S101，获取包含图像和结构化数值特征的训练集；S102，构建基于图像特征和结构化数值特征的特征融合图像分类模型；S103，利用获取的训练集对构建的特征融合图像分类模型进行训练；其中，在训练过程中，通过图像处理提取训练集中图像的几何特征，同时通过卷积神经网络提取图像特征，将图像处理提取的几何特征、卷积神经网络提取的图像特征与训练集中的结构化数值特征进行融合，根据融合后的特征对图像的类型进行预测；S104，获取待分类图像，将其输入到训练好的特征融合图像分类模型中，对待分类图像的类型进行预测。进一步地，所述通过图像处理提取训练集中图像的几何特征包括：获取训练集中的图像，对获取的图像进行灰度化处理，将其转化为灰度图像；对灰度图像进行二值化处理，将灰度图像转化为二值图像；基于二值图像，提取出图像中物体的轮廓；基于提取出的轮廓，提取图像中物体的最小外接矩形；基于提取的图像中物体的轮廓和最小外接矩形，确定图像的几何特征。进一步地，所述图像的几何特征包括：面积、周长、体态比、矩形度、圆度和形状因子。进一步地，所述的卷积神经网络结构包括：卷积层、与卷积层相连的池化层和与池化层相连的全局平均池化层；其中，卷积层用于提取图像的特征；池化层用于降低卷积层提取的特征维度；全局平均池化用于将降维后的图像中所有像素的平均值作为特征值。进一步地，所述的结构化数值特征是图像中物体自身的属性特征。进一步地，所述将图像处理提取的几何特征、卷积神经网络提取的图像特征与训练集中的结构化数值特征进行融合包括：通过融合公式将图像处理提取的几何特征和卷积神经网络提取的图像特征相融合，其中，融合公式表示为：其中，表示融合后的特征；和分别表示图像处理提取的几何特征、卷积神经网络提取的图像特征和结构化数值特征；表示图像处理提取的几何特征的维数；表示卷积神经网络提取的图像特征的维数；表示结构化数值特征的维数；表示将和三种特征向量合并。进一步地，所述根据融合后的特征对图像的类型进行预测包括：根据融合后的特征，利用特征融合图像分类模型中的分类器对图像的类型进行预测，得到分类输出结果；其中，所述分类器包括：两个相连的全连接层；第一个全连接层的神经元个数为融合特征的维数，第二个全连接层神经元个数为预测的类别数；在训练特征融合图像分类模型时，根据第二全连接层的输出计算损失，损失函数表示为：其中，Loss表示损失值，N表示图像的总类型数，表示输入的图像属于第i类的预测得分，的取值为0或1，=1表示输入的图像属于第i类，=0表示输入的图像不属于第i类。进一步地，在获取待分类的图像，将其输入到训练好的特征融合图像分类模型中，对待分类图像的类型进行预测之前，所述方法还包括：获取图像测试集；将测试集中的图像输入到训练好的特征融合图像分类模型中，根据特征融合图像分类模型的分类输出结果得到输入的测试集中图像的类型。本专利技术实施例提供的技术方案带来的有益效果至少包括：本专利技术实施例中，获取包含图像和结构化数值特征的训练集；构建基于图像特征和结构化数值特征的特征融合图像分类模型；利用获取的训练集对构建的特征融合图像分类模型进行训练；其中，在训练过程中，通过图像处理提取图像的几何特征，同时通过卷积神经网络提取图像的特征，将图像处理提取的几何特征和卷积神经网络提取的图像特征与训练集中的结构化数值特征进行融合，根据融合后的特征对图像的类型进行预测；获取待分类图像，将其输入到训练好的图像分类模型中，对待分类图像的类型进行预测。这样，将通过图像处理提取的几何特征、卷积神经网络自动提取的图像特征和物体自身的数值特征进行融合，利用融合后的更加全面和更具代表性的特征对易混淆的图像进行分类，能够显著提高图像的分类准确率，从而有效解决当前图像分类方法使用的特征的不够全面和代表性不强，导致图像的分类准确率低的问题。附图说明图1为本专利技术实施例提供的基于特征融合的图像分类方法的流程示意图；图2为本专利技术实施例提供的图像处理提取磨粒图像几何特征的流程示意图；图3为本专利技术实施例提供的特征融合的图像分类模型的工作流程示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地详细描述。如图1所示，本专利技术实施例提供了一种基于特征融合的图像分类方法，该方法包括：S101，获取包含图像和结构化数值特征的训练集；S102，构建基于图像处理和结构化数值特征的特征融合图像分类模型；S103，利用获取的包含图像和结构化数值特征的训练集对构建的特征融合图像分类模型进行训练；其中，在训练过程中，通过图像处理提取图像的几何特征，同时通过卷积神经网络提取图像的特征，将图像处理提取的几何特征和卷积神经网络提取的图像特征与训练集中的结构化数值特征进行融合，根据融合后的特征对图像的类型进行预测；S104，获取待分类图像，将其输入到训练好的特征融合图像分类模型中，对待分类图像的类型进行预测。在前述基于特征融合的图像分类方法的具体实施方式中，进一步地，所述通过图本文档来自技高网...

