基于单正类图像建立的图像分类方法和装置、存储介质和计算机制造方法及图纸

本发明专利技术提供一种基于单正类图像建立的图像分类方法和装置、存储介质和计算机。所述图像分类方法包括：提供单正类图像集、编码神经网络模型、解码神经网络模型和单类支持向量机模型；将所述单正类图像集中的正类图像输入所述编码神经网络模型进行训练，此时所述编码神经网络模型提取所述正类图像的特征，所述解码神经网络模型基于提取的特征解码出还原图像，经过训练得到最终的编码神经网络模型；将提取的各个正类图像的特征输入所述单类支持向量机模型进行训练以划分正类图像范围，得到最终的单类支持向量机模型；最终的编码神经网络模型和最终的单类支持向量机模型联合对待检测图像进行图像分类以判断所述待检测图像是否为正类图像。为正类图像。为正类图像。

【技术实现步骤摘要】
基于单正类图像建立的图像分类方法和装置、存储介质和计算机


[0001]本专利技术涉及机器学习与图像学领域，尤其涉及一种基于单正类图像建立的图像分类方法和装置、存储介质和计算机。

技术介绍

[0002]深度学习凭借其在识别应用中较高的预测准确率，在图像分类、图像语义分割领域中表现不凡，主要利用卷积神经网络(CNN)，在图像中寻找特征，或将目标从背景中分离出来，或将不同类别的目标区分开来。
[0003]然而，建立一个优质的神经网络模型的前提，就是拥有一个优质的图像训练集，这不仅在数量上有所要求，还需针对环境差异化具有一定容纳性，这一点在工业应用时尤为重要，因为造成图片变化的不可抗因素极多，工业环境中，光源、相机、镜头等硬件性能的衰落，外部环境的变化与干扰，都会影响到模型的鲁棒性，但在已有的图像数据中无法完全体现出来。
[0004]然而，在有些应用场景中，只有正图像样本，没有负图像样本，在这种情况下如何训练出预测准确率高的图像分类模型是一个很大的挑战。

