【技术实现步骤摘要】
基于特征定义和深度学习的图像二分类集成学习方法
[0001]本专利技术涉及图像分类
，特别涉及一种基于特征定义和深度学习的图像二分类集成学习方法。
技术介绍
[0002]在图像分类领域，目前主要的分类算法大都基于单一的基于特征定义的机器学习算法和深度学习算法来进行。在工业和医学领域常用先分割目标，在对分割出的目标做分类研究，其中机器学习分类算法采用的是自定义的特征提取方式加分类器的方法，而深度学习多采用的是分割加分类的一体化框架，比较常用的有YOLO系列和Mask
‑
RCNN深度学习神经网络。这种单一的图像分类算法对图像质量和样本的均衡度有着很高的要求，对于医学图像这种复杂度很高或者工业缺陷检测领域的数据集不均衡的情况，单一的分类算法会表现出鲁棒性很差或者准确性较低的情况。
[0003]在集成学习图像分类领域中，现有的集成算法也是单一的多个基于特征定义的机器学习分类器的实现，或者是基于多个深度学习分类模型的集成学习实现。目前主流的关于物体分类的算法如下：一是基于传统的特征定义的方法来进行图像的...
【技术保护点】
【技术特征摘要】
1.一种基于特征定义和深度学习的图像二分类集成学习方法，其特征在于，包括：步骤S1，对目标图像中的感兴趣区域ROI进行分割；步骤S2，将步骤S1中获取到的ROI区域进行基于特征定义的分类，包括：首先对ROI区域进行特征提取和筛选，然后将得到的有效特征送入机器学习分类器进行训练分类；步骤S3，对步骤S1中分割出来的图像ROI区域进行基于深度学习的分类，并预测出每个类别所属的概率信息；步骤S4，将步骤S2的基于特征定义的每个图像ROI区域的分类概率和步骤S3中的深度学习对图像ROI区域的分类概率进行结果集成，包括以下形式之一：（1）结果的加权集成其中p是图像ROI区域的最终分类概率，，...和，...,分别是基于特征定义的n个机器学习分类器的输出分类概率和m个深度学习的图像ROI输出的分类概率，，...和，...分别是特征定义的n个机器学习分类器输出概率的系数与m个深度学习分类模型输出的分类概率系数，其分别定义如下：其分别定义如下：其中,...和,...是相同的样本总体中n个机器学习分类器和m个深度学习分类模型分类正确的个数，然后通过加权集成的方式得到图像ROI区域的最终预测概率p；（2）投票方式的集成选择n个机器学习的分类器，然后选择m个深度学习分类模型，当判断某个图像ROI属于哪一个类别时，以多数分类器判断的类别为结果，然后类别的概率以所有分类器中最大的一个作为其最终分类概率p。2.如权利要求1所述的基于特...
【专利技术属性】
技术研发人员：曾庆超，韩峰涛，庹华，袁顺宁，王利利，张立炀，李亚楠，
申请(专利权)人：珞石北京科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。