【技术保护点】
1.一种基于特征融合的图像分类方法，其特征在于，包括：/nS101，获取包含图像和结构化数值特征的训练集；/nS102，构建基于图像特征和结构化数值特征的特征融合图像分类模型；/nS103，利用获取的训练集对构建的特征融合图像分类模型进行训练；其中，在训练过程中，通过图像处理提取图像的几何特征，同时通过卷积神经网络提取图像的特征，将图像处理提取的几何特征、卷积神经网络提取的图像特征与训练集中的结构化数值特征进行融合，根据融合后的特征对图像的类型进行预测；/nS104，获取待分类图像，将其输入到训练好的特征融合图像分类模型中，对待分类图像的类型进行预测。/n

【技术特征摘要】
1.一种基于特征融合的图像分类方法，其特征在于，包括：
S101，获取包含图像和结构化数值特征的训练集；
S102，构建基于图像特征和结构化数值特征的特征融合图像分类模型；
S103，利用获取的训练集对构建的特征融合图像分类模型进行训练；其中，在训练过程中，通过图像处理提取图像的几何特征，同时通过卷积神经网络提取图像的特征，将图像处理提取的几何特征、卷积神经网络提取的图像特征与训练集中的结构化数值特征进行融合，根据融合后的特征对图像的类型进行预测；
S104，获取待分类图像，将其输入到训练好的特征融合图像分类模型中，对待分类图像的类型进行预测。


2.根据权利要求1所述的基于特征融合的图像分类方法，其特征在于，所述通过图像处理提取图像的几何特征包括：
获取训练集中的图像，对获取的图像进行灰度化处理，将其转化为灰度图像；
对灰度图像进行二值化处理，将灰度图像转化为二值图像；
基于二值图像，提取出图像中物体的轮廓；
基于提取出的轮廓，提取图像中物体的最小外接矩形；
基于提取的图像中物体的轮廓和最小外接矩形，确定图像的几何特征。


3.根据权利要求2所述的基于特征融合的图像分类方法，其特征在于，所述图像的几何特征包括：面积、周长、体态比、矩形度、圆度和形状因子。


4.根据权利要求1所述的基于特征融合的图像分类方法，其特征在于，所述的卷积神经网络结构包括：卷积层、与卷积层相连的池化层和与池化层相连的全局平均池化层；其中，卷积层用于提取图像的特征；池化层用于降低卷积层提取的特征维度；全局平均池化用于将降维后的图像中所有像素的平均值作为特征值。


5.根据权利要求1所述的基于特征融合的图像分类方法，其特征在于，所述的结构化数值特征是图像...

【专利技术属性】
技术研发人员：张桃红，范素丽，胡俊楠，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京;11