基于深度卷积神经网络的无价值图像去除方法
【专利摘要】本发明涉及一种基于深度卷积神经网络的无价值图像去除方法，首先对图像样本集合白化预处理后，利用稀疏自编码器进行预训练，得到深度卷积网络参数的初始化结果；其次，构建多层深度卷积神经网络，逐层优化网络参数；最后实现多分类的softmax模型对多类问题进行分类，实现无价值图像的去除。由于稀疏自编码器自动学习图像特征，因而提高了本发明的分类正确率。在稀疏自编码器自动学习图像特征的基础之上，构建多层深度卷积神经网络，逐层优化网络参数，每层学习后的特征都是前一层特征的组合结果，训练多分类的softmax模型对图像进行判定，实现无价值图像的去除。
【专利说明】基于深度卷积神经网络的无价值图像去除方法
【技术领域】
[0001]本发明涉及航拍图像处理方法，具体涉及为一种基于深度卷积神经网络的无价值图像去除方法。
【背景技术】
[0002]自动、准确地从航拍视频中检测到有价值的目标，去除无价值图像，具有非常重要的意义。现有的无价值图像去除方法主要有:基于统计分析的分类方法和人工神经网络的方法。文献“From Local Similarity to Global Coding ；An Applicat1n to ImageClassificat1n, CVPR，2013, p2794_2801”提出了一种将局部特性与全局结构信息相结合图像分类算法，以此来去除无价值图像。此方法采用手工选择局部特征的类型，同时构建所有数据在此类特征上的编码字典；对原始图像进行金字塔分解，在每一层金字塔对应的图像利用编码字典进行编码和池化；将各层的池化结果连接后输入到线性分类器进行判决，从而实现无价值图像的去除。但是，在手工选择局部特征类型的阶段，必须指定局部特征，不能完整地表达图像所包含的信息，具有局限性且抗噪性差。
【发明内容】
[0003]要解决的技术问题
[0004]为了避免现有的无价值图像去除方法大多易受特征提取的影响，且局部特征所包含的图像信息具有局限性，分类正确率低，本发明提出一种基于深度卷积神经网络的无价值图像去除方法。
[0005]技术方案
[0006]一种基于深度卷积神经网络的无价值图像去除方法，其特征在于步骤如下:
[0007]步骤1:对图像样本进行归一化后合并为矩阵patches,行数为row, row = mXn,m, η为归一化的大小，列数为样本数量k，对矩阵patches进行零均值化处理:
[0008]
【权利要求】
1.一种基于深度卷积神经网络的无价值图像去除方法，其特征在于步骤如下: 步骤1:对图像样本进行归一化后合并为矩阵patches,行数为row, row = mXn,m, η为归一化的大小，列数为样本数量k，对矩阵patches进行零均值化处理:
图像样本与均值矩阵相减存入patches，计算协方差矩阵sigma:
对协方差矩阵进行SVD分解得到U，S，V矩阵，计算ZCA白化矩阵:
其中，diag()表示构造协方差矩阵的对角矩阵,sqrt表示求均方根,eplison为正则化参数，将patches与ZCA相乘得到白化预处理后的图像数据，作为稀疏自编码器的输入；步骤2:计算稀疏自编码器的损失函数:
其中，X为图像样本的输入特征，I为输出值，Vb(X)是输入为X时的假设输出，是连接第I层j单元和第1+1层i单元的权值参数，是第1+1层i的偏置项，S1是第I层的单元数目，Ii1是网络中的层数，λ是权重衰减稀疏，P为稀疏值，&为隐藏单元i的平均激活度，β是稀疏值惩罚项的权重； 对损失函数求偏导数，加入稀疏性的第I层第i个神经元节点的误差表达式为:
/(O是激活函数f (ζ) =tanh(z)的求导，#是第I层i单元所有输入的加权和；采用拟牛顿法中的BFGS优化出Jsparee (W，b)最小时的W和b，输出W和b作为多层深度卷积神经网络中卷积层的权重和偏置的初始化值； 步骤3:构建包含C1卷积层、S2降采样层、C3卷积层、S4降采样层和softmax分类层的多层深度卷积神经网络，输入图像在C1卷积层上进行卷积后产生特征映射图，然后特征映射图通过S2降采样层对像素进行求和、加权值、加偏置，之后再通过C3卷积层进行卷积和S4降采样层进行像素求和、加权值、加偏置，最终将得到的像素值光栅化连接成一个向量输入到softmax分类层； 所述的卷积使用的公式:
Mj表示选择的输入映射图的集合，表示W的第I层第i个神经元节点到第1+1层第j个节点的权值，€表示b的第I层到第1+1层第j个节点的偏置，4是第I层的输出特征图的第j个分量； 所述的降采样层使用的公式:
down(.)表示一个降采样函数，/4为乘性偏置，€为加性偏置；步骤4:利用softmax分类层的假设函数
对特征向量X中的每一个类别j估算出概率值P (y = j IX)，输出一个K维的向量表示这K个估计的概率值:
其中，Q1, θ2，...，θκ是训练模型参数，y(i) e {1，2，...，K}，
表示对概率分布进行归一化； 计算特征向量X为类别j的概率:
添加一个权重衰减项来修改代价函数:
η为特征向量X的维度，1{.}为示性函数，对代价函数求导得:
用梯度下降法最小化J( Θ )实现softmax分类模型，去除无价值图像。
2.根据权利要求1所述的基于深度卷积神经网络的无价值图像去除方法，其特征在于所述的eplison取0.1。
3.根据权利要求1所述的基于深度卷积神经网络的无价值图像去除方法，其特征在于所述的λ取值为0.003。
4.根据权利要求1所述的基于深度卷积神经网络的无价值图像去除方法，其特征在于所述的P取值为0.035。
5.根据权利要求1所述的基于深度卷积神经网络的无价值图像去除方法，其特征在于所述的β取值为5。
【文档编号】G06K9/62GK104200224SQ201410431220
【公开日】2014年12月10日 申请日期:2014年8月28日 优先权日:2014年8月28日
【发明者】张艳宁, 杨涛, 屈冰欣 申请人:西北工业大学