一种基于人工智能的图像分类标注方法技术

本发明专利技术提出一种基于人工智能的图像分类标注方法，包括如下步骤：获取已标注的图像数据集，对图像数据集进行预处理，预处理过程包括了去噪操作，图像增强操作等；对训练图像集采用支持向量机(Support Vector Machine，SVM)构建自主分类模型，其中支持向量机中最佳参数的获取采用改进的灰狼算法，图像集用于测试训练好的SVM模型的好坏(得到适应度值)。基于最佳参数的SVM模型对输入的未标注的图像进行自主分类标注。该发明专利技术有效地对图像进行自主分类标注，显著提升了分类准确度，具备较强的抗干扰能力，解决现有图像无法自主分类标注的问题。问题。

【技术实现步骤摘要】
一种基于人工智能的图像分类标注方法


[0001]本专利技术涉及图像分类
，尤其涉及一种基于人工智能的图像分类标注方法。

技术介绍

[0002]随着信息化时代的发展，生活中存在海量的图像数据，为了获取其中有用的图像信息，因此将不同结构，不同类型的图像进行分类和标注是有必要的。同时机器学习，神经网络等模型也都依赖于图像数据的分类标注。然而，传统的图像分类标注技术是一个费时费力的过程，需要人为的进行筛选与标注，不仅需要消耗大量的人为成本，而且人为误差较大，即，存在人为不确定因素，例如，人眼疲劳，注意力不集中，误标等现象导致图像分类标注出现错误。同时现有的自主图像分类标注方法，需要大量的计算成本，存在计算时间长，分类效果不佳等问题。
[0003]因此有必要提出一种基于人工智能的自适应皮肤镜图像分割方法以解决上述问题。

