图像分类方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术提供一种图像分类方法、装置、电子设备和存储介质，所述方法包括：将待分类图像输入至图像分类模型中，得到图像分类模型输出的图像分类结果；其中，图像分类模型是基于样本图像的各样本子图像的聚类结果进行无监督学习得到的；聚类结果是基于各样本子图像的形态相似度确定的。本发明专利技术基于样本图像中各样本子图像的聚类结果进行无监督学习得到图像分类模型，不依赖于人工标注大量样本图像，提高了模型的训练效率，并且各样本子图像的聚类结果是基于各样本子图像的形态相似度确定的，从而充分利用了样本子图像本身包含的空间信息进行聚类，避免传统无监督学习时对图像进行变换操作时产生变形导致识别度降低的问题，提高了图像分类的准确率。

【技术实现步骤摘要】
图像分类方法、装置、电子设备和存储介质
本专利技术涉及计算机
，尤其涉及一种图像分类方法、装置、电子设备和存储介质。
技术介绍
图像分类是根据图像的语义信息对不同类别图像进行区分，它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。目前，多通过以大量样本图像作为训练集的图像分类模型进行图像分类，但对于高通量大规模图像(如病理图像、卫星图像等)，为了保证模型的训练效果，需要人工在样本图像中进行大量的高质量的标注，既费时又容易出错，影响模型的训练效果。
技术实现思路
本专利技术提供一种图像分类方法、装置、电子设备和存储介质，用以解决现有技术中依赖人工进行大量的训练集标注进而影响模型训练效果的缺陷。本专利技术提供一种图像分类方法，包括：获取待分类图像；将所述待分类图像输入至图像分类模型中，得到所述图像分类模型输出的图像分类结果；其中，所述图像分类模型是基于样本图像的各样本子图像的聚类结果进行无监督学习得到的；所述聚类结果是基于所述各样本子图像的形态相似度确定的。根据本专利技术提供的一种图像分类方法，所述聚类结果是基于如下步骤确定的：基于预设规则，将所述样本图像划分为多个样本子图像；对各样本子图像进行偏移，得到各样本子图像对应的子图像集合；基于条件随机场概率模型，计算各子图像集合与对应样本子图像的形态相似度；若所述形态相似度满足预设条件，则对应子图像集合的类别与对应样本子图像的类别一致。根据本专利技术提供的一种图像分类方法，所述对各样本子图像进行偏移，得到各样本子图像对应的子图像集合，包括：基于预设偏移量集合，将各样本子图像分别按照所述预设偏移量集合中的每一偏移量进行偏移，得到各样本子图像对应的子图像集合。根据本专利技术提供的一种图像分类方法，所述条件随机场概率模型为：其中，P表示所述形态相似度，表示归一化常数，exp表示指数函数，E表示能量函数，表示描述图像标注的随机向量，表示原始图像集合，表示第i1个子图像标注的随机变量，表示第ik个子图像标注的随机变量，i1表示第i1个增加偏移量后的子图像，iK表示第ik个增加偏移量后的子图像，表示相邻的标注向量，表示相邻的图像集合，k1表示的具体取值，kr×c表示Zr×c的具体取值，K1表示相邻于随机变量重新排列下标后的第一个子图像是否被用于无监督学习的随机变量，Kr×c表示相邻于随机变量重新排列下标后的最后一个子图像是否被用于无监督学习的随机变量。根据本专利技术提供的一种图像分类方法，所述将所述待分类图像输入至图像分类模型中，得到所述图像分类模型输出的图像分类结果，包括：将所述待分类图像输入至所述图像分类模型的图像划分层，得到所述图像划分层输出的多个子图像；将各子图像输入至所述图像分类模型的图像聚类层，得到所述图像聚类层输出的所述图像分类结果。根据本专利技术提供的一种图像分类方法，所述图像分类模型是以最大化互信息作为目标函数进行无监督学习的。根据本专利技术提供的一种图像分类方法，所述待分类图像为医学图像或卫星数据图像。本专利技术还提供一种图像分类装置，包括：获取单元，用于获取待分类图像；分类单元，用于将所述待分类图像输入至图像分类模型中，得到所述图像分类模型输出的图像分类结果；其中，所述图像分类模型是基于样本图像的各样本子图像的聚类结果进行无监督学习得到的；所述聚类结果是基于所述各样本子图像的形态相似度确定的。本专利技术还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述图像分类方法的步骤。本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述图像分类方法的步骤。本专利技术提供的图像分类方法、装置、电子设备和存储介质，基于样本图像中各样本子图像的聚类结果进行无监督学习得到图像分类模型，不依赖于人工标注大量的样本图像，提高了模型的训练效率。同时，各样本子图像的聚类结果是基于各样本子图像的形态相似度确定的，从而充分利用了样本子图像本身包含的空间信息进行聚类，避免传统无监督学习时对图像进行变换操作时产生变形导致识别度降低的问题，提高了图像分类的准确率。附图说明为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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是本专利技术提供的图像分类方法的流程示意图；图2是本专利技术提供的聚类结果示意图；图3是本专利技术提供的图像分类算法框架的流程示意图之一；图4是本专利技术提供的图像分类算法框架的流程示意图之二；图5是本专利技术提供的图像分类装置的结构示意图；图6是本专利技术提供的电子设备的结构示意图。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，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图像分类是根据图像的语义信息对不同类别图像进行区分，它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种。目前，多通过以大量样本图像作为训练集的图像分类模型进行图像分类，但对于高通量大规模图像(如病理图像、卫星图像等)，为了保证模型的训练效果，需要人工在样本图像中进行大量的高质量的标注，既费时又容易出错，影响模型的训练效果。例如，在医疗领域中，显微镜下的全视野数字切片是用于癌症诊断的黄金标准，但是全视野显微镜图像的尺寸较大(约80000×80000像素)，并且其标注依赖于有经验的病理学家或医生，而一个高精度的基于深度学习的图像分类模型往往依赖于大量的高质量的标注，因此获得大量有标注的全视野图像用于训练具有鲁棒性的深度学习模型是困难的。对此，本专利技术提供一种图像分类方法。图1是本专利技术提供的图像分类方法的流程示意图，如图1所示，该方法包括如下步骤：步骤110、获取待分类图像；步骤120、将待分类图像输入至图像分类模型中，得到图像分类模型输出的图像分类结果；其中，图像分类模型是基于样本图像的各样本子图像的聚类结果进行无监督学习得到的；聚类结果是基于各样本子图像的形态相似度确定的。在本专利技术实施例中，需要说明的是，在训练图像分类模型之前，需要获取大量的样本图像作为图像分类模型的训练样本，而现有技术中需要通过人工对样本中各区域进行大量标注，耗费大量的人力成本和时间成本，并且还会由于人工误差导致错误标注。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，包括：/n获取待分类图像；/n将所述待分类图像输入至图像分类模型中，得到所述图像分类模型输出的图像分类结果；/n其中，所述图像分类模型是基于样本图像的各样本子图像的聚类结果进行无监督学习得到的；所述聚类结果是基于所述各样本子图像的形态相似度确定的。/n