技术实现思路

[0005]本专利技术的目的在于提供一种基于单正类图像建立的图像分类方法和装置、存储介质和计算机，其可以仅基于单一正类图像进行训练进而对图像进行高准确率的分类。
[0006]为实现专利技术目的，根据本专利技术的一个方面，本专利技术提供一种基于单正类图像建立的图像分类方法，其包括：提供单正类图像集、编码神经网络模型、解码神经网络模型和单类支持向量机模型，其中所述单正类图像集包括多张正类图像；将所述单正类图像集中的正类图像输入所述编码神经网络模型以对所述编码神经网络模型进行训练，此时所述编码神经网络模型提取所述正类图像的特征，所述解码神经网络模型基于所述编码神经网络模型提取的特征解码出还原图像，经过训练得到最终的编码神经网络模型；将最终的编码经网络模型提取的各个正类图像的特征输入所述单类支持向量机模型进行训练以划分正类图像范围，得到最终的单类支持向量机模型；将待检测图像输入最终的编码神经网络模型进行特征提取，最终的单类支持向量机模型基于最终的编码神经网络模型提取的特征进行图像分类以判断所述待检测图像是否为正类图像。
[0007]根据本专利技术的另一个方面，本专利技术提供一种基于单正类图像建立的图像分类装置，其包括：编码神经网络模型，其被配置的接收单正类图像集中的正类图像以进行训练，此时所述编码神经网络模型提取所述正类图像的特征，经过训练得到最终的编码神经网络模型；解码神经网络模型，其被配置的基于所述编码神经网络模型提取的特征解码出还原图像；和单类支持向量机模型，其被配置的接收最终的编码经网络模型提取的各个正类图像的特征以进行训练，进而划分正类图像范围，得到最终的单类支持向量机模型，其中将待
检测图像输入最终的编码神经网络模型进行特征提取，最终的单类支持向量机模型基于最终的编码神经网络模型提取的特征进行图像分类以判断所述待检测图像是否为正类图像。
[0008]根据本专利技术的另外一个方面，本专利技术提供一种存储介质，其存储有程序指令，在所述程序执行被运行以执行上述基于单正类图像建立的图像分类方法。所述基于单正类图像建立的图像分类方法，其包括：提供单正类图像集、编码神经网络模型、解码神经网络模型和单类支持向量机模型，其中所述单正类图像集包括多张正类图像；将所述单正类图像集中的正类图像输入所述编码神经网络模型以对所述编码神经网络模型进行训练，此时所述编码神经网络模型提取所述正类图像的特征，所述解码神经网络模型基于所述编码神经网络模型提取的特征解码出还原图像，经过训练得到最终的编码神经网络模型；将最终的编码经网络模型提取的各个正类图像的特征输入所述单类支持向量机模型进行训练以划分正类图像范围，得到最终的单类支持向量机模型；将待检测图像输入最终的编码神经网络模型进行特征提取，最终的单类支持向量机模型基于最终的编码神经网络模型提取的特征进行图像分类以判断所述待检测图像是否为正类图像。
[0009]根据本专利技术的另外一个方面，本专利技术提一种计算机，其包括处理器和存储器，所述存储器中存储有程序指令，所述处理器运行所述程序指令以执行上述基于单正类图像建立的图像分类方法。所述基于单正类图像建立的图像分类方法，其包括：提供单正类图像集、编码神经网络模型、解码神经网络模型和单类支持向量机模型，其中所述单正类图像集包括多张正类图像；将所述单正类图像集中的正类图像输入所述编码神经网络模型以对所述编码神经网络模型进行训练，此时所述编码神经网络模型提取所述正类图像的特征，所述解码神经网络模型基于所述编码神经网络模型提取的特征解码出还原图像，经过训练得到最终的编码神经网络模型；将最终的编码经网络模型提取的各个正类图像的特征输入所述单类支持向量机模型进行训练以划分正类图像范围，得到最终的单类支持向量机模型；将待检测图像输入最终的编码神经网络模型进行特征提取，最终的单类支持向量机模型基于最终的编码神经网络模型提取的特征进行图像分类以判断所述待检测图像是否为正类图像。
[0010]与现有技术相比，本专利技术利用单一正类图像训练编码神经网络，当编码神经网络能够提取到输入的正类图像的合适特征时，用提取到的特征训练单类支持向量机模型以划分正类图像范围，最后利用训练好的编码神经网络和单类支持向量机模型共同对待检测图像进行正负分类，最终准确了也比较高。
附图说明
[0011]图1为本专利技术的基于单正类图像建立的图像分类方法在一个实施例中的流程示意图；
[0012]图2为本专利技术中的基于单正类图像建立的图像分类装置在一个实施例中的示意图；和
[0013]图3为本专利技术中的编码神经网络模型和解码神经网络模型在一个实施例中的结构示意图。
具体实施方式
[0014]为更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术的具体实施方式、结构、特征及其功效，详细说明如下。
[0015]图1为本专利技术的基于单正类图像建立的图像分类方法100在一个实施例中的流程示意图。如图1所示的，所述基于单正类图像建立的图像分类方法100包括如下步骤或操作。
[0016]步骤110，结合图2所示的，提供单正类图像集、编码神经网络模型210、解码神经网络模型220和单类支持向量机模型230(OneClassSvm)。
[0017]所述单正类图像集包括多张正类图像，“单正类图像集”的含义是这个图像集中只有正类图像，没有负类图像。“单正类图像”意思是单一的正类图像，本专利技术中的图像分类仅对待检测图像是否是正类图像进行判断。
[0018]优选的，所述单正类图像集中的正类图像已经过尺寸归一化处理。
[0019]很显然，单正类图像集、编码神经网络模型、解码神经网络模型和单类支持向量机模型可以在同一步骤中被提供，也可以在不同步骤中被提供，这取决于需要和选择。
[0020]步骤120，将所述单正类图像集中的正类图像输入所述编码神经网络模型210以对所述编码神经网络模型210进行训练，此时所述编码神经网络模型210提取所述正类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于单正类图像建立的图像分类方法，其特征在于，其包括：提供单正类图像集、编码神经网络模型、解码神经网络模型和单类支持向量机模型，其中所述单正类图像集包括多张正类图像；将所述单正类图像集中的正类图像输入所述编码神经网络模型以对所述编码神经网络模型进行训练，此时所述编码神经网络模型提取所述正类图像的特征，所述解码神经网络模型基于所述编码神经网络模型提取的特征解码出还原图像，经过训练得到最终的编码神经网络模型；将最终的编码经网络模型提取的各个正类图像的特征输入所述单类支持向量机模型进行训练以划分正类图像范围，得到最终的单类支持向量机模型；将待检测图像输入最终的编码神经网络模型进行特征提取，最终的单类支持向量机模型基于最终的编码神经网络模型提取的特征进行图像分类以判断所述待检测图像是否为正类图像。2.如权利要求1所述的基于单正类图像建立的图像分类方法，其特征在于，在对所述编码神经网络模型的训练过程中，通过比对输入所述编码神经网络模型的正类图像以及所述解码神经网络模型输出的还原图像，调整所述编码神经网络模型的参数和结构以保证所述编码神经网络模型能够提取到合适的特征，以使得所述解码神经网络模型能够得到合适的还原图像。3.如权利要求1所述的基于单正类图像建立的图像分类方法，其特征在于，所述编码神经网络模型用于对输入的正类图像进行下采样提取高维特征，所述解码神经网络模型用于对所述高维特征进行上采样得到所述还原图像，通过比对输入所述编码神经网络模型的正类图像以及所述解码神经网络模型输出的还原图像，确定所述编码神经网络模型是否提取到了合适的特征，如果所述编码神经网络模型未提取到合适的特征，则调整所述编码神经网络模型的参数和结构继续进行训练，直到所述编码神经网络模型能够提取到合适的特征。4.如权利要求3所述的基于单正类图像建立的图像分类方法，其特征在于，所述编码神经网络模型包括一个编码单元或串联的多个编码单元，每个编码单元包括依次连接的一层卷积层、一层激活层和一层池化层，最后的编码单元输出提取的特征，所述解码神经网络模型包括一个解码单元或串联的多个解码单元，每个解码单元包括依次连接的一层反卷积层和一层激活层，最后的解码单元输出还原图像，所述编码神经网络模型采用跳跃结构，每个编码单元的输入还与自己的输出以及后续的编码单元的输出进行通道叠加或数值相加，所述解码神经网络模型采用跳跃结构，，每个解码单元的输入还与自己的输出以及后续的解码单元的输出进行通道叠加或数值相加。5.如权利要求1所述的基于单正类图像建立的图像分类方法，其特征在于，所述单正类图像集中的正类图像已经过尺寸归一化处理。6.一种基于单正类图像建立的图像分类装置，其特征在于，其...

【专利技术属性】
技术研发人员：韩旭，陈彦龙，张裕河，
申请(专利权)人：东声苏州智能科技有限公司，
类型：发明
国别省市：