技术实现思路

[0004]本专利技术公开了一种基于人工智能的图像分类标注方法，其提供一种自适应的、高效的、抗干扰强的图像自动分类标注方法，有效提高图像自主分类标注，从而可以有效解决
技术介绍
中涉及的技术问题。
[0005]为实现上述目的，本专利技术的技术方案为：
[0006]一种基于人工智能的自适应皮肤镜图像分割方法，该方法包括如下步骤：
[0007]S1：获取已标注好的图像数据集，并对图像数据集中的所有图像进行预处理，其中预处理过程包括去噪操作和图像增强操作；
[0008]S2：对图像训练集采用支持向量机构建自主分类模型，其中支持向量机中最佳参数的获取采用改进的灰狼优化算法，测试图像集用于测试训练好的支持向量机模型的好坏，具备包括如下步骤：
[0009]S21：支持向量机模型中存在多个第一参数，其中主要参数包括惩罚因子和核参数，初始化灰狼种群的各第二参数，该第二参数包括灰狼种群个数N、维度数D以及最大迭代次数T
max
；
[0010]S22：设定支持向量机模型中第一参数的边界值，依据第一参数边界值，得到初始化灰狼种群X＝{X1，X2，...，X
N
}，其中X是灰狼种群集合，X
i
(i＝1，2，...，N)表示第i个灰狼的个体，表示第i个灰狼个体的位置信息，表示第i个灰狼个体的第j维的位置信息；
[0011]S23：对每个灰狼的位置计算其相应的适应度函数，从而得到适应度值，并筛选出迄今为止前三个最优的适应度值F1，F2，F3，将适应值F1，F2，F3所映射的三个位置记作X
a
，X
b
，X
c
，其中最佳适应度所映射的位置X
a
为最优解；
[0012]S24：更新灰狼各参数因子以及各灰狼的位置，判断更新后的灰狼种群位置是否超出边界值；
[0013]S25：若更新后的灰狼个体的适应度值大于更新前的适应度值，则将更新后的灰狼个体的位置替换掉更新前的位置；若更新后的灰狼个体的适应度值小于更新前的适应度值，则保留更新前的灰狼个体的位置；多次迭代直至达到最大迭代次数，输出适应度值最大的灰狼个体的位置信息X
a
；
[0014]S3：基于最佳参数的支持向量机模型对输入的未标注的图像进行自主分类标注。
[0015]作为本专利技术的一种优选改进，步骤S1包括：
[0016]S11：对图像数据中的图像采用双边滤波法进行去噪操作，具体表达如下：
[0017][0018]其中W
p
是一个标准量：
[0019][0020]其中S表示图像的像素点集，q表示像素点，IM表示去噪后的图像，W
p
为归一化参数，σ
d
和σ
r
衡量图像I的滤除量，分别是基于高斯函数的空间距离标准差和灰度相似度标准差，是一个空间函数，用来减少远距离像素影响；是一个范围函数，用来减少灰度值不同于I
p
的像素q的影响。p是模板中心像素。I
Q
是噪声图像，I
p
是模板图像；
[0021]一般情况下，双边滤波器的空间邻近函数和灰度相似度都取参数为欧几里得距离的高斯函数，通常定义为：
[0022][0023][0024]其中d(p，q)和δ(I(p)，I(q))分别为图像量像素点的欧几里得距离及像素的灰度差；I(p)和I(q)分别表示p和q的灰度值；
[0025]S12：对去噪后的图像采用直方图均衡化的方法对图像进行增强，步骤如下：
[0026]首先统计图像中每个灰度值像素的个数，其次，计算每个灰度值像素的频率，并计算累计频率，最后，将图像进行映射，图像的灰度值＝图像原来灰度值*累计频率。
[0027]作为本专利技术的一种优选改进，步骤S23中，适应度函数采用LIBSVM中的svmtrain函数进行K折交叉验证，得到平均分类准确率。
[0028]作为本专利技术的一种优选改进，步骤S24具体包括：
[0029]S241：基于前三个最优的适应度值F1，F2，F3所映射的位置信息X
a
，X
b
，X
c
，灰狼个体基于灰狼算法的位置更新如下：
[0030][0031][0032]其中X
i
(t)和X
i
(t+1)为当前迭代次数t时刻和下次迭代次数t+1时刻的第i个灰狼个体的位置，X
a
(t)，X
b
(t)，X
c
(t)表示到t时刻为止前三个最优的适应度值所映射的位置；
[0033]灰狼算法中的部分参数更新如下：
[0034]A＝2a
·
r1‑
a
[0035]C＝2
·
r2[0036][0037]其中t是第t次迭代，T
max
是最大迭代次数，a是随着迭代次数的增加而从2到0线性递减，r1和r2是[0，1]的随机向量，A＝A1，A2，A3以及C＝C1，C2，C3；
[0038]本次提出的改进的灰狼优化算法从以下两个方面进行优化：
[0039]其一，收敛因子a的取值采用正态分布而不是线性变化，可以提高算法前期的全局优化能力和后期的局部优化能力，由下式表达：
[0040][0041]其中σ1和σ2是方差参数，且满足设定σ1＝σ2＝2；
[0042]其二，将灰狼运动位置更新划为两个阶段，迭代前半段，即0到以及迭代后半段，即到T
max
；
[0043]前半段迭代阶段，应考虑灰狼领导X
a
的重要性，因此增加灰狼领导X
a
的权重使该个体成为更突出的领导者，灰狼位置更新如下：
[0044]X
i
(t+1)＝w1X1+w2X2+w3X3[0045]w1，w2，w3为三个权重值，此处设定为w1＝0.4，w2＝0.3，w3＝0.3；
[0046]后半本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的图像分类标注方法，其特征在于，该方法包括如下步骤：S1：获取已标注好的图像数据集，并对图像数据集中的所有图像进行预处理，其中预处理过程包括去噪操作和图像增强操作；S2：对图像训练集采用支持向量机构建自主分类模型，其中支持向量机中最佳参数的获取采用改进的灰狼优化算法，测试图像集用于测试训练好的支持向量机模型的好坏，具备包括如下步骤：S21：支持向量机模型中存在多个第一参数，其中所述第一参数包括惩罚因子和核参数，初始化灰狼种群的各第二参数，该第二参数包括灰狼种群个数N、维度数D以及最大迭代次数T
max
；S22：设定支持向量机模型中第一参数的边界值，依据第一参数边界值，得到初始化灰狼种群X＝{X1，X2，...，X
N
}，其中X是灰狼种群集合，X
i
(i＝1，2，...，N)表示第i个灰狼的个体，表示第i个灰狼个体的位置信息，表示第i个灰狼个体的第j维的位置信息；S23：对每个灰狼的位置计算其相应的适应度函数，从而得到适应度值，并筛选出迄今为止前三个最优的适应度值F1，F2，F3，将适度值F1，F2，F3所映射的三个位置记作X
a
，X
b
，X
c
，其中最佳适应度所映射的位置X
a
为最优解；S24：更新灰狼各参数因子以及各灰狼的位置，判断更新后的灰狼种群位置是否超出边界值；S25：若更新后的灰狼个体的适应度值大于更新前的适应度值，则将更新后的灰狼个体的位置替换掉更新前的位置；若更新后的灰狼个体的适应度值小于更新前的适应度值，则保留更新前的灰狼个体的位置；多次迭代直至达到最大迭代次数，输出适应度值最大的灰狼个体的位置信息X
a
；S3：基于最佳参数的支持向量机模型对输入的未标注的图像进行自主分类标注。2.根据权利要求1所述的一种基于人工智能的图像分类标注方法，其特征在于，步骤S1包括：S11：对图像数据中的图像采用双边滤波法进行去噪操作，具体表达如下：其中W
p
是一个标准量：其中S表示图像的像素点集，q表示像素点，IM表示去噪后的图像，W
p
为归一化参数，σ
d
和σ
r
衡量图像I的滤除量，分别是基于高斯函数的空间距离标准差和灰度相似度标准差，是一个空间函数，用来减少远距离像素影响；是一个范围函数，用来减少灰度值不同于I
p
的像素q的影响。p是模板中心像素。I
q
是噪声图像，I
p
是模板图像；双边滤波器的空间邻近函数和灰度相似度都取参数为欧几里得距离的高斯函数，定义为...

【专利技术属性】
技术研发人员：黄出为，刘庭波，
申请(专利权)人：贵州迦太利华信息科技有限公司，
类型：发明
国别省市：