一种图像分类方法及图像分类系统

本发明涉及图像处理，更具体的说是涉及一种图像分类方法及图像分类系统。

背景技术：

1、图像是客观对象的一种相似性的、生动性的描述或写真，是人类社会活动中最常用的信息载体，或者说图像是客观对象的一种表示，它包含了被描述对象的有关信息。图像分类任务是计算机视觉中的核心任务，其目标是根据图像信息中所反映的不同特征，把不同类别的图像区分开来。

2、手动检查和分类图像是一个非常繁琐的过程，当我们面对大量的图片，比如10000张甚至100000张时，这个任务几乎不可能完成；若整个过程能够实现自动化并根据相应的类快速标记图像，将会加快整个图像分类过程。本领域技术人员已针对该问题进行了许多研究，例如，公开号为cn101360174a的发明专利“数字图像的分类方法及分类装置”，针对数字图像的候选区域执行离散余弦变换以产生一组离散余弦变换系数，基于此产生一组纹理参数，进而获得该数字图像的分类结果，可改善以人工判断耗时又耗力的缺点。

3、然而，该专利的分类准确率及效率依然有待提升，深度学习模型逐渐成为图片分类问题的主要解决手段，但在模型训练的过程中可能会出现过拟合现象，因而基于训练后的优化模型进行图像类别判断时容易出现准确率较低的问题。因此，如何提高图像分类的准确性及识别效率，提高模型的分类精度是本领域技术人员亟需解决的技术问题。

技术实现思路

1、有鉴于此，本发明提供了一种图像分类方法及图像分类系统，可提高模型的图像分类精度，确保图像分类准确度及识别效率的提升。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种图像分类方法，包括以下步骤：

4、采集若干张样本图像，对样本图像进行预处理，得到预处理图像；

5、对预处理图像进行类别标注，得到图像标注结果；

6、基于预处理图像和对应的图像标注结果，构建训练数据集；

7、构建初始图像分类模型，将训练数据集输入初始图像分类模型中进行模型训练，直至模型收敛，得到训练完成的图像分类优化模型；

8、基于训练完成的图像分类优化模型对待分类图像进行类别判断，确定待分类图像所属的类别。

9、可选的，对样本图像进行预处理，具体包括以下步骤：

10、对每张样本图像进行灰度化处理、去噪处理，得到第一图像数据集；

11、对第一图像数据集中每张图像的横向及纵向分别做差分并进行累积，当差分总值超过预设阈值时认定为失焦图像，删除失焦图像得到第二图像数据集；

12、对第二图像数据集进行梯度计算，基于梯度分布结果对异常图像进行删除处理，得到预处理图像。

13、可选的，对预处理图像进行类别标注，具体包括以下步骤：

14、在预处理图像中初步选择感兴趣区域，对感兴趣区域进行自动标注，得到第一标注结果；

15、对第一标注结果对应的区域进行自动标注，得到第二标注结果，作为图像标注结果。

16、可选的，构建训练数据集，具体包括以下步骤：

17、将预处理图像和预处理图像的图像标注结果聚类成多个群组，每个群组包括具有图像模板和图像模板中的图像标注结果的代表性模板；

18、将每一预处理图像和预处理图像的图像标注结果配准到对应群组中的代表性模板；

19、基于已配准的预处理图像和预处理图像的图像标注结果，得到训练数据集。

20、可选的，初始图像分类模型为基于小核卷积的densenet网络模型，具体包括输入层、若干密集组、卷积层、dropout层、池化层和分类层，分类层采用softmax函数实现；

21、每两个密集组之间以密集连接的方式相连，且在每一密集组中，每一层的输入接收所有先前层的输出，并将每一层的输出传递到密集组中的所有后续层；

22、每一密集组包括批量正则化层、线性整流层和卷积层。

23、可选的，得到训练完成的图像分类优化模型，具体包括以下步骤：

24、初始化模型参数，将训练数据集中的图像尺寸修改至预设尺寸后输入初始图像分类模型；

25、设置学习率及训练轮数，基于输出结果对模型参数进行调整，直至损失函数收敛或完成训练轮数为止，得到训练完成的图像分类优化模型。

26、可选的，所述方法还包括：

27、基于输入的训练数据集，获取多个不同类别样本的样本特征向量；

28、基于样本特征向量的特征维度和类别数目，得到与每一类别的样本对应的类别向量；

29、获取同一类别样本的样本特征向量与对应的类别向量之间的第一欧式距离，获取不同类别样本的类别向量之间的第二欧式距离；

30、基于第一欧式距离和第二欧式距离计算样本损失，并根据样本损失更新图像分类优化模型的参数。

31、本发明还提供了一种图像分类系统，包括：采集模块、预处理模块、标注模块、第一构建模块、第二构建模块、训练模块、分类模块；

32、采集模块，用于采集若干张样本图像；

33、预处理模块，用于对样本图像进行预处理，得到预处理图像；

34、标注模块，用于对预处理图像进行类别标注，得到图像标注结果；

35、第一构建模块，基于预处理图像和对应的图像标注结果，构建训练数据集；

36、第二构建模块，用于构建初始图像分类模型；

37、训练模块，用于将训练数据集输入初始图像分类模型中进行模型训练，直至模型收敛，得到训练完成的图像分类优化模型；

38、分类模块，基于训练完成的图像分类优化模型对待分类图像进行类别判断，确定待分类图像所属的类别。

39、可选的，预处理模块包括灰度化及去噪处理子模块、失焦处理子模块、异常处理子模块；

40、灰度化及去噪处理子模块，用于对每张样本图像进行灰度化处理、去噪处理，得到第一图像数据集；

41、失焦处理子模块，用于对第一图像数据集中每张图像的横向及纵向分别做差分并进行累积，当差分总值超过预设阈值时认定为失焦图像，删除失焦图像得到第二图像数据集；

42、异常处理子模块，用于对第二图像数据集进行梯度计算，基于梯度分布结果对异常图像进行删除处理，得到预处理图像。

43、可选的，初始图像分类模型为基于小核卷积的densenet网络模型，具体包括输入层、若干密集组、卷积层、dropout层、池化层和分类层，分类层采用softmax函数实现；

44、每两个密集组之间以密集连接的方式相连，且在每一密集组中，每一层的输入接收所有先前层的输出，并将每一层的输出传递到密集组中的所有后续层；

45、每一密集组包括批量正则化层、线性整流层和卷积层。

46、经由上述的技术方案可知，与现有技术相比，本发明提供了一种图像分类方法及图像分类系统，可以充分地提取到图像中更细微的特征，提高特征的重复使用率，有效解决模型训练过程中出现的过拟合问题，提高图像分类的精度及效率，硬件消耗成本降低。