【技术特征摘要】
1.一种图像分类方法，其特征在于，包括：
获取待分类图像；
将所述待分类图像输入至图像分类模型中，得到所述图像分类模型输出的图像分类结果；
其中，所述图像分类模型是基于样本图像的各样本子图像的聚类结果进行无监督学习得到的；所述聚类结果是基于所述各样本子图像的形态相似度确定的。


2.根据权利要求1所述的图像分类方法，其特征在于，所述聚类结果是基于如下步骤确定的：
基于预设规则，将所述样本图像划分为多个样本子图像；
对各样本子图像进行偏移，得到各样本子图像对应的子图像集合；
基于条件随机场概率模型，计算各子图像集合与对应样本子图像的形态相似度；
若所述形态相似度满足预设条件，则对应子图像集合的类别与对应样本子图像的类别一致。


3.根据权利要求2所述的图像分类方法，其特征在于，所述对各样本子图像进行偏移，得到各样本子图像对应的子图像集合，包括：
基于预设偏移量集合，将各样本子图像分别按照所述预设偏移量集合中的每一偏移量进行偏移，得到各样本子图像对应的子图像集合。


4.根据权利要求2所述的图像分类方法，其特征在于，所述条件随机场概率模型为：



其中，P表示所述形态相似度，表示归一化常数，exp表示指数函数，E表示能量函数，表示描述图像标注的随机向量，表示原始图像集合，表示第i1个子图像标注的随机变量，表示第ik个子图像标注的随机变量，i1表示第i1个增加偏移量后的子图像，iK表示第ik个增加偏移量后的子图像，表示相邻的标注向量，表示相邻的图像集合，k1表示的具体取值，kr×c表示Zr×c的具体取值，K1表示相邻于随机变量重新排列...

【专利技术属性】
技术研发人员：柯晶，沈逸卿，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31