一种基于特征增强的图像分类方法技术

本发明专利技术提供了一种基于特征增强的图像分类方法。获取预分类图像，并提取图像特征；采用残差特征增强算法对所述图像特征进行增强处理，生成增强特征；将所述增强特征进行特征分类，并计算每类增强特征的参考特征参数；根据所述参考特征参数，确定每张预分类图像的综合特征均值；将所述综合特征均值进行梯度划分，确定每个综合特征均值对应的梯度；根据所述梯度，将所述预分类图像进行分类。本发明专利技术是通过对图像的特征增强技术，本发明专利技术在计算每张图像的参数的时候，计算的每张图像的综合特征值，然后通过综合特征值的梯度划分方法，对预分类的图像进行分类本发明专利技术能够迅速的对图像进行分类，而特征增强之后，实现图像的高效分类。实现图像的高效分类。实现图像的高效分类。

【技术实现步骤摘要】
一种基于特征增强的图像分类方法


[0001]本专利技术涉及图像处理
，特别涉及一种基于特征增强的图像分类方法。

技术介绍

[0002]目前，随着科学技术的不断发展，图像处理技术被广泛用来解决各种问题，例如，通过深度学习模型实现图像分类、行人检测以及医学诊断等问题。
[0003]相关技术中，通过同一个图像分类模型对样本集(训练集)训练，得到单个图像分类模型；并根据单个图像分类模型对所有待分类图像(测试集)进行分类识别，得到分类结果。
[0004]但是，这种方法得到的图像分类模型对不同复杂程度的待分类图像的分类准确率不同，例如，对于简单样本(待分类图像)的分类准确率较高，但对于复杂样本的分类准确率较差，导致得到的图像分类模型的准确率较低。

技术实现思路

[0005]本专利技术提供一种基于特征增强的图像分类方法，用以解决图像分类模型的准确率较低的情况。
[0006]一种基于特征增强的图像分类方法，包括：
[0007]获取预分类图像，并提取图像特征；
[0008]采用残差特征增强算法对所述图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征增强的图像分类方法，其特征在于，包括：获取预分类图像，并提取图像特征；采用残差特征增强算法对所述图像特征进行增强处理，生成增强特征；将所述增强特征进行特征分类，并计算每类增强特征的参考特征参数；根据所述参考特征参数，确定每张预分类图像的综合特征均值；将所述综合特征均值进行梯度划分，确定每个综合特征均值对应的梯度；根据所述梯度，将所述预分类图像进行分类。2.如权利要求1所述的一种基于特征增强的图像分类方法，其特征在于，所述获取预分类图像，并提取图像特征，包括：基于RGB颜色空间对所述预分类图像进行处理，获取所述第一图像特征；其中，所述第一图像特征包括：纹理特征、形状特征、空间关系特征和颜色特征；基于HSV颜色空间对所述预分类图像进行处理，获取所述第二图像特征；其中，所述第二图像特征包括：色调特征、饱和度特征和明度特征。3.如权利要求2所述的一种基于特征增强的图像分类方法，其特征在于，所述获取所述第一图像特征还包括：预先设置RGB颜色空间，对所述预分类图像的第一特征提取规则；其中，所述第一特征提取规则包括：颜色提取规则、纹理提取规则、形状提取规则和空间关系提取规则；根据所述颜色提取规则，对所述预分类图像的每个像素点的颜色进行划分，确定颜色特征；根据所述纹理提取规则，通过预设方式对所述预分类图像的纹理特征进行提取，确定纹理特征；其中，所述预设方式包括：灰度共生矩阵、Tamura纹理特征、自回归纹理模型、小波变换；根据所述形状提取规则，对所述预分类图像的每个颜色组成的形状进行提取，确定形状特征；根据所述空间关系提取规则，根据所述预分类图像的每个像素点的空间位置构建三维坐标系，确定空间关系特征。4.如权利要求2所述的一种基于特征增强的图像分类方法，其特征在于，所述获取所述第二图像特征还包括：预先设置HSV颜色空间，对所述预分类图像的第二特征提取规则；其中，所述第二特征提取规则包括：色调提取规则、饱和度提取规则和明度提取规则；根据所述色调提取规则，设定所述预分类图像的每个像素点的色度值，确定色度特征；根据所述饱和度提取规则，将所述分类图像的每个像素点和预设色光谱进行比对，确定饱和度特征；根据所述明度提取规则，对所述分类图像的每个像素点亮度进行提取，确定明度特征。5.如权利要求1所述的一种基于特征增强的图像分类方法，其特征在于，所述采用残差特征增强算法对所述图像特征进行增强处理，生成增强特征，包括：预先构建深度卷积神经网络模型；将所述预分类图像进行通过所述深度卷积神经网络模型进行处理，确定交叉熵损失函
数；将所述交叉熵损失函数代入所述残差增强算法进...

【专利技术属性】
技术研发人员：何婧媛，李富星，姜宁，
申请(专利权)人：延安大学，
类型：发明
国别